[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

说明书

本发明公开一种基于深度显著性相似图学习的图像分类方法，涉及图像处理技术领域，包括训练部分和分类部分；在训练部分，首先采集图像，随后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，其次深度学习显著性区域的目标信息，构建显著性相似图，然后将显著性相似图输入图卷积神经网络，完成图像分类，最后，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；在分类部分，将待分类图像的显著性相似图直接输入图卷积神经网络模即可得到分类结果，分类难度低，分类后的图像具有更好的区分性。本发明还公开一种基于深度显著性相似图学习的图像分类装置。

技术领域

本发明涉及图像处理技术领域，具体的说是一种基于深度显著性相似图学习的图像分类方法及装置。

背景技术

图像分类任务中存在类内差异性大，类间相似性高问题，而现有方法并不能获取图像的显著性信息，造成了图像分类精度较低问题。因此，如何有效解决类内类间分布较差问题，设计精准的图像分类，具有重要的研究意义和应用价值。

发明内容

本发明针对现有方法并不能获取图像的显著性信息而造成图像分类精度较低的问题，提供一种基于深度显著性相似图学习的图像分类方法及装置。

首先，本发明公开一种基于深度显著性相似图学习的图像分类方法，解决上述技术问题采用的技术方案如下：

一种基于深度显著性相似图学习的图像分类方法，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。

可选的，所涉及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。

可选的，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。

可选的，所涉及图卷积神经网络模型包含1*1的卷积层。

其次，本发明还公开一种基于深度显著性相似图学习的图像分类方法及装置，该装置包括：