[发明专利]一种基于多图融合的图像分类方法和系统

权利要求书

1.一种基于多图融合的图像分类方法，其特征在于，包括：

获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；

将多个类型的所述通道图融合成一张多通道图像；

基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；

基于所述分类模型进行待分类样本的图像分类;

其中，所述获取待分类样本的图像的多个类型的通道图具体包括：

获取待分类样本的若干彩色图像，将所有所述彩色图像缩放至第一尺寸，并分为训练集和测试集；

将训练集中的每个所述彩色图像平均分割为多个第二尺寸的图像，将每个第二尺寸的图像均转换成第一类灰度图；

将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，将每个第二尺寸的彩色图像转换成第二类灰度图；提取所述第二类灰度图的二值图和梯度图；

将训练集中的每个所述彩色图像压缩成第二尺寸的彩色图像，提取每个第二尺寸的彩色图像的RGB图。

2.根据权利要求1所述的基于多图融合的图像分类方法，其特征在于，得到用于图像分类的分类模型后，还包括：

获取所述测试集中的彩色图像的多个通道图；

将多个所述通道图融合成一张多通道图像，基于所述测试集中的彩色图像的所述多通道图像对所述分类模型进行测试。

3.根据权利要求1所述的基于多图融合的图像分类方法，其特征在于，提取所述第二类灰度图的二值图和梯度图，具体包括：

基于大津二值化算法提取所述第二类灰度图的二值图，基于sobel 算子提取所述第二类灰度图的梯度图。

4.根据权利要求1所述的基于多图融合的图像分类方法，其特征在于，所述神经网络为深度卷积神经网络，所述深度卷积神经网络包括输入层、第一卷积层、第一最大值池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第一全连接层、第二全连接层和输出层；

所述第一卷积层的卷积核个数为32，卷积核大小为3*3；

所述第一最大池化层的核大小为2*2；

所述第二卷积层的卷积核个数为32，卷积核大小为3*3；

所述第二最大池化层的核大小为2*2；

所述第三卷积层的卷积核个数为32，卷积核大小为3*3；

所述第三最大池化层的核大小为2*2；

所述第一全连接层包括120个神经节点，所述第二全连接层包括84个神经节点；

所述输出层节点个数为N，其中，N为图像类别数。

5.一种基于多图融合的图像分类系统，应用权利要求1至4任一项所述基于多图融合的图像分类方法，其特征在于，包括：

多通道提取模块，获取待分类样本的图像的多个类型的通道图，所述通道图的类型包括灰度图、二值图、梯度图、RGB图；

多通道融合模块，将多个类型的所述通道图融合成一张多通道图像；

训练模块，基于所述多通道图像进行神经网络训练，得到用于图像分类的分类模型；

分类模块，基于所述分类模型进行待分类样本的图像分类。

6.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4任一项所述基于多图融合的图像分类方法的步骤。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于多图融合的图像分类方法的步骤。