图像分类方法、系统、电子设备及存储介质

本申请涉及图像数据处理，尤其涉及一种图像分类方法、系统、电子设备及存储介质。

背景技术：

1、在使用深度学习方法对目标图像进行处理的过程中，为了提取到更多的细节特征，通常引入注意力机制对图像进行处理，但可能会引入噪声，且在对输入的图像进行频率分解时，在已经存在噪声的情况下，噪声有可能会在变换过程中被放大，对图像分类过程造成干扰。

2、为了避免引入过多的噪声，通过全局平均池化对图像信息进行压缩，但是，这样会降低图像的清晰度和细节程度，从而忽略掉重要的信息，导致对目标图像的分类结果并不准确。例如，在临床研究中，由于医学影像研究目标的对比度不高，病灶具有多样性、边界模糊等特点，若使用一般的注意力机制方法往往无法提取图像的细节特征，从而导致对病灶信息的分类结果不准确。

技术实现思路

1、本申请实施例的主要目的在于提出一种图像分类方法、系统、电子设备及存储介质，能够在提取特征图像的细节信息的同时，对噪声进行抑制，提高对目标图像进行分类的准确性。

2、为实现上述目的，本申请实施例的第一方面提出了一种图像分类方法，所述方法包括：获取待分类的目标图像，将所述目标图像输入至预设的图像分类网络中；在所述图像分类网络中，对所述目标图像进行特征提取，得到初始特征图，并基于所述初始特征图进行频率分解，得到多个频率分量；对每个所述频率分量进行特征压缩后拼接，得到第一重组特征图，根据所述第一重组特征图中的特征分布进行分析，确定需要去除的目标特征，并对所述目标特征进行去除，得到多个所述频率分量对应的第一选择权重图；基于所述第一选择权重图进行重复校准，得到第二选择权重图，并将所述第二选择权重图与所述初始特征图进行相乘，得到特征校准后的目标特征图；根据所述目标特征图进行分类，得到所述目标图像的分类结果。

3、根据本申请的一些实施例，所述对每个所述频率分量进行特征压缩，包括：获取每个所述频率分量的高度和宽度；计算每个所述频率分量在所述高度和所述宽度内的频率系数累加值；根据所述频率系数累加值除以所述高度和所述宽度的积，得到每个所述频率分量对应的通道标量。

4、根据本申请的一些实施例，所述对每个所述频率分量进行特征压缩后拼接，得到第一重组特征图，包括：对每个所述频率分量进行压缩后，得到每个所述频率分量对应的通道标量；获取每个所述通道标量的通道维度；将每个所述频率分量的所述通道标量按照通道维度进行依次拼接，得到所述初始特征图的第一重组特征图。

5、根据本申请的一些实施例，所述根据所述第一重组特征图中的特征分布进行分析，确定需要去除的目标特征，并对所述目标特征进行去除，得到多个所述频率分量对应的第一选择权重图，包括：对所述第一重组特征图提取多个系数特征；对每个所述系数特征的特征分布进行分析，得到每个所述系数特征的排序分数；根据所述排序分数，从所述第一重组特征图中确定多个目标特征；对所述第一重组特征图的各个所述目标特征进行去除，得到多个所述频率分量对应的第一选择权重图。

6、根据本申请的一些实施例，所述对每个所述系数特征的特征分布进行分析，得到每个所述系数特征的排序分数，包括：根据每个所述系数特征的特征分布进行分析，得到特征分析结果；根据所述特征分析结果，对每个所述系数特征进行打分，得到每个所述系数特征的排序分数。

7、根据本申请的一些实施例，所述对所述第一重组特征图的各个所述目标特征进行去除，得到多个所述频率分量对应的第一选择权重图，包括：对所述第一重组特征图的各个所述目标特征进行去除后，将所述第一重组特征图的每个特征乘以对应的选择权重后进行相加，得到每个所述频率分量对应的融合选择权重图；根据所述融合选择权重图输入至第一全连接层，得到第一输出数据；根据所述第一输出数据输入至第二全连接层后进行激活，生成具备通道依赖关系的第一选择权重图。

8、根据本申请的一些实施例，所述基于所述第一选择权重图进行重复校准，得到第二选择权重图，包括：将所述第一选择权重图输入前馈网络进行权重转换，输出重校准权重图；对所述重校准权重图中的每个权重值进行归一化；将所述第一选择权重图和所述重校准权重图的每一个权重值进行对应通道相乘，得到第二选择权重图。

9、为实现上述目的，本申请实施例的第二方面提出了一种图像分类系统，所述系统包括：目标图像获取模块，用于获取待分类的目标图像，将所述目标图像输入至预设的图像分类网络中；频率分量获取模块，用于在所述图像分类网络中，对所述目标图像进行特征提取，得到初始特征图，并基于所述初始特征图进行频率分解，得到多个频率分量；第一选择权重图获取模块，用于对每个所述频率分量进行特征压缩后拼接，得到第一重组特征图，根据所述第一重组特征图中的特征分布进行分析，确定需要去除的目标特征，并对所述目标特征进行去除，得到多个所述频率分量对应的第一选择权重图；目标特征图获取模块，用于基于所述第一选择权重图进行重复校准，得到第二选择权重图，并将所述第二选择权重图与所述初始特征图进行相乘，得到特征校准后的目标特征图；分类结果获取模块，用于根据所述目标特征图进行分类，得到所述目标图像的分类结果。

10、为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面实施例任一项所述的图像分类方法。

11、为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面实施例任一项所述的图像分类方法。

12、本申请提出的图像分类方法、系统、电子设备及存储介质,能够通过图像分类网络对目标图像进行特征提取，得到初始特征图，并对初始特征图进行频率分解，得到多个频率分量。通过对每个频率分量进行特征压缩，从而能够对初始特征图的细节信息和结构信息均进行压缩后拼接，保留了特征图的细节信息；之后，根据对拼接得到的第一重组特征图的特征进行分析，以筛选出分布不一致的目标特征，并在第一重组特征图中对目标特征进行去除，以对噪声进行抑制。基于进行了噪声抑制的第一选择权重图进行重复校准，得到第二选择权重图，使得有意义的图像特征更加突出，并将第二选择权重图与初始特征图进行相乘，得到特征校准后的目标特征图，以对初始特征图的图像特征进行校准；最后，根据目标特征图进行分类，由于已经进行特征校准，因此，得到目标图像的分类结果更加精确。本申请能够在提取特征图像的细节信息的同时，对噪声进行抑制，提高对目标图像进行分类的准确性。

技术特征：

1.一种图像分类方法，其特征在于，所述方法包括:

2.根据权利要求1所述的图像分类方法，其特征在于，所述对每个所述频率分量进行特征压缩，包括：

3.根据权利要求2所述的图像分类方法，其特征在于，所述对每个所述频率分量进行特征压缩后拼接，得到第一重组特征图，包括：

4.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述第一重组特征图中的特征分布进行分析，确定需要去除的目标特征，并对所述目标特征进行去除，得到多个所述频率分量对应的第一选择权重图，包括：

5.根据权利要求4所述的图像分类方法，其特征在于，所述对每个所述系数特征的特征分布进行分析，得到每个所述系数特征的排序分数，包括：

6.根据权利要求4所述的图像分类方法，其特征在于，所述对所述第一重组特征图的各个所述目标特征进行去除，得到多个所述频率分量对应的第一选择权重图，包括：

7.根据权利要求1所述的图像分类方法，其特征在于，所述基于所述第一选择权重图进行重复校准，得到第二选择权重图，包括：

8.一种图像分类系统，其特征在于，所述系统包括：

9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的图像分类方法。

10.一种计算机可读存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的图像分类方法。

技术总结
本申请实施例提供了一种图像分类方法、系统、电子设备及存储介质，属于图像数据处理技术领域。方法包括：获取待分类的目标图像输入至预设的图像分类网络中；在图像分类网络中，对目标图像进行特征提取，得到初始特征图，并进行频率分解得到多个频率分量；对每个频率分量进行特征压缩后拼接，得到第一重组特征图，并对特征分布进行分析，确定需要去除的目标特征，并对目标特征进行去除，得到第一选择权重图；基于第一选择权重图进行重复校准，得到第二选择权重图，并将第二选择权重图与初始特征图进行相乘，得到特征校准后的目标特征图；根据目标特征图进行分类，得到目标图像的分类结果。本申请能够提高对目标图像进行分类的准确性。

技术研发人员：刘江,黄静琪,章晓庆,金日初,汤晨,姜泓羊
受保护的技术使用者：南方科技大学
技术研发日：
技术公布日：2024/3/12