[发明专利]图像分类方法和装置

权利要求书

1.图像分类方法，其特征在于，所述方法执行以下步骤：

步骤1：提取训练分类图像的图像特征，得到训练分类图像特征组；

步骤2：对训练分类图像特征组进行特征分析，具体包括：将训练分类图像特征组中的每个特征进行归一化处理后，得到一个特征值；再设定多个比较值，计算特征值与比较值的差异值，以判断特征值与比较值的距离，将计算得到的差异值最小的比较值作为特征值的分类中心；

步骤3：基于每个比较值，以及以该比较值作为分类中心的特征值作为一个分类组；

步骤4：以分类组作为节点建立分类树，对待分类图像进行分类；具体包括：对待分类图像进行特征提取后，得到待分类图像的图像特征，将所有的待分类图像的图像特征作为一个待分类图像特征组，再将待分类图像特征组直接代入分类树进行分类，在分类树分类过程中，从待分类图像特征组中依次取出待分类图像的图像特征，将其放入分类树中进行分类，直到待分类图像特征组中所有的待分类图像的图像特征均被取出，完成图像分类。

2.如权利要求1所述的方法，其特征在于，所述步骤1中提取训练分类图像的图像特征的方法包括：对训练分类图像的像素进行直接像素映射，从而得到像素的M维的像素映射系数，M为大于256的整数；根据像素映射系数，获得训练分类图像对应的M个直接像素映射图，其中，所述M个直接像素映射图中的第k个直接像素映射图中任意坐标点的值为所述任意坐标点对应在像素映射系数在第k个维度下的值，k为小于等于M的正整数；分别对所述M个直接像素映射图进行池化处理，从而得到待提取像素的M维的池化特征，所述M个直接像素映射图与所述池化特征的M个维度一一对应；对所述池化特征进行维度约减，从而得到所述待提取像素的用于表示所述池化特征的约减特征，所述约减特征的维度小于所述池化特征的维度；将得到的约减特征作为提取到的训练分类图像的图像特征。

3.如权利要求2所述的方法，其特征在于，所述对训练分类图像的像素进行直接像素映射，得到像素的M维的像素映射系数的方法执行以下步骤：使用如下公式，对训练分类图像的像素进行直接像素映射：其中，T为像素映射系数，C为调整系数，取值范围为：0.2～0.5；R_ij表示训练分类图像的第i行第j列的像素R值，G_ij表示训练分类图像的第i行第j列的像素G值，B_ij表示训练分类图像的第i行第j列的像素B值。

4.如权利要求3所述的方法，其特征在于，所述对所述M个直接像素映射图进行池化处理，从而得到所述待提取像素的M维的池化特征的方法执行以下步骤：使用如下公式进行池化处理：其中，p为每个直接像素图在所有直接像素映射图中出现的概率，F_i表示直接像素映射图；CLF为得到的池化特征。

5.如权利要求1所述的方法，其特征在于，所述分类树为多叉树，包含至少两部分，且所述分类树中各个节点对应各自的分类组；根据所述分类树中各个节点对应的特征值，训练各个父节点各自对应的分类模型，所述特征值预先经过类型标注并存储在对应的节点中，所述父节点对应至少一个子节点，所述分类模型用于将语料划分到对应的子节点；获取待分类图像，所述待分类图像为未知分类组的待预测数据；通过所述分类树中各个节点的所述分类模型对所述待分类图像进行逐级分类。

6.如权利要求5所述的方法，其特征在于，所述根据所述分类树中各个节点对应的特征值，训练各个父节点各自对应的分类模型，包括：获取当前父节点对应的各个子节点中对应的所述特征值，以及各个子节点对应的分类类型；根据各个子节点中对应的所述特征值以及各个子节点对应的分类类型，通过预设模型训练算法训练当前父节点对应的分类模型，所述预设模型训练算法包括支持向量机SVM算法、K最邻近分类KNN算法、决策树算法和朴素贝叶斯NBM算法中的至少一种；将训练得到的分类模型存储到当前父节点中。