[发明专利]基于深度卷积神经网络的无价值图像去除方法

说明书

技术领域

本发明涉及航拍图像处理方法，具体涉及为一种基于深度卷积神经网络的无价值图像去除方法。

背景技术

自动、准确地从航拍视频中检测到有价值的目标，去除无价值图像，具有非常重要的意义。现有的无价值图像去除方法主要有：基于统计分析的分类方法和人工神经网络的方法。文献“From Local Similarity to Global Coding；An Application to Image Classification，CVPR，2013,p2794-2801”提出了一种将局部特性与全局结构信息相结合图像分类算法，以此来去除无价值图像。此方法采用手工选择局部特征的类型，同时构建所有数据在此类特征上的编码字典；对原始图像进行金字塔分解，在每一层金字塔对应的图像利用编码字典进行编码和池化；将各层的池化结果连接后输入到线性分类器进行判决，从而实现无价值图像的去除。但是，在手工选择局部特征类型的阶段，必须指定局部特征，不能完整地表达图像所包含的信息，具有局限性且抗噪性差。

发明内容

要解决的技术问题

为了避免现有的无价值图像去除方法大多易受特征提取的影响，且局部特征所包含的图像信息具有局限性，分类正确率低，本发明提出一种基于深度卷积神经网络的无价值图像去除方法。

技术方案

一种基于深度卷积神经网络的无价值图像去除方法，其特征在于步骤如下：

步骤1：对图像样本进行归一化后合并为矩阵patches，行数为row,row＝m×n，m,n为归一化的大小，列数为样本数量k，对矩阵patches进行零均值化处理：

mean_patch=Σi=1row(1kΣj=1kpatch(i,j))]]>

图像样本与均值矩阵相减存入patches，计算协方差矩阵sigma：

sigma=1k(patches·patchesT)]]>

对协方差矩阵进行SVD分解得到U,S,V矩阵，计算ZCA白化矩阵：

ZCA=U*diag(1sqrt(diag(S))+eplison)*UT]]>

其中，diag()表示构造协方差矩阵的对角矩阵，sqrt表示求均方根，eplison为正则化参数，将patches与ZCA相乘得到白化预处理后的图像数据，作为稀疏自编码器的输入；

步骤2：计算稀疏自编码器的损失函数：