[发明专利]基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法

权利要求书

1.一种基于图像梯度的卷积方法，其特征在于，对图像进行基于图像梯度信息的方向卷积以提取图像特征包括以下步骤：

步骤101、在采集的图像上建立平面直角坐标系，将采集的图像转化为灰度图像，通过sobel算子提取灰度图像横向及纵向梯度信息，计算梯度的幅值和方向分别得到原始梯度幅值图和原始梯度方向图；

步骤102、将所述原始梯度方向图做阈值化处理，得到图像每点的梯度方向阈值；

步骤103、随机初始化卷积核，再按照图像每点的梯度方向阈值对卷积核进行方向化；

步骤104、将方向化后的卷积核与原始图像进行卷积，通过边界填充操作保持卷积前后图像分辨率不变。

2.根据权利要求1所述的基于图像梯度的卷积方法，其特征在于，步骤101中提取灰度图像梯度信息的具体操作为：

sobel算子包含两组3×3的矩阵，将sobel算子与灰度图像作平面卷积，分别得出横向及纵向的图像梯度；

以A代表原始图像，G_x为经横向卷积后的梯度值图像，G_y代表经纵向卷积后的梯度值图像，其公式如下：

计算灰度图像的梯度幅值图G和梯度方向图θ：

3.根据权利要求2所述的基于图像梯度的卷积方法，其特征在于，步骤102中将所述原始梯度方向图做阈值化处理的具体操作为：

设A为原始图像，分辨率为w×h，θ为原始梯度方向图，C为阈值化后的梯度方向图，则：

4.根据权利要求3所述的基于图像梯度的卷积方法，其特征在于，步骤103中按照图像每点的梯度方向阈值对卷积核进行方向化的具体操作为：

以卷积核中心为原点，水平方向为X轴，垂直方向为Y轴建立直角坐标系；

若梯度方向阈值为0，则卷积核在水平方向有非零值，其余值为零；

若梯度方向阈值为1，则卷积核为反对角阵；

若梯度方向阈值为2，则卷积核为对角阵；

若梯度方向阈值为3，则卷积核在垂直方向有非零值，其余值为零。

5.一种基于方向卷积的卷积神经网络的系统，其特征在于，由以下训练过程得到：

步骤201、读入批量训练图像，批量训练数量为batch；所述训练图像为原图和原始梯度图；

步骤202、采用普通卷积核提取原图特征，通过边界填充操作保持卷积前后图像分辨率不变，卷积后的特征图采用ReLU函数进行激活；

所述普通卷积核大小为3×3，个数为m₁，卷积时步长为1；

采用方向化后的卷积核提取原始梯度图特征，通过边界填充操作保持卷积前后图像分辨率不变，卷积后的特征图采用ReLU函数进行激活；

所述方向化后的卷积核大小为3×3，个数为m₂，卷积时步长为1；

所述方向化后的卷积核通过权利要求2的步骤101-步骤103得到；

步骤203、将经普通卷积后得到的m₁个特征图与经方向卷积后得到的m₂个特征图按通道进行拼接；

步骤204、将拼接后的特征图进行卷积，采用普通卷积，通过边界填充操作保持卷积前后图像分辨率不变，卷积后的特征图采用ReLU函数进行激活；

卷积核大小为3×3，卷积时步长为1，卷积核个数为n；

步骤205、对卷积后的n个特征图进行全局平均池化操作，得到一个n维特征向量，使用softmax函数求所述n维特征向量对应的概率向量q；

步骤206、将所述概率向量q与图像原始标注类别标签向量p计算交叉熵损失函数；

步骤207、采用反向传播算法，利用RMSProp优化算法更新神经网络参数；

步骤208、重复步骤201-步骤207最小化损失函数，直至神经网络收敛，得到训练好的神经网络。

6.根据权利要求5所述的基于方向卷积的卷积神经网络的系统，其特征在于，步骤206中交叉熵损失函数为：

7.一种图像分类的方法，其特征在于：

将图像输入到权利要求5或6所述的基于方向卷积的卷积神经网络的系统中；

权利要求5或6所述的基于方向卷积的卷积神经网络的系统输出n维特征向量，n维向量的最大值对应的类别序号即为网络分类器输出，神经网络分类结果即将所述类别序号对应的类别。