本發(fā)明屬于圖像處理領(lǐng)域，尤其涉及一種基于先驗(yàn)知識的紋理圖像分類方法。

背景技術(shù)：

1、紋理是一種不依賴于顏色或亮度變化的反應(yīng)同質(zhì)現(xiàn)象的視覺特征，是物體表面的一種基本屬性，廣泛存在于自然界中。紋理特征包含了物體表面結(jié)構(gòu)組織排列的重要信息以及它們與周圍環(huán)境的聯(lián)系，是描述和識別物體的一種重要的符合人類視覺特征的視覺線索，同時(shí)也一直是計(jì)算機(jī)視覺研究的重點(diǎn)內(nèi)容。

2、紋理分析在許多領(lǐng)域都有著重要的應(yīng)用，如醫(yī)療衛(wèi)生領(lǐng)域、航空航天制造領(lǐng)域和軍工領(lǐng)域等。在圖像識別和目標(biāo)檢測中，復(fù)雜紋理特征可以幫助算法更好地理解圖像內(nèi)容。這些特征可以用于圖像分類、物體識別、人臉識別等任務(wù)。在地質(zhì)學(xué)研究中，復(fù)雜紋理特征分析可以幫助識別地質(zhì)結(jié)構(gòu)和地層特征。通過分析地質(zhì)圖像中的紋理特征，可以確定巖石類型、地層的排列和變化，對地質(zhì)調(diào)查和資源勘探具有重要意義。在材料科學(xué)中，復(fù)雜紋理特征分析可以幫助研究人員了解材料的結(jié)構(gòu)和性能。通過分析材料的紋理特征，可以預(yù)測材料的力學(xué)性能、熱導(dǎo)率、電導(dǎo)率等屬性，從而指導(dǎo)材料設(shè)計(jì)和優(yōu)化。在軍事領(lǐng)域復(fù)雜紋理圖像分析可以用于在軍事情報(bào)收集、偵察和監(jiān)視中，自動(dòng)檢測和識別敵方目標(biāo)或感興趣的地點(diǎn)。通過分析圖像中的紋理特征，例如地形、建筑物、車輛、人員等的紋理，可以幫助軍事人員迅速發(fā)現(xiàn)和識別潛在威脅或目標(biāo)。在醫(yī)學(xué)領(lǐng)域，復(fù)雜紋理特征分析對于病灶檢測、組織分類和疾病診斷等任務(wù)非常重要。例如，通過分析醫(yī)學(xué)圖像中組織的紋理特征，可以幫助醫(yī)生診斷癌癥、腫瘤等疾病。

3、推動(dòng)新一代人工智能技術(shù)中圖像圖形、學(xué)習(xí)推理與決策領(lǐng)域的創(chuàng)新研究工作是未來很長一段時(shí)間的發(fā)展目標(biāo)，而當(dāng)前依靠深度學(xué)習(xí)算法（dcnn）對紋理特征的分析仍未脫離海量數(shù)據(jù)驅(qū)動(dòng)的統(tǒng)計(jì)學(xué)習(xí)模式，缺乏對處理結(jié)果的合理解釋與有效預(yù)知，限制了領(lǐng)域的發(fā)展空間。

4、具體的，當(dāng)將dcnn應(yīng)用到手指靜脈識別時(shí)，由于手指靜脈中每個(gè)類別只包含少量樣本，而dcnn需要大量的數(shù)據(jù)來學(xué)習(xí)更抽象的語義信息進(jìn)行分類，因此極易出現(xiàn)過擬合，原因是感知場大小固定在卷積層中的每個(gè)位置，缺乏處理幾何變換的內(nèi)在機(jī)制；因此受到手指靜脈訓(xùn)練樣本不足的限制，dcnn特征學(xué)習(xí)不足和模型泛化能力弱。

5、為了解決上述存在的技術(shù)難題，急需一種基于小樣本學(xué)習(xí)的紋理圖像分類方法。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，有必要提供一種基于先驗(yàn)知識的紋理圖像分類方法。

2、本發(fā)明第一方面提出一種基于先驗(yàn)知識的紋理圖像分類方法，包括以下方法步驟：

3、訓(xùn)練基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)

4、s1、對紋理圖像進(jìn)行預(yù)處理；

5、s2、對紋理圖像數(shù)據(jù)集進(jìn)行訓(xùn)練集和測試集的劃分；

6、s3、構(gòu)建基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)；使用訓(xùn)練集和測試集對所述基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練即可得到紋理圖像分類網(wǎng)絡(luò)；

7、其中，所述基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)包括：

8、用于提取和增強(qiáng)淺層特征的殘差gabor卷積層模塊，該模塊包括一層卷積與一層gabor方向?yàn)V波器；

9、用于對增強(qiáng)后的淺層特征進(jìn)行深度特征提取的殘差模塊；

10、用于提取一組增強(qiáng)語義信息特征的密集語義分析dasm模塊；

11、用于將增強(qiáng)語義信息特征與深度特征融合的concat操作；

12、以及用于進(jìn)行分類輸出的softmax分類器；

13、紋理圖像分類

14、s4、將獲取到的原始紋理圖像輸入已訓(xùn)練好的基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)，即可輸出分類結(jié)果。

15、本發(fā)明第二方面提出一種基于所述基于先驗(yàn)知識的紋理圖像分類方法的系統(tǒng)，該系統(tǒng)包括：

16、模型訓(xùn)練模塊，用于訓(xùn)練基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)；

17、其中，所述訓(xùn)練基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)的步驟包括：

18、s1、對紋理圖像進(jìn)行預(yù)處理；

19、s2、對紋理圖像數(shù)據(jù)集進(jìn)行訓(xùn)練集和測試集的劃分；

20、s3、構(gòu)建基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)；使用訓(xùn)練集和測試集對所述基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練即可得到紋理圖像分類網(wǎng)絡(luò)；

21、其中，所述基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)包括：

22、用于提取和增強(qiáng)淺層特征的殘差gabor卷積層模塊，該模塊包括一層卷積與一層gabor方向?yàn)V波器；

23、用于對增強(qiáng)后的淺層特征進(jìn)行深度特征提取的殘差模塊；

24、用于提取一組增強(qiáng)語義信息特征的密集語義分析dasm模塊；

25、用于將增強(qiáng)語義信息特征與深度特征融合的concat操作；

26、以及用于進(jìn)行分類輸出的softmax分類器；

27、紋理圖像分類模塊，用于將獲取到的原始紋理圖像輸入已訓(xùn)練好的基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)，即可輸出識別結(jié)果。

28、本發(fā)明第三方面提出一種終端，包括處理器、存儲器以及存儲在所述存儲器中的基于先驗(yàn)知識的紋理圖像分類方法程序，所述基于先驗(yàn)知識的紋理圖像分類方法程序被所述處理器運(yùn)行時(shí)，實(shí)現(xiàn)如所述的基于先驗(yàn)知識的紋理圖像分類方法的步驟。

29、本發(fā)明相對現(xiàn)有技術(shù)具有突出的實(shí)質(zhì)性特點(diǎn)和顯著進(jìn)步，具體的說：

30、1、本發(fā)明通過訓(xùn)練基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)，僅需簡單的圖像預(yù)處理操作，無需設(shè)計(jì)復(fù)雜的特征提取算法，便可將圖像輸入網(wǎng)絡(luò)進(jìn)行分類，輸出分類結(jié)果；

31、2、本發(fā)明通過采用殘差機(jī)制，能夠保證圖像特征向深層網(wǎng)絡(luò)傳遞的同時(shí)不會丟失，從而得到圖像更高維和抽象的特征。同時(shí)，提出的基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)中的殘差gabor卷積層模塊有效地增強(qiáng)了網(wǎng)絡(luò)中淺層特征中的角度與尺度信息，密集語義分析模塊進(jìn)一步充分地提取并分析了增強(qiáng)后的深層特征信息，增強(qiáng)網(wǎng)絡(luò)的特征提取與表示能力，同時(shí)能夠加速網(wǎng)絡(luò)訓(xùn)練，提升分類的準(zhǔn)確率。

32、3、本發(fā)明提出了一種特征離線增強(qiáng)策略fv-mix，通過對單個(gè)個(gè)體預(yù)處理后的特征按比例線性融合，最終可以得到2^n-1個(gè)用于訓(xùn)練的特征，擴(kuò)大了樣本數(shù)量。

33、本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述部分中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

技術(shù)特征：

1.一種基于先驗(yàn)知識的紋理圖像分類方法，其特征在于，包括以下方法步驟：

2.根據(jù)權(quán)利要求1所述的一種基于先驗(yàn)知識的紋理圖像分類方法，其特征在于，用于提取和增強(qiáng)淺層特征的殘差gabor卷積層模塊的處理步驟包括：

3.根據(jù)權(quán)利要求2所述的基于先驗(yàn)知識的紋理圖像分類方法，其特征在于，步驟32中，將原始卷積濾波器與一組不同方向的gabor濾波器進(jìn)行調(diào)制，得到卷積gabor方向?yàn)V波器。

4.根據(jù)權(quán)利要求1所述的基于先驗(yàn)知識的紋理圖像分類方法，其特征在于，用于提取一組增強(qiáng)語義信息特征的密集語義分析dasm模塊的處理步驟包括：

5.根據(jù)權(quán)利要求1所述的基于先驗(yàn)知識的紋理圖像分類方法，其特征在于，步驟s2中，對數(shù)據(jù)集每個(gè)類別中的圖像按照2:1的比例劃分為訓(xùn)練集和測試集后，進(jìn)一步將訓(xùn)練集按9:1的比例分為訓(xùn)練集和驗(yàn)證集。

6.一種基于先驗(yàn)知識的紋理圖像分類系統(tǒng)，其特征在于，包括：

7.根據(jù)權(quán)利要求6所述的基于先驗(yàn)知識的紋理圖像分類系統(tǒng)，其特征在于，用于提取和增強(qiáng)淺層特征的殘差gabor卷積層模塊的處理步驟包括：

8.根據(jù)權(quán)利要求7所述的基于先驗(yàn)知識的紋理圖像分類系統(tǒng)，其特征在于，步驟32中，將原始卷積濾波器與一組不同方向的gabor濾波器進(jìn)行調(diào)制，得到卷積gabor方向?yàn)V波器。

9.根據(jù)權(quán)利要求6所述的基于先驗(yàn)知識的紋理圖像分類系統(tǒng)，其特征在于，用于提取一組增強(qiáng)語義信息特征的密集語義分析dasm模塊的處理步驟包括：

10.一種終端，其特征在于：包括處理器、存儲器以及存儲在所述存儲器中的基于先驗(yàn)知識的紋理圖像分類方法程序，所述基于先驗(yàn)知識的紋理圖像分類方法程序被所述處理器運(yùn)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1-5中任一項(xiàng)所述的基于先驗(yàn)知識的紋理圖像分類方法的步驟。

技術(shù)總結(jié)
本發(fā)明提出了一種基于先驗(yàn)知識的紋理圖像分類方法，包括以下方法步驟：對圖像進(jìn)行預(yù)處理；對圖像數(shù)據(jù)集進(jìn)行訓(xùn)練集和測試集的劃分；對所述基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練即可得到紋理圖像分類網(wǎng)絡(luò)；將對獲取到的原始紋理圖像輸入已訓(xùn)練好的基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)，即可輸出分類結(jié)果；其中，所述基于先驗(yàn)知識的紋理圖像分類網(wǎng)絡(luò)包括：用于提取和增強(qiáng)淺層特征的殘差Gabor卷積層模塊，該模塊包括一層卷積與一層Gabor方向?yàn)V波器；用于對增強(qiáng)后的淺層特征進(jìn)行深度特征提取的殘差模塊；用于提取一組增強(qiáng)語義信息特征的密集語義分析DASM模塊；用于將增強(qiáng)語義信息特征與深度特征融合的Concat操作；以及用于進(jìn)行分類輸出的Softmax分類器。

技術(shù)研發(fā)人員：王一凡,林承林,鐘澤熠,祁國蓮,潘晨宇,薛涵,桑鵬程,馬菘哲
受保護(hù)的技術(shù)使用者：長春工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19