[发明专利]一种新型数字图像分类方法

权利要求书

1.一种新型数字图像分类方法，其特征在于包括以下步骤：

步骤1：构建特征提取模型，包括以下步骤：

步骤1.1：创建数字图像集合D＝{D₁,D₂,…D_T}及数字图像集合D对应的数据标识集合L＝{L1,L2,…,L_T}，T为数字图像集合D包含的图像类别数，T为自然正整数，D_T为第T类数字图像的集合，L_T为第T类数字图像的数据标识的集合，数字图像集合D包含的数字图像数量为N；

步骤1.2：构建特征提取模型FEM，特征提取模型FEM包括输入层FEM₁、卷积池化层FEM₂、卷积池化层FEM₃、卷积层FEM₄、卷积层FEM₅、卷积层FEM₆、卷积层FEM₇、卷积池化层FEM₈、全连接层FEM₉和全连接层FEM₁₀，其中，输入层FEM₁的输出作为卷积池化层FEM₂的输入，卷积池化层FEM₂的输出作为卷积池化层FEM₃的输入，卷积池化层FEM₃的输出作为卷积层FEM₄的输入，卷积层FEM₄的输出作为卷积层FEM₅的输入，卷积层FEM₅的输出作为卷积层FEM₆的输入，卷积层FEM₆的输出作为卷积层FEM₇的输入，卷积层FEM₇的输出作为卷积池化层FEM₈的输入，卷积池化层FEM₈的输出作为全连接层FEM₉的输入，全连接层FEM₉的输出作为全连接层FEM₁₀的输入；

步骤2：用步骤1.1中的数字图像集合D对步骤1.2中的特征提取模型FEM进行训练；

步骤3：提取特征向量，具体方法为：逐一将数字图像集合D中的数字图像输入到特征提取模型FEM，分别将特征提取模型FEM的卷积池化层FEM₂、卷积池化层FEM₃、卷积层FEM₄、卷积层FEM₅、卷积层FEM₆、卷积层FEM₇、卷积池化层FEM₈、全连接层FEM₉和全连接层FEM₁₀的输出结果作为特征，分别记为F₂、F₃、F₄、F₅、F₆、F₇、F₈、F₉、和F₁₀，即对于一幅输入数字图像，由特征提取模型FEM提取的特征向量FV＝{F₂、F₃、F₄、F₅、F₆、F₇、F₈、F₉、F₁₀}；

步骤4：对步骤3中的特征向量FV进行降维处理，得到MFV；

步骤5：对降维后的特征向量MFV进行特征融合，得到融合特征向量FFV；

步骤6：构建及训练分类器，包括以下步骤：

步骤6.1：计算数字图像集合D中的数字图像I_b属于第k类的概率p_k(FFV_b)：

其中，FFV_b为数字图像I_b的融合特征向量，b＝{1,2,…,N}，β为权重向量，其维度与融合特征向量FFV_b一致；

步骤6.2：迭代运行步骤6.1，直到遍历所有类别，得到数字图像I_b分别属于各类别的概率，即：p₁(FFV_b),p₂(FFV_b),…,p_T(FFV_b)，并将max(p₁(FFV_b),p₂(FFV_b),…,p_T(FFV_b))作为数字图像I_b的预测值PV_b，其中，max()为求最大值函数；

步骤6.3：迭代运行步骤6.1～步骤6.2，直到遍历数字图像集合D中的所有数字图像，得到数字图像集合D中的所有数字图像的预测值集合PVS；

步骤6.4：根据预测值集合PVS，优化权重向量β，直到预测值集合PVS与数据标识集合L一致，得到分类器CM；

步骤7：输入待分类数字图像I_t到分类器CM；

步骤8：输出分类结果CR。