[发明专利]一种基于卷积神经网络的图像分类方法

说明书

技术领域

本发明涉及图像分类技术领域，具体为一种基于卷积神经网络的图像分类方法。

背景技术

近年来，随着数以百万带标签训练集的出现以及基于GPU训练算法的出现，使训练复杂卷积网络模型不再奢望，卷积神经网络是一种逐渐发展，并引起广泛重视的高效图像识别方法。大量基于卷积神经网络的模型在手写字体识别，ImageNet库的分类测试中取得不俗的成绩，许多论文都利用卷积神经网络，在视觉分类任务中取得不错成绩。

卷积神经网络的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。由于卷积神经网络参数庞大，网络参数数量从几兆到几百兆不等，导致神经网络训练时间长，消耗大量内存空间，对训练样本数量也有比较高的要求，此外，安全性差，而且对于海量图像数据无法进行快速分类处理，效率低。

发明内容

本发明的目的在于提供一种基于卷积神经网络的图像分类方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络的图像分类方法,包括以下步骤：

A、图像采集器采集图像并保存至存储器中并进行加密处理；

B、将采集的图像调整为统一大小后，输入预训练模型；

C、对图像进行训练，计算出训练集中的平均图像，把图像训练集中的每幅图像减去平均图像后进行网络参数的训练，得到卷积神经网络模型；

D、将训练后的图像进行分类操作，即完成对图像的分类。

优选的，所述步骤A中加密处理方法包括以下步骤：

A、根据图像的分辨率将原始图像分解成若干 2M×2M 的小块 ；

B、对每个小块，构造各自的子逆矩阵A；

C、利用子逆矩阵A的特征多项式构造对应的稀疏矩阵B；

D、利用子逆矩阵A和稀疏矩阵B生成公共密钥矩阵 C ＝ABA；

E、将每个小块用对应的密钥矩阵 C 进行加密 ；

F、组合所有的小块得到完整的加密图像，即完成对图像的加密处理。

优选的，所述步骤D中分类操作方法包括以下步骤：

a、读取图像向量数据，并获取处理数据的多个预设聚类中心 ；

b、根据多个预设聚类中心，对处理的图像数据进行分类，得到分类后处理数据 ；

c、根据分类后处理数据，建立多个可合并的计算任务 ；

d、使用多个计算线程对所述可合并的计算任务进行计算，并对计算结果进行合并操作；计算处理时，首先对待处理图像数据对象进行预处理，完成数据对象的分组，然后计算组内图像数据对象的相似度矩阵，并依据相似度大小合并生成新数据对象，记录合并生成过程同时删除旧数据对象；

e、根据合并后的计算结果对预设聚类中心进行修正以及保存；以及根据预设聚类中心、修正后的预设聚类中心以及修正操作次数，确定数据聚类处理结果。

与现有技术相比，本发明的有益效果是。

（1）本发明提供的图像分类方法效率高，能够有效提高图像分类准确性和效率。

（2）本发明采用的图像加密处理方法构造自逆矩阵，并根据特征多项式生成稀疏矩阵，将这两种矩阵组合形成图像的公共密钥矩阵，从而完成对图像的加密工作，其安全性更强，抗入侵强度较大，有效的保护了图像。

（3）本发明采用的分类操作方法能够降低总体计算复杂度以及提高了计算的稳定性，而且数据概况分析能力强，适于海量图像数据的快速聚类处理。

附图说明

图1为本发明流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：一种基于卷积神经网络的图像分类方法,包括以下步骤：

A、图像采集器采集图像并保存至存储器中并进行加密处理；

B、将采集的图像调整为统一大小后，输入预训练模型；

C、对图像进行训练，计算出训练集中的平均图像，把图像训练集中的每幅图像减去平均图像后进行网络参数的训练，得到卷积神经网络模型；