[發明專利]基于紅黑形態小波池化網絡的圖像分類方法及系統

在審

• 申請號: 202010339964.4
• 申請日: 2020-04-26
• 公開（公告）號: CN111461259A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 何楚;石紫珊;何博琨;田玲
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種基于紅黑形態小波池化網絡的圖像分類方法及系統，包括準備待分類圖像數據集；將紅黑形態小波與最大池化融合，構建提升方案池化層，用于提取待分類圖像的特征并進行降采樣；基于待分類圖像數據集，構建及訓練提升方案卷積神經網絡，并通過Softmax分類器實現分類，所述提升方案卷積神經網絡包含提升方案池化層；所述提升方案池化層包含兩個支路，分別是紅黑形態小波支路和最大池化支路，提升方案池化層的最終輸出y紅黑形態小波的輸出和最大池化分支的輸出融合得到；所述紅黑形態小波支路包含垂直和水平方向的提升過程和對角方向的提升過程。本發明能夠有效提高神經網絡的識別能力，在基準圖像的分類任務上有明顯的準確率提升。

技術領域

本發明屬于圖像處理和深度學習技術領域，特別涉及一種基于紅黑形態小波池化網絡用于圖像分類的方案。

背景技術

卷積神經網絡(CNN)是圖像分類、目標檢測和圖像分割等計算機視覺任務的流行方法。CNN的目標是提取不同抽象層次的判別特征，以增強類內一致性和類間的差異性。在前面幾層中，CNN提取一些底層特征，如邊緣、端點、角點等，在后續層中，CNN將這些底層特征結合起來，得到高層特征。最后，CNN根據這些高層特征將一個類別與其他類別區分開來。然而，常用的最大池化層只是對一個固定大小的窗口提取出最大值，而不考慮前一層的結構，這可能會導致特征圖中的一些結構和幾何特征的丟失。此外，圖像中的噪聲會阻礙CNN學習有用的特征。

基于提升方案的第二代小波變換是解決這些問題的一種有效方法。利用提升方案，人們構造出了若干種非線性小波。例如，Heijmans和Goutsias提出了形態小波，其中重要的幾何信息在低分辨率圖像中被很好地保存。這是因為信號分析算子(預測算子和更新算子)是非線性的。形態小波的一個例子是最大提升形態小波，它在模式識別的應用中很有用，因為它保留了被處理圖像的局部最大值。二維形態小波可以通過張量積擴展為一維形態小波，但會引入各向異性，不能對圖像在任何方向上進行描述。它可以檢測垂直、水平和對角特征，但對其他方向的特征檢測能力較弱。相反，由Uytterhoeven和Bultheel提出的紅黑小波是非線性且不可分離的，它是由二維提升方案構造的。紅黑小波更加適應二維自然圖像的結構，可以更好地檢測各個方向的特征。第二代小波變換除了具有非線性和不可分性這些良好特性外，還可以通過去除小波分解后的高頻分量來降低原始圖像中的噪聲。因此，本發明提出引入紅黑小波來促進形態小波適應二維自然圖像的結構，可以增強小波變換的表征能力。

發明內容

本發明目的在于結合形態小波和紅黑小波各自的優點，構造紅黑形態小波作為最大池化層的補充，提出一種新的圖像分類方案。

本發明的技術方案為一種基于紅黑形態小波池化網絡的圖像分類方法，包括準備待分類圖像數據集；將紅黑形態小波與最大池化融合，構建提升方案池化層，用于提取待分類圖像的特征并進行降采樣；基于待分類圖像數據集，構建及訓練提升方案卷積神經網絡，并通過Softmax分類器實現分類，所述提升方案卷積神經網絡包含提升方案池化層；

所述提升方案池化層包含兩個支路，分別是紅黑形態小波支路和最大池化支路，提升方案池化層的最終輸出y由紅黑形態小波的輸出r和最大池化分支的輸出m融合得到；所述紅黑形態小波支路包含垂直和水平方向的提升過程和對角方向的提升過程，

所述垂直和水平方向的提升過程，包括對輸入的特征圖x按以下規則分成Red子集和Black子集，實現分裂，然后基于形態學腐蝕運算進行預測和更新，

Red＝{x_ij|x_ij∈x,i％2＝j％2}

Black＝{x_ij|x_ij∈x,i％2≠j％2}

其中，x_ij是特征圖x中處于坐標(i,j)的元素；