[發明專利]一種基于深度重分形頻譜網絡的紋理圖像分類方法

有效

• 申請號: 202110311743.0
• 申請日: 2021-03-24
• 公開（公告）號: CN113011506B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 許勇;黎楓;全宇暉;梁錦秀
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06V10/774;G06V10/82;G06N3/0464;G06N3/047;G06N3/048;G06N3/084;G06N3/0985;G06N3/09
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 王東東

1.一種基于深度重分形頻譜網絡的紋理圖像分類方法，包括：

獲取紋理圖像及其對應的類別標簽數據庫；

對紋理圖像進行預處理，作為深度重分形頻譜網絡模型的輸入；

構建深度重分形頻譜網絡模型，并進行訓練，所述深度重分形頻譜網絡模型包括對紋理圖像進行特征提取，提取后的特征分別輸入兩個旁支進行計算得到特征向量，再通過雙線性池化層對兩個特征向量進行耦合，最后通過全連接層與Softmax函數映射成訓練數據集所對應的類別數相等的類別預測概率向量，概率向量數值大的向量元素所對應的索引即為預測類別；

利用訓練后的深度重分形頻譜網絡模型，實現紋理圖像的分類；

所述重分形頻譜計算分支具體先經過逆卷積操作將提取紋理圖像的特征進行上采樣，并將其特征通道數壓縮成3通道，而后對3通道的每個特征圖進行直方圖切片，每個通道切片劃分成16個通道，得到48通道的特征點聚類特征圖，再經過多尺度最大池化層近似實現的盒計數算法，計算每個通道特征點聚類特征圖的分形維數，最終得到維度為48的重分形維數向量；

對于每一個輸入特征圖D，計算其對應區間的點聚類特征圖：

完成點聚類特征圖的計算；

所述多尺度最大池化分形維估計模塊的實現計算過程：

通過多尺度最大池化層及最小二乘擬合模擬盒計數的分形維數計算過程；實現的分形維數計算過程，具體是選定一組核大小為m_s的最大池化層，其中m_s∈{m₁,m₂,m₃,…,m_s,…,m_S|m₁＞m₂＞…＞m_S,m₁∑min{W,H}}；

對于每一個經過一組最大池化層后，對輸出的每個特征圖取平均值得到N_s∈{N₁,N₂,N₃,…,N_s,…,N_S}，對log(m_s)-log(N_s)進行最小二乘擬合求得其斜率即為所估計出的分形維數β_k；

經過連接層，將所有輸入特征圖的所有點聚類特征圖連接成重分形頻譜向量β＝(β₁,β₂,…,β_K)。

2.根據權利要求1所述的紋理圖像分類方法，其特征在于，所述對紋理圖像進行特征提取是基于深度殘差網絡進行提取。

3.根據權利要求1所述的紋理圖像分類方法，其特征在于，所述兩個旁支包括全局池化分支及重分形頻譜計算分支。

4.根據權利要求1-3任一項所述的紋理圖像分類方法，其特征在于，所述全局池化分支具體是對提取特征進行全局池化并通過全連接層將輸出向量維度壓縮到48。

5.根據權利要求1-3任一項所述的紋理圖像分類方法，其特征在于，m_s∈{2,3,4,5,6}。

6.根據權利要求1所述的紋理圖像分類方法，其特征在于，所述預處理包括，將輸入圖像的大小調整至256*256，并隨機裁剪得到大小為224*224的圖像，之后對圖像進行50％概率的隨機水平翻轉，最后將圖像像素值歸一化到[0,1]。

7.根據權利要求1所述的紋理圖像分類方法，其特征在于，將訓練集圖像分批輸入網絡預測模型，得到預測的類別概率向量后，將預測向量真實類別所對應的獨熱編碼向量進行對比，計算交叉熵損失函數，根據交叉熵損失函數計算梯度，利用梯度反向傳播和梯度下降更新模型參數，通過多次迭代，模型能夠學習到分類結果越來越準確的模型參數。

8.根據權利要求1所述的紋理圖像分類方法，其特征在于，所述重分形頻譜計算分支包括逆卷積層、卷積層、點聚類模塊、最大池化分形維估計模塊及全連接層。