[發(fā)明專利]一種圖像分類方法、裝置、電子設(shè)備及可讀存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910007444.0
• 申請(qǐng)日: 2019-01-04
• 公開（公告）號(hào): CN109829481B
• 公開（公告）日: 2020-10-30
• 發(fā)明（設(shè)計(jì)）人: 李麗香;王琳;彭海朋;楊義先;李沖霄;李思穎;閆謹(jǐn);王紫琪
• 申請(qǐng)（專利權(quán)）人: 北京郵電大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 北京柏杉松知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11413
• 代理人: 丁蕓;項(xiàng)京

1.一種圖像分類方法，其特征在于，所述方法包括：

對(duì)所獲取的各樣本圖像進(jìn)行灰度化處理，得到所述各樣本圖像的灰度圖像，將各灰度圖像表示為二維圖像矩陣，得到各二維圖像矩陣；所述各樣本圖像包括：各訓(xùn)練圖像和各待分類圖像；

分別將所述各二維圖像矩陣表示為一維向量，將得到的各一維向量作為灰度矩陣的各列，建立所述灰度矩陣，對(duì)所述灰度矩陣進(jìn)行歸一化處理，得到歸一化灰度矩陣；

根據(jù)預(yù)先建立的標(biāo)簽約束矩陣和基于半張量積的非負(fù)矩陣分解算法，對(duì)所述歸一化灰度矩陣進(jìn)行特征提取，得到所述歸一化灰度矩陣對(duì)應(yīng)的特征矩陣，所述標(biāo)簽約束矩陣是根據(jù)所述各樣本圖像包含的標(biāo)簽信息確定的；

將所述標(biāo)簽約束矩陣和所述特征矩陣的乘積的轉(zhuǎn)置作為混合特征矩陣，將所述混合特征矩陣中所述各待分類圖像對(duì)應(yīng)的特征輸入預(yù)先建立的圖像分類模型，得到所述各待分類圖像的分類結(jié)果，所述圖像分類模型是對(duì)所述混合特征矩陣中所述各訓(xùn)練圖像對(duì)應(yīng)的特征、以及所述各訓(xùn)練圖像對(duì)應(yīng)的圖像類別進(jìn)行訓(xùn)練得到的。

2.根據(jù)權(quán)利要求1所述的圖像分類方法，其特征在于，所述標(biāo)簽約束矩陣的建立方法包括：

若所述各樣本圖像為(x₁,x₂,…,x_t)，t個(gè)樣本圖像包含r類圖像，且所述t個(gè)樣本圖像中l(wèi)個(gè)樣本圖像包含標(biāo)簽信息，其他t-l個(gè)訓(xùn)練圖像不包含標(biāo)簽信息，r為大于1的整數(shù)，t為大于1的整數(shù)，l為大于0且小于t的整數(shù)；

根據(jù)所述l個(gè)樣本圖像以及公式：建立索引矩陣B_l×r，b_ji表示B_l×r中第j行第i列的元素，j＝1,2,…,l，i＝1,2,…,r；

根據(jù)建立標(biāo)簽約束矩陣C_t×(r+t-l)，I_t-l表示單位矩陣。

3.根據(jù)權(quán)利要求2所述的圖像分類方法，其特征在于，所述根據(jù)預(yù)先建立的標(biāo)簽約束矩陣和基于半張量積的非負(fù)矩陣分解算法，對(duì)所述歸一化灰度矩陣進(jìn)行特征提取，得到所述歸一化灰度矩陣對(duì)應(yīng)的特征矩陣，包括：

若所述歸一化灰度矩陣為A_s×t，標(biāo)簽約束矩陣為C_t×(r+t-l)，根據(jù)公式：

計(jì)算特征矩陣V_(r+t-l)×p，

其中，

U_m×n表示對(duì)A_s×t分解后得到的基矩陣，a_mn表示U_m×n中第m行第n列的元素；

n和p是預(yù)先設(shè)置的正整數(shù)，且p是n的整數(shù)倍；

m＝s×n/p，q＝t；

×表示左半張量積；

表示張量積。

4.根據(jù)權(quán)利要求1所述的圖像分類方法，其特征在于，所述對(duì)所述灰度矩陣進(jìn)行歸一化處理，包括：

若所述灰度矩陣中元素的最大值為z，將所述灰度矩陣中的每個(gè)元素除以z。

5.一種圖像分類裝置，其特征在于，所述裝置包括：

圖像矩陣建立模塊，用于對(duì)所獲取的各樣本圖像進(jìn)行灰度化處理，得到所述各樣本圖像的灰度圖像，將各灰度圖像表示為二維圖像矩陣，得到各二維圖像矩陣；所述各樣本圖像包括：各訓(xùn)練圖像和各待分類圖像；

歸一化灰度矩陣建立模塊，用于分別將所述各二維圖像矩陣表示為一維向量，將得到的各一維向量作為灰度矩陣的各列，建立所述灰度矩陣，對(duì)所述灰度矩陣進(jìn)行歸一化處理，得到歸一化灰度矩陣；

特征矩陣計(jì)算模塊，用于根據(jù)預(yù)先建立的標(biāo)簽約束矩陣和基于半張量積的非負(fù)矩陣分解算法，對(duì)所述歸一化灰度矩陣進(jìn)行特征提取，得到所述歸一化灰度矩陣對(duì)應(yīng)的特征矩陣，所述標(biāo)簽約束矩陣是根據(jù)所述各樣本圖像包含的標(biāo)簽信息確定的；

圖像分類模塊，用于將所述標(biāo)簽約束矩陣和所述特征矩陣的乘積的轉(zhuǎn)置作為混合特征矩陣，將所述混合特征矩陣中所述各待分類圖像對(duì)應(yīng)的特征輸入預(yù)先建立的圖像分類模型，得到所述各待分類圖像的分類結(jié)果，所述圖像分類模型是對(duì)所述混合特征矩陣中所述各訓(xùn)練圖像對(duì)應(yīng)的特征、以及所述各訓(xùn)練圖像對(duì)應(yīng)的圖像類別進(jìn)行訓(xùn)練得到的。