【CN109993221A】一种图像分类方法及装置【专利】

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号 (43)申请公布日 (21)申请号 201910227705.X

(22)申请日 2019.03.25

(71)申请人 新华三大数据技术有限公司

地址 450000 河南省郑州市高新技术产业

开发区杜英街166号总部大观B18号楼

(72)发明人 徐启南　

(74)专利代理机构 北京超成律师事务所 11646

代理人 刘静

(51)Int.Cl.

G06K 9/62(2006.01)

(54)发明名称一种图像分类方法及装置(57)摘要本申请提供了一种图像分类方法及装置，其中，该方法包括：获取待分类的目标图像；将目标图像输入至预先训练好的分类模型中，输出目标图像的类别；其中，目标图像在分类模型中的处理过程包括：提取目标图像的目标方向梯度直方图HOG特征矩阵；分别计算目标HOG特征矩阵和每个类别对应的参考HOG特征矩阵之间的互信息值；基于计算出的互信息值，确定与目标HOG特征矩阵之间的互信息值由大到小排列在前K位的参考HOG特征矩阵；K为正整数；根据排列在前K位的参考HOG特征矩阵分别对应的类别，将出现次数最多的类别作为目标图像的类别。采用上述方式，可以在保证准确率较高的情况下，节省硬件处理资源，

提升图像处理效率。权利要求书4页 说明书14页 附图5页CN 109993221 A 2019.07.09

C N 109993221

A

权　利　要　求　书1/4页CN 109993221 A

1.一种图像分类方法，其特征在于，包括：

获取待分类的目标图像；

将所述目标图像输入至预先训练好的分类模型中，输出所述目标图像的类别；其中，所述目标图像在所述分类模型中的处理过程包括：

提取所述目标图像的目标方向梯度直方图HOG特征矩阵；

分别计算所述目标HOG特征矩阵和每个类别对应的参考HOG特征矩阵之间的互信息值；

基于计算出的互信息值，确定与所述目标HOG特征矩阵之间的互信息值由大到小排列在前K位的参考HOG特征矩阵；K为正整数；

根据所述排列在前K位的参考HOG特征矩阵分别对应的类别，将出现次数最多的类别作为所述目标图像的类别。

2.如权利要求1所述的图像分类方法，其特征在于，所述分别计算所述目标HOG特征矩阵和每个类别对应的参考HOG特征矩阵之间的互信息值，包括：

根据所述目标HOG特征矩阵中各个特征参数，计算每种特征参数出现在所述目标HOG特征矩阵中的第一概率，并基于计算出的第一概率，确定所述目标HOG特征矩阵的第一信息熵；其中，每个特征参数用于表征所述目标图像中对应的图像区域的图像特征，取值相同的特征参数为同一种特征参数，所述图像区域包括至少一个像素点；以及，根据每个所述参考HOG特征矩阵的各个特征参数，计算每种特征参数出现在每个所述参考HOG特征矩阵中的第二概率，并基于计算出的第二概率，确定每个所述参考HOG特征矩阵的第二信息熵；以及，

计算所述目标HOG特征矩阵和每个所述参考HOG特征矩阵中同一位置处出现同种特征参数的第三概率，并基于计算出的第三概率，确定所述目标HOG特征矩阵和每个所述参考HOG特征矩阵之间的第三信息熵；

基于所述第一信息熵、每个所述参考HOG特征矩阵的第二信息熵、以及所述目标HOG特征矩阵和每个所述参考HOG特征矩阵之间的第三信息熵，计算所述目标HOG特征矩阵和每个所述参考HOG特征矩阵之间的互信息值。

3.如权利要求1所述的图像分类方法，其特征在于，所述方法还包括：

获取训练样本集和测试样本集，其中，所述训练样本集中包括不同类别的训练样本子集，每种类别的训练样本子集中包括归属于该类别的多个训练样本图像，所述测试样本集中包括多个测试样本图像，每个测试样本图像与预设类别标签相对应；

基于所述不同类别的训练样本子集中的训练样本图像、以及所述测试样本集中的测试样本图像，对基础分类模型中的基础特征提取模块和基础类别预测模块分别进行训练，在确定训练完成后分别得到特征提取模块和类别预测模块；

将训练完成后的特征提取模块和类别预测模块构成所述分类模型。

4.如权利要求3所述的图像分类方法，其特征在于，根据以下方式训练所述基础特征提取模块：

将每个测试样本图像和每个类别的训练样本子集中的训练样本图像输入至所述基础特征提取模块中，分别提取每个测试样本图像的第一HOG特征矩阵、以及每个类别的每个训练样本图像的第二HOG特征矩阵；

将提取出的第一HOG特征矩阵和提取出的第二HOG特征矩阵输入至所述基础类别预测

2