一种基于多图融合的图像分类方法和系统技术方案

本发明专利技术实施例涉及图像处理技术领域，公开了一种基于多图融合的图像分类方法和系统，提取原始图像的局部图、灰度图、二值图、梯度图、RGB图融合，再将融合后的数据进行训练，因为融合的数据加入的局部信息、梯度信息、颜色信息等，提高网络的细节提取能力，对不同种类的相似图片具备较好的区分能力；相比目前的深度学习技术，本发明专利技术实施例方法对不同种类的相似图片具备较强的区分能力，并且具有一定的通用性。

【技术实现步骤摘要】
一种基于多图融合的图像分类方法和系统
本专利技术实施例涉及计算机视觉图像识别
，特别涉及一种基于多图融合的图像分类方法和系统。
技术介绍
近几年以来，随着科学计算机网络及人工智能领域的发展，图形图像数据量逐渐增多，于是，如何从大量的自然图像中快速提取到视觉特征已经成了机器智能学习中的热点研究课题，进而对自然图像的分类必然成为获取自然图像信息的研究重点。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。目前许多深度学习网络分类较明显区别的图像种类效果较好，但对不同种类，图像较相似的图像容易出现误判。
技术实现思路
本专利技术实施例的目的在于提供一种基于多图融合的图像分类方法和系统，提高对不同种类相似图像的区分能力，提高网络的图像分类准确率。为解决上述技术问题，第一方面，本专利技术的实施例提供了一种基于多图融合的图像分类方法，包括：获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；将多个类型的所述通道图融合成一张多通道图像；基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；基于所述分类模型进行待分类样本的图像分类。作为优选的，获取待分类样本的图像的多个类型的通道图，具体包括：获取待分类样本的若干彩色图像，将所有所述彩色图像缩放至第一尺寸，并分为训练集和测试集；将训练集中的每个所述彩色图像平均分割为多个第二尺寸的图像，将每个第二尺寸的图像均转换成第一类灰度图；将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，将每个第二尺寸的彩色图像转换成第二类灰度图；提取所述第二类灰度图的二值图和梯度图；将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，提取每个第二尺寸的彩色图像的RGB图。作为优选的，得到用于图像分类的分类模型后，还包括：将所述测试集中的彩色图像的多个通道图；将多个所述通道图融合成一张多通道图像，基于所述测试集中的彩色图像的所述多通道图像对所述分类模型进行测试。作为优选的，提取所述第二类灰度图的二值图和梯度图，具体包括：基于大津二值化算法提取所述第二类灰度图的二值图，基于sobel算子提取所述第二类灰度图的梯度图。作为优选的，所述神经网络为深度卷积神经网络，所述深度卷积神经网络包括输入层、第一卷积层、第一最大值池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层、第二全连接层和输出层；所述第一卷积层的卷积核个数为32，卷积核大小为3*3；所述第一最大池化层的核大小为2*2；所述第二卷积层的卷积核个数为32，卷积核大小为3*3；所述第二最大池化层的核大小为2*2；所述第三卷积层的卷积核个数为32，卷积核大小为3*3；所述第三最大池化层的核大小为2*2；所述第一全连接层包括120个神经节点，所述第二全连接层包括84个神经节点；所述输出层节点个数为N，其中，N为图像类别数。第二方面，本专利技术实施例提供一种基于多图融合的图像分类系统，包括：多通道提取模块，获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；多通道融合模块，将多个类型的所述通道图融合成一张多通道图像；训练模块，基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；分类模块，基于所述分类模型进行待分类样本的图像分类。第三方面，本专利技术实施例提供一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本专利技术第一方面实施例所述基于多图融合的图像分类方法的步骤。第四方面，本专利技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如本专利技术第一方面实施例所述基于多图融合的图像分类方法的步骤。本专利技术实施例提供了一种基于多图融合的图像分类方法和系统，提取原始图像的局部图、灰度图、二值图、梯度图、RGB图融合，再将融合后的数据进行训练，因为融合的数据加入的局部信息、梯度信息、颜色信息等，提高网络的细节提取能力，对不同种类的相似图片具备较好的区分能力；相比目前的深度学习技术，本专利技术实施例方法对不同种类的相似图片具备较强的区分能力，并且具有一定的通用性。附图说明一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。图1是根据本专利技术第一实施例的一种基于多图融合的图像分类方法示意图；图2是根据本专利技术第一实施例的深度卷积神经网络结构示意图；图3是根据本专利技术第三实施例的一种服务器示意图。具体实施例为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本专利技术的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。本申请实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。下面对本实施例的基于多图融合的图像分类方法和系统的实现细节进行具体的说明，以下内容仅为方便理解提供的实现细节，并非实施本方案的必须。本专利技术的第一实施例涉及一种基于多图融合的图像分类方法，包括：获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；将多个类型的所述通道图融合成一张多通道图像；基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；基于所述分类模型进行待分类样本的图像分类。具体的，本实施例以CIFAR-10数据集作一个10分类的问题作实例。CIFAR-10数据集一共有10种图片，包括(飞机本文档来自技高网...

【技术保护点】
1.一种基于多图融合的图像分类方法，其特征在于，包括：/n获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；/n将多个类型的所述通道图融合成一张多通道图像；/n基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；/n基于所述分类模型进行待分类样本的图像分类。/n

【技术特征摘要】
1.一种基于多图融合的图像分类方法，其特征在于，包括：
获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；
将多个类型的所述通道图融合成一张多通道图像；
基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；
基于所述分类模型进行待分类样本的图像分类。


2.根据权利要求1所述的基于多图融合的图像分类方法，其特征在于，获取待分类样本的图像的多个类型的通道图，具体包括：
获取待分类样本的若干彩色图像，将所有所述彩色图像缩放至第一尺寸，并分为训练集和测试集；
将训练集中的每个所述彩色图像平均分割为多个第二尺寸的图像，将每个第二尺寸的图像均转换成第一类灰度图；
将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，将每个第二尺寸的彩色图像转换成第二类灰度图；提取所述第二类灰度图的二值图和梯度图；
将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，提取每个第二尺寸的彩色图像的RGB图。


3.根据权利要求2所述的基于多图融合的图像分类方法，其特征在于，得到用于图像分类的分类模型后，还包括：
将所述测试集中的彩色图像的多个通道图；
将多个所述通道图融合成一张多通道图像，基于所述测试集中的彩色图像的所述多通道图像对所述分类模型进行测试。


4.根据权利要求2所述的基于多图融合的图像分类方法，其特征在于，提取所述第二类灰度图的二值图和梯度图，具体包括：
基于大津二值化算法提取所述第二类灰度图的二值图，基于sobel算子提取所述第二类灰度图的梯度图。


5.根据权利要求2所述的基于多图融合的图像分类方法，其特征在于，所述神经网...

【专利技术属性】
技术研发人员：徐晨，周松斌，刘伟鑫，
申请(专利权)人：广东省科学院智能制造研究所，
类型：发明
国别省市：广东;44