[发明专利]一种基于深度显著性相似图学习的图像分类方法及装置

权利要求书

1.一种基于深度显著性相似图学习的图像分类方法，其特征在于,该分类方法包括：

(一)训练部分：

步骤一、采集图像，所采集图像作为样本图像；

步骤二、以全卷积神经网络为基础构建显著性学习模型，将图像输入显著性学习模型后，获取图像显著性区域的目标信息；

步骤三、深度学习显著性区域的目标信息，构建显著性相似图；

步骤四、将显著性相似图输入图卷积神经网络，完成图像分类；

步骤五、循环执行步骤一至步骤四，学习图像的显著性相似图和分类结果多次训练并构建图卷积神经网络模型；

(二)分类部分：

步骤一、采集图像，所采集图像作为待分类图像；

步骤二、将采集图像输入显著性学习模型，获取图像显著性区域的目标信息；

步骤三、深度学习显著性区域的目标信息，构建显著性相似图；

步骤四、将显著性相似图输入图卷积神经网络模型，获取图像的分类结果。

2.根据权利要求1所述的一种基于深度显著性相似图学习的图像分类方法，其特征在于，所述图像显著性区域的目标信息即图像的像素级概率图，该概率图能够表示该图像中所有像素的显著性映射关系，每个像素的概率可以看做该像素的显著性值。

3.根据权利要求1所述的一种基于深度显著性相似图学习的图像分类方法，其特征在于，构建显著性相似图的具体过程包括：

1)以每个像素为节点，以像素之间的相似性信息为边，构造显著性相似图；

2)基于图像的显著性信息，利用欧式距离比较两两像素之间的相似性，同时，设置阈值T1；

3)基于像素的空间位置信息，比较两两像素之间的相似性，同时，设置阈值T2；

4)如果两个像素的颜色差值小于T1且空间差值小于T2，则认为这两个像素是有关联性的，则将这两个像素建立一条边；

5)针对两两像素，重复步骤1)-4)，最终构建完整的显著性相似图。

4.根据权利要求1所述的一种基于深度显著性相似图学习的图像分类方法，其特征在于，所述图卷积神经网络模型包含1*1的卷积层。

5.一种基于深度显著性相似图学习的图像分类装置，其特征在于，该装置包括：

采集模块，用于采集图像，将所采集图像作为样本图像；

构建模块，用于以全卷积神经网络为基础构建显著性学习模型，显著性学习模型输出图像显著性区域的目标信息；

学习构图模块，用于深度学习显著性区域的目标信息并构建显著性相似图；

图卷积神经网络，用于处理显著性相似图并输出分类结果；

训练构建模块，用于学习图像的显著性相似图和分类结果，多次训练并构建图卷积神经网络模型；

图卷积神经网络模型处理显著性相似图并输出最终的分类结果。

6.根据权利要求5所述的一种基于深度显著性相似图学习的图像分类装置，其特征在于，所述图像显著性区域的目标信息即图像的像素级概率图，该概率图能够表示该图像中所有像素的显著性映射关系，每个像素的概率可以看做该像素的显著性值。

7.根据权利要求5所述的一种基于深度显著性相似图学习的图像分类装置，其特征在于，所述学习构图模块包括：

构造子模块，用于将每个像素作为节点，以像素之间的相似性信息为边，构造显著性相似图；

设定子模块二，用于设定阈值T1、T2；

比较子模块一，基于图像的显著性信息，利用欧式距离比较两两像素之间的相似；

比较子模块二，基于像素的空间位置信息，用于比较两两像素之间的相似性；

差值判定子模块，用于比较两个像素的颜色差值和空间差值，在颜色差值小于T1且空间差值小于T2时，判定这两个像素是有关联性的，则将这两个像素建立一条边；

构图子模块，针对图像中所有的两两像素，用于构建完整的显著性相似图。

8.根据权利要求5所述的一种基于深度显著性相似图学习的图像分类装置，其特征在于，所述图卷积神经网络模型包含1*1的卷积层。