[发明专利]图像分类方法、装置及计算机可读存储介质

权利要求书

1.一种图像分类方法，其特征在于，所述方法包括：

输入预设数量的图像样本，采用预设类型特征点提取算法分别提取各个所述图像样本中的显著特征点，并分别将各个所述图像样本对应的显著特征点保存为对应的图像样本的图像标注；

构建卷积神经网络模型，将所有所述图像样本和上述得到的图像样本的图像标注分为测试集图像和训练集图像，利用所述训练集图像训练所述卷积神经网络模型，并利用所述测试集图像对所述卷积神经网络模型进行测试；

将待分类的图像输入到训练好的卷积神经网络模型中，提取所述待分类的图像的显著特征点，并根据所述显著特征点进行图像分类。

2.如权利要求1所述的图像分类方法，其特征在于，所述采用预设类型特征点提取算法分别提取各个所述图像样本中的显著特征点，并分别将各个所述图像样本对应的显著特征点保存为对应的图像样本的图像标注，包括：

逐一选择所述图像样本或者批量选择所述图像样本，在一个图像样本被选择后，针对该图像样本执行如下步骤：

利用该图像样本制作高斯金字塔：将该图像样本进行下采样得到N个不同尺寸的图像，再对每张图像使用k组不同大小的高斯核进行高斯模糊，得到N*K个不同尺寸和模糊程度的图像，其中，N和K均为正整数；

将高斯金字塔转化为差分金字塔：在高斯金字塔中，每层的K张照片按照顺序两两相减，得到差分图像，最后得到N*(K-1)张差分图像，组成所述差分金字塔；

对所述差分金字塔进行多尺度空间极值点检测，得到该图像样本的候选特征点；

对得到的该图像样本的候选特征点进行定位，并去其中的低对比度的候选特征点和不稳定的边缘候选特征点，得到该图像样本的显著特征点；

计算所述显著特征点的主方向，及构造所述显著特征点的描述子，并根据所述显著特征点的描述子，将所述显著特征点保存为该图像样本的图像标注。

3.如权利要求2所述的图像分类方法，其特征在于，所述对得到的该图像样本的候选特征点进行定位，并去掉其中的低对比度的候选特征点和不稳定的边缘候选特征点，得到该图像样本的显著特征点，包括：

将该图像样本I(x,y)的尺度空间定义为：L(x,y,σ)＝G(x,y,σ)*I(x,y)，其中L(x,y,σ)代表该图像样本的尺度空间，σ为像素的尺度参数，当σ连续变化，G(x,y,σ)构成可变尺度空间的2维高斯函数；

对尺度空间G(x,y,σ)进行二次泰勒展开：并进行求导，令D(x)＝0，得到该图像样本的候选特征点的位置：

将所述候选特征点带入到所述D(x)函数中，利用二次泰勒展开式进行最小二乘拟合，得到

如果预设阈值，则保留该候选特征点，否则将该候选特征点作为低对比度的候选特征点丢弃；

将候选特征点的D(x)函数的主曲率与2×2H的特征值成正比：H为候选特征点邻域对应位置的差分矩阵，其中，D_xx，D_xy，D_yx，D_yy是候选特征点邻域对应位置的差分求得；

设α＝λ_max为H的最大特征值，β＝λ_min为H的最小特征值，则：Th(H)＝D_xx+D_yy＝α+β,Det(H)＝D_xx+D_yy-D_xy²＝α·β，其中，Th(H)为矩阵H的迹，Det(H)为矩阵H的行列式；

设表示最大特征值和最小特征值的比值，则

当时，剔除该候选特征点，否则保留该候选特征点，其中，T_γ为预设阈值。