[发明专利]基于背景先验显著性的花卉图像分类方法

权利要求书

1.一种基于背景先验显著性的花卉图像分类方法，其特征在于，包括以下步骤：

将花卉图像进行超像素分割，得到多个超像素块；

分别根据位于图像四个边界的超像素块的显著性对其余超像素块的显著性进行查询，分别得到对应四个边界的显著图，并将得到的四个显著图进行合并，得到最终的显著图；

将得到的最终的显著图进行二值化处理，得到感兴趣区域分割图像，所述感兴趣区域分割图像包括用于训练的训练数据集和用于测试的测试数据集；

将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络；

对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进后的网络；

将改进后的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络；

将迁移训练后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络；以及

将所述测试数据集加入微调训练后的网络中进行训练，对花卉图像进行分类；

其中，所述分别根据位于图像四个边界的超像素块的显著性对其余超像素块的显著性进行查询，分别得到对应四个边界的显著图，并将得到的四个显著图进行合并，得到最终的显著图包括：基于流行排序算法确定表征图像边缘处的超像素块与其余超像素块之间的相关性的排序函数；基于确定的排序函数，确定其余超像素块与每个边界上的超像素块之间的显著值；将得到的显著值进行归一化处理，并用1作差，得到相应的显著图，并将得到的显著图进行相乘，形成最终的显著图；

其中，所述将得到的最终的显著图进行二值化处理，得到感兴趣区域分割图像包括：基于最大类间方差法对得到的最终显著图进行自适应二值化处理，得到二值化图；将得到的二值化图作为掩码，提取出原图的花卉区域，得到原始花卉分割图；提取原始花卉分割图的最小外接矩形，得到最小外接矩形分割图；以及在原图中取最小外接矩形位置裁剪的图像，得到感兴趣区域分割图像。

2.根据权利要求1所述的方法，其特征在于，所述对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进后的网络包括：

删除所述预训练网络的最后一层全连接层，加入一层全局平均池化层，并在全局平均池化层后加入第一全连接层，以及在所述第一全连接层后加入第二全连接层，从而得到所述改进后的网络；

其中，所述第一全连接层含有1024个节点，激活函数采用Relu，并采用Dropout处理，概率设置为0.5；所述第二全连接层的激活函数采用Softmax，输出节点为102类。

3.根据权利要求1或2所述的方法，其特征在于，所述将改进后的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络包括：保持原始InceptionV3部分的网络权重不变，利用所述训练数据集训练最后4层的网络的参数，从而得到迁移训练后的网络；

其中，使用优化器RMSprop训练参数，在训练过程中，梯度下降时，每个批次包含32个样本，迭代轮数设为30轮。

4.根据权利要求1或2所述的方法，其特征在于，所述将迁移训练后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络包括：冻结迁移训练后的网络中的前两个初始块的参数，使该两个初始块的参数的值在训练中保持不变，利用所述训练数据集重新训练其余层的参数，从而得到微调训练后的网络；

其中，使用优化器SGD训练参数，学习率设为0.001，动量参数设为0.9，损失函数使用交叉熵损失函数，在训练过程中，梯度下降时，每个批次包含32个样本，迭代轮数设为30轮。