[发明专利]图像分类识别方法、装置、电子设备及计算机可读介质

权利要求书

1.一种图像分类识别方法，其特征在于，包括：

对待处理图像进行小波变换处理，获取所述待处理图像的低频图像数据与高频图像数据；

将所述低频图像数据输入第一模型以获取第一预测结果；

将所述高频图像数据输入第二模型以获取第二预测结果；以及

对所述第一预测结果与所述第二预测结果进行特征融合计算以确定图像分类识别结果。

2.如权利要求1所述的方法，其特征在于，对待处理图像进行小波变换处理之前包括：

对原始图像进行边缘检测处理以获取第一图像；以及

对第一图像进行归一化处理以获取所述待处理图像。

3.如权利要求1所述的方法，其特征在于，对原始图像进行边缘检测处理以获取第一图像包括：

通过边缘检测确定所述原始图像的至少一个目标区域；以及

通过所述至少一个目标区域确定所述第一图像。

4.如权利要求1所述的方法，其特征在于，对待处理图像进行小波变换处理，获取所述待处理图像的低频图像数据与高频图像数据包括：

将所述待处理图像由三原色空间转换为灰度图空间，生成灰度数据；

对所述灰度数据进行小波变换中的低通滤波，生成所述低频图像数据；以及

对所述灰度数据进行小波变换中的高通滤波，生成所述高频图像数据。

5.如权利要求1所述的方法，其特征在于，将所述低频图像数据输入第一模型以获取第一预测结果包括：

所述低频图像数据输入通过深度神经网络方法构建的第一模型，以获取所述第一预测结果。

6.如权利要求5所述的方法，其特征在于，所述第一模型为inception-V3网络模型，所述第一模型通过参数迁移方式进行网络数据训练。

7.如权利要求6所述的方法，其特征在于，所述第一模型通过参数迁移方式进行网络数据训练包括：

通过imagenet数据集训练inception_V3网络模型以获得第一参数；以及

所述第一模型通过参数迁移的方式利用所述第一参数继续进行所述网络数据训练。

8.如权利要求1所述的方法，其特征在于，将所述高频图像数据输入第二模型以获取第二预测结果包括：

所述高频图像数据输入通过浅层神经网络方法构建的第二模型，以获取所述第二预测结果。

9.如权利要求1所述的方法，其特征在于，所述第二模型包括七层网络结构的浅层神经网络模型，包括五个卷积层与两个全连接层。

10.如权利要求1所述的方法，其特征在于，对所述第一预测结果与所述第二预测结果进行特征融合计算以确定图像分类识别结果包括：

为所述第一预测结果与所述第二预测结果确定第一权重与第二权重；

通过所述第一预测结果与所述第一权重、所述第二预测结果与所述第二权重确定特征融合结果；以及

通过所述特征融合结果确定图像分类识别结果。

11.一种图像分类识别装置，其特征在于，包括：

小波变换模块，用于对待处理图像进行小波变换处理，获取所述待处理图像的低频图像数据与高频图像数据；

第一模型模块，用于将所述低频图像数据输入第一模型以获取第一预测结果；

第二模型模块，用于将所述高频图像数据输入第二模型以获取第二预测结果；以及

图像分类模块，用于对所述第一预测结果与所述第二预测结果进行特征融合计算以确定图像分类识别结果。

12.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。

13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。