[發明專利]基于顯著性指導非監督特征學習的圖像分類方法

在審

• 申請號: 201510821480.2
• 申請日: 2015-11-23
• 公開（公告）號: CN105426919A
• 公開（公告）日: 2016-03-23
• 發明（設計）人: 陳霜霜;劉惠義;曾曉勤;孟志偉
• 申請（專利權）人: 河海大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.一種基于顯著性指導非監督特征學習的圖像分類方法，其特征是，包括如下步驟：

1)顯著性指導的像素點采集：采用顯著性檢測算法對圖像像素點進行采集，通過獲取圖像的顯著圖，采集到圖像中具有代表性表示的像素點；

2)非監督特征學習：采用稀疏自編碼來訓練代表性的像素點，獲取圖像特征；

3)圖像卷積：分別用圖像數據集中訓練樣本和測試樣本對步驟2)中的圖像特征進行卷積操作；

4)局部對比歸一化：對步驟3)中獲取的訓練樣本和測試樣本的卷積特征進行局部減法和除法歸一化；

5)空間金字塔池化：從三個不同空間尺度對步驟4)中獲取的卷積圖像特征進行平均池化操作；

6)融合中央先驗：分別計算圖像數據集中訓練樣本和測試樣本的中央先驗值，將該值與步驟5)多尺度池化特征分別進行融合操作；

7)圖像分類：用步驟6)中所獲訓練樣本的特征值來訓練分類器，將步驟6)中所獲訓練樣本的特征值輸入已訓練的分類器中實現圖像分類。

2.根據權利要求1所述的基于顯著性指導非監督特征學習的圖像分類方法，其特征在于，所述步驟1)具體步驟為：

1.1)采用上下文感知顯著性檢測算法，計算圖像數據集中訓練集的顯著圖，數據集中每幅圖像具有相同的分辨率；

1.2)將每幅顯著圖中像素點按照灰度值的大小進行降序排列；

1.3)從每幅顯著圖中選取64個像素點，按照像素點灰度值的大小，從頂部5％中選取50個正像素點以及從底部30％中選取14個負像素點；

1.4)計算每幅顯著圖中滿足要求的像素點的坐標信息[X,Y]，按照此坐標找出該顯著圖對應原始RGB圖像中的正負像素點。將每一個像素點設定為一個樣本，從而獲得非監督特征學習的樣本集。

3.根據權利要求2所述的基于顯著性指導非監督特征學習的圖像分類方法，其特征在于，所述步驟2)的具體步驟為：

2.1)選用稀疏自編碼器作為非監督特征學習工具，設定網絡采用的可視層節點為M，隱藏層節點為N；

2.2)將所得的正負像素樣本集作為稀疏自編碼的輸入，通過非監督的學習預訓練所述網絡；通過不斷迭代網絡輸入層與隱藏層之間的權重，實現數據特征的學習與特征提取,所獲特征記為W，W是N行、M列大小的矩陣。

4.根據權利要求3所述的基于顯著性指導非監督特征學習的圖像分類方法，其特征在于，所述步驟3)中的具體步驟為：

3.1)將W轉為8*8卷積核，產生N*3個卷積核；

3.2)分別獲取圖像數據集中訓練樣本、測試樣本中每幅圖像R、G、B三通道值；

3.3)將每幅圖像的三通道值分別與當前特征中的3個卷積核進行二維卷積獲取特征值；

3.4)對獲取的三通道特征值進行求和操作，記為x；

3.5)利用LRel激活函數計算出x的激活值y；

LRel激活函數如下：Y=max(x,0)=xx>00.01xx<0.]]>

5.根據權利要求4所述的基于顯著性指導非監督特征學習的圖像分類方法，其特征在于，所述步驟4)中具體步驟為：

4.1)設置K*K高斯核，將其作為權重窗口；

4.2)將訓練圖像數據與測試圖像數據的激活值分別進行局部減法操作；

4.3)將激活值進行局部減法操作的結果除以標準差，最終得出訓練樣本與測試樣本經過卷積與局部對比歸一化操作后的特征值。