[發(fā)明專利]一種基于依據(jù)直方統(tǒng)計頻率的圖像分類方法、系統(tǒng)、終端及可讀存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202111004455.7
• 申請日: 2021-08-30
• 公開（公告）號: CN113821664A
• 公開（公告）日: 2021-12-21
• 發(fā)明（設(shè)計）人: 曾軍蘭;羅彬;魏永紅;汪丹;金豁然;閔湘川
• 申請（專利權(quán)）人: 湖南軍芃科技股份有限公司
• 主分類號: G06F16/55
• 分類號: G06F16/55;G06K9/62
• 代理公司: 長沙市融智專利事務(wù)所(普通合伙) 43114
• 代理人: 姚瑤

1.一種基于依據(jù)直方統(tǒng)計頻率的圖像分類方法，其特征在于：包括以下步驟：

S1：獲取用于目標(biāo)分類的圖像及其對應(yīng)的分類標(biāo)簽，用以構(gòu)建樣本數(shù)據(jù)庫D；

S2：依據(jù)灰度值范圍等間距分為若干組；

S3：依據(jù)分組統(tǒng)計所述樣本數(shù)據(jù)庫D中樣本的灰度頻率直方數(shù)據(jù)作為樣本特征，構(gòu)建訓(xùn)練樣本庫S；

S4：基于ElasticNet算法以及所述訓(xùn)練樣本庫S訓(xùn)練分類模型得到特征權(quán)重矩陣W；

S5：依據(jù)在所述特征權(quán)重矩陣W中各個分組對應(yīng)的權(quán)重大小融合分組特征；

其中，依據(jù)權(quán)重大小保留貢獻(xiàn)率更高的分組，將貢獻(xiàn)率更低的分組與相鄰分組進(jìn)行融合更新分組，若更新后的分組滿足融合預(yù)設(shè)條件，返回步驟S3繼續(xù)融合，否則執(zhí)行S6；

S6：基于更新的分組統(tǒng)計所述樣本數(shù)據(jù)庫D中樣本的灰度頻率直方數(shù)據(jù)作為樣本特征，并訓(xùn)練出目標(biāo)分類模型，所述目標(biāo)分類模型用于圖像分類，所述目標(biāo)分類模型的輸入數(shù)據(jù)為圖像在分組下的樣本特征，輸出數(shù)據(jù)為圖像對應(yīng)的分類標(biāo)簽。

2.一種基于依據(jù)直方統(tǒng)計頻率的雙能圖像特征的圖像分類方法，其特征在于：包括以下步驟：

步驟1：獲取用于目標(biāo)分類的雙能圖像并獲取對應(yīng)分類標(biāo)簽，用以構(gòu)建樣本數(shù)據(jù)庫D；

步驟2：分別依據(jù)高、低能灰度值范圍等距分為若干組V1和Vh；

步驟3：依據(jù)所述組數(shù)V1和Vh確定的分組統(tǒng)計所述樣本數(shù)據(jù)庫D中樣本的灰度頻率直方數(shù)據(jù)作為樣本特征，構(gòu)建訓(xùn)練樣本庫S；

步驟4：基于ElasticNet算法以及所述訓(xùn)練樣本庫S訓(xùn)練分類模型得到特征權(quán)重矩陣W；

步驟5：依據(jù)在所述特征權(quán)重矩陣W中各個分組對應(yīng)的權(quán)重大小融合分組特征；

其中，依據(jù)權(quán)重大小保留貢獻(xiàn)率更高的分組，將貢獻(xiàn)率更低的分組與相鄰分組進(jìn)行融合得到更新后的組數(shù)V1和Vh，若更新后的組數(shù)V1和Vh達(dá)到了融合預(yù)設(shè)條件，返回步驟3繼續(xù)融合；否則，執(zhí)行步驟6；

步驟6：基于更新后的組數(shù)V1和Vh確定的分組，統(tǒng)計所述樣本數(shù)據(jù)庫D中樣本的灰度頻率直方數(shù)據(jù)作為樣本特征；

步驟7：基于步驟6中樣本的樣本特征以及樣本的分類標(biāo)簽訓(xùn)練出目標(biāo)分類模型，所述目標(biāo)分類模型用于雙能圖像分類，所述目標(biāo)分類模型的輸入數(shù)據(jù)為雙能圖像在所述組數(shù)V1和Vh確定的分組下的樣本特征，輸出數(shù)據(jù)為雙能圖像對應(yīng)的分類標(biāo)簽。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于：步驟5中所述依據(jù)在所述特征權(quán)重矩陣W中各個分組對應(yīng)的權(quán)重大小融合分組特征的過程如下：

首先，計算特征權(quán)重矩陣W中組數(shù)V1和Vh中各個分組對應(yīng)的貢獻(xiàn)值，所述貢獻(xiàn)值是依據(jù)在特征權(quán)重矩陣W中各個分組對應(yīng)的權(quán)重大小確定；

然后，分別判斷各個分組對應(yīng)的貢獻(xiàn)值是否小于或等于高、低能通道篩選閾值Tl、Th，若是，對應(yīng)分組為貢獻(xiàn)率低的分組；

其中，所述高、低能通道篩選閾值Tl、Th是基于所述特征權(quán)重矩陣W并采用OTSU算法計算得到。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于：所述貢獻(xiàn)值用特征權(quán)重矩陣W中各個分組對應(yīng)的權(quán)重大小的平均值表示。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于：步驟5中所述組數(shù)V1和Vh對應(yīng)的融合預(yù)設(shè)條件為：

基于所述組數(shù)V1和Vh確定的分組統(tǒng)計樣本的灰度頻率直方數(shù)據(jù)作為樣本特征，再采用線性回歸模型的K重交叉驗證的測試準(zhǔn)確率P驗證是否滿足條件，若測試準(zhǔn)確率P大于準(zhǔn)確率閾值，視為滿足融合預(yù)設(shè)條件，否則，視為不滿足融合預(yù)設(shè)條件；

或者基于組數(shù)V1和Vh計算：Vh組數(shù)*Vl組數(shù)是否大于或等于組數(shù)閾值，若是，視為滿足融合預(yù)設(shè)條件，否則，視為不滿足融合預(yù)設(shè)條件。