[发明专利]一种结合图像复杂度的深度学习图像分类方法及系统

权利要求书

1.一种结合图像复杂度的深度学习图像分类方法，其特征在于，包括以下步骤：

步骤S1：将所有图像缩放至200*200大小，并分为训练集和测试集；

步骤S2：计算所有训练集图像的平均复杂度，根据平均复杂度选择网络结构1、网络结构2和网络结构3中的其中一种网络结构；

步骤S3：选择好网络结构后，网络模型对训练集数据进行训练；

步骤S4：根据训练好的模型对测试集数据进行分类识别。

2.根据权利要求1所述的结合图像复杂度的深度学习图像分类方法，其特征在于，在步骤S2中，训练集图像的平均复杂度K计算过程如下：

①采用opencv的meanStdDev函数求每张图像的标准差stddv_i，求取所有训练集图像的标准差的平均值stddv_avrage；

②按照下面公式计算训练集每张图像的二维熵H，再求所有训练集图像的二维熵的平均值H_average；

其中H为图像二维熵，(i,j)为图像的邻域灰度均值与图像的像素灰度组成特征二元组，i表示像素的灰度值(0＝i＝255)，j表示邻域灰度均值(0＝j＝255),p_ij为联合概率，其中联合概率按如下公式计算：

p_ij＝f(i,j)/N*M

其中f(i,j)为特征二元组(i,j)出现的频数，N*M为图像的尺度；

③然后按照如下公式求出训练集图像复杂度K：

K＝stddv_avrage*0.05+0.95*H_average

如果0≤K＜3，选择网络结构1；如果3≤K＜6，选择网络结构2；如果6≤K，选择网络结构3。

3.根据权利要求1所述的结合图像复杂度的深度学习图像分类方法，其特征在于，在步骤S2中，网络结构1、网络结构2和网络结构3如下：

①网络结构1：第1层为输入层，输入100*100的图片；第2层为卷积层，卷积核个数为6，卷积核大小为11*11；第3层为最大值池化层，核大小为2*2；第4层为卷积层，卷积核个数为6，卷积核大小为11*11；第5层为最大值池化层，核大小为2*2；第6、7层为全连接层，分别为120个和84个神经节点；第8层为输出层，输出节点为N；

②网络结构2：第1层为输入层，输入100*100的图片；第2层为卷积层，卷积核个数为16，卷积核大小为7*7；第3层为最大值池化层，核大小为2*2；第4层为卷积层，卷积核个数为16，卷积核大小为7*7；第5层为最大值池化层，核大小为2*2；第6层为卷积层，卷积核个数为16，卷积核大小为5*5；第7层为最大值池化层，核大小为2*2；第8、9层为全连接层，分别为120个和84个神经节点；第10层为输出层，输出节点为N；

③网络结构3：第1层为输入层，输入100*100的图片；第2层为卷积层，卷积核个数为16，卷积核大小为3*3；第3层为最大值池化层，核大小为2*2；第4层为卷积层，卷积核个数为16，卷积核大小为3*3；第5层为最大值池化层，核大小为2*2；第6层为卷积层，卷积核个数为16，卷积核大小为3*3；第7层为最大值池化层，核大小为2*2；第8层为卷积层，卷积核个数为16，卷积核大小为3*3；第9层为最大值池化层，核大小为2*2；第10、11层为全连接层，分别为120个和84个神经节点；第12层为输出层，输出节点为N。

4.一种结合图像复杂度的深度学习图像分类系统，其特征在于，包括：

图像缩放模块，用于将所有图像缩放至200*200大小，并分为训练集和测试集；

网络结构选择模块，用于计算所有训练集图像的平均复杂度，根据平均复杂度选择网络结构1、网络结构2和网络结构3中的其中一种网络结构；

模型训练模块，用于选择好网络结构后，根据网络模型对训练集数据进行训练；

分类识别模块，用于根据训练好的模型对测试集数据进行分类识别。