[发明专利]基于HP-Net卷积神经网络的图像分类方法

说明书

本发明涉及图像处理技术领域，具体的说是基于HP‑Net卷积神经网络的图像分类方法。本发明包括以下步骤：步骤1：读取输入图像I；步骤2：将输入图像I分为大小为m×m的图像块集合，每一块用I_i表示，i＝1，2，...，n，n表示图像块的数量；步骤3：将I_i输入到卷积神经网络中进行训练；步骤4：经过若干次提取特征，再通过三层全连接层，得到一维的矩阵，然后使用丢弃正则化操作避免过拟合；步骤5：将卷积神经网络中的输出结果输入到softmax分类器里，最终得到分类结果。本发明所提出的网络模型表现出更好的性能，在RO‑5和花卉数据集上比其他现有的网络模型要高。

技术领域

本发明涉及图像处理技术领域，具体的说是基于HP-Net卷积神经网络的图像分类方法。

背景技术

图像分类任务是计算机视觉中的一个重要的领域，在我们的生活中有着广泛的应用。它是任意给定一副图像，根据图像的特征表示，经过一系列的操作以后，选择一个分类器来判定这张图片的标签。目前图像分类有四种技术：基于色彩特征的索引技术，基于纹理的图像分类技术，基于形状的图像分类技术和基于空间关系的图像分类技术。

基于色彩特征的索引技术是以色彩为物体的表现，每个物体都有其自身的色彩表现。例如，当我们提到红色就会联想到花朵，提到绿色就会想到叶子。我们在拍摄同一个物体不同角度，都会得到相似的色彩特征，所有有基于色彩特征的索引技术。基于纹理的图像分类技术是指通过图像的纹理特征进行分类，其原理是找到像素的领域灰度空间的分布。基于形状的图像分类技术是通过描述图像轮廓的边界和这个边界所包围的区域来进行分类。其原理是采用图像的区域特征，边界特征相关的信息来进行相似分类。基于空间关系的图像分类技术在图像信息系统中，依据图像中对象及对象间的空间位置关系来区别图像库中的不同图像是一个非常重要的方法。因此，如何存贮图像对象及其中对象位置关系以方便图像的分类，是图像数据库系统设计的一个重要问题。而且利用图像中对象间的空间关系来区别图像，符合人们识别图像的习惯，所以许多研究人员从图像中对象空间位置关系出发，着手对基于对象空间位置关系的分类方法进行了研究。

在计算机时代发展以前，就已经提出了人工神经网络的概念(ANN)。它是通过提取高度复杂的模式，和不精确的数据解决问题。由于在发展的初期ANN受到了技术的瓶颈和计算机资源的缺乏，这种技术并没有发展起来。后来由于反向传播(BP)算法的提出，ANN逐渐开始发展起来。ANN有很多应用领域，图像分类是其中重要的一个应用。然而，人工选择特征和过大的参数，并且训练时间也很长，使得ANN并不能很好的解决任务。

深度学习的方法很好的解决了这些问题，还能超越传统方法的效果。深度学习是机器学习的一个分支，采用多层计算模型，多层次的抽象的数据表示。目前，许多类型的深层网络被提出用于在快速增长的大量数据中提取有用的信息，如卷积神经网络(CNN)，限制玻尔兹曼机(RBMS)和堆叠自编码器(SAE)网络。神经网络已被广泛应用在许多应用中，如语音识别，图像分类和目标检测。

CNN是受生物过程启发的标准前馈多层人工神经网络，采用稀疏连通性和共享权重策略。CNN由一系列隐藏的卷积和池化采样层可选地跟随全连接层，并擅长提取有用的局部和全局训练特征进行分类。标准的CNN网络体系结构中，包括了卷积和池化采样子层的布置。通过这些隐藏层的系列，CNN使用BP算法来训练权重，并且在本研究中，我们使用softmax分类器获得概率，该分类器用作最终输出层。为了最小化目标函数，网络结构采用梯度下降法，它逐层地调整权重参数，并通过频繁迭代训练提高网络精度。

发明内容

针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种基于HP-Net卷积神经网络的图像分类方法。

本发明为实现上述目的所采用的技术方案是：一种基于HP-Net卷积神经网络的图像分类方法，包括以下步骤：

步骤1：读取输入图像I；