[发明专利]一种考虑图像集复杂性的石材纹理图像CNN识别方法

权利要求书

1.一种考虑图像集复杂性的石材纹理图像CNN识别方法，其特征在于：包括以下步骤：

步骤S1：加载石材图像集；

步骤S2：将石材图像集的复杂性量化为计算石材图像集的本征维数，使用小波图像去噪方法处理石材图像集中的每张石材图像以降低石材图像集复杂性；

步骤S2具体包括以下步骤：

步骤S21：采用最大似然估计计算得到石材图像集的本征维数，具体采用以下公式：

式中，x表示图像空间中的一张图像，T_j(x)代表图像x和距离它最近的第j个图像之间的欧氏距离，T_k(x)代表图像x和距离它最近的第k个图像之间的欧氏距离，n为从石材图像集中选出用于计算本征维数的图像x的数量，表示每张图像x在固定该张图像并取距离它最近的第k个图像时所对应的本征维数，X_i表示图像集中第i张图像，表示计算图像集中每张图像对应k值的本征维数的平均值，表示最终的图像集本征维数，k₁表示所取的k值范围的最小值，k₂表示所取的k值范围的最大值；每张图像不重复且均从石材图像集中随机取出；

步骤S22：将原图像矩阵从一个三通道矩阵按R、G、B通道分为三个单通道矩阵；

步骤S23：使用二维一阶小波变换分别处理三个单通道矩阵得到对应的低频分量、垂直高频分量、水平高频分量、以及对角线高频分量；将垂直高频分量、水平高频分量、对角线高频分量看做噪声进行去除，只选择低频分量重构回单通道矩阵；重复步骤S23一次后进入步骤S24；

步骤S24：将经过两次去噪后的三个单通道矩阵合并为一个去噪后三通道图像矩阵；

步骤S3：构建卷积神经网络，并使用步骤S2去噪后的石材图像训练卷积神经网络；

步骤S4：使用训练好的卷积神经网络模型识别石材图像；

步骤S5：依据步骤S4卷积神经网络模型的输出结果，选择最大的前5个值对应的石材类别，将其按照值从大到小的顺序依次作为前5类最相似石材。

2.根据权利要求1所述的一种考虑图像集复杂性的石材纹理图像CNN识别方法，其特征在于：步骤S1中，所述石材图像集为各类石材图像所组成的集合，石材图像集中没有重复的石材图像并且每类石材包含的图像数量相同，石材图像集中每张石材图像均为128×128的彩色图像。

3.根据权利要求1所述的一种考虑图像集复杂性的石材纹理图像CNN识别方法，其特征在于：步骤S3具体包括以下步骤：

步骤S31：所述卷积神经网络主体结构由5层卷积池化层加两层全连接层组成；卷积池化层中每个卷积层、池化层的核大小均为3×3，卷积层使用ReLU激活函数，在每个池化层之后进行Batch Normalization算法；全连接层的第一层使用ReLU激活函数，输出层使用softmax激活函数；

步骤S32：使用去噪后石材图像训练步骤S31构建的卷积神经网络，在训练过程中使用SGD优化算法更新卷积神经网络的参数。

4.根据权利要求1所述的一种考虑图像集复杂性的石材纹理图像CNN识别方法，其特征在于：步骤S4具体包括以下步骤：

步骤S41：选定待识别的石材图像；

步骤S42：对所述待识别的石材图像使用两次2维1阶小波去噪法获取去噪后图像；

步骤S43：使用步骤S3训练好的卷积神经网络识别步骤S42得到的去噪后图像。