[发明专利]一种图像分类方法、装置、电子设备及可读存储介质

说明书

本发明实施例提供了一种图像分类方法、装置、电子设备及可读存储介质，应用于模式识别技术领域，所述方法包括：对各样本图像进行灰度化处理，将得到的各灰度图像表示为二维图像矩阵；样本图像包括：训练图像和待分类图像，根据各二维图像矩阵建立灰度矩阵；根据标签约束矩阵和基于半张量积的非负矩阵分解算法，对归一化灰度矩阵进行特征提取，得到特征矩阵；将标签约束矩阵和特征矩阵的乘积的转置作为混合特征矩阵，将混合特征矩阵中各待分类图像对应的特征输入预先建立的图像分类模型，得到分类结果，图像分类模型是对混合特征矩阵中各训练图像对应的特征及各训练图像对应的图像类别进行训练得到的。本发明提高了图像分类的效率。

技术领域

本发明涉及模式识别技术领域，特别是涉及一种图像分类方法、装置、电子设备及可读存储介质。

背景技术

随着多媒体技术与互联网技术的飞速发展，获得高质量的图像变得越来越容易。高质量的图像具有高维性，高维性使得图像特征更加饱满，同时，高维性也给计算机的处理带来了困难。图像表示和分类是模式识别领域内非常重要的课题，在对图像进行分类时，上述有利于图像表示的高维数据往往会造成“维度灾难”，所以，在对图像进行分类之前可以进行必要的特征提取。在图像分类过程中，对图像特征提取是否合理以及对图像分类所用分类函数是否最优将会直接影响图像的分类结果。

NMF(Nonnegative Matrix Factorization，非负矩阵分解)即是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法，能有效的提取图像的特征。对于任意给定的一个非负矩阵A，NMF算法是为了寻找到一个非负矩阵X和一个非负矩阵Y，使其乘积与源矩阵A相近，即A≈X×Y，其中，X和Y分别称为基矩阵和系数矩阵。NMF算法中是通过矩阵分解得到原数据矩阵的低秩逼近，从而可以发现数据的内在结构特征。NMF算法是一种无监督的分解算法，没有用到样本数据的标签信息，但在实际应用中遇到的数据可能会有部分样本带有标签信息，通过使用标签信息对NMF算法进行约束，形成CNMF(Constrained Non-negative Matrix Factorization，半监督非负矩阵分解)，即将非负矩阵A分解为基矩阵U、特征矩阵V和标签约束矩阵C，即A≈U(CV)^T。CNMF算法虽然在处理数据时更准确，但是对于高质量的高维数据，仍会耗费大量的时间，图像处理的速度比较慢，导致对图像分类的效率较低。

发明内容

本发明实施例的目的在于提供一种图像分类方法、装置、电子设备及可读存储介质，以提高图像分类的效率。具体技术方案如下：

本发明实施例提供了一种图像分类方法，所述方法包括：

对所获取的各样本图像进行灰度化处理，得到所述各样本图像的灰度图像，将各灰度图像表示为二维图像矩阵，得到各二维图像矩阵；所述各样本图像包括：各训练图像和各待分类图像；

分别将所述各二维图像矩阵表示为一维向量，将得到的各一维向量作为灰度矩阵的各列，建立所述灰度矩阵，对所述灰度矩阵进行归一化处理，得到归一化灰度矩阵；

根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分解算法，对所述归一化灰度矩阵进行特征提取，得到所述归一化灰度矩阵对应的特征矩阵，所述标签约束矩阵是根据所述各样本图像包含的标签信息确定的；

将所述标签约束矩阵和所述特征矩阵的乘积的转置作为混合特征矩阵，将所述混合特征矩阵中所述各待分类图像对应的特征输入预先建立的图像分类模型，得到所述各待分类图像的分类结果，所述图像分类模型是对所述混合特征矩阵中所述各训练图像对应的特征、以及所述各训练图像对应的图像类别进行训练得到的。

可选的，所述标签约束矩阵的建立方法包括：