[发明专利]基于稀疏编码预训练的卷积神经网络图像分类方法

摘要

本发明公开了基于稀疏编码预训练的卷积神经网络图像分类方法，首先对训练样本进行非下采样Contourlet变换，选取前两层分解图像来扩充训练样本，然后随机选择图像采用SC算法学习其局部特征，并将特征按照灰度平均梯度从大到小进行排序，最后选择灰度平均梯度较大的特征值对CNN卷积核初始化。采用SC算法学习到原图像具有统计特性的特征对CNN卷积核初始化，获得比传统底层视觉特征更好的分类效果，有效避免了网络训练陷入局部最优；综合高、低频子带对不同场景的识别优势，在训练样本有限的情况下，有效的提高了图像分类准确率，具有良好的泛化能力和适用范围。

主权项

1.基于稀疏编码预训练的卷积神经网络图像分类方法，其特征在于：具体包括以下步骤：S1：首先对图像数据集中的训练样本进行非下采样Contourlet变换，对训练样本中的原图像进行多尺度分解，并选取前两层分解图像来扩充图像数据集；S2：将图像数据集中的图像裁剪成与卷积核尺寸相同的图像块patches，卷积核尺寸为patchDim{1,3,5}，利用稀疏编码算法学习局部特征，得到图像的超完备基向量；S3：计算S2中基向量灰度平均梯度值，并对特征向量按照灰度平均梯度从大到小进行排序；S4：选择灰度平均梯度大的特征向量对卷积神经网络的卷积核进行初始化，然后将样本图像输入到CNN网络中进行训练，逐层对图像样本特征学习并得到全局特征响应的待分类图像特征集；S5：将得到的待分类图像特征集输入到支持向量机，进行图像分类并得到分类准确率。