[发明专利]基于背景先验显著性的花卉图像分类方法

说明书

本发明提供一种基于背景先验显著性的花卉图像分类方法，该方法通过背景先验显著性的方法确定花卉区域，将花卉分割方法和基于迁移学习的深度神经网络分类方法结合，将训练迁移的InceptionV3网络用于花卉图像，利用训练好的网络模型对花卉图像进行分类。在国际公开花卉识别数据集Oxford flower‑102上的实验表明：该模型比改进的Alex网络分类准确率高7.63％，且比未进行分割的花卉图像进行网络训练的模型准确率高2.85％，分类准确率达到了93.38％。

技术领域

本发明涉及一种花卉图像分类方法，具体涉及一种基于背景先验显著性的花卉图像分类方法。

背景技术

花卉图像背景的复杂性和自身多样性等因素导致花卉图像分类成为图像分类学科一大难题。其中，如何很好的把花卉轮廓从花卉图像中提取出来是去除背景对花卉分类影响的关键。近年来，许多研究者对花卉图像分割和花卉图像分类展开了研究，并取得一定的科研成果。

例如，杨耀等人提出了一种基于标记提取的GrowCut自动分割算法(杨耀,陈健美,鲁海英.基于标记提取的GrowCut自动分割算法[J].信息技术,2015(5):76-80)，该方法通过基于标记提取的GrowCut分割算法自动生成初始种子模板，从而实现对目标区域的自动分割。但是该方法在基于GrowCut分割算法之前使用阈值分割预处理可能会因阈值限定而导致分割效果不佳。谢晓东等人提出了一种基于显著性检测和Grabcut的花卉图像分割方法(谢晓东.面向花卉图像的精细图像分类研究[D].厦门:厦门大学,2014)，该方法通过给花卉图像进行显著性检测，训练前景和背景分类器，再用Grabcut算法提取花卉图像主体区域，该方法能对形状和颜色差异较大的花卉图像进行有效的分割，但过程繁琐，对每张图片进行分割的工作量较大。Mabrouk等人提出了一种花卉图像分割方法(Mabrouk A B,NajjarA,Zagrouba E.I mage flower recognition based on a new method for colorfeature extraction[C].Proc International Conf on Computer Vision Theory andApplications.Washington D C:IEEE Computer Society Press,2014:201-206.)，在Lab颜色空间上使用最大类间方差(OTSU算法)对花朵图像的前景和背景分割进行划分，但由于OTSU算法对目标大小和噪声非常敏感，分割效果不理想，影响了图像分类的准确性。

然而，这些方法并不能针对花卉图像更加底层的特征建立相应的网络，故而分类效果不理想。

发明内容

针对上述技术问题，本发明提供一种基于背景先验显著性的花卉图像分类方法，该方法利用迁移学习的思想，采用深度卷积神经网络的方法，将在大规模数据库上预训练的网络用于花卉图像的分类，并改进其中的架构，使之更加适用于花卉图像的分类任务。

本发明采用的技术方案为：

本发明实施例提供一种基于背景先验显著性的花卉图像分类方法，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；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。

可选地，所述将花卉图像进行超像素分割，得到多个超像素块包括：