[发明专利]小波域CNN学习的图像识别方法及装置

权利要求书

1.一种小波域CNN学习的图像识别方法，其特征在于，包括：

通过小波变换，将目标图像的图像通道由时域转换为小波域，得到第一数量个子带图像通道；

对所述第一数量个子带图像通道进行筛选，确定第二数量个子带图像通道；

将所述第二数量个子带图像通道输入图像分类器模型，得到所述目标图像的分类结果。

2.根据权利要求1所述的小波域CNN学习的图像识别方法，其特征在于，在通过小波变换，将目标图像的图像通道由时域转换为小波域之前，还包括：

将所述目标图像的色彩空间变换到YCbCr。

3.根据权利要求1所述的小波域CNN学习的图像识别方法，其特征在于，所述对所述第一数量个子带图像通道进行筛选，确定第二数量个子带图像通道包括：

从所述第一数量个子带图像通道中选择第二、数量个低频子带图像通道。

4.根据权利要求1所述的小波域CNN学习的图像识别方法，其特征在于，所述对所述第一数量个子带图像通道进行筛选，确定第二数量个子带图像通道包括：

通过小波变换，将训练集中的训练图像的图像分量由时域转换为小波域，得到每个训练图像对应的第一数量个子带图像通道；

根据能量计算公式，计算每个所述训练图像对应的每个子带图像通道的能量；

根据所述每个训练图像对应的每个子带图像通道的能量，确定所述每个子带图像通道在所述训练图像中的排序；

根据所述每个子带图像通道在所述训练图像中的排序，计算所述训练集中的能量总体排序；

根据所述能量总体排序，确定所述第二数量个子带图像通道的位次；

根据所述第二数量个子带图像通道的位次，对所述第一数量个子带图像通道进行筛选，确定第二数量个子带图像通道；

其中所述训练集中包括至少一个训练图像。

5.根据权利要求4所述的小波域CNN学习的图像识别方法，其特征在于，所述能量计算公式如下：

其中，S_c为训练图像中的第c个子带图像通道的能量，W_c为训练图像中的第c个子带图像通道的小波包系数矩阵，W_c(x,y)为训练图像中的第c个子带图像通道的小波包系数矩阵中，位置坐标为(x,y)的数值。

6.根据权利要求1所述的小波域CNN学习的图像识别方法，其特征在于，所述对所述第一数量个子带图像通道进行筛选，确定第二数量个子带图像通道包括：

将所述第一数量个子带图像通道经过最大池化得到第一张量，将所述第一数量个子带图像通道经过平均池化得到第二张量；

将所述第一张量和所述第二张量输入多层感知器MLP中，并将所述MLP的输出结果进行逐元素运算，得到第三张量；

根据所述第三张量、第一预训练参数和第二预训练参数，计算得到第四张量；其中，所述第一预训练参数代表通道被选择的权重系数，所述第二预训练参数代表通道不被选择的权重系数；

根据所述第四张量确定所述第一数量个子带图像通道中每个子带图像通道被选择的概率和不被选择的概率；

通过重参数化方法，根据所述每个子带图像通道被选择的概率和不被选择的概率，得到最终的决策向量；

将所述最终的决策向量与所述第一数量个子带图像通道堆叠形成的张量相乘，得到第二数量个子带图像通道。