[發(fā)明專利]一種基于圖像顯著區(qū)域的圖像分類方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201710167640.5
• 申請日: 2017-03-20
• 公開（公告）號: CN107016409A
• 公開（公告）日: 2017-08-04
• 發(fā)明（設(shè)計）人: 程起敏;涂叢歡;張倩;涂明明;邵康
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06T7/136
• 代理公司: 華中科技大學(xué)專利中心42201
• 代理人: 李智,曹葆青

1.一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，包括離線訓(xùn)練和在線測試部分：

所述離線訓(xùn)練部分包括以下步驟：

S1：對圖像進(jìn)行N次超像素分割得到圖像N層尺度下的分割塊，計算圖像的N層尺度下分割塊的特征對比度得到N個顯著圖，融合N個顯著圖得到目標(biāo)顯著圖；

S2：對目標(biāo)顯著圖進(jìn)行閾值分割得到二值圖像，然后對該二值圖像分別作形態(tài)學(xué)處理得到圖像標(biāo)記，然后基于圖像標(biāo)記利用分割算法對目標(biāo)顯著圖進(jìn)行自動分割提取得到顯著區(qū)域；

S3：將顯著區(qū)域作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，得到基于圖像顯著區(qū)域的圖像分類器；

所述在線測試部分包括以下步驟：

S4：測試圖像按照步驟S1和S2的方式完成測試圖像的顯著區(qū)域自動分割提取，然后將測試圖像的顯著區(qū)域圖像輸入到離線訓(xùn)練好的圖像分類器，圖像分類器輸出圖像分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，所述S1中的特征對比度為色彩對比度、空間對比度和紋理對比度中的一種或幾種。

3.根據(jù)權(quán)利要求2所述的一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，所述S1中的特征對比度為色彩對比度和空間對比度。

4.根據(jù)權(quán)利要求1所述的一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，所述S2中閾值設(shè)定為W和H為目標(biāo)顯著圖S的長和寬，(x，y)為目標(biāo)顯著圖內(nèi)像素點的坐標(biāo)。

5.根據(jù)權(quán)利要求1所述的一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，所述S2中分割算法為GrowCut算法、GraphCut算法和GrabCut算法中的任意一種。

6.根據(jù)權(quán)利要求5所述的一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，所述S2中分割算法為GrowCut算法。

7.根據(jù)權(quán)利要求1所述的一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，所述S3中卷積神經(jīng)網(wǎng)絡(luò)為AlexNet網(wǎng)絡(luò)、LeNet網(wǎng)絡(luò)、GoogLeNet網(wǎng)絡(luò)、VGG網(wǎng)絡(luò)和ResNet網(wǎng)絡(luò)中的任意一種。

8.根據(jù)權(quán)利要求7所述的一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，所述S3中卷積神經(jīng)網(wǎng)絡(luò)為AlexNet網(wǎng)絡(luò)。

9.根據(jù)權(quán)利要求8所述的一種基于圖像顯著區(qū)域的圖像分類方法，其特征在于，所述S3中AlexNet網(wǎng)絡(luò)通過來少量的權(quán)重衰減減小訓(xùn)練誤差，其中權(quán)重更新規(guī)則為：

其中i是迭代次數(shù)，v是動力變量，ε是學(xué)習(xí)率，是對ω_i求值的倒數(shù)在第i批樣本D_i上的平均值，ω_i表示第i次迭代后的權(quán)重，ω_i+1表示第i+1次迭代后的權(quán)重，v_i表示第i次迭代后的動力變量，v_i+1表示第i+1次迭代后的動力變量。

10.一種基于圖像顯著區(qū)域的圖像分類系統(tǒng)，其特征在于，包括離線訓(xùn)練模塊和在線測試模塊：

所述離線訓(xùn)練模塊包括以下子模塊：

多尺度顯著性檢測子模塊，用于對圖像進(jìn)行N次超像素分割得到圖像的N層尺度下的分割塊，計算圖像的N層尺度下分割塊的特征對比度得到N個顯著圖，融合N個顯著圖得到目標(biāo)顯著圖；

顯著區(qū)域子模塊，用于對目標(biāo)顯著圖進(jìn)行閾值分割得到二值圖像，然后對該二值圖像分別作形態(tài)學(xué)處理得到圖像標(biāo)記，然后基于圖像標(biāo)記利用分割算法對目標(biāo)顯著圖進(jìn)行自動分割提取得到顯著區(qū)域；

分類器子模塊，用于將顯著區(qū)域作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，得到基于圖像顯著區(qū)域的圖像分類器；

所述在線訓(xùn)練模塊包括：

圖像分類子模塊，用于對測試圖像通過多尺度顯著性檢測子模塊和顯著區(qū)域子模塊完成測試圖像的顯著區(qū)域自動分割提取，然后將測試圖像的顯著區(qū)域圖像輸入到訓(xùn)練好的圖像分類器，進(jìn)行圖像分類，得到圖像類別標(biāo)記。