[发明专利]图像分类方法、装置以及计算机可读存储介质

说明书

本申请实施例提供一种图像分类方法、装置以及计算机可读存储介质，包括：获得原始图像、以及所述原始图像中所包括的对象的类别；调整所述原始图像的显示参数满足取值条件；根据所述显示参数的分布需要满足的分布条件，对所述原始图像的所述显示参数进行变换获得新图像；基于调整后的原始图像和所述新图像进行组合构造的训练集、以及所包括对象的类别，训练神经网络模型；基于训练后的所述神经网络模型，将待预测图像和标注有对象的类别的参考图像输入所述神经网络模型，判断所述待预测图像中所包括对象的类别。

技术领域

本发明涉及图像处理技术，特别涉及一种图像分类方法、装置以及计算机可读存储介质。

背景技术

随着多媒体技术与计算机设备网络的广泛应用，网络上出现大量图像数据。如何能够有效的管理这些图像文件，自动识别和分类这些图像的内容变的越来越重要。

目前，随着机器学习方法的不断完善和发展，深度学习算法越来越受到重视，其中卷积神经网络就是深度学习中一种重要的算法，目前已成为图像识别领域的研究热点。基于卷积神经网络的图像分类技术能够自动从图像中提取特征信息，通过提取的特征进行图像表达。

然而，针对不同具体领域或者不同类别的图像，基于卷积神经网络进行分类时，往往需要分别建立与该领域或者类别对应的网络模型，每个网络模型包含的层级与整体架构通过训练的方式进行确定，而为了获取更好的特征表达能力以取得更好的分类精度，尤其是针对分类精度要求更高的领域，往往需要针对同一领域或类别的图像分别获得更多相同或者同类的原始图像数据作为训练数据，以增加网络深度、扩大网络规模，通过更多训练数据来将网络模型的各个层级的架构分别基于前一层级的架构确定后再进行搭建，从而网络模型训练方式复杂，且训练得到的网络模型对图像的分类精度不够稳定。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种训练方式简单、且可提高分类精度稳定性的图像分类方法、装置以及计算机可读存储介质。

为达到上述目的，本发明实施例的技术方案是这样实现的：

一种图像分类方法，包括：获得原始图像、以及所述原始图像中所包括的对象的类别；调整所述原始图像的显示参数满足取值条件；根据所述显示参数的分布需要满足的分布条件，对所述原始图像的所述显示参数进行变换获得新图像；基于调整后的原始图像和所述新图像进行组合构造的训练集、以及所包括对象的类别，训练神经网络模型；基于训练后的所述神经网络模型，将待预测图像和标注有对象的类别的参考图像输入所述神经网络模型，判断所述待预测图像中所包括对象的类别。

一种图像分类装置，包括：获取模块，用于获得原始图像、以及所述原始图像中所包括的对象的类别；调整模块，用于调整所述原始图像的显示参数满足取值条件；变换模块，用于根据所述显示参数的分布需要满足的分布条件，对所述原始图像的所述显示参数进行变换获得新图像；训练模块，用于基于调整后的原始图像和所述新图像进行组合构造的训练集、以及所包括对象的类别，训练神经网络模型；预测模块，用于基于训练后的所述神经网络模型，将待预测图像和标注有对象的类别的参考图像输入所述神经网络模型，判断所述待预测图像中所包括对象的类别。

一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现本发明任一实施例所提供的图像分类方法。