[发明专利]基于自适应空间模式的深度胶囊网络图像分类方法及系统

权利要求书

1.基于自适应空间模式的深度胶囊网络图像分类方法，其特征在于，包括以下步骤：

对训练用图像进行图像预处理，并构建训练集；

基于训练集进行适应空间单元深度胶囊网络的训练，得到训练完成的深度胶囊网络；

获取待测图像并将待测图像输入训练完成的深度胶囊网络进行图像分类，得到图像分类结果；

所述深度胶囊网络包括ASPConvs模块、ASPCaps模块和全连接胶囊层。

2.根据权利要求1所述一种基于自适应空间模式的深度胶囊网络图像分类方法，其特征在于，所述对训练用图像进行图像预处理，并构建训练集这一步骤，其具体包括：

获取训练用的高光谱图像X∈R^H×W×D；

基于主成分分析算法将数据降到d维，得到图像训练块Y^k∈R^m×m×d；

结合图像训练块和对应的标签构建训练集

3.根据权利要求2所述一种基于自适应空间模式的深度胶囊网络图像分类方法，其特征在于，所述基于训练集进行适应空间单元深度胶囊网络的训练，得到训练完成的深度胶囊网络这一步骤，其具体包括：

将训练集输入到适应空间单元深度胶囊网络；

基于ASPConvs模块对训练图像块进行卷积处理，提取得到次高级目标图像特征；

基于ASPCaps模块对次高级图像特征进行胶囊分组和预测处理，重新提取得到高级语义特征；

基于全连接胶囊网络层对高级语义特征进行概率分类，得到分类结果。

4.根据权利要求3所述一种基于自适应空间模式的深度胶囊网络图像分类方法，其特征在于，所述基于ASPConvs模块对训练图像块进行卷积处理，提取得到次高级目标图像特征这一步骤，其具体包括：

给定训练图像块Y^k，引入空洞卷积规则并自适应学习寻找采样位置；

基于采样位置提取得到次高级目标图像特征。

5.根据权利要求4所述一种基于自适应空间模式的深度胶囊网络图像分类方法，其特征在于，所述自适应学习寻找采样位置的表达式如下：

上式中，(x,y)表示初定采样位置，表示对应的采样值，Δx和Δy表示偏移场，表示调整后的采样位置的采样值。

6.根据权利要求5所述一种基于自适应空间模式的深度胶囊网络图像分类方法，其特征在于，所述次高级目标图像特征的表达式如下：

上式中，w_i表示采用卷积核对应的权重，Δm_i表示第i个采样像素位置对应的权重。表示向量内元素总长度，表示采样位置为(x_i,y_i)的采样值。

7.根据权利要求6所述一种基于自适应空间模式的深度胶囊网络图像分类方法，其特征在于，所述基于ASPCaps模块对次高级图像特征进行胶囊分组和预测处理，重新提取得到高级语义特征这一步骤，其具体包括：

将次高级图像特征u分成多组胶囊子图并计算所有次高级图像特征u的预测向量；

基于预测向量构建高层次特征的输入向量；

基于Squash函数对高层次特征的输入向量进行压缩处理，得到高级语义特征。

8.根据权利要求7所述一种基于自适应空间模式的深度胶囊网络图像分类方法，其特征在于，所述高层次特征的输入向量的表达式如下：

上式中，表示动态由路系数，表示在采样点为(x+p)(y+q)的预测向量，表示高层次特征的输入向量。

9.基于自适应空间模式的深度胶囊网络图像分类系统，其特征在于，包括：

预处理模块，用于对训练用图像进行图像预处理，并构建训练集；

训练模块，用于基于训练集进行适应空间单元深度胶囊网络的训练，得到训练完成的深度胶囊网络；

分类模块，用于获取待测图像并将待测图像输入训练完成的深度胶囊网络执行图像分类，得到分类结果。