[发明专利]一种基于观测矩阵变换维度的图像分类方法

说明书

本发明公开了一种基于观测矩阵变换维度的图像分类方法，包括：使用感知压缩对图像进行稀疏编码，得到低维度图像组成的数据集，将包含标签标注的数据集划分为训练集和测试集；构建包括输入层、隐含层与输出层的图像分类网络，所述隐含层为感知机单元；所述图像分类网络至少为两个，分别包含不同节点数感知机单元；将训练集作为输入，在标签的监督下进行训练，得到训练完成后对应的神经网络图像分类模型；使用测试集验证神经网络图像分类模型对图像分类的准确率，选择准确率最高的作为最终的神经网络图像分类模型；将待测图像输入，输出图像分类结果的预测概率。本发明提供的图像分类方法可以在不降低图像分类精度的条件下大大提升模型效率。

技术领域

本发明属于图像分类的技术领域，特别涉及一种基于观测矩阵变换维度的图像分类方法。

背景技术

图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。

图像空间的分类方法—利用图像的灰度,颜色,纹理,形状,位置等底层特征对图像进行分类；例如：[1]利用灰度直方图特征对图像进行分类；[2] 利用纹理特征对图像进行分类；[3]采用纹理,边缘和颜色直方图混合特征对图像进行分类；[1],[2],[3]均采用SVM作为分类器。[4]用矩阵表示图像, 矩阵元素是相应象素的灰度值,然后用SVD和PCA方法抽取图像特征,BP 网络作为分类器。图像空间的分类方法的共同缺点是数据量大，计算复杂性高，但分类精度一般比较理想。

特征空间的分类方法—首先将原图像经过某种变换如K-L变换,小波变换等变换到特征空间，然后在特征空间提取图像的高层特征以实现图像的分类。这类分类方法尤以纹理图像分类和遥感图像分类最多。特征空间的分类方法可降低数据维数，降低计算复杂性，但问题相关性较强，与特征提取的方法和效果有很大关系。

传统的数字信号采样严格依照那奎斯特采样定律，即：为了不失真地恢复模拟信号，采样频率应该不小于模拟信号频谱中最高频率的2倍。普通的信号压缩首先对信号进行离散余弦变换或小波变换等处理，然后舍弃大量接近于0的系数，对少数绝对值较大的系数进行压缩编码。本质上来讲，采样和压缩对应数据的全部采集和部分丢弃。通过全采样后，数字信号的数据量比较大，一方面不利于存储和传输，另一方面该数字信号本身存在很多冗余。而目前在图像分类领域，随着输入数据与模型复杂度的增加，计算量日趋增加，模型调参训练与使用的效率不高。

发明内容

本发明的目的在于提供一种基于观测矩阵变换维度的图像分类方法，应用于图像分类任务，可以在不降低图像分类精度的条件下大大提升模型效率。

一种基于观测矩阵变换维度的图像分类方法，包括以下步骤：

(1)使用感知压缩对图像进行稀疏编码，感知压缩后的图像组成数据集，将包含标签标注的数据集划分为训练集和测试集；

(2)构建包括输入层、隐含层与输出层的图像分类网络，所述隐含层为感知机单元；所述图像分类网络至少为两个，分别包含不同节点数感知机单元；

(3)以步骤(1)中的训练集作为输入，在标签的监督下，对步骤(2) 构建的图像分类网络进行训练，得到训练完成后对应的神经网络图像分类模型；

(4)使用测试集验证神经网络图像分类模型对图像分类的准确率，选择准确率最高的神经网络图像分类模型作为最终的神经网络图像分类模型；

(5)以待测图像作为输入，步骤(4)得到的最终的神经网络图像分类模型输出图像分类结果的预测概率。

在步骤(1)中，感知压缩为将高维信号投影成低维信号的过程，即，图像实现从高维到低维的映射。