[发明专利]基于支持向量机模型的图像分类预测方法及装置

说明书

本发明公开了一种基于支持向量机模型的图像分类预测方法及装置，本发明的方法包括：将待分类图像进行图像切割，提取待分类图像的设定部分图像；提取待分类图像的设定部分图像的颜色矩特征；构建支持向量机模型，将待分类图像的颜色矩特征作为所述支持向量机模型的输入，得到输出结果，将输出结果作为预测的待分类图像的分类类别。本发明的图像分类预测方法的预测结果准确且预测方法简易方便推广。

技术领域

本发明涉及视觉图像领域，具体涉及一种基于支持向量机模型的图像分类预测方法及装置。

背景技术

对于图像的分类多是根据经验并通过肉眼观察进行判断，存在主观性引起的观察性偏倚，使观察结果的可比性，可重复性降低，不易推广应用。当前，数字图像处理技术为计算机监控技术在图片分类的应用提供更大的空间。例如，通过神经网络模型实现图像分类、行人检测以及医学诊断等问题。相关技术中，通过同一个图像分类模型对样本集(训练集)训练，得到单个图像分类模型；并根据单个图像分类模型对所有待分类图像(测试集)进行分类识别，得到分类结果。但采用这种深度模型进行分类方法复杂，非常依赖参数,比如学习率,隐含层的结构与节点个数。参数的好坏会极大影响神经网络的分类效果和准确率，不利于在图像分类上进行大规模推广应用。

发明内容

鉴于以上技术问题，本发明的目的在于提供一种基于支持向量机模型的图像分类预测方法及装置，解决现有的图像的分类方法依赖人工判断或采用神经网络模型准确率低或方法复杂的问题。

本发明采用以下技术方案：

一种基于支持向量机模型的图像分类预测方法，包括:

将待分类图像进行图像切割，提取待分类图像的设定部分图像；

提取待分类图像的设定部分图像的颜色矩特征；

构建支持向量机模型，将待分类图像的颜色矩特征作为所述支持向量机模型的输入，得到输出结果，将输出结果作为预测的待分类图像的分类类别。

进一步的，所述将待分类图像进行图像切割，提取待分类图像的设定部分图像的步骤包括：

截取宽从第个像素点到第个像素点，长从第个像素点到第个像素点的子图像，作为待分类图像的设定部分图像，其中，M和N分别为待分类图像的宽和长，fix(x)函数为取整函数或截断函数。

进一步的，构建支持向量机模型的步骤包括：

获取图像样本；

提取图像样本的设定部分图像和图像样本的类别；

提取图像样本的设定部分图像的颜色矩特征，得到样本颜色矩特征；

将样本颜色矩特征作为支持向量机模型的训练样本输入，得到预测的训练样本的图像分类类别；

若预测的训练样本的分类准确率达不到预设值，调整所述支持向量机模型的参数，直到预测的训练样本的分类准确率达到预设值。

进一步的，所述提取待分类图像的设定部分图像的颜色矩特征的步骤包括：

分别按颜色通道提取所述设定部分图像的一阶矩、二阶矩和三阶矩的颜色矩特征，形成待分类图像的颜色矩特征向量。

进一步的，所述分别按颜色通道提取所述设定部分图像的一阶矩、二阶矩和三阶矩的颜色矩特征的步骤包括：

分别按R、G、B三个颜色通道提取所述设定部分图像的一阶矩、二阶矩和三阶矩的颜色矩特征。

进一步的，所述设定部分图像的一阶矩、二阶矩和三阶矩的颜色矩特征满足以下公式：