[发明专利]一种高分辨率图像的分类方法及分类装置

说明书

本发明公开了一种高分辨率图像的分类方法及分类装置，用以提升高分辨率图像的分类精度。该分类方法包括：将所述高分辨率图像分割为若干预设尺寸的子图像，且使得相邻的至少两个子图像之间存在重叠区域；将每一所述子图像均输入卷积神经网络中，使得每一所述子图像对应生成多张子特征图；将各所述子图像对应生成的所述多张子特征图按照预设的先后顺序放置，形成待分类特征图；将所述待分类特征图通过神经网络中的全连接层进行分类，并输出分类结果。

技术领域

本发明涉及图像分类、深度学习技术领域，尤其涉及一种高分辨率图像的分类方法及分类装置。

背景技术

深度学习的概念源于人工神经网络的研究，含多隐层的多层感知器。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，目前，深度学习在学术界和工业界有着广泛的应用。

卷积神经网络(Convolution Neural Networks，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，包括卷积层和池层。在很长时间里，CNN虽然在小规模的问题上，如手写数字，取得了当时世界上最好的结果，但一直没有取得巨大成功。主要原因是，CNN在大规模图像上效果不好，如：CNN在像素较多的自然图片内容理解上效果不好。

但是，随着网络结构的加深，算法的提升，以及图形处理器(Graphics ProcessingUnit，GPU)带来的计算能力提升和更多的训练数据等，深度学习模型被成功应用于一般图片的识别和理解，不但大大提升了准确性，而且避免了人工特征抽取的时间消耗，从而大大提高了在线计算效率。

近年来，随着大数据时代的到来，深度学习技术在各个领域均有应用，其应用场景得到了延伸，但是目前深度学习在图像上的应用仍局限于尺寸较小图像的输入，对于高分辨率的医学图像，目前一般的解决方法是先将其压缩为尺寸较小图像，然后将尺寸较小的图像输入CNN中进行处理，处理后进行图像的分类；然而现有技术由于压缩图像会使得图像扭曲，从而难以准确区分图像类别。

发明内容

有鉴于此，本发明实施例提供了一种高分辨率图像的分类方法及分类装置，用以提升高分辨率图像的分类精度。

本发明实施例提供的一种高分辨率图像的分类方法，所述分类方法包括：

将所述高分辨率图像分割为若干预设尺寸的子图像，且使得相邻的至少两个子图像之间存在重叠区域；

将每一所述子图像均输入卷积神经网络中，使得每一所述子图像对应生成多张子特征图；

将各所述子图像对应生成的所述多张子特征图按照预设的先后顺序放置，形成待分类特征图；

将所述待分类特征图通过神经网络中的全连接层进行分类，并输出分类结果。

由本发明实施例提供的高分辨率图像的分类方法，由于在对高分辨率图像进行分类时，首先将高分辨率图像分割为若干预设尺寸的子图像；接着将每一子图像均输入卷积神经网络中进行处理，处理后每一子图像对应生成了多张子特征图；接着将各子图像对应生成的多张子特征图按照预设的先后顺序放置，形成待分类特征图；最后将待分类特征图通过神经网络中的全连接层进行分类，与现有技术相比，本发明实施例在对高分辨率图像进行分类时，不需要对高分辨率图像进行大尺度的裁剪或压缩，因此不会导致图像扭曲，从而使得原始的高分辨率图像得到保护，特征提取更加充分，进而能够提升高分辨率图像的分类精度。

较佳地，所述将所述高分辨率图像分割为若干预设尺寸的子图像之前，该分类方法还包括：

对所述高分辨率图像进行图像预处理，所述图像预处理包括：裁剪所述高分辨率图像的边缘，以及调整所述高分辨率图像的尺寸为预设尺寸。

较佳地，所述对所述高分辨率图像进行图像预处理之后，以及所述将所述高分辨率图像分割为若干预设尺寸的子图像之前，该分类方法还包括：