[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

说明书

本发明提供一种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。所述图像分类方法包括：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；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；最终的编码神经网络模型和最终的单类支持向量机模型联合对待检测图像进行图像分类以判断所述待检测图像是否为正类图像。

技术领域

本发明涉及机器学习与图像学领域，尤其涉及一种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。

背景技术

深度学习凭借其在识别应用中较高的预测准确率，在图像分类、图像语义分割领域中表现不凡，主要利用卷积神经网络(CNN)，在图像中寻找特征，或将目标从背景中分离出来，或将不同类别的目标区分开来。

然而，建立一个优质的神经网络模型的前提，就是拥有一个优质的图像训练集，这不仅在数量上有所要求，还需针对环境差异化具有一定容纳性，这一点在工业应用时尤为重要，因为造成图片变化的不可抗因素极多，工业环境中，光源、相机、镜头等硬件性能的衰落，外部环境的变化与干扰，都会影响到模型的鲁棒性，但在已有的图像数据中无法完全体现出来。

然而，在有些应用场景中，只有正图像样本，没有负图像样本，在这种情况下如何训练出预测准确率高的图像分类模型是一个很大的挑战。

发明内容

本发明的目的在于提供一种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，其可以仅基于单一正类图像进行训练进而对图像进行高准确率的分类。

为实现发明目的，根据本发明的一个方面，本发明提供一种基于单正类图像建立的图像分类方法，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。

根据本发明的另一个方面，本发明提供一种基于单正类图像建立的图像分类装置，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。