[发明专利]一种基于改进PCA的深度网络图像分类方法

说明书

本发明公开了一种基于改进PCA的深度网络图像分类方法，首先使用深度卷积神经网络提取输入图像的特征，然后通过计算图像信息熵并设定图像信息熵阈值以筛选特征，筛选后的特征再经过PCA降维，进一步精简图像特征、提高特征质量，有效解决了大数据图像集分类过程中数据维度过高引起的识别速度过慢的问题，同时通过图像信息熵筛选特征，有效减少了PCA在对特征降维的过程中计算协方差矩阵巨大的计算量，提高了图像分类的实时性。

技术领域

本发明属于图像处理与模式识别技术领域，具体涉及一种基于改进PCA的深度网络图像分类方法。

背景技术

当今社会，随着云时代的来临，大数据已吸引了越来越多的关注，图像作为数据信息的主要表现形式，因其内容丰富、反映直观等特点，已经成为人们获取信息的重要手段，其数量正以惊人的速度快速增长。然而，图像信息无序化问题却随着图像数据的增长变得日益突出。如何利用人工智能技术自动对海量的图像数据进行识别、检索和分类已成为当前计算机视觉识别领域的研究重点。

传统的的图像分类方法如尺度不变特征变换(Scale Invariant FeatureTransformation，SIFT)、方向梯度直方图(Histogram of Oriented Gridients，HOG)等结构层次较浅，计算量较小，不需要以大量图像为基础，即可完成模型训练与分析。但是传统模型无法从原图像中获取更高层次的语义特征和深度特征，面对大数据的情况下，不易提取图像特征。随着深度网络的兴起，涌现出许多优秀的基于深度学习的图像分类方法，例如：AlexNet、VGGNet、GoogLeNet、ResNet等。深度学习识别方法能获取更深层次的图像特征，图像特征表达更为丰富，图像特征提取更加准确，取得了优秀的分类成果，部分深度网络的分类效果甚至已超过人类的精度。

图像分类在许多领域有着广泛的应用，生物特征识别、智慧交通、医疗辅助诊断等方面的应用已为我们生活带来很大的便利，但是深度学习方法依旧存在需要以大量图像为基础，计算量较大，模型训练时间较长，对硬件环境要求较高，分类过程较长等问题，伴随着这些问题的解决，深度学习将在图像分类领域发挥更大的作用。

发明内容

针对现有的技术的不足，本发明提出一种基于改进PCA的深度网络图像分类方法，包括以下步骤：

步骤1：将CIFAR-100图像数据集中的m张图像输入到深度卷积神经网络模型中，进行灰度、滤波预处理，消除噪声干扰，得到每张图像的原始特征；

步骤2：搭建深度卷积神经网络模型中的特征提取模块，利用搭建好的特征提取模块提取每张图像的图像特征；

步骤3：对每张图像的图像特征进行改进PCA降维处理，所述改进PCA降维处理是指首先将每张图像的图像特征通过图像信息熵进行初步筛选，然后对初步筛选后的图像特征进行PCA降维处理，具体表述为：

步骤3.1：利用公式(1)计算已提取的图像特征的图像信息熵H，并根据信息熵阈值初步筛选图像特征；

式中，H表示图像特征的图像信息熵，p_s表示每张图像中第s个灰度值对应的概率值，n表示输入的每张图像的灰度值总个数；

步骤3.2：对初步筛选得到的每张图像的图像特征进行PCA降维处理；

步骤4：将降维处理后的图像特征Y输入Softmax分类器完成分类处理，输出图像类别的结果作为真实分类结果；

步骤5：训练时的深度卷积神经网络模型的损失函数选择为交叉熵损失函数，根据交叉熵损失函数计算预测分类结果和真实结果之间的差值H(p,q)，所述交叉熵损失函数表示为：

式中，p(m)表示预测分类结果，q(m)表示真实分类结果；