一种图像识别方法及系统技术方案

一般来说，图像分类通过手工特征或特征学习方法对整个图像进行全部描述，然后使用分类器判别物体类别，因此如何提取图像的特征至关重要。10.一种椒盐噪声去除装置，其特征在于，包括噪声候选点获取模块，用于对噪声图像进行中值滤波，将经过中值滤波后得到的图像与噪声图像进行差分，基于差分结果确定噪声候选点。最后值得一提的是, 2005 年,kandaswamy 分析了glcm 的计算复杂度,受统计占有模型的启发,提出一种提高纹理分析效率的方法,通过相似度评估,采用近似纹理特征分析雷达图像纹理特征,描述了如何提取近似纹理特征,其结论为:近似纹理特征可以提高图像纹理分析的效率,并没有引起分类正确率的下降 [22] 。

全部详细技术资料下载

【技术实现步骤摘要】

一种图像识别方法及系统

本专利技术涉及图像识别

，特别是涉及一种图像识别方法及系统。

技术介绍

目前，随着互联网的快速发展，网络数据越来越庞大，尤其图像数据呈几何倍增长。因此，如何合理而有效的利用这些数据成为了我们的思考。同时，随着机器学习的极大发展，图像识别，例如手写数字，人脸识别等，也得到了广泛的应用。一方面，在应用的过程中，由于手写设备的局限，拍摄设备的误差，数据的环境和传输过程等不确定因素的影响，获得的图像经常会包含噪声数据，数据的有效性有所欠缺，基于多示例的支持向量机无法进行有效的学习和表达，从而降低了图像的识别精度，严重影响到图像识别的广泛应用；另一方面，由于图像识别应用中，由于获取的图像数据不充足，而这些图像又比较相似而有潜在的联系时，基于单任务多示例的支持向量机无法更加深入了利用图像之间的联系，从而影响识别的效率，降低了图像识别精度使得图像的识别的准确率不高。

技术实现思路

有鉴于此，本专利技术的目的在于提供一种图像识别方法及系统，可以降低图像识别中噪声对分类结果的影响，并且提高分类精度和识别准确率。其具体方案如下：一种图像识别方法，包括：获取图像信息，提取所述图像的特征数据；对所述特征数据进行标记，转换成多示例的表示形式；通过多示例加权包进行机器学习，并进行多任务学习环境的扩展；训练得到多示例多任务图像识别分类器，对所述图像进行识别分类。优选地，在本专利技术实施例提供的上述图像识别方法中，通过多示例加权包进行机器学习，具体包括：对所述包示例中的噪声数据进行处理，赋予所述包示例不同的权值，利用迭代的训练分类器，训练示例权值，改进包表示。优选地，在本专利技术实施例提供的上述图像识别方法中，进行多任务学习环境的扩展，具体包括：利用多任务中的人物中共享图像的信息，确定所述图像之间的关联性。优选地，在本专利技术实施例提供的上述图像识别方法中，对所述特征数据进行标记，转换成多示例的表示形式，具体包括：将所述特征数据转换为矩阵数据；假设存在T个分类任务，则第t个分类任务的数据集表示为Dt，包含|Nt|个负多示例包和|Pt|个正多示例包，此时Dt＝Nt∪Pt；其中，Nt表示第t个分类任务的负示例包；Pt表示第t个分类任务的正示例包；Bit表示负多示例包，由m个示例组成；Bjt表示正多示例包，由m个示例组成；Nt对应的标签集为Yit∈{-1，+1}表示第t个分类任务中的负多示例包Bit所关联的标签；Pt对应的标签集为Yjt∈{-1，+1}表示为第t个分类任务中的正多示例包Bjt所关联的标签。

优选地，在本专利技术实施例提供的上述图像识别方法中，下述公式为加权的公式：yitZ＝-1；yjtZ＝+1；其中，表示第k次负多示例包迭代的权值；表示第k次正多示例包迭代的权值；表示负多示例包迭代的初始化权值；表示正多示例包迭代的初始化权值；yitZ表示负示例包中所有示例标签；yjtZ表示负示例包中所有示例标签。优选地，在本专利技术实施例提供的上述图像识别方法中，利用多任务中的人物中共享图像的信息，确定所述图像之间的关联性，具体包括：构建第t个分类任务中正多示例包和负多示例包所关联的拉格朗日乘子列向量：其中，αit表示第t个分类任务中负多示例包nit所关联的拉格朗日乘子，共有|Nt|个；βjt表示第t个分类任务中正多示例包pjt所关联的拉格朗日乘子，共有|Pt|个。优选地，在本专利技术实施例提供的上述图像识别方法中，利用多任务中的人物中共享图像的信息，确定图像间的关联性，具体还包括：构建T个分类任务中的所有多示例包构成的矩阵:其中,表示第t个分类任务所有负多示例包构成的包矩阵；表示第t个分类任务所有正多示例包构成的包矩阵；φ(nit)表示负多示例包nit在多任务学习环境下的映射；φ(pjt)表示正多示例包pjt在多任务学习环境下的映射。

本专利技术实施例还提供了一种图像识别系统，包括：数据提取模块，用于获取图像信息，提取所述图像的特征数据；数据转换模块，用于对所述特征数据进行标记，转换成多示例的表示形式；加权包学习模块，用于通过多示例加权包进行机器学习，并进行多任务学习环境的扩展；分类器获取模块，用于训练得到多示例多任务图像识别分类器，对所述图像进行识别分类本专利技术所提供的一种图像识别方法及系统，包括：获取图像信息，提取图像的特征数据；对特征数据进行标记，转换成多示例的表示形式；通过多示例加权包进行机器学习，并进行多任务学习环境的扩展；训练得到多示例多任务图像识别分类器，对图像进行识别分类图像识别 方法。本专利技术公开的上述图像识别方法，利用给多示例加权包来降低图像识别中噪声对分类结果的影响，同时提高分类精度；并且算法扩展到多任务环境中，利用多任务环境的优势，能有效的利用图像之间的关联性，进一步提高识别准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

本文针对玻璃检测技术的要求和应用特点进行分析,对玻璃缺陷的图像处理技术和识别原理进行了阐述,提出了一套玻璃质量检测系统的总体技术方案,利用面向对象的vc++编程工具,结合图像处理技术,实现了对玻璃缺陷的实时检测、识别和分类。以下结合一个具体实施例，示例性说明及帮助进一步理解实用新型实质，但实施 例具体细节仅是为了说明实用新型，并不代表实用新型构思下全部技术方案，因此不应理 解为对实用新型总的技术方案限定，一些在技术人员看来，不偏离实用新型构思的非实质 性增加和/或改动，例如以具有相同或相似技术效果的技术特征简单改变或替换，均属实 用新型保护范围。若采用深度学习技术解决生物医学大数据分析问题，首先应进行数据预处理，由于深度学习模型对输入数据的预设要求更低，因此预处理过程相比传统模型要简单，随后构建深度模型，针对具体问题使用不同的模型扩展及组合方法.最后训练深度模型，从原始数据中提取更高级的数据特征，提取到数据特征之后，可直接将其输入分类器进行分类，也可将其和原始信息一同作用于分类器.已有的实验表明，将处理后特征信息和原始数据信息共同作为模型输入将得到更好的表现[].。

需要说明的是，多示例加权包(即训练集)由若干个包组成，每个包包含若干个示例，包示例标签未知，现有技术中正包中不仅存在正示例，也可能包含负示例噪声，会影响分类效果；而本专利技术通过多示例加权包进行机器学习可以实现降噪。在具体实施时，在本专利技术实施例提供的上述图像识别方法中，步骤S103通过多示例加权包进行机器学习，具体可以包括：对包示例中的噪声数据进行处理，赋予包示例不同的权值，利用迭代的训练分类器，训练示例权值，改进包表示。这样针对包示例存在噪声的情况，提出赋予包示例不同的权值，不断更新分类器，调整权值，可以降低噪声对分类结果影响，提高分类精度。在具体实施时，在本专利技术实施例提供的上述图像识别方法中，为了进一步提高图像识别精度，步骤S103进行多任务学习环境的扩展，具体可以包括：利用多任务中的人物中共享图像的信息，确定图像之间的关联性。在具体实施时，在本专利技术实施例提供的上述

【技术保护点】

最近25年是从图像视角通过提取丰富的图像特征描述物体的外观来做识别、分类: appearance-based and view-centered。一般来说，图像分类通过手工特征或特征学习方法对整个图像进行全部描述，然后使用分类器判别物体类别，因此如何提取图像的特征至关重要。此外，所述图像识别装置具备对象区域图像提取部，该对象区域图像提取部从所 述对象图像中提取对象区域而作为对象区域图像，所述块图像生成部将所述对象区域图像分割成多个块而生成多个所述块图像。

【技术特征摘要】

一般来说，图像分类通过手工特征或特征学习方法对整个图像进行全部描述，然后使用分类器判别物体类别，因此如何提取图像的特征至关重要。以及类别判别部，其采用与所述第i特征量空间中的所述块图像的特征量的大小对应的坐标位置以及所述分离平面，判别所述块图像是否被分类为所述类别，所述特征量计算部采用根据该块图像的图像信息算出的局部特征量以及根据所述对象图像整体的图像信息算出的整体特征量，作为所述块图像的特征量，并且，在以所述块图像的多个特征为坐标轴的第2特征量空间中，采用组合所述块图像的多个所述局部特征量而成的特征量矢量的坐标位置和所述第2特征量空间的一个或多个任意区域，按照每个区域对具有属于所述区域的所述特征量矢量的所述块图像进行计数，将按照每个区域计得的所述块图像的数量包含在所述整体特征量中。以及 类别判别部，其采用与所述第i特征量空间中的所述块图像的特征量的大小对应的坐标位置以及所述分离平面，判别所述块图像是否被分类为所述类别， 所述特征量计算部采用根据该块图像的图像信息算出的局部特征量以及根据所述对象图像整体的图像信息算出的整体特征量，作为所述块图像的特征量，并且， 在以所述块图像的多个特征为坐标轴的第2特征量空间中，采用组合所述块图像的多个所述局部特征量而成的特征量矢量的坐标位置和所述第2特征量空间的一个或多个任意区域，按照每个区域对具有属于所述区域的所述特征量矢量的所述块图像进行计数，将按照每个区域计得的所述块图像的数量包含在所述整体特征量中。

【专利技术属性】

技术研发人员：黎启祥，肖燕珊，刘波，郝志峰，阮奕邦，

申请(专利权)人：广东工业大学，

类型：发明

国别省市：广东,44

全部详细技术资料下载 我是这个专利的主人

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-101752-1.html