CN108830319B - 一种图像分类方法和装置 - Google Patents

一种图像分类方法和装置 Download PDF

Info

Publication number
CN108830319B
CN108830319B CN201810603073.8A CN201810603073A CN108830319B CN 108830319 B CN108830319 B CN 108830319B CN 201810603073 A CN201810603073 A CN 201810603073A CN 108830319 B CN108830319 B CN 108830319B
Authority
CN
China
Prior art keywords
image
sub
region
original image
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810603073.8A
Other languages
English (en)
Other versions
CN108830319A (zh
Inventor
王宁
曹红杰
刘军
肖计划
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bostar Navigation Iocation Based Services Beijing Co ltd
Beijing Unistrong Science & Technology Co ltd
Original Assignee
Bostar Navigation Iocation Based Services Beijing Co ltd
Beijing Unistrong Science & Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bostar Navigation Iocation Based Services Beijing Co ltd, Beijing Unistrong Science & Technology Co ltd filed Critical Bostar Navigation Iocation Based Services Beijing Co ltd
Priority to CN201810603073.8A priority Critical patent/CN108830319B/zh
Publication of CN108830319A publication Critical patent/CN108830319A/zh
Application granted granted Critical
Publication of CN108830319B publication Critical patent/CN108830319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像分类方法和装置，用以提供高效的遥感图像分类。其中，方法包括：根据预设特征对原始图像进行图像分割，得到互不相交的多个子区域，并记录每个子区域在所述原始图像中所占据的位置信息；将原始图像中的每个子区域分别用每个子区域对应的一个像素特征值代替，得到第一图像；利用全卷积神经网络对所述第一图像中的像素进行分类，得到第二图像；根据所述位置信息，对所述第二图像进行图像重建，得到与所述原始图像的大小以及像素位置均对应的分类图像。

Description

一种图像分类方法和装置
技术领域
本发明涉及图像处理技术领域，特别涉及一种图像分类方法和装置。
背景技术
随着遥感图像的分辨率的不断提高，高分辨率遥感图像为遥感技术的发展带来新的机遇的同时，也由于自身的特点为遥感数据的处理带来新的挑战。遥感图像中地物越来越清晰，其结构也越复杂。深度学习技术的发展为图像智能化分析带来新的手段，尤其是基于像素级语义分割的全卷积神经网络。但是全卷积网络是基于像素的分类方法，若直接将全卷积网络应用到高分辨率遥感图像，则计算复杂度太大，并且，基于像素的处理还会带来图斑破碎的问题以及椒盐噪声的影响。
发明内容
本发明提供一种图像分类方法和装置，用以实现更加高效的遥感图像分类。
本发明提供一种图像分类方法，包括：
根据预设特征对原始图像进行图像分割，得到互不相交的多个子区域，并记录每个子区域在所述原始图像中所占据的位置信息；
将原始图像中的每个子区域分别用每个子区域对应的一个像素特征值代替，得到第一图像；
利用全卷积神经网络对所述第一图像中的像素进行分类，得到第二图像；
根据所述位置信息，对所述第二图像进行图像重建，得到与所述原始图像的大小以及像素位置均对应的分类图像。
可选的，所述将原始图像中的每个子区域分别用每个子区域对应的一个像素特征值代替，得到第一图像，包括：
获取每个子区域各自对应的一个像素特征值；
根据每个子区域在原始图像中的顺序，排列所有像素特征值得到所述第一图像。
可选的，所述获取每个子区域各自对应的像素特征值，包括：
针对每个子区域：
将子区域的所有像素的均值作为该子区域的像素特征值；或者，
将子区域的所有像素的最大值作为该子区域的像素特征值；或者，
将子区域的所有像素的最小值作为该子区域的像素特征值。
可选的，所述根据每个子区域在原始图像中的顺序，排列所有像素特征值得到第一图像，包括：
根据每个子区域的中心相对于原始图像的左上角出现的顺序，排列所有像素特征值得到第一图像。
可选的，所述对原始图像进行图像分割，得到多个子区域之后，所述方法还包括：
根据多个子区域的数量确定所述第一图像的尺寸；
所述根据每个子区域在原始图像中的顺序，排列所有像素特征值得到所述第一图像，包括：
根据所述尺寸以及所述顺序，排列所有像素特征值得到所述第一图像。
本发明还提供一种图像分类装置，包括：
分割模块，用于根据预设特征对原始图像进行图像分割，得到互不相交的多个子区域，并记录每个子区域在所述原始图像中所占据的位置信息；
第一处理模块，用于将原始图像中的每个子区域分别用每个子区域对应的一个像素特征值代替，得到第一图像；
第二处理模块，用于利用全卷积神经网络对所述第一图像中的像素进行分类，得到第二图像；
第三处理模块，用于根据所述位置信息，对所述第二图像进行图像重建，得到与所述原始图像的大小以及像素位置均对应的分类图像。
可选的，所述第一处理模块，包括：
获取子模块，用于获取每个子区域各自对应的一个像素特征值；
排列子模块，用于根据每个子区域在原始图像中的顺序，排列所有像素特征值得到所述第一图像。
可选的，所述获取子模块用于，针对每个子区域：
将子区域的所有像素的均值作为该子区域的像素特征值；或者，
将子区域的所有像素的最大值作为该子区域的像素特征值；或者，
将子区域的所有像素的最小值作为该子区域的像素特征值。
可选的，所述排列子模块用于：
根据每个子区域的中心相对于原始图像的左上角出现的顺序，排列所有像素特征值得到第一图像。
可选的，所述装置还包括：
确定模块，用于根据所述多个子区域的数量确定所述第一图像的尺寸；
所述排列子模块还用于：根据所述尺寸以及所述顺序，排列所有像素特征值得到所述第一图像。
本发明的实施例提供的技术方案可以包括以下有益效果：
本实施例中，由于根据面向对象的思想对原始图像进行图像分割，把同一类的像素聚合为一个对象，该对象可以对应于全神经网络的输入图像的一个像素，因此将面向对象技术和全卷积神经网络进行了结合。这样可以大大降低全卷积神经网络的待分类目标的规模，提高计算速度，尤其对高分辨图像而言。并且，采用面向对象技术进行图像分割可以克服图斑破碎的问题以及椒盐噪声的影响，提高了分类的精度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一实施例中的图像分类方法的方法流程图；
图2为本发明一实施例中的全卷积网络模型的示意图；
图3为本发明一实施例中的图像分类方法的方法流程图；
图4为本发明一实施例中的图像分类方法的图像分割、图像编码的示意图；
图5为本发明一实施例中的图像分类方法的图像重建的示意图；
图6为本发明一实施例中的图像分类方法的整体流程示意图；
图7为本发明一实施例中的图像分类装置的结构示意图；
图8为本发明一实施例中的图像分类装置的结构示意图；
图9为本发明一实施例中的图像分类装置的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
相关技术中，全卷积神经网络是基于像素级进行语义分割，若直接将全卷积神经网络应用到高分辨率遥感图像会带来计算复杂度太大的问题，并且，基于像素的处理还会带来图斑破碎的问题以及椒盐噪声的影响。
为解决上述问题，本实施例将遥感图像根据面向对象的思想进行图像分割，将分割后的子区域作为全卷积神经网络的输入图像的像素，实现了将面向对象技术和全卷积神经网络结合，提供了更高效的图像分类方法。
参见图1，本实施例中图像分类方法包括：
步骤101：根据预设特征对原始图像进行图像分割，得到互不相交的多个子区域，并记录每个子区域在原始图像中所占据的位置信息。
步骤102：将原始图像中的每个子区域分别用每个子区域对应的一个像素特征值代替，得到第一图像。
步骤103：利用全卷积神经网络对第一图像中的像素进行分类，得到第二图像。
步骤104：根据位置信息，对第二图像进行图像重建，得到与原始图像的大小以及像素位置均对应的分类图像。
本实施例首先根据面向对象的思想对原始图像进行图像分割，把同一类的像素聚合为一个对象，该对象可以对应于全神经网络的输入图像的一个像素，因此将面向对象技术和全卷积神经网络进行了结合。这样可以大大降低全卷积神经网络的待分类目标的规模，提高计算速度，尤其对高分辨图像而言。并且，采用面向对象技术进行图像分割可以克服图斑破碎的问题以及椒盐噪声的影响，提高了分类的精度。
其中，图像分割是指将图像分成若干个特定的、具有独特性质的、互不相交的区域。本实施例不对图像分割的算法进行限定，可以使用任意合适的图像分割算法对原始图像进行分割。图像分割的方法和种类众多，通常可分为三类：基于阈值的分割算法、基于边缘的分割算法和基于区域的分割算法。其中：
基于阈值的分割算法：阈值处理可以分为单阈值处理与多阈值处理。在单阈值处理中最常用且分割效果也不错的算法是Otsu(最大类间方差算法)算法。多阈值处理：K类由K-1个阈值来分离，即计算图像的多个类间方差。
基于边缘的分割算法：由于边缘是图像中灰度突变像素的集合，一般用微分进行检测，基本的边缘检测算法有：Roberts算子、Prewitt算子、Sobel算子，稍高级的算法有：Marr-Hilderth边缘检测器、Canny边缘检测器等。
基于区域的分割方法：主要包含区域***合并和区域生长两种类型。具体的算法例如分水岭算法、聚类分析、马尔科夫随机场方法、多尺度分割以及神经网络方法等。
本实施例中全卷积网络(Fully Convolutional Networks，FCN)模型可以有多种框架，如U-Net(Convolutional Networks for Biomedical Image Segmentation)模型、SegNet(A Deep Convolutional Encoder-Decoder Architecture for ImageSegmentation)模型和DeepLab(Semantic Image Segmentation with DeepConvolutional Nets)模型等。
全卷积网络作为一种新型的深度卷积架构，具有两个明显的优点：一是可以接受任意大小的输入图像，而不要求所有的训练图像和测试图像具有相同的尺寸；二是经过一次卷积可以得到多个区域的特征，避免了分区域传入卷积神经网络重复计算卷积的问题，故更加高效。全卷积网络框架如图1所示，全卷积网络是由多个卷积层串接而成，为了减少网络中的训练参数个数，在卷积层后面加入池化层，最后对输出的特征图进行反卷积操作，将特征图尺寸恢复到输入图像大小。
FCN模型的卷积公式如公式(1)所示：
Figure BDA0001693524400000061
式中xm代表第m个输出映射，xi代表第i个输入，I代表输入特征映射的层数，Kmi代表第m个输出所对应的卷积核中第i个分量，bm表示第m个输出对应的偏置，而f()表示激活函数，conv()表示卷积处理。Kmi和bm均为预设的参数。
池化层主要通过下采样来进一步减少网络参数，同时提高特征对输入的平移等变化的鲁棒性。下采样对输入的某个固定大小的矩形区域进行运算，并不改变输入的层数。因此，根据池化结果可再次进行卷积处理，将池化结果作为二次卷积处理的输入。本实时例中池化方式使用最大值池化，参见公式(2)：
x(i,j)＝max({xi×s+k,j×s+k},k＝0,1,…,K) (公式2)
式中x(i,j)表示为池化层的输出在图像坐标(i,j)处的值，K代表在下采样时所选取的正方形局部区域的边长，s表示计算过程中局部区域滑动的步长(如s＝1)。
多次重复卷积和池化处理，如至少执行两次卷积和池化处理，然后进行一次反卷积处理，通过反卷积处理恢复出输入图像的大小。
其中，反卷积处理主要是通过上采样来使特征图恢复到输入图像相同的大小，保留了输入图像中的空间信息。因此，首先需要确定反卷积的卷积核大小。参见公式(3)：
O＝S(W-1)+k (公式3)
式中O为输入图像的大小，S为卷积步长，W为最后一次池化后图像的大小，k为反卷积的卷积核的大小。在已知输入和输出大小的情况下，可以反推出反卷积层应该设置的卷积核的大小。然后将k带入反卷积公式，得到全卷积网络模型，即F1(X),F2(X),…,FT(X)。通过训练样本集，每个训练样本集训练得到一组Kmi和bm，即得到一个全卷积网络模型。
可选的，所述步骤102包括：步骤A1-步骤A2。
步骤A1：获取每个子区域各自对应的一个像素特征值。
步骤A2：根据每个子区域在原始图像中的顺序，排列所有像素特征值得到所述第一图像。
本实施例中，将每个子区域的像素特征值根据子区域的顺序进行排列，可以简单、方便地得到第一图像。
可选的，步骤A1获取每个子区域各自对应的像素特征值，包括：
针对每个子区域：
将子区域的所有像素的均值作为该子区域的像素特征值；或者，
将子区域的所有像素的最大值作为该子区域的像素特征值；或者，
将子区域的所有像素的最小值作为该子区域的像素特征值。
本实施例中，提供了不同的像素特征值的取值方法，可以根据不同的分类情况和分类效果选择不同的取值方法。
可选的，步骤A2包括：根据每个子区域的中心相对于原始图像的左上角出现的顺序，排列所有像素特征值得到第一图像。
本实施例中，提供了有效的排列像素特征值的方法，使得可以在分割后的子区域的不规则的情况下排列像素特征值。
可选的，步骤101之后，所述方法还包括：
根据多个子区域的数量确定第一图像的尺寸；
步骤A2包括：根据确定的第一图像的尺寸以及每个子区域在原始图像中的顺序，排列所有像素特征值得到第一图像。
本实施例可以根据多个子区域的数量确定第一图像的尺寸，从而使得排列像素特征值后得到的第一图像符合要求。
下面通过实施例来详细介绍实现过程。
参见图3，本实施例中图像分类方法包括：
步骤301：根据预设特征对原始图像进行图像分割，得到互不相交的多个子区域。
可以根据预设特征对原始图像进行图像分割，例如，根据灰度值特征、纹理特征、颜色特征、亮度特征或边缘特征等对原始图像进行分割，使得分割后得到的子区域中的像素具有相同或相似的某一类特性。如图4所示，原始图像被示例性地分为4个子区域a、b、c、d。在本发明的其他实施例中，划分出的子区域很可能大小不同、形状不规则且形状各不相同。
步骤302：记录每个子区域在原始图像中所占据的位置信息。
例如，如图4所示，分别记录4个子区域a、b、c、d中所包含的像素在原始图像中的位置信息。
步骤303：获取每个子区域各自对应的一个像素特征值。
由于同一子区域中的像素具有相同或相似的特征，因此，可以考虑使用一个像素特征值来代表一个子区域。
例如，可以将子区域的所有像素的均值作为该子区域的像素特征值；或者，将子区域的所有像素的最大值作为该子区域的像素特征值；或者，将子区域的所有像素的最小值作为该子区域的像素特征值。
如图4所示，在本实施例中，将子区域中的所有像素的均值作为该子区域的像素特征值。通过该步骤，可以获得4个子区域a、b、c、d分别对应的4个像素特征值A、B、C和D。
步骤304：根据每个子区域在原始图像中的顺序，排列所有像素特征值得到第一图像。
例如，如图4所示，根据4个子区域a、b、c、d在原始图像中的顺序，将4个子区域分别对应的4个像素特征值A、B、C和D进行排列，从而都得到第一图像。此时原始图像可以简化为四个像素的图像，大大降低了计算复杂度。上述步骤303和304也可以合并称为图像编码。
在本发明的另一实施例中，由于划分出的子区域很可能大小不同、形状不规则且形状各不相同，因此，可以根据每个子区域的中心相对于原始图像的左上角出现的顺序，排列所有像素特征值得到第一图像。
在本发明的另一实施例中，还可以先根据多个子区域的数量确定第一图像的尺寸。比如步骤301对原始图像进行图像分割后，得到第一行3个子区域，第二行2个子区域，第三行4个子区域，一共九个，那么确定第一图像的尺寸为3*3的矩形。然后，可以根据每个子区域的中心相对于原始图像的左上角出现的顺序开始排序，排列所有像素特征值得到一个3*3的图像，即为第一图像。此外，如果出现子区域的数量不能组合为矩形的情况，可以在最后补零，使第一图像成为规则矩形。
步骤305，利用全卷积神经网络对第一图像中的像素进行分类，得到第二图像。
全卷积神经网络可以基于像素级别对第一图像中的像素进行分类，得到的分类图像即为第二图像，第二图像与第一图像的大小相同、像素位置相对应。
步骤306，根据记录的每个子区域在原始图像中所占据的位置信息，对第二图像进行图像重建，得到与原始图像的大小以及像素位置均对应的分类图像。
由于第二图像是对于第一图像进行的分类，由于第一图像中的像素位置与原始图像的像素位置已经不同，因此，第二图像的像素位置和原始图像也完全不同，所以要根据图像分割时记录的子区域中像素的位置，将第二图像重建为与原始图像大小以及像素位置均对应的分类图像。
如图5所示，第二图像根据图像分割时记录的子区域中像素的位置重建得到最终分类结果。
本实施例提出的图像分类方法的总体流程可以如图6所示，首先对原始图像进行图像分割和编码，得到第一图像，第一图像通过全卷积神经网络模型的分类得到第二图像，第二图像经过重建(即图像解码)得到最终的分类图像。
通过以上描述介绍了图像分类的实现过程，该过程可由装置实现，下面对该装置的内部结构和功能进行介绍。
参见图7，本实施例中的图像分类装置包括：分割模块701、第一处理模块702、第二处理模块703和第三处理模块704。
分割模块701，用于根据预设特征对原始图像进行图像分割，得到互不相交的多个子区域，并记录每个子区域在所述原始图像中所占据的位置信息；
第一处理模块702，用于将原始图像中的每个子区域分别用每个子区域对应的一个像素特征值代替，得到第一图像；
第二处理模块703，用于利用全卷积神经网络对所述第一图像中的像素进行分类，得到第二图像；
第三处理模块704，用于根据所述位置信息，对所述第二图像进行图像重建，得到与所述原始图像的大小以及像素位置均对应的分类图像。
在本发明的一实施例中，如图8所示，第一处理模块702，包括：
获取子模块801，用于获取每个子区域各自对应的一个像素特征值；
排列子模块802，用于根据每个子区域在原始图像中的顺序，排列所有像素特征值得到所述第一图像。
在本发明的一实施例中，获取子模块801用于，针对每个子区域：
将子区域的所有像素的均值作为该子区域的像素特征值；或者，
将子区域的所有像素的最大值作为该子区域的像素特征值；或者，
将子区域的所有像素的最小值作为该子区域的像素特征值。
在本发明的一实施例中，排列子模块802用于：
根据每个子区域的中心相对于原始图像的左上角出现的顺序，排列所有像素特征值得到第一图像。
在本发明的一实施例中，如图9所示，装置还包括：
确定模块705，用于根据所述多个子区域的数量确定所述第一图像的尺寸；
排列子模块802还用于：根据所述尺寸以及所述顺序，排列所有像素特征值得到所述第一图像。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种图像分类方法，其特征在于，包括：
根据预设特征对原始图像进行图像分割，得到互不相交的多个子区域，并记录每个子区域在所述原始图像中所占据的位置信息；
将原始图像中的每个子区域分别用每个子区域对应的一个像素特征值代替，得到第一图像，包括：针对每个子区域：将子区域的所有像素的均值作为该子区域的像素特征值；或者，将子区域的所有像素的最大值作为该子区域的像素特征值；或者，将子区域的所有像素的最小值作为该子区域的像素特征值；根据每个子区域在原始图像中的顺序，排列所有像素特征值得到所述第一图像；
利用全卷积神经网络对所述第一图像中的像素进行分类，得到第二图像；
根据所述位置信息，对所述第二图像进行图像重建，得到与所述原始图像的大小以及像素位置均对应的分类图像。
2.根据权利要求1所述的图像分类方法，其特征在于，所述根据每个子区域在原始图像中的顺序，排列所有像素特征值得到第一图像，还包括：
根据每个子区域的中心相对于原始图像的左上角出现的顺序，排列所有像素特征值得到第一图像。
3.根据权利要求1所述的图像分类方法，其特征在于，所述对原始图像进行图像分割，得到多个子区域之后，所述方法还包括：
根据多个子区域的数量确定所述第一图像的尺寸；
所述根据每个子区域在原始图像中的顺序，排列所有像素特征值得到所述第一图像，包括：
根据所述尺寸以及所述顺序，排列所有像素特征值得到所述第一图像。
4.一种图像分类装置，其特征在于，包括：
分割模块，用于根据预设特征对原始图像进行图像分割，得到互不相交的多个子区域，并记录每个子区域在所述原始图像中所占据的位置信息；
第一处理模块，用于将原始图像中的每个子区域分别用每个子区域对应的一个像素特征值代替，得到第一图像，包括：针对每个子区域：将子区域的所有像素的均值作为该子区域的像素特征值；或者，将子区域的所有像素的最大值作为该子区域的像素特征值；或者，将子区域的所有像素的最小值作为该子区域的像素特征值；根据每个子区域在原始图像中的顺序，排列所有像素特征值得到所述第一图像；
第二处理模块，用于利用全卷积神经网络对所述第一图像中的像素进行分类，得到第二图像；
第三处理模块，用于根据所述位置信息，对所述第二图像进行图像重建，得到与所述原始图像的大小以及像素位置均对应的分类图像。
5.根据权利要求4所述的图像分类装置，其特征在于，
所述排列子模块还用于：
根据每个子区域的中心相对于原始图像的左上角出现的顺序，排列所有像素特征值得到第一图像。
6.根据权利要求4所述的图像分类装置，其特征在于，所述装置还包括：
确定模块，用于根据所述多个子区域的数量确定所述第一图像的尺寸；
所述排列子模块还用于：根据所述尺寸以及所述顺序，排列所有像素特征值得到所述第一图像。
CN201810603073.8A 2018-06-12 2018-06-12 一种图像分类方法和装置 Active CN108830319B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810603073.8A CN108830319B (zh) 2018-06-12 2018-06-12 一种图像分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810603073.8A CN108830319B (zh) 2018-06-12 2018-06-12 一种图像分类方法和装置

Publications (2)

Publication Number Publication Date
CN108830319A CN108830319A (zh) 2018-11-16
CN108830319B true CN108830319B (zh) 2022-09-16

Family

ID=64144798

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810603073.8A Active CN108830319B (zh) 2018-06-12 2018-06-12 一种图像分类方法和装置

Country Status (1)

Country Link
CN (1) CN108830319B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009637B (zh) * 2019-04-09 2021-04-16 北京化工大学 一种基于树形结构的遥感图像分割网络
CN110059751A (zh) * 2019-04-19 2019-07-26 南京链和科技有限公司 一种基于机器学习的胎码和轮胎状态识别方法
CN110135519B (zh) * 2019-05-27 2022-10-21 广东工业大学 一种图像分类方法及装置
CN111340139B (zh) * 2020-03-27 2024-03-05 中国科学院微电子研究所 一种图像内容复杂度的判别方法及装置
CN113592830B (zh) * 2021-08-04 2024-05-03 航天信息股份有限公司 一种图像缺陷检测方法、装置及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073978A (zh) * 2010-12-15 2011-05-25 北京交通大学 利用不规则区域分割的数字图像认证与恢复方法及***
CN102984524A (zh) * 2012-12-18 2013-03-20 浙江大学 一种基于图层分解的视频编解码方法
CN104123555A (zh) * 2014-02-24 2014-10-29 西安电子科技大学 一种基于稀疏表示和超像素的极化sar地物分类方法
CN106529593A (zh) * 2016-11-08 2017-03-22 广东诚泰交通科技发展有限公司 路面病害检测方法和***
CN107220657A (zh) * 2017-05-10 2017-09-29 中国地质大学（武汉） 一种面向小数据集的高分辨率遥感影像场景分类的方法
CN107240066A (zh) * 2017-04-28 2017-10-10 天津大学 基于浅层和深层卷积神经网络的图像超分辨率重建算法
CN108090913A (zh) * 2017-12-12 2018-05-29 河南大学 一种基于对象级Gauss-Markov随机场的图像语义分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073978A (zh) * 2010-12-15 2011-05-25 北京交通大学 利用不规则区域分割的数字图像认证与恢复方法及***
CN102984524A (zh) * 2012-12-18 2013-03-20 浙江大学 一种基于图层分解的视频编解码方法
CN104123555A (zh) * 2014-02-24 2014-10-29 西安电子科技大学 一种基于稀疏表示和超像素的极化sar地物分类方法
CN106529593A (zh) * 2016-11-08 2017-03-22 广东诚泰交通科技发展有限公司 路面病害检测方法和***
CN107240066A (zh) * 2017-04-28 2017-10-10 天津大学 基于浅层和深层卷积神经网络的图像超分辨率重建算法
CN107220657A (zh) * 2017-05-10 2017-09-29 中国地质大学（武汉） 一种面向小数据集的高分辨率遥感影像场景分类的方法
CN108090913A (zh) * 2017-12-12 2018-05-29 河南大学 一种基于对象级Gauss-Markov随机场的图像语义分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An object-based supervised classification framework for very-high-resolution remote sensing images using convolutional neural networks;Xiaodong Zhang 等;《Remote Sensing Letters》;20180430;第9卷(第4期);第373-382页 *

Also Published As

Publication number Publication date
CN108830319A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108830319B (zh) 一种图像分类方法和装置
Bergmann et al. The MVTec anomaly detection dataset: a comprehensive real-world dataset for unsupervised anomaly detection
CN109859190B (zh) 一种基于深度学习的目标区域检测方法
WO2022000426A1 (zh) 基于孪生深度神经网络的动目标分割方法及***
Gao et al. Classification of CT brain images based on deep learning networks
CN111738995B (zh) 一种基于rgbd图像的目标检测方法、装置及计算机设备
US20180181796A1 (en) Image processing method and apparatus
US20170039723A1 (en) Image Object Segmentation Using Examples
CN110738125A (zh) 利用Mask R-CNN选择检测框的方法、装置及存储介质
US20090252429A1 (en) System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN109934216B (zh) 图像处理的方法、装置、计算机可读存储介质
WO2023116632A1 (zh) 基于时空记忆信息的视频实例分割方法和分割装置
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
CN114550021A (zh) 基于特征融合的表面缺陷检测方法及设备
CN114067186B (zh) 一种行人检测方法、装置、电子设备及存储介质
CN116994721A (zh) 一种数字病理切片图的快速处理***
CN116403062A (zh) 一种点云目标检测方法、***、设备及介质
CN115830323A (zh) 一种碳纤维复合材料数据集的深度学习分割方法
CN115546476A (zh) 基于多尺度特征的多对象检测方法与数据平台
US8300936B2 (en) System and method for improving display of tuned multi-scaled regions of an image with local and global control
Lee et al. SAF-Nets: Shape-Adaptive Filter Networks for 3D point cloud processing
CN114550062A (zh) 图像中运动对象的确定方法、装置、电子设备和存储介质
CN114359587A (zh) 类激活图生成方法、可解释方法、装置、设备及存储介质
CN113052118A (zh) 基于高速快球摄像机实现场景变换视频分析检测的方法、***、装置、处理器及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant