[发明专利]基于单正类图像建立的图像分类方法和装置、存储介质和计算机

权利要求书

1.一种基于单正类图像建立的图像分类方法，其特征在于，其包括：

提供单正类图像集、编码神经网络模型、解码神经网络模型和单类支持向量机模型，其中所述单正类图像集包括多张正类图像；

将所述单正类图像集中的正类图像输入所述编码神经网络模型以对所述编码神经网络模型进行训练，此时所述编码神经网络模型提取所述正类图像的特征，所述解码神经网络模型基于所述编码神经网络模型提取的特征解码出还原图像，经过训练得到最终的编码神经网络模型；

将最终的编码经网络模型提取的各个正类图像的特征输入所述单类支持向量机模型进行训练以划分正类图像范围，得到最终的单类支持向量机模型；

将待检测图像输入最终的编码神经网络模型进行特征提取，最终的单类支持向量机模型基于最终的编码神经网络模型提取的特征进行图像分类以判断所述待检测图像是否为正类图像。

2.如权利要求1所述的基于单正类图像建立的图像分类方法，其特征在于，在对所述编码神经网络模型的训练过程中，通过比对输入所述编码神经网络模型的正类图像以及所述解码神经网络模型输出的还原图像，调整所述编码神经网络模型的参数和结构以保证所述编码神经网络模型能够提取到合适的特征，以使得所述解码神经网络模型能够得到合适的还原图像。

3.如权利要求1所述的基于单正类图像建立的图像分类方法，其特征在于，所述编码神经网络模型用于对输入的正类图像进行下采样提取高维特征，所述解码神经网络模型用于对所述高维特征进行上采样得到所述还原图像，通过比对输入所述编码神经网络模型的正类图像以及所述解码神经网络模型输出的还原图像，确定所述编码神经网络模型是否提取到了合适的特征，如果所述编码神经网络模型未提取到合适的特征，则调整所述编码神经网络模型的参数和结构继续进行训练，直到所述编码神经网络模型能够提取到合适的特征。

4.如权利要求3所述的基于单正类图像建立的图像分类方法，其特征在于，

所述编码神经网络模型包括一个编码单元或串联的多个编码单元，每个编码单元包括依次连接的一层卷积层、一层激活层和一层池化层，最后的编码单元输出提取的特征，所述解码神经网络模型包括一个解码单元或串联的多个解码单元，每个解码单元包括依次连接的一层反卷积层和一层激活层，最后的解码单元输出还原图像，

所述编码神经网络模型采用跳跃结构，每个编码单元的输入还与自己的输出以及后续的编码单元的输出进行通道叠加或数值相加，所述解码神经网络模型采用跳跃结构，，每个解码单元的输入还与自己的输出以及后续的解码单元的输出进行通道叠加或数值相加。

5.如权利要求1所述的基于单正类图像建立的图像分类方法，其特征在于，

所述单正类图像集中的正类图像已经过尺寸归一化处理。

6.一种基于单正类图像建立的图像分类装置，其特征在于，其包括：

编码神经网络模型，其被配置的接收单正类图像集中的正类图像以进行训练，此时所述编码神经网络模型提取所述正类图像的特征，经过训练得到最终的编码神经网络模型；

解码神经网络模型，其被配置的基于所述编码神经网络模型提取的特征解码出还原图像；和

单类支持向量机模型，其被配置的接收最终的编码经网络模型提取的各个正类图像的特征以进行训练，进而划分正类图像范围，得到最终的单类支持向量机模型，

其中将待检测图像输入最终的编码神经网络模型进行特征提取，最终的单类支持向量机模型基于最终的编码神经网络模型提取的特征进行图像分类以判断所述待检测图像是否为正类图像。

7.如权利要求6所述的基于单正类图像建立的图像分类装置，其特征在于，

在对所述编码神经网络模型的训练过程中，通过比对输入所述编码神经网络模型的正类图像以及所述解码神经网络模型输出的还原图像，调整所述编码神经网络模型的参数和结构以保证所述编码神经网络模型能够提取到合适的特征，以使得所述解码神经网络模型能够得到合适的还原图像。