[发明专利]小波域CNN学习的图像识别方法及装置

说明书

本发明提供一种小波域CNN学习的图像识别方法及装置，其中所述方法包括通过小波变换，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，图像分类器模型可以对高分辨率的目标图像的子带通道图像进行识别，提高了图像识别精度。

技术领域

本发明涉及计算机技术领域，尤其涉及一种小波域CNN学习的图像识别方法及装置。

背景技术

卷积神经网络(Convolutional Neural Networks，CNN)在图像识别中已得到广泛应用，为了保证CNN模型的训练和推理效率，一般将图片的输入大小设置为224像素×224像素。虽然相机拍摄的高清图片已经远远超过了这个分辨率，但是图片不得不进行压缩，以适应CNN模型的输入限制，这造成了很多信息的丢失。如何在不改变预训练CNN模型整体结构且不增加模型参数的情况下，采用较大图片分辨率输入，提升输入信息的质量，从而提升分类精度是一个重要问题。

发明内容

本发明提供一种小波域CNN学习的图像识别方法及装置，用以解决现有技术中CNN模型输入图像的分辨率较低导致的识别结果不准确的缺陷，实现较高精度的图像识别。

本发明提供一种小波域CNN学习的图像识别方法，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。

根据本发明提供的小波域CNN学习的图像识别方法，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。

根据本发明提供的小波域CNN学习的图像识别方法，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。

根据本发明提供的小波域CNN学习的图像识别方法，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。

根据本发明提供的小波域CNN学习的图像识别方法，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。