[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

说明书

本发明公开了一种结合图像复杂度的深度学习图像分类方法及系统，涉及计算机视觉图像识别领域，该方法包括以下步骤：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。本发明与目前主流的深度学习算法相比，能通过分析图像的复杂度自动选择合适网络结构，在保证网络性能下，减少企业应用深度学习算法的人力成本、时间成本。

技术领域

本发明涉及计算机视觉图像识别领域，尤其是涉及一种结合图像复杂度的深度学习图像分类方法及系统。

背景技术

近年来深度学习在学术界、科技界应用广泛，尤其在图像领域，目前已经在图像分类领域取得较大进展，取得不错成效。但目前深度学习在工业领域的推广并不顺利，主要原因是工业领域的应用大多是细分领域、定制化的，但目前主流的深度学习网络如AlexNet、VGG16、GoogleNet都难以直接应用到项目中，企业需要不断测试、改进网络结构参数才可以应用到项目中，十分耗费时间、人力成本。

发明内容

有鉴于此，有必要针对上述的问题，提出一种结合图像复杂度的深度学习图像分类方法及系统，通过分析图像的复杂度自动选择合适网络结构，在保证网络性能下，减少企业应用深度学习算法的人力成本、时间成本。

为实现上述目的，本发明提供以下技术方案：

一方面，本发明提供一种结合图像复杂度的深度学习图像分类方法，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。

进一步地，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。

进一步地，在步骤S2中，网络结构1、网络结构2和网络结构3如下：