一种结合显著性区域的卷积神经网络的花卉图像分类方法
专利汇可以提供一种结合显著性区域的卷积神经网络的花卉图像分类方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种结合显著性区域的 卷积神经网络 的花卉图像分类方法，在卷积神经网络提取花卉图像的全局特征的 基础 上，加入Itti-Koch视觉注意计算模型计算得到花卉图像的显著性区域，再使用卷积神经网络在花卉图像显著性区域上提取显著性区域特征，将全局特征与显著性区域特征相融合，用于花卉图像的精细分类。本发明提出的一种结合显著性区域的卷积神经网络的花卉图像分类方法克服了卷积神经网络直接在原始图像上提取特征时背景复杂性的影响，具有较强的实用性。，下面是一种结合显著性区域的卷积神经网络的花卉图像分类方法专利的具体信息内容。
1.一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，按照如下步骤实现：
步骤S1：采用基于Itti-Koch视觉注意力模型计算花卉原始图像对应的花卉图像显著图；
步骤S2：计算花卉图像显著性区域；
步骤S3：在所述花卉原始图像、所述花卉图像显著性区域上分别训练卷积神经网络；
步骤S4：通过采用完成训练的卷积神经网络，分别对所述花卉原始图像和所述花卉图像显著性区域提取特征；
步骤S5：进行特征融合；
步骤S6：对图像进行分类。
2.根据权利要求1所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，在所述步骤S1中，所述花卉图像显著图计算包括如下步骤：
步骤S11：提取所述花卉原始图像的视觉特征；
步骤S12：根据所述视觉特征计算花卉图像显著图。
3.根据权利要求2所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，在所述步骤S11中，还包括如下步骤：
步骤S111：统一所述花卉原始图像的尺寸，采用9级高斯金字塔算法对所述花卉原始图像进行采样，并采样为尺度0至尺度8，共9个尺度；
步骤S112：在每个尺度上对应提取视觉特征图，包括：颜色特征、亮度特征和方向特征；
步骤S113：对提取的所有视觉特征图进行center-surround 操作。
4.根据权利要求3所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，在所述步骤S12中，还包括如下步骤：
步骤S121：将各个视觉特征图的尺寸分别通过差值调整为与所述高斯金字塔算法中第四层图像的尺寸相同；
步骤S122：将每个视觉特征图中的像素相加；
步骤S123：利用归一化算子 对每个视觉特征图进行归一化，获取亮度显著图、颜色显著图和方向显著图；
步骤S124：通过对所述亮度显著图、颜色显著图和方向显著图进行叠加，得到所述花卉图像显著图。
5.根据权利要求1所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，在所述步骤S2中，还包括如下步骤：
步骤S21：对所述花卉图像显著图进行闭运算操作；
步骤S22：将所述花卉图像显著图与所述花卉原始图像进行交运算，得到所述花卉图像显著性区域。
6.根据权利要求1所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，在所述步骤S3中，分别将所述花卉原始图像、所述花卉图像显著性区域与对应的花卉类别作为训练集，采用小于预设值的不同随机数对所述卷积神经网络进行权值初始化，经过前向传播和反向传播两个阶段，直至所述卷积神经网络中每一层的权值参数确定，完成所述卷积神经网络训练。
7.根据权利要求1或6所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，所述卷积神经网络包括5个卷积层，2个全连接层，卷积操作采用 7×7 的卷积核，滑动窗口的步长设置为2；激活函数采用ReLU；池化操作采用最大池化，池化单元为
3×3，池化单元的移动步长为2。
8.根据权利要求1所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，在所述步骤S4中，通过上分支的卷积神经网络对所述花卉原始图像进行特征学习提取，得到花卉图像的全局特征；通过下分支的卷积神经网络对所述花卉图像显著性区域进行特征学习提取，得到花卉图像的主体特征。
9.根据权利要求8所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，所述特征学习提取包括：将图像尺寸统一处理成 224×224 ，根据RGB色彩空间把图像划分为三个平面；通过所述卷积神经网络的第一层，在特征空间重构后获得96张特征图，每张特征图的尺寸为 55×55；将第一层的96幅特征图输入第二层，得256张尺寸为
27×27的特征图；第三层和第四层都得到384张尺寸大小为13×13的特征图；第五层得到
256张尺寸为 6×6的特征图；第六层的全连接层将第五层输出的特征图进行全相连，输出6×6×256=9216维向量，对其池化操作后得到一个4096维的向量。
10.根据权利要求8所述的一种结合显著性区域的卷积神经网络的花卉图像分类方法，其特征在于，在所述步骤S5中，通过使用全连接层将上、下两个分支的特征进行串联。
一种结合显著性区域的卷积神经网络的花卉图像分类方法
技术领域
背景技术
发明内容
步骤S2：计算花卉图像显著性区域；
步骤S3：在所述花卉原始图像、所述花卉图像显著性区域上分别训练卷积神经网络；
步骤S4：通过采用完成训练的卷积神经网络，分别对所述花卉原始图像和所述花卉图像显著性区域提取特征；
步骤S5：进行特征融合；
步骤S6：对图像进行分类。
步骤S112：在每个尺度上对应提取视觉特征图，包括：颜色特征、亮度特征和方向特征；
步骤S113：对提取的所有视觉特征图进行center-surround 操作。
步骤S122：将每个视觉特征图中的像素相加；
步骤S123：利用归一化算子 对每个视觉特征图进行归一化，获取亮度显著图、颜色显著图和方向显著图；
步骤S124：通过对所述亮度显著图、颜色显著图和方向显著图进行叠加，得到所述花卉图像显著图。
步骤S22：将所述花卉图像显著图与所述花卉原始图像进行交运算，得到所述花卉图像显著性区域。
具体实施方式
步骤S3：在花卉图像原图、花卉图像显著性区域上分别训练卷积神经网络。
步骤S111：统一花卉图像的尺寸，采用9级高斯金字塔算法将花卉图像采样为尺度0至尺度8共9个尺度；
步骤S112：在每个尺度的花卉图像上提取颜色特征、亮度特征和方向特征等多种视觉特征图；
步骤S113：提取的所有特征图进行center-surround 操作；
步骤S12：计算显著图；
步骤S121：利用差值将各个特征图分别调整为与高斯金字塔结构中第四层图像尺寸相同；
步骤S122：将每个特征图中对应像素相加；
步骤S123：利用归一化算子 对特征显著图进行归一化；
步骤S124：亮度显著图、颜色显著图和方向显著图进行叠加，就可以得到最终的显著图。
步骤S22：将显著图与原始图像进行交运算，得到图像的显著性区域。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种解析房产证照片内容的方法 | 2020-09-06 | 1 |
| 一种三维模具缺陷检测方法及装置 | 2020-12-11 | 0 |
| 基于深度学习的鱼类细粒度分类方法 | 2021-04-08 | 2 |
| 卷积神经网络压缩方法及人脸检测方法 | 2022-10-24 | 0 |
| 一种基于改进卷积神经网络的焊缝缺陷识别方法 | 2022-09-21 | 1 |
| 用于面部识别和视频分析以识别上下文视频流中的个人的装置和方法 | 2023-03-13 | 0 |
| 基于多标签分类的道路交通标志的识别方法 | 2021-06-20 | 1 |
| 一种面向智慧社区的多摄像机联动多目标追踪方法及系统 | 2020-09-04 | 0 |
| 基于卷积注意力的矩阵分解方法、装置及电子设备 | 2021-10-30 | 1 |
| 用於類神經網路計算的旋轉資料 | 2023-11-04 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
