[发明专利]一种图像切割及预测频率统计的方法、装置、设备及介质

权利要求书

1.一种图像切割及预测频率统计的方法，其特征在于，包括：

S1、将同一类别的数据图像分别分类为训练集和测试集；

S2、对训练集和测试集的每一张所述数据图像进行归一化处理，且以滑动窗口的形式，对所述数据图像进行均匀尺寸的切割并获得子图像；

S3、对所述子图像至少进行图像灰度化、零中心化及数据序列随机化的预处理；

S4、将预处理过后的子图像，进行数据矩阵格式的重塑，使格式符合卷积神经网络的输入；

S5、调用所述训练集的数据，输入卷积神经网络模型加以训练；

S6、调用所述测试集的数据，输入完成训练的卷积神经网络模型，输出预测结果；

S7、基于所述预测结果，输出每一张子图像的最高预测概率对应的预测标签，并统计在同一类别原图像中，所有子图像的预测标签结果，将出现频率最高的预测标签，作为原数据图像的预测标签。

2.如权利要求1所述的图像切割及预测频率统计的方法，其特征在于，所述使格式符合卷积神经网络的输入之后，还包括：

将经重塑后的数据转换成二进制格式进行储存。

3.如权利要求2所述的图像切割及预测频率统计的方法，其特征在于，所述对训练集和测试集的每一张所述数据图像进行归一化处理，包括：

对每一张所述数据图像进行归一化处理，采用最大最小标准化公式，表示如下：

将所述数据图像中的每一个像素点从0-255的范围，缩放至0-1的范围内。

4.如权利要求3所述的图像切割及预测频率统计的方法，其特征在于，所述且以滑动窗口的形式，对所述数据图像进行均匀尺寸的切割并获得子图像，包括：

设置滑动窗口尺寸，所述滑动窗口尺寸等于所述子图像尺寸的大小，按照从左到右，从上到下的顺序对所述数据图像进行依次切分，所述数据图像边缘部分的尺寸若小于滑动窗口尺寸，则判定为不足以进行切割，进行舍弃，反之则进行切割。

5.如权利要求4所述的图像切割及预测频率统计的方法，其特征在于，所述调用所述训练集的数据，输入卷积神经网络模型加以训练，包括：

所述卷积神经网络模型包括至少四层卷积层，每层卷积层通过relu函数激活后，都需要通过一次2x2尺寸的最大池化层进行降采样处理；在最后一次降采样后，数据通过全球平均池化，最后通过全连接层，利用softmax函数实现多分类结果输出。

6.如权利要求5所述的图像切割及预测频率统计的方法，其特征在于，所述至少四层卷积层，包括：

第一层卷积层采用5x5的卷积核大小，总共64个神经元；

第二层卷积层采用3x3的卷积核大小，总共128个神经元；

第三层卷积层采用3x3的卷积核大小，总共256个神经元；

第四层卷积层采用3x3的卷积核大小，总共512个神经元。

7.一种图像切割及预测频率统计的装置，其特征在于，包括：

图像分类模块，用于将同一类别的数据图像分别分类为训练集和测试集；

图像切割模块，用于对训练集和测试集的每一张所述数据图像进行归一化处理，且以滑动窗口的形式，对所述数据图像进行均匀尺寸的切割并获得子图像；

图像预处理模块，用于对所述子图像至少进行图像灰度化、零中心化及数据序列随机化的预处理；

图像格式处理模块，用于将预处理过后的子图像，进行数据矩阵格式的重塑，使格式符合卷积神经网络的输入；

图像模型训练模块，用于调用所述训练集的数据，输入卷积神经网络模型加以训练；

图像模型测试模块，用于调用所述测试集的数据，输入完成训练的卷积神经网络模型，输出预测结果；

图像结果筛选模块，用于基于所述预测结果，输出每一张子图像的最高预测概率对应的预测标签，并统计在同一类别原图像中，所有子图像的预测标签结果，将出现频率最高的预测标签，作为原数据图像的预测标签。