[发明专利]基于非下采样Contourlet变换和卷积神经网络的图像分类方法

摘要

本发明公开了一种基于非下采样Contourlet变换的卷积神经网络图像分类方法。首先利用非下采样Contourlet变换进行RGB三通道图像的特征统计，捕捉到图像在变换域上较好的不变性和区分性描述；然后在此基础上构建卷积神经网络的深度学习方法，从而达到RGB图像分类的目的。本发明分别通过非下采样Contourlet变换和卷积神经网络进行已知和未知特征的学习，不仅避免了大量参数的学习，还可以简化后续的网络模型。

主权项

1.一种基于非下采样Contourlet变换和卷积神经网络的图像分类方法，其特征在于按照如下步骤进行：步骤1：将自然图像分解为RGB三种不同的通道，分别对每个通道中的图像进行非下采样Contourlet变换： （1）其中，表示近似的RGB通道图像；为每个通道的Contourlet系数；为对应的变换矩阵；和分别为Contourlet变换的分解层数和方向子带的个数；步骤2：利用类似于卷积神经网络中均值-最大池化方法计算基于非下采样Contourlet变换中每个系数的特征描述子，其中均值池化过程如下： （2）其中，表示某个RGB通道；为每个RGB通道中待池化区域的索引项；和分别表示源图像和池化区域的大小；采用最大池化方法对上述系数进行处理： （3）得到最终的特征描述子，形成卷积神经网络中待输入的维映射图；步骤3：利用卷积神经网络对上述特征描述子进行学习，其中每一层的具体描述如下：步骤3.1：卷积层：采用大小为、步长为、特征图为的卷积核，对应的输出结果为： （4）其中，为多维的滤波器组，对应的核权值和偏差分别为和；步骤3.2：池化层：采用均值-最大池化相混合的方法对上述卷积结果进行下采样： （5） （6）步骤3.3：正则化：进一步地，采用如下修正线性单元激活函和局部响应正则化以增加网络模型的非线性： （7） （8）本专利设置、；步骤3.4：全连接层：将学到的特征映射到样本标记空间，即将前层的结果转化为卷积核为的卷积；步骤3.5：分类层：利用softmax激活函数进行预测，将图像分为4或者5类。