[发明专利]一种基于最优训练集的深度学习图像分类方法及系统

说明书

本发明提供了一种基于最优训练集的深度学习图像分类方法及系统。该方案包括获取所有的分类图像后，将所述分类图像缩放为长200像素宽200像素的归一化图像，生成样本训练集、样本验证集和样本测试集；获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成7个训练集和7个验证集；生成单通道训练集、单通道验证集、双通道训练集、双通道验证集、三通道训练集和三通道验证集，分别利用3个神经网络进行训练，生成准确率；获得准确率排名第一的目标分类器后，生成目标图像分类结果。该方案利用数据融合方式组成多种训练集，训练获得最优训练集，保证图像分类准确率，提高图像分类通用性。

技术领域

本发明涉及计算机视觉图像识别技术领域，更具体地，涉及一种基于最优训练集的深度学习图像分类方法及系统。

背景技术

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。由于深度学习可以通过多层次的运算结构，尽可能的逼近现实的关联关系。近年来深度学习在学术界、科技界应用广泛，尤其在图像领域，目前已经在图像分类领域取得较大进展，取得不错成效。

但目前深度学习网络模型仍然存在诸多问题：1）通用性较差，难以适应各种不同的图像分类任务，经常会出现这种网络模型对某种图像分类效果较好；2）图像分类任务效果较差。因此，亟需对于研究能够适用于不同场景的通用型图像分类方法。

发明内容

鉴于上述问题，本发明提出了一种基于最优训练集的深度学习图像分类方法及系统，利用数据融合方式组成多种训练集，训练获得最优训练集，在保证图像分类准确率下，提高图像分类的通用性。

根据本发明实施例第一方面，提供一种基于最优训练集的深度学习图像分类方法。

所述的一种基于最优训练集的深度学习图像分类方法具体包括：

获取所有的分类图像后，将所述分类图像缩放为长200像素宽200像素的归一化图像，生成样本训练集、样本验证集和样本测试集；

获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成第一训练集、第二训练集、第三训练集、第四训练集、第五训练集、第六训练集、第七训练集、第一验证集、第二验证集、第三验证集、第四验证集，第五验证集、第六验证集、第七验证集；

按照预设规则对所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集，所述第五训练集、所述第六训练集、所述第七训练集、所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集进行整合，生成单通道训练集、单通道验证集、双通道训练集、双通道验证集、三通道训练集和三通道验证集；

将所述单通道训练集、所述单通道验证集、所述双通道训练集、所述双通道验证集、所述三通道训练集和所述三通道训练集分别利用第一神经网络、第二神经网络和第三神经网络进行训练，生成单通道准确率、双通道准确率、三通道准确率；

将所有的所述单通道准确率、所述双通道准确率和所述三通道准确率，获得准确率排名第一的目标分类器后，通过目标分类器对所述样本测试集进行图像分类运算，生成目标图像分类结果。

在一个或多个实施例中，优选地，所述获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成第一训练集、第二训练集、第三训练集、第四训练集、第五训练集、第六训练集、第七训练集、第一验证集、第二验证集、第三验证集、第四验证集，第五验证集、第六验证集、第七验证集，具体包括：

将所述样本训练集和所述样本验证集中的所有彩色图像转换为灰度图，并分别保存到所述第一训练集和所述第一验证集；