[发明专利]一种图像分类方法、系统、设备及计算机可读存储介质

说明书

本发明实施例公开了一种图像分类方法、系统、设备及计算机可读存储介质。方法包括提取待分类图像的目标特征集，目标特征集包含的特征由与待分类图像的特征维数相同且各特征代表的意义相同的样本图像的最优特征子集确定；将待分类图像的目标特征集输入支持向量机分类器，获取待分类图像所属的标签类型；最优特征子集确定过程为：计算各样本图像在权重空间的间隔，并根据各间隔迭代计算特征权重向量直至满足迭代结束条件，得到各样本图像每个特征的权重值，根据各权重值对各特征进行组合生成多个特征子集；利用各特征子集训练支持向量机分类器，确定满足最佳分类效果条件的特征子集为最优特征子集。本申请提高了图像分类的准确度和精度。

技术领域

本发明实施例涉及图像处理技术领域，特别是涉及一种图像分类方法、系统、设备及计算机可读存储介质。

背景技术

随着计算机技术的快速发展，图像处理技术也得到了快速的发展，将图像处理技术应用到各行各业便水到渠成。自美国在1972年发射第一颗ERTS-1后，卫星遥感技术便在全世界范围内得到了广泛应用，例如气象观测、土地资源勘探、环境评估与城市规划等领域。利用计算机技术对卫星传回的图像实施图像预处理，图像分类等步骤，不仅能够对卫星遥感研究给予快速反馈，而且能够极大地减少研究人员的工作量。

由于卫星图像识别系统吸收并综合了众多计算机领域专家的权威知识和经验，因此其对图像的分类水平远远超过了人类专家，并且变得越来越智能。快速且高精度的遥感图像分类是实现各种应用的前提。

早期的图像分类主要依靠人工为图像贴上标签，但随着收集到图像数量的急剧增长，人工标记变得不可行。如何从少量的标记图像和大量的未标记图像中学习到相关信息，并给图像进行正确标记，是卫星图像识别系统面临的重要难题。

对卫星图像处理的第一步，就是将高维数据转换为便于研究的低维数据。数据降维除了能够消除高维数据不利于图像分类的风险，还可以提取和综合更有效的信息，摒弃无用信息。降维方法可以分为监督方法和无监督方法。在监督方法中，进行特征选择的图像全部是有标签图像，如果有标签图像数量过少，那么特征选择方法一般无法识别具有类区分性的相关特征；在无监督方法中，进行特征选择的图像全部是无标签图像，虽然能够很好地利用无标签信息，但却忽略了标签中含有的信息。

现有的RELIEF-F算法，尽管可以对多分类数据进行正确分类，但无法使用无标签的训练样本；Sun等人在文章“Semi-supervised Feature Selection Under Logistic I-RELIEF Framework”中提出了一种有效的特征选择方法，能够使用少量的有标签训练图像和大量的无标签训练图像自动选择相关特征，移除不相关特征对分类的影响，并能够处理异常数据，但此算法只适用于二分类问题，不能用来处理多分类问题。

发明内容

本发明实施例的目的是提供一种图像分类方法、系统、设备及计算机可读存储介质，实现了图像半监督多分类特征选择，有利于提高图像的分类精确度。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种图像分类方法，包括：

提取经过图像预处理的待分类图像的目标特征集，所述目标特征集包含的特征由训练样本集中各样本图像的最优特征子集确定；所述训练样本集包括第一个数的有标签样本图像和第二个数的无标签样本图像，各样本图像和所述待分类图像的特征维数相同且各特征代表的意义相同；

将所述待分类图像的目标特征集输入支持向量机分类器，获取所述待分类图像所属的标签类型；

其中，所述最优特征子集确定过程为：

初始化特征权重向量、学习参数、正则化参数、停止准则，并设置最大迭代次数和初始迭代次数；