[发明专利]一种新型数字图像分类方法

说明书

本发明涉及一种新型数字图像分类方法。包括如下步骤：步骤1，构建特征提取模型；步骤2，训练特征提取模型；步骤3，提取特征向量；步骤4，特征向量降维；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；步骤6，构建及训练分类器；步骤7，输入待分类数字图像；步骤8，输出分类结果。本发明的有益效果是：解决了数字图像分类中分类精度不高的问题，算法达到完全自动化。可以用于遥感影像分类、自然场景分类等领域。

技术领域

本发明涉及一种图像处理领域，具体说是一种新型数字图像分类方法。

背景技术

数字图像分类是一种根据在数字图像信息中所反映的不同特征，把不同类别的目标或场景区分开来的图像处理方法。它利用计算机对数字图像进行定量分析，把图像或图像中的每个像素或区域划归为某个类别中的一种，以代替人的视觉判读。随着网络技术的普及以及多媒体信息的爆炸性增长，数字图像内容种类和数量与日俱增.如今面对海量的图像数据，依靠传统人工分类与标注的方式已经远远不能满足需求，不仅极大地浪费人力资源而且无法保证工作的及时性与可靠性。数字图像分类方法共有基于特征、基于语义和基于学习三种。其中，基于特征的分类算法通过提取图像特征(如颜色、形状和纹理等)，结合特征描述并设计使用相应的分类器，在平衡了复杂度以及模型结构后取得了不错的分类效果；基于语义的图像分类方法着力于构建图像的语义层面的表示，实现了场景目标到语义概念的映射，逐渐成为当前图像分类的主流方法，具有较好的应用前景，但由于其自身的条件限制，目前还存在诸多问题亟待优化；相较于传统的图像分类方法，利用卷积神经网络进行分类具有三个优越性：首先，能够通过自学习的方式来“识别”图像；其次，利用反馈网络实现联想存储功能，可以更好地联想到图像所代表的具体含义；最后，可以发挥计算机的高速运算能力，更好地实现分类，但其不足之处在于需要大量的训练样本。

发明内容

本发明提供了一种新型数字图像分类方法，可克服目前数字图像分类中需要人工提取特征的复杂问题，可以准确对多数场景进行分类，无需人工干预，自动化程度高。

为实现本发明的目标所采用的技术方案是：方法包括以下步骤：

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；