[发明专利]图像分类方法、分类模型的训练方法、装置及电子设备

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：

获取待识别图像，所述待识别图像中包括待识别对象；

将所述待识别图像输入预设的第一神经网络，获取所述待识别对象为红火蚁的第一概率；

将所述待识别图像输入预设的第二神经网络，获取所述待识别对象为红火蚁蚁巢的第二概率；

根据所述第一概率、所述第二概率和预设概率值之间的大小关系，确定所述待识别对象的类别；

其中，所述第一神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络；所述第二神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁蚁巢类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一概率、所述第二概率和预设概率值之间的大小关系，确定所述待识别对象的类别，包括：

若所述第一概率和所述第二概率均大于所述预设概率值，且所述第一概率大于所述第二概率，则确定所述待识别对象为所述红火蚁；

若所述第一概率和所述第二概率均大于所述预设概率值，且所述第一概率小于所述第二概率，则确定所述待识别对象为所述红火蚁蚁巢。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述第一概率和所述第二概率均小于所述预设概率值，则调用预设的识别模型对所述待识别图像进行识别，获取所述待识别对象的类别。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述预设个数的训练图样及各所述训练图样对应的图像特征，所述训练图样包括红火蚁图样和红火蚁蚁巢图样；

对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率；

根据所述分类标签向量对各所述训练图样进行分类，以判断该训练图样为红火蚁图样或红火蚁蚁巢图样；

利用第一训练集对初始第一神经网络进行训练，得到所述第一神经网络；其中，所述第一训练集包括判断为红火蚁图样对应的图像特征，以及判断为红火蚁图样对应的隶属概率。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

利用第二训练集对初始第二神经网络进行训练，得到所述第二神经网络；其中，所述第二训练集包括判断为红火蚁蚁巢图样对应的图像特征，以及判断为红火蚁蚁巢图样对应的隶属概率。

6.根据权利要求4所述的方法，其特征在于，所述获取所述预设个数的训练图样，包括：

获取所述预设个数的收集图像，所述收集图像包括红火蚁图像和红火蚁蚁巢图像；

对每个所述收集图像依次进行低帽变换和二值化处理，得到所述预设个数的二值化图像；

对每个所述二值化图像进行分割，得到所述训练图样。

7.根据权利要求4所述的方法，其特征在于，所述对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率，包括：

S301：将所述训练图样聚类到两个类中，得到各所述训练图样对应的分类标签向量，所述两个类为所述红火蚁和所述红火蚁蚁巢；

S302：采用拉格朗日乘子法求解预设的代价函数，得到聚类中心点的方程和隶属概率矩阵的方程，其中，所述隶属概率矩阵表征每个所述训练图样聚类到对应的类中的概率，且所述隶属概率矩阵包括各所述训练图样对应的隶属概率；

S303：更新初始化隶属概率矩阵和聚类中心点，根据更新后的隶属概率矩阵值与上一次更新后的隶属概率矩阵值计算误差值，重复步骤S303，直到所述误差值小于预设的误差阈值，得到各所述训练图样对应的隶属概率。

8.根据权利要求1-7中任一项所述的方法，其特征在于，所述图像特征包括各所述训练图样对应图像的面积、周长、长度、宽度和平均灰度值。