[发明专利]图像分类方法、装置及计算机可读存储介质

说明书

本发明涉及人工智能技术领域，公开了一种图像分类方法，该方法采用特征点提取算法提取图像样本中的显著特征点，将各个图像样本对应的显著特征点保存为图像标注。之后，构建卷积神经网络模型，将所有图像样本和上述得到的图像标注分为测试集和训练集，利用所述训练集训练所述构建的卷积神经网络模型，并利用所述测试集对所述卷积神经网络模型进行测试。然后，该方法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。本发明还提出一种图像分类装置以及一种计算机可读存储介质。本发明可以训练卷积神经网络模型学习尺度不变特征变换算法提取图像特征点，以实现图像的分类。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种图像分类方法、装置及计算机可读存储介质。

背景技术

近几年来，随着卷积神经网络在图像处理领域的逐渐成熟，如何得到准确可靠的训练模型成为人们研究的热点。目前卷积神经网络的错误率从AlexNet的16.4％到现在广为使用的ResNet的3.6％，理论上错误率已经低于人眼错误率的5.1％。但是，在实际场景应用中，由于环境的复杂度增加，图像更容易受到光照，角度，像素等的影响，错误率会比理论上大大增加。

经典ResNet采用残差网络具备更少的参数，并为图像处理带来了更高的准确率和50层的卷积模型。然而进行模型训练时，目前的卷积神经网络仅考虑自身的分类损失，同时在图像特征提取过程中更容易受到视角变化、噪声的不良影响。因此，为了优化分类效果，需要CNN网络能够学习到更好的特征，然后用于分类。

发明内容

本发明提供一种图像分类方法、装置及计算机可读存储介质，其主要目的在于提供一种优选的图像分类方案。

为实现上述目的，本发明提供的一种图像分类方法，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。

可选地，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，并去掉候选特征点中的低对比度的特征点和不稳定的边缘特征点，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。

可选地，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特征点和不稳定的边缘特征点，得到该图像样本的显著特征点，包括：