[发明专利]一种马赛克图像分类识别方法及系统

说明书

本申请一种马赛克图像分类识别方法及系统，利用马赛克图像直接进行网络训练而完成分类识别，无需对马赛克图像进行解调重建，从马赛克图像中转换出对应的相位图像并生成更大的特征图，方便神经网络更好地进行特征提取和分类训练，相比现有技术中采用全彩图像作为训练样本训练效率更高，算法运行功耗更低，计算量也明显减少，同时避免了解调中原始信息丢失的问题，保留了更完整的深度学习所需特征，提高分类识别准确度。

技术领域

本申请涉及数字图像处理技术领域，具体为一种马赛克图像分类识别方法及系统。

背景技术

卷积神经网络(CNN)已在计算机视觉和图像处理中得到了成熟的应用，常常被应用于对图像进行分类、识别、分割、轮廓提取、超分辨率、去噪等。在CNN训练过程中需要大量的图像训练样本，这些训练样本通常为全彩图像，而全彩图像大多通过对马赛克图像进行解调获得，目前传统的基于CNN的图像识别方法通过对马赛克图像进行颜色解调重建，再利用重建完毕的全彩图像训练和测试CNN。

在需要人工干预的图像处理中为了适应人眼，对图像解调重建是有必要的，然而随着设备趋向智能化和便携化，例如在长期勘探、侦察、监视等应用情境中时，低层的图像处理已不是关注的焦点，越来越多的端到端应用只要求对图像分类、识别和理解，用户并不关注全彩图像参与的低层图像处理，这种情况下仍然对马赛克图像解调重建很明显会增加网络训练的计算量和复杂度，功耗也会增加。

另外，对全彩图像进行例如色彩去噪等处理时并未对图像信息进行修改或其余处理，仅仅是对全彩图像进行估计以获得良好的视觉感受，此时容易丢失一些图像的原始信息，导致深度学习得到的特征减少，影响识别准确度。

发明内容

因此，本发明提出一种马赛克图像分类识别方法及系统，以解决上述所提及的利用全彩图像进行网络训练分类识别而导致的计算量大、算法复杂、功耗高、原始信息丢失等技术问题，利用马赛克图像作为训练样本进行分类识别，以适应端到端的深度学习应用的需求。

为实现上述目的，本发明提供一种马赛克图像分类识别方法，包括：

获取马赛克图像；

根据马赛克图像的像素阵列的颜色通道生成马赛克图像所对应的相位图像作为第一神经网络的卷积层输入，经过卷积得到与所述相位图像对应的图像特征图；

把图像特征图作为第二神经网络的输入进行分类识别。

优选地，在第一神经网络的卷积层得到图像特征图包括：

对相位图像依次进行空洞卷积和亚像素卷积得到若干个子特征图，选取若干个子特征图中像素点进行重排和矩阵放大得到图像特征图。

优选地，根据子特征图进行重排和矩阵放大得到图像特征图包括：

根据亚像素卷积核遍历顺序取同一相位图像的子特征图的相同位置的像素点从左至右、从上至下排列为n×n矩阵，矩阵共m个，把m个矩阵按像素点位置从左至右从上至下组合成图像特征图，其中m表示单张子特征图上的像素点数，n×n表示子特征图数量。

优选地，马赛克图像经色彩滤波阵列中的三种基本颜色拼接后获得。

优选地，空洞卷积的卷积核设置为3×3，空洞值为1，卷积步长为2。

优选地，亚像素卷积的尺度为4。

优选地，为了找到全局最优解，把图像特征图作为第二神经网络的输入进行分类识别包括：

利用随机梯度下降优化器把损失函数最小化以获得分类识别的最优解。

优选地，根据以下更新公式降低优化器的学习率，