[發明專利]圖像分類卷積神經網絡結構的構建方法

有效

• 申請號: 201710106457.4
• 申請日: 2017-02-27
• 公開（公告）號: CN106874956B
• 公開（公告）日: 2018-10-23
• 發明（設計）人: 馬苗;劉琳;武杰;陳昱蒞;裴炤
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 西安永生專利代理有限責任公司 61201
• 代理人: 申忠才

1.一種圖像分類卷積神經網絡結構的構建方法，由構建卷積神經網絡結構、卷積神經網絡訓練和測試步驟組成，其特征在于所述的構建卷積神經網絡結構步驟如下：

(1)獲得訓練樣本圖像和測試樣本圖像并對其進行預處理

(a)從圖像數據集中選取50400～73257張訓練樣本圖像和6000～26032張測試樣本圖像；

(b)對50400～73257張訓練樣本圖像進行預處理

包括圖像灰度化、圖像減均值步驟：

圖像灰度化：用(1)式對被訓練的樣本圖像進行灰度化處理，將彩色圖像轉為灰度圖像：

I＝W1×R+W2×G+W3×B (1)

式中I為灰度化后的圖像，R為彩色圖像的紅色分量，G為彩色圖像的綠色分量，B為彩色圖像的藍色分量，W1為彩色圖像的紅色分量的權重，W2為彩色圖像的綠色分量的權重，W3為彩色圖像的藍色分量的權重；

圖像減均值：用(2)式對已被灰度化的訓練樣本圖像進行減均值處理：

式中Z為減均值后的圖像，v_i為n個圖像中的第i個圖像的像素矩陣，n為50400～73257整數個圖像；

(c)對6000～26032張測試樣本圖像進行預處理

測試樣本圖像的預處理與對訓練樣本進行預處理步驟(b)相同；

(2)設定卷積神經網絡初始結構

設定卷積神經網絡初始結構：輸入層(1)是50400～73257張大小為28×28或32×32的訓練樣本圖像，輸入層(1)后連接含有20個特征圖的卷積層(2)，含有20個特征圖的卷積層(2)后連接含有20個特征圖的池化層(3)，含有20個特征圖的池化層(3)后連接含有64個特征圖的卷積層(2)，含有64個特征圖的卷積層(2)后連接含有64個特征圖的池化層(3)，含有64個特征圖的池化層(3)后連接含有500個特征圖的卷積層(2)，含有500個特征圖的卷積層(2)后連接全連接層(4)，全連接層(4)后連接輸出層(5)；

(3)引入激活函數

在每個卷積層(2)后引入ReLu激活函數為：

y_i＝max{x_i,0} (3)

式中x_i為與前一層輸出相連的第i個權值矩陣與當前層輸入的內積，即卷積結果，y_i為第i個特征圖的輸出，20≤i≤500；

(4)確定池化方法

卷積神經網絡中的池化層(3)選用最大池化方法或均值池化方法或隨機池化方法進行池化；

(5)確定濾波器

在3×3～9×9方陣之間、以圖像寬度28或32為步長，在20～500內進行網格搜索，得到濾波器，為卷積層(2)的權值矩陣，濾波器的大小在3×3～9×9方陣之間，個數在20～500之間；

(6)確定卷積層(2)個數

在含有20個特征圖的池化層(3)后增加一層卷積層(2)，其濾波器大小和個數與含有20個特征圖的卷積層(2)的濾波器大小和個數相同，通過式(4)得到該卷積層(2)特征圖的大小，在含有64個特征圖的池化層(3)后增加或不增加一層卷積層(2)，若增加一層卷積層，其濾波器大小和個數與含有64個特征圖的卷積層(2)的濾波器大小和個數相同，通過式(4)得到該卷積層(2)特征圖的大小，卷積層(2)個數為3～5層，選擇使得卷積神經網絡對所選測試樣本圖像6000～26032張分類效果最好時的卷積層(2)個數，得到圖像分類卷積神經網絡結構：

o＝I^*－m+1 (4)

式中I^*為本層輸入矩陣的長，m為濾波器的像素矩陣長，o為卷積層(2)特征圖的像素矩陣長；

所述的卷積神經網絡的訓練和測試步驟為：

(1)用K-Means聚類方法獲得含有20個特征圖的卷積層(2)的權值矩陣

(a)從訓練集中隨機選取N個m×m矩陣大小的圖像塊，N為所選取圖像塊有限的正整數，m為含有20個特征圖的卷積層(2)的濾波器的像素矩陣長，m為3～9；

(b)用式(5)對步驟(a)中所選取的N個圖像塊中的每一個圖像塊進行歸一化處理：

式中x^*為m×m矩陣大小的圖像塊，μ為N個圖像塊的平均值，σ為N個圖像塊的標準差，x表示經過歸一化后的結果；

(c)以式(6)為目標函數，對上步得到的圖像塊進行10次K-Means聚類方法，取其中目標函數值最小的一次所得到的20個聚類中心，作為含有20個特征圖的卷積層(2)的濾波器初始化值：

式中k為20是聚類個數，s表示圖像塊的類別數，x_j為第i類別中的圖像塊，為第i類的樣本均值，i為1～20的整數；

(2)將預處理后的50400～73257張訓練樣本圖像輸入圖像分類卷積神經網絡結構，經過前向傳播和反向傳播兩個步驟反復循環更新網絡的權值矩陣，直至達到30～70次數，訓練過程結束，得到訓練好的卷積神經網絡；

(3)將預處理后的6000～26032張測試樣本圖像輸入到訓練好的卷積神經網絡進行測試，得到驗證后的圖像分類卷積神經網絡結構。