[发明专利]一种基于图模型的服装图像分类方法

说明书

本发明公开了一种基于图模型的服装图像分类方法，包括以下步骤：1）：导入Fashion MNIST数据：Fashion MNIST数据集包括一些运动鞋和衬衫等衣物，不同类别的运动鞋和衬衫等衣物，进行索引分类，每个图像都映射到一个标签；2）集探索数据：在训练模型之前，我们可以探索数据集的格式。该基于图模型的服装图像分类方法，通过导入Fashion MNIST数据、集探索数据、预处理数据、建立模型（搭建神经网络结构、编译模型）、训练模型（把数据输入模型、评估准确性、作出预测、验证预测）和使用训练有素的模型的步骤进行对图像进行分类编码，使得图像可以进行快速分类说明查找，大大减少了查找的时间，方便使用者使用。

技术领域

本发明涉及服装图像分类方法技术领域，具体为一种基于图模型的服装图像分类方法。

背景技术

由于图像光照、尺度和姿态的变化，精确的图像分类非常具有挑战性，目前的图像分类方法大致可以分为三步：首先，从图像的稠密块(均匀划分大小的块)中提取底层特征(如颜色特征、梯度特征、纹理特征)，然后，用图像编码的技术根据底层特征得到图像的特征，最后，再用分类器根据这些特征进行学习，因为这些方法都是直接从底层特征出发，而底层特征和图像类别(如图像场景类别)有着语义鸿沟，所以往往不能取得很好的分类结果，中层语义(中层特征)是根据图像的底层特征和监督信息提取而得，它能很好地改善这个问题；

作为目前常用的提取中层语义的方法，图模型已经获得广泛的应用，所谓图模型，是一种将变量之间的关系用图的结构来表示的工具，其中，每个节点代表一个变量，而变量间的关系可以用点与点间的关系来表示，最经典的图模型是LDA(LatentDirichletAllocation)模型，其主要思想是引入了潜在主题，通过推断每个单词对应的潜在主题，可以得到中层语义。

但是目前的服装图像分类方法较慢，且无法快捷的分类，因此需要一种基于图模型的服装图像分类方法。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了一种基于图模型的服装图像分类方法，具备对服装图像快速分类等优点，解决了上述背景技术中所提到的问题。

（二）技术方案

为实现上述目的，本发明提供如下技术方案：一种基于图模型的服装图像分类方法，包括以下步骤：

1）：导入 Fashion MNIST数据：Fashion MNIST数据集包括一些运动鞋和衬衫等衣物，不同类别的运动鞋和衬衫等衣物，进行索引分类，每个图像都映射到一个标签；

2）集探索数据：在训练模型之前，我们可以探索数据集的格式。比如：训练集中有60,000张图像，每个图像表示为28 x 28像素，训练集中有60,000个标签；每个标签都是0到9之间的整数；

测试集中有10,000张图像。同样，每个图像都表示为28 x 28像素。测试集包含10,000个图像标签；

探索数据代码：

#【2 探索数据】

#在训练模型之前，探索数据集的格式，下表显示了训练集中有60000张图像，每张图像表示为28*28像素

print（“训练集总图片数：”，train_images.shape）

#训练集中有60000个标签

print（“训练集中标签数：”，len（train_labels））

#每个标签都是0到9之间的整数

Print（“标签取值：”，train_labels）

#测试集中有10000张图像，同样，每个图像都表示为28*28像素

Print（“测试集总图片数：”，test_images，shape）

#测试集包含10000个图像标签

Print（“测试集标签数：”，len（test_tabels）

运行结果：