[发明专利]一种基于深度学习的图片垃圾识别方法

权利要求书

1.一种基于深度学习的图片垃圾识别方法，其特征在于：包括以下步骤；

步骤一、图像预处理；

S1、利用微软图像函数库的dibapi.h及dibapi.cpp对图像数据进行读取；

S2、通过赋予图片像素点中的R、G、B各自一个加权系数，使各点分量的值相同，实现图片灰度化；

S3、对灰度图像进行二值化，根据自适应阈值法，将灰度图像的像素分化为黑或白两种颜色；

步骤二、图像分割；

S1、调整图像的整体倾斜度，按照由下至上的顺序，扫描图像，记录下第一个遇到的黑色的像素点；

S2、改变扫描的方向，按照由上而下，将第一个遇到的黑色像素点记录下来，这两个点之间的距离就是图像大致的高度范围；

S3、进行图像分析，从左至右对图像进行扫描，发现第一个黑色像素点之后，将此点作为图像分割的起始部位，接着进行扫描，无黑色像素点时停止完成分割；

步骤三、图像尺寸调整；

S1、对图像的归一化处理心扫描，之后对字符的尺寸进行调整，使其尺寸相同；

S2、对比系统要求高度与字符高度，将需变换的系数计算出来，依据此系数进行相应的高度变换，宽度也按照此方法进行变化按照插值的方法，将新图像里的点映射到原图像中，完成尺寸统一；

步骤四、对图像通过紧缩重排，形成新的图像字符；

步骤五、将图像字符带入BP网络中，开展网络训练工作，从而将样本中的待识别的特征向量提取出来，随后进行识别工作得到潜在垃圾图片；

步骤六、进行第二次过滤实现精确分类；

步骤七、进行第三次过滤对垃圾图片进一步分类。

2.根据权利要求1所述的一种基于深度学习的图片垃圾识别方法，其特征在于：步骤五中，训练过程为：将图片分为潜在垃圾图片和正常图片，并提取图片的梯度、颜色和LBP特征作为SVM分类器的输入数据进行模型训练，并保存参数。

3.根据权利要求1所述的一种基于深度学习的图片垃圾识别方法，其特征在于：步骤五中，识别过程为：提取图片的梯度、颜色和LBP特征与保存的参数进行对比进行判断图片并输出识别结果。

4.根据权利要求1所述的一种基于深度学习的图片垃圾识别方法，其特征在于：步骤六中，第二次过滤的步骤为：

S1、构建垃圾图片库；

S2、提取垃圾图片的SIFT特征，将得到的SIFT特征进行K均值聚类得到视觉词汇表；

S3、将步骤五中得到潜在垃圾图片与垃圾图片库中所有的图片进行相似性度量；

S4、通过实验的方法确定合适的阈值，小于设定的阈值判断为垃圾图片。

5.根据权利要求1所述的一种基于深度学习的图片垃圾识别方法，其特征在于：步骤七中，第三次过滤的步骤为：

S1、利用OCR软件提取第二次过滤得到的垃圾图片的文本信息；

S2、将所提取的文本信息与词库中的敏感词进行一一对比；

S3、将对比结果在词库中匹配最多的归属到相应的类别。