[发明专利]基于红黑形态小波池化网络的图像分类方法及系统

说明书

本发明提供一种基于红黑形态小波池化网络的图像分类方法及系统，包括准备待分类图像数据集；将红黑形态小波与最大池化融合，构建提升方案池化层，用于提取待分类图像的特征并进行降采样；基于待分类图像数据集，构建及训练提升方案卷积神经网络，并通过Softmax分类器实现分类，所述提升方案卷积神经网络包含提升方案池化层；所述提升方案池化层包含两个支路，分别是红黑形态小波支路和最大池化支路，提升方案池化层的最终输出y红黑形态小波的输出和最大池化分支的输出融合得到；所述红黑形态小波支路包含垂直和水平方向的提升过程和对角方向的提升过程。本发明能够有效提高神经网络的识别能力，在基准图像的分类任务上有明显的准确率提升。

技术领域

本发明属于图像处理和深度学习技术领域，特别涉及一种基于红黑形态小波池化网络用于图像分类的方案。

背景技术

卷积神经网络(CNN)是图像分类、目标检测和图像分割等计算机视觉任务的流行方法。CNN的目标是提取不同抽象层次的判别特征，以增强类内一致性和类间的差异性。在前面几层中，CNN提取一些底层特征，如边缘、端点、角点等，在后续层中，CNN将这些底层特征结合起来，得到高层特征。最后，CNN根据这些高层特征将一个类别与其他类别区分开来。然而，常用的最大池化层只是对一个固定大小的窗口提取出最大值，而不考虑前一层的结构，这可能会导致特征图中的一些结构和几何特征的丢失。此外，图像中的噪声会阻碍CNN学习有用的特征。

基于提升方案的第二代小波变换是解决这些问题的一种有效方法。利用提升方案，人们构造出了若干种非线性小波。例如，Heijmans和Goutsias提出了形态小波，其中重要的几何信息在低分辨率图像中被很好地保存。这是因为信号分析算子(预测算子和更新算子)是非线性的。形态小波的一个例子是最大提升形态小波，它在模式识别的应用中很有用，因为它保留了被处理图像的局部最大值。二维形态小波可以通过张量积扩展为一维形态小波，但会引入各向异性，不能对图像在任何方向上进行描述。它可以检测垂直、水平和对角特征，但对其他方向的特征检测能力较弱。相反，由Uytterhoeven和Bultheel提出的红黑小波是非线性且不可分离的，它是由二维提升方案构造的。红黑小波更加适应二维自然图像的结构，可以更好地检测各个方向的特征。第二代小波变换除了具有非线性和不可分性这些良好特性外，还可以通过去除小波分解后的高频分量来降低原始图像中的噪声。因此，本发明提出引入红黑小波来促进形态小波适应二维自然图像的结构，可以增强小波变换的表征能力。

发明内容

本发明目的在于结合形态小波和红黑小波各自的优点，构造红黑形态小波作为最大池化层的补充，提出一种新的图像分类方案。

本发明的技术方案为一种基于红黑形态小波池化网络的图像分类方法，包括准备待分类图像数据集；将红黑形态小波与最大池化融合，构建提升方案池化层，用于提取待分类图像的特征并进行降采样；基于待分类图像数据集，构建及训练提升方案卷积神经网络，并通过Softmax分类器实现分类，所述提升方案卷积神经网络包含提升方案池化层；

所述提升方案池化层包含两个支路，分别是红黑形态小波支路和最大池化支路，提升方案池化层的最终输出y由红黑形态小波的输出r和最大池化分支的输出m融合得到；所述红黑形态小波支路包含垂直和水平方向的提升过程和对角方向的提升过程，

所述垂直和水平方向的提升过程，包括对输入的特征图x按以下规则分成Red子集和Black子集，实现分裂，然后基于形态学腐蚀运算进行预测和更新，

Red＝{x_ij|x_ij∈x,i％2＝j％2}

Black＝{x_ij|x_ij∈x,i％2≠j％2}

其中，x_ij是特征图x中处于坐标(i,j)的元素；