【技术实现步骤摘要】
动物毛皮显微图像分类方法、装置、电子设备及存储介质
[0001]本专利技术涉及图像处理
，尤其涉及一种动物毛皮显微图像分类方法、装置、电子设备及存储介质。
技术介绍
[0002]动物毛皮显微图像识别是对通过显微镜获取的动物毛皮的图像进行识别的技术，广泛应用于案件侦查、毛皮质量检测和毛皮真伪鉴定等领域，属于细粒度图像识别的范畴。由于动物毛皮显微图像分类具有细粒度图像分类任务中类内差距较大，类间差距较小的特点，目前主要是采用深度学习算法对动物毛皮图像进行识别。
[0003]近年来，基于强监督信息的深度学习成为了热门研究对象。在传统分类的基础上，衍生出了关键点信息、局部检测框以及最大熵检测等分类算法，通过局部定位来区分图像中重要信息和不重要信息，但相对的，由于局部信息的作用难以判定，研究者们往往无法判断特征对网络的作用，并且上述的算法也难以适应噪声更多的动物毛皮识别，从而导致最后对动物毛皮显微图像的分类准确性较低。
技术实现思路
[0004]本专利技术的主要目的在于解决现有技术中的分类算法对动物毛皮显微图像的分类准确性较低的技术问题。
[0005]本专利技术第一方面提供了一种动物毛皮显微图像分类方法，所述动物毛皮显微图像分类方法包括：
[0006]获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
[0007]计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集；>[0008]将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果；
[0009]利用与所述双流神经网络对应的双流网络融合策略对所述第一分类结果和第二分类结果进行融合处理，得到融合分类结果；
[0010]根据所述融合分类结果对所述动物毛皮显微图像进行分类。
[0011]可选的，在本专利技术第一方面的第一种实现方式中，所述获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集包括：
[0012]通过固定光照后的电子显微镜拍摄待识别的动物的毛皮，得到动物毛皮显微图像；
[0013]利用图像处理技术识别所述动物毛皮显微图像中含有有效的动物毛皮特征的区域，并标记；
[0014]根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集。
[0015]可选的，在本专利技术第一方面的第二种实现方式中，所述根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集包括：
[0016]以各所述标记所在的区域为中心，将所述动物毛皮显微图像切分为大小等于N*N的多个毛皮图像；
[0017]利用边缘像素检测技术，检测各所述毛皮图像中边缘区域的新像素值的数量/数目，其中所述边缘区域为以毛皮图像的四条边框向毛皮图像内延伸至距离图像一定距离的区域；
[0018]从所述多个毛皮图像中筛选所述数量/数目满足预设阈值的图片形成切割图像数据。
[0019]可选的，在本专利技术第一方面的第三种实现方式中，所述计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集包括：
[0020]采用通道最大值法，将所述切割图像数据集中的各毛皮图像调整为图像灰度图；
[0021]计算所述图像灰度图中各新像素值出现的概率，以及所述概率的对数值；
[0022]根据所述概率和所述对数值，计算出所述图像灰度图对应的毛皮图像的信息熵，并基于所述信息熵计算所有毛皮图像的平均信息熵；
[0023]将各所述毛皮图像的信息熵与所述平均信息熵进行比较，基于比较的结果对所有毛皮图像进行分类，得到两个数据子集。
[0024]可选的，在本专利技术第一方面的第四种实现方式中，所述双流神经网络为具有对称的两路网络结构的双流神经模型，所述将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果包括：
[0025]将两个所述数据子集中信息熵低于平均信息熵的第一数据子集，输入至所述双流神经模型中低信息熵的第一路网络结构中，所述第一路网络结构对所述第一数据子集中各毛皮图像进行深度特征的识别分类，得到第一分类结果；
[0026]将两个所述数据子集中信息熵不低于平均信息熵的第二数据子集，输入至所述双流神经模型中高信息熵的第二路网络结构中，经过所述第二路网络结构对所述第二数据子集中各毛皮图像进行深度特征的识别分类，得到第二分类结果；
[0027]其中，所述深度特征的识别分类为使用预设的复合系数对所述毛皮图像的深度、宽度和分辨率进行统一的缩放处理后进行卷积计算，得到动物毛皮特征的特征向量，基于所述特征向量进行毛皮类别的匹配，得到分类结果，所述分类结果为分类向量。
[0028]可选的，在本专利技术第一方面的第五种实现方式中，所述利用与所述双流神经网络对应的双流网络融合策略对所述第一分类结果和第二分类结果进行融合处理，得到融合分类结果包括：
[0029]分别计算所述第一分类结果和第二分类结果的分类向量的数目和分类向量的总数目；
[0030]根据所述第一分类结果和第二分类结果的分类向量的数目和总数目，计算出所述第一分类结果的第一占比和所述第二分类结果的第二占比；
[0031]根据所述第一占比和第二占比，将所有分类向量进行融合计算，得到融合分类结果。
[0032]可选的，在本专利技术第一方面的第六种实现方式中，所述融合计算的计算公式为：
[0033][0034]其中，x表示融合分类结果，第一数据子集中第i个图像的分类向量为x
i
，第一分类结果中分类向量的数目为n1，第一数据子集中第j个图像的分类向量为x
j
，第二分类结果中分类向量的数目为n2。
[0035]本专利技术第二方面提供了一种动物毛皮显微图像分类装置，所述动物毛皮显微图像分类装置包括：
[0036]采集模块，用于获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；
[0037]样本生成模块，用于计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集；
[0038]识别模块，用于将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果；
[0039]融合模块，用于利用与所述双流神经网络对应的双流网络融合策略对所述第一分类结果和第二分类结果进行融合处理，得到融合分类结果；
[0040]分类模块，用于根据所述融合分类结果对所述动物毛皮显微图像进行分类。
[0041]可选的，在本专利技术第二方面的第一种实现方式中，所述采集模块包括：
[0042]拍本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种动物毛皮显微图像分类方法，其特征在于，所述动物毛皮显微图像分类方法包括：获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集；计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集；将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果；利用与所述双流神经网络对应的双流网络融合策略对所述第一分类结果和第二分类结果进行融合处理，得到融合分类结果；根据所述融合分类结果对所述动物毛皮显微图像进行分类。2.根据权利要求1所述的动物毛皮显微图像分类方法，其特征在于，所述获取动物毛皮显微图像，并从所述动物毛皮显微图像中提取含有有效的动物毛皮特征的毛皮图像，得到切割图像数据集包括：通过固定光照后的电子显微镜拍摄待识别的动物的毛皮，得到动物毛皮显微图像；利用图像处理技术识别所述动物毛皮显微图像中含有有效的动物毛皮特征的区域，并标记；根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集。3.根据权利要求2所述的动物毛皮显微图像分类方法，其特征在于，所述根据所述标记将所述动物毛皮显微图像分切为大小相等的毛皮图像，得到切割图像数据集包括：以各所述标记所在的区域为中心，将所述动物毛皮显微图像切分为大小等于N*N的多个毛皮图像；利用边缘像素检测技术，检测各所述毛皮图像中边缘区域的新像素值的数量/数目，其中所述边缘区域为以毛皮图像的四条边框向毛皮图像内延伸至距离图像一定距离的区域；从所述多个毛皮图像中筛选所述数量/数目满足预设阈值的图片形成切割图像数据。4.根据权利要求3所述的动物毛皮显微图像分类方法，其特征在于，所述计算所述切割图像数据集中各毛皮图像的信息熵，基于所述信息熵将所述切割图像数据集划分为两个数据子集包括：采用通道最大值法，将所述切割图像数据集中的各毛皮图像调整为图像灰度图；计算所述图像灰度图中各新像素值出现的概率，以及所述概率的对数值；根据所述概率和所述对数值，计算出所述图像灰度图对应的毛皮图像的信息熵，并基于所述信息熵计算所有毛皮图像的平均信息熵；将各所述毛皮图像的信息熵与所述平均信息熵进行比较，基于比较的结果对所有毛皮图像进行分类，得到两个数据子集。5.根据权利要求4所述的动物毛皮显微图像分类方法，其特征在于，所述双流神经网络为具有对称的两路网络结构的双流神经模型，所述将两个所述数据子集分别输入至预设的双流神经网络对应的子网络结构中进行分类识别检测，得到第一分类结果和第二分类结果包括：
将两个所述数据子集中信息熵低于平均信息熵的第一数据子集，输入至所述双流神经模型中低信息熵的第一路网络结构中，所述第一...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。