本發(fā)明屬于圖像內(nèi)容分類及檢索領(lǐng)域，更具體地，涉及一種基于圖像顯著區(qū)域的圖像分類方法和系統(tǒng)。
背景技術(shù)：
：隨著計(jì)算機(jī)與數(shù)字信息技術(shù)的不斷發(fā)展，每天都有大量的數(shù)字圖像通過(guò)各種渠道出現(xiàn)在人們的生活中。圖像是對(duì)客觀事物的一種相似性或者生動(dòng)性的描述，是人類社會(huì)活動(dòng)中最常用的信息載體，它作為人們最主要的信息來(lái)源，正在以各種各樣的方式滲透到人們的工作、學(xué)習(xí)和生活中。在圖像分類和檢索等圖像處理和分析的過(guò)程中，傳統(tǒng)的方法大都會(huì)對(duì)圖像的全圖信息進(jìn)行描述和分析，然而對(duì)圖像的全圖描述有時(shí)會(huì)包含干擾信息，比如針對(duì)包含顯著區(qū)域的圖像而言，圖像的顯著區(qū)域信息可以體現(xiàn)圖像類別，而對(duì)背景信息的考慮會(huì)對(duì)圖像分類和檢索性能造成影響。對(duì)于包含顯著區(qū)域的圖像而言，要想獲取圖像顯著區(qū)域信息，往往需要定位或者分割提取出圖像顯著區(qū)域，目前提出的分割提取圖像顯著區(qū)域的方法可以分為兩類：基于人工標(biāo)注的交互式分割提取和基于圖像顯著性檢測(cè)的自動(dòng)分割提取。由于互聯(lián)網(wǎng)圖像數(shù)據(jù)量非常龐大，交互式分割方法耗時(shí)費(fèi)力；而基于圖像顯著度的自動(dòng)分割應(yīng)用于背景較復(fù)雜的圖像時(shí)，存在區(qū)域邊界處劃分準(zhǔn)確率低或者誤將目標(biāo)區(qū)域劃分成背景的局限。圖像分類是對(duì)互聯(lián)網(wǎng)上龐大的圖像資源進(jìn)行組織、管理和檢索的關(guān)鍵技術(shù)。目前圖像分類大多基于全圖實(shí)現(xiàn)，當(dāng)圖像語(yǔ)義類別相同但背景不同時(shí)，底層視覺(jué)特征一般不相似，針對(duì)這種圖像訓(xùn)練圖像分類器，分類性能會(huì)受背景信息的影響，從而使得圖像分類準(zhǔn)確率降低。而在不同拍攝條件下獲取的圖像，例如智能手機(jī)和平板電腦的圖像，會(huì)出現(xiàn)底層視覺(jué)特征十分相似但語(yǔ)義類別明顯不同的情況，僅僅基于底層視覺(jué)特征很難實(shí)現(xiàn)有效分類。因此針對(duì)包含顯著區(qū)域的圖像而言，圖像類別往往由圖像顯著區(qū)域信息表現(xiàn)，基于原圖進(jìn)行圖像類別判斷會(huì)出現(xiàn)信息干擾，影響分類準(zhǔn)確度。技術(shù)實(shí)現(xiàn)要素：本發(fā)明針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于圖像顯著區(qū)域的圖像分類方法和系統(tǒng)，本發(fā)明的目的在于保證分割結(jié)果的前提下，減少人工交互的工作量，提高了圖像分類的準(zhǔn)確率。為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種基于圖像顯著區(qū)域的圖像分類方法，包括離線訓(xùn)練和在線測(cè)試部分：離線訓(xùn)練部分包括以下步驟：s1：對(duì)圖像進(jìn)行n次超像素分割得到圖像n層尺度下的分割塊，計(jì)算圖像的n層尺度下分割塊的特征對(duì)比度得到n個(gè)顯著圖，融合n個(gè)顯著圖得到目標(biāo)顯著圖；s2：對(duì)目標(biāo)顯著圖進(jìn)行閾值分割得到二值圖像，然后對(duì)該二值圖像分別作形態(tài)學(xué)處理得到圖像標(biāo)記，然后基于圖像標(biāo)記利用分割算法對(duì)目標(biāo)顯著圖進(jìn)行自動(dòng)分割提取得到顯著區(qū)域；s3：將顯著區(qū)域作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，得到基于圖像顯著區(qū)域的圖像分類器；在線測(cè)試部分包括以下步驟：s4：測(cè)試圖像按照步驟s1和s2的方式完成測(cè)試圖像的顯著區(qū)域自動(dòng)分割提取，然后將測(cè)試圖像的顯著區(qū)域圖像輸入到離線訓(xùn)練好的圖像分類器，圖像分類器輸出圖像分類結(jié)果。進(jìn)一步的，s1中的特征對(duì)比度為色彩對(duì)比度、空間對(duì)比度和紋理對(duì)比度中的一種或幾種。更進(jìn)一步的，s1中的特征對(duì)比度為色彩對(duì)比度和空間對(duì)比度。進(jìn)一步的，s2中閾值設(shè)定為w和h為目標(biāo)顯著圖s的長(zhǎng)和寬，(x,y)為目標(biāo)顯著圖內(nèi)像素點(diǎn)的坐標(biāo)。進(jìn)一步的，s2中分割算法為growcut算法、graphcut算法和grabcut算法中的任意一種。更進(jìn)一步的，s2中分割算法為growcut算法。進(jìn)一步的，s3中卷積神經(jīng)網(wǎng)絡(luò)為alexnet網(wǎng)絡(luò)、lenet網(wǎng)絡(luò)、googlenet網(wǎng)絡(luò)、vgg網(wǎng)絡(luò)和resnet網(wǎng)絡(luò)中的任意一種。更進(jìn)一步的，s3中卷積神經(jīng)網(wǎng)絡(luò)為alexnet網(wǎng)絡(luò)。進(jìn)一步的，s3中alexnet網(wǎng)絡(luò)通過(guò)來(lái)少量的權(quán)重衰減減小訓(xùn)練誤差，其中權(quán)重更新規(guī)則為：其中i是迭代次數(shù)，v是動(dòng)力變量，ε是學(xué)習(xí)率，是對(duì)ωi求值的倒數(shù)在第i批樣本di上的平均值，ωi表示第i次迭代后的權(quán)重，ωi+1表示第i+1次迭代后的權(quán)重，vi表示第i次迭代后的動(dòng)力變量，vi+1表示第i+1次迭代后的動(dòng)力變量。按照本發(fā)明的另一個(gè)方面，提供了一種基于圖像顯著區(qū)域的圖像分類系統(tǒng)，包括離線訓(xùn)練模塊和在線測(cè)試模塊：所述離線訓(xùn)練模塊包括以下子模塊：多尺度顯著性檢測(cè)子模塊，用于對(duì)圖像進(jìn)行n次超像素分割得到圖像的n層尺度下的分割塊，計(jì)算圖像的n層尺度下分割塊的特征對(duì)比度得到n個(gè)顯著圖，融合n個(gè)顯著圖得到目標(biāo)顯著圖；顯著區(qū)域子模塊，用于對(duì)目標(biāo)顯著圖進(jìn)行閾值分割得到二值圖像，然后對(duì)該二值圖像分別作形態(tài)學(xué)處理得到圖像標(biāo)記，然后基于圖像標(biāo)記利用分割算法對(duì)目標(biāo)顯著圖進(jìn)行自動(dòng)分割提取得到顯著區(qū)域；分類器子模塊，用于將顯著區(qū)域作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，得到基于圖像顯著區(qū)域的圖像分類器；所述在線訓(xùn)練模塊包括：圖像分類子模塊，用于對(duì)測(cè)試圖像通過(guò)多尺度顯著性檢測(cè)子模塊和顯著區(qū)域子模塊完成測(cè)試圖像的顯著區(qū)域自動(dòng)分割提取，然后將測(cè)試圖像的顯著區(qū)域圖像輸入到訓(xùn)練好的圖像分類器，進(jìn)行圖像分類，得到圖像類別標(biāo)記。本發(fā)明與現(xiàn)有方法相比具有如下優(yōu)點(diǎn)：(1)對(duì)目標(biāo)顯著圖進(jìn)行閾值分割得到二值圖像，然后對(duì)該二值圖像分別作形態(tài)學(xué)處理，然后利用分割算法，提高了自動(dòng)分割提取得到顯著區(qū)域的準(zhǔn)確率，在保證分割結(jié)果的前提下，減少人工交互的工作量。(2)將顯著區(qū)域作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，得到基于圖像顯著區(qū)域的圖像分類器，提高了圖像分類的準(zhǔn)確率。附圖說(shuō)明圖1是一種基于圖像顯著區(qū)域的圖像分類方法的流程圖；圖2是一種基于圖像顯著區(qū)域的圖像分類系統(tǒng)的結(jié)構(gòu)示意圖；圖3(a)是本發(fā)明實(shí)施例的第一測(cè)試圖像；圖3(b)是本發(fā)明實(shí)施例的第一測(cè)試圖像，利用本專利方法得到的顯著區(qū)域圖；圖4(a)是本發(fā)明實(shí)施例的第二測(cè)試圖像；圖4(b)是本發(fā)明實(shí)施例的第二測(cè)試圖像，利用本專利方法得到的顯著區(qū)域圖；圖5(a)是本發(fā)明實(shí)施例的第三測(cè)試圖像；圖5(b)是本發(fā)明實(shí)施例的第三測(cè)試圖像，利用本專利方法得到的顯著區(qū)域圖。具體實(shí)施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。如圖1所示，一種基于圖像顯著區(qū)域的圖像分類方法，包括離線訓(xùn)練和在線測(cè)試部分：其中，離線訓(xùn)練部分包括以下步驟：s1：首先對(duì)圖像進(jìn)行n次超像素分割得到圖像的n層尺度下的分割塊，計(jì)算圖像的n層尺度下分割塊的特征對(duì)比度得到n個(gè)顯著圖，融合n個(gè)顯著圖得到目標(biāo)顯著圖。不同尺度下的超像素分割塊大小不同。每層圖像的尺度大小計(jì)算公式為：其中rt×t表示一個(gè)t×t的分割塊中像素點(diǎn)個(gè)數(shù)。r表示預(yù)設(shè)尺度值，計(jì)算每層圖像尺度，再確認(rèn)圖像每層尺度下的圖像顯著圖。圖像顯著圖通過(guò)計(jì)算分割塊特征對(duì)比度得到。進(jìn)一步的，特征對(duì)比度為色彩對(duì)比度、空間對(duì)比度和紋理對(duì)比度中的一種或幾種。優(yōu)選的特征對(duì)比度為色彩對(duì)比度和空間對(duì)比度。圖像中ri分割塊的色彩對(duì)比度ci由總共n個(gè)分割塊的色彩加權(quán)得到：其中ci和cj分別代表分割塊ri和rj的色彩信息，ω(rj)是區(qū)域rj的像素點(diǎn)個(gè)數(shù)，ψ(i,j)為控制系數(shù)，設(shè)定為exp{-d(ri,rj)/σ2}，用來(lái)控制區(qū)域ri和rj之間空間距離的對(duì)色彩對(duì)比度的影響，d(ri,rj)為區(qū)域中心間的歐氏距離，參數(shù)σ設(shè)為0.2。而空間對(duì)比度hi的計(jì)算公式如下：其中{x0,x1,...}是區(qū)域ri中像素點(diǎn)的坐標(biāo)，xc是區(qū)域中心的坐標(biāo)，μ為預(yù)設(shè)值。通過(guò)上面公式計(jì)算出每層圖像的顯著圖后，融合不同尺度下的顯著圖獲得最終的目標(biāo)顯著圖。優(yōu)選的，本發(fā)明首先對(duì)圖像進(jìn)行3次超像素分割得到圖像的3層尺度下的分割塊，計(jì)算圖像的3層尺度下分割塊的特征對(duì)比度得到3個(gè)顯著圖，融合3個(gè)顯著圖得到目標(biāo)顯著圖。s2：對(duì)目標(biāo)顯著圖進(jìn)行閾值分割得到二值圖像，然后對(duì)該二值圖像分別作形態(tài)學(xué)處理得到圖像標(biāo)記，然后基于圖像標(biāo)記利用分割算法對(duì)目標(biāo)顯著圖進(jìn)行自動(dòng)分割提取得到顯著區(qū)域閾值設(shè)定為w和h為顯著圖s的長(zhǎng)寬值，(x,y)為目標(biāo)顯著圖內(nèi)像素點(diǎn)的坐標(biāo)，然后對(duì)該二值圖像做形態(tài)學(xué)上的腐蝕，剩下為“1”的像素點(diǎn)作為顯著區(qū)域的標(biāo)記，二值圖像膨脹后外圍為“0”的像素點(diǎn)作為背景區(qū)域的標(biāo)記。這樣的標(biāo)記方法能夠在保證幾乎沒(méi)有誤標(biāo)記的前提下，盡量正確的提供對(duì)象和背景標(biāo)記點(diǎn)。完成圖像標(biāo)記之后使用分割算法使得圖像顯著區(qū)域標(biāo)記為“1”的像素點(diǎn)保留原始圖像色彩，背景區(qū)域標(biāo)記為“0”的像素點(diǎn)為黑色。s2中分割算法為growcut算法、graphcut算法和grabcut算法中的任意一種。優(yōu)選的，本發(fā)明的分割算法為growcut算法，其中采用了鄰域系統(tǒng)，通常鄰域系統(tǒng)包括馮·諾依曼鄰域和摩爾領(lǐng)域兩種。growcut算法把圖像像素點(diǎn)定義了一個(gè)三元的狀態(tài)，lp為當(dāng)前圖像像素點(diǎn)的標(biāo)記，θp為當(dāng)前圖像像素點(diǎn)的“力量”，為當(dāng)前圖像像素點(diǎn)的特征向量，為了不失去一般性，普遍采用θp∈[0,1]。一幅數(shù)字圖像一般可以被看作一個(gè)二維數(shù)組，包含k×m個(gè)像素。像素點(diǎn)空間p由圖像這個(gè)k×m的數(shù)組確定，對(duì)于的初始狀態(tài)則由下面的式子共同確定：其中，rgbp為像素點(diǎn)p的rgb色彩空間內(nèi)的三維向量，分割的最終目的是給予每個(gè)像素點(diǎn)以某一種特定的標(biāo)記。原始的像素點(diǎn)分割算法中，用戶首先需要指定分割的種子像素，根據(jù)用戶標(biāo)記的種子像素點(diǎn)，從而設(shè)置像素點(diǎn)標(biāo)記獲得初始值。本發(fā)明中利用顯著圖實(shí)現(xiàn)圖像像素點(diǎn)標(biāo)記，然后像素點(diǎn)自動(dòng)增長(zhǎng)、合并，完成圖像分割，圖像顯著區(qū)域標(biāo)記為“1”的像素點(diǎn)保留原始rgb值，背景區(qū)域標(biāo)記為“0”的像素點(diǎn)rgb值為0；最終圖像顯著區(qū)域標(biāo)記為“1”的像素點(diǎn)保留原始圖像色彩，背景區(qū)域標(biāo)記為“0”的像素點(diǎn)為黑色。s3：將顯著區(qū)域作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，得到基于圖像顯著區(qū)域的圖像分類器。使用卷積神經(jīng)網(wǎng)絡(luò)(cnn)對(duì)圖像顯著區(qū)域圖進(jìn)行訓(xùn)練。卷積神經(jīng)網(wǎng)絡(luò)為alexnet網(wǎng)絡(luò)、lenet網(wǎng)絡(luò)、googlenet網(wǎng)絡(luò)、vgg網(wǎng)絡(luò)和resnet網(wǎng)絡(luò)中的任意一種。優(yōu)選的，s3中卷積神經(jīng)網(wǎng)絡(luò)為alexnet網(wǎng)絡(luò)。并用樣本圖像顯著區(qū)域?qū)W(wǎng)絡(luò)微調(diào)。做網(wǎng)絡(luò)訓(xùn)練之前，需要準(zhǔn)備好訓(xùn)練和測(cè)試數(shù)據(jù)，本發(fā)明將圖像庫(kù)中圖像通過(guò)s1和s2提取圖像顯著區(qū)域，然后對(duì)不同類別的圖像進(jìn)行圖像類別標(biāo)記。準(zhǔn)備好圖像樣本之后，輸入cnn網(wǎng)絡(luò)進(jìn)行分類器訓(xùn)練。cnn網(wǎng)絡(luò)包括八個(gè)網(wǎng)絡(luò)層；前五層是卷積層，剩下三層是全連接層。最后一個(gè)全連接層的輸出被送到一個(gè)softmax層，其產(chǎn)生一個(gè)覆蓋數(shù)據(jù)類別數(shù)目的標(biāo)簽的分布。這個(gè)網(wǎng)絡(luò)使得多分類的邏輯回歸目標(biāo)最大化，這相當(dāng)于在預(yù)測(cè)分布下，最大化正確標(biāo)記訓(xùn)練樣本的對(duì)數(shù)概率平均值。第一層卷積層利用96個(gè)大小為11×11×3、步長(zhǎng)為4個(gè)像素(一個(gè)卷積核中鄰近神經(jīng)元的感受野中心的距離)的卷積核，來(lái)對(duì)大小為224×224×3的輸入圖像顯著區(qū)域進(jìn)行濾波。第二層卷積層把第一個(gè)卷積層的(響應(yīng)歸一化及池化的)輸出作為自己的輸入，且利用256個(gè)大小為5×5×48的卷積核對(duì)其進(jìn)行濾波。第三、第四和第五層卷積層彼此相連，這三層中間沒(méi)有池化層與歸一化層。第三個(gè)卷積層有384個(gè)大小為3×3×256的卷積核被連接到第二層卷積層的(歸一化的、池化的)輸出。第四層卷積層擁有384個(gè)大小為3×3×192的卷積核，第五層卷積層有256個(gè)大小為3×3×192的卷積核。全連接層都各有4096個(gè)神經(jīng)元。alexnet網(wǎng)絡(luò)的初始值為在imagenet圖像庫(kù)中訓(xùn)練好的網(wǎng)絡(luò)參數(shù)值，通過(guò)迭代更新網(wǎng)絡(luò)參數(shù)，最后得到訓(xùn)練好的圖像分類器。本發(fā)明所用的alexnet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有6000萬(wàn)個(gè)參數(shù)。網(wǎng)絡(luò)初始值為在imagenet圖像庫(kù)中訓(xùn)練好的網(wǎng)絡(luò)參數(shù)值，網(wǎng)絡(luò)參數(shù)值輸入到網(wǎng)絡(luò)中作為網(wǎng)絡(luò)初始值，并輸入圖像顯著區(qū)域以及圖像類別標(biāo)注，使用隨機(jī)梯度下降法來(lái)訓(xùn)練alexnet神經(jīng)網(wǎng)絡(luò)得到基于圖像顯著區(qū)域的圖像分類器。由于少量的權(quán)重衰減可以減小模型的訓(xùn)練誤差，因此對(duì)于權(quán)重的更新規(guī)則為：ωi+1:＝ωi+vi+1(6)其中i是迭代次數(shù)，v是動(dòng)力變量，ε是學(xué)習(xí)率，是對(duì)ωi求值的倒數(shù)在第i批樣本di上的平均值，ωi表示第i次迭代后的權(quán)重，ωi+1表示第i+1次迭代后的權(quán)重，vi表示第i次迭代后的動(dòng)力變量，vi+1表示第i+1次迭代后的動(dòng)力變量。其中，在線測(cè)試部分包括以下步驟：s4：對(duì)測(cè)試圖像，首先通過(guò)s1和s2完成測(cè)試圖像的顯著區(qū)域自動(dòng)分割提取，然后將測(cè)試圖像的顯著區(qū)域圖像輸入到訓(xùn)練好的圖像分類器，進(jìn)行圖像分類，得到圖像類別標(biāo)記。綜上所述，針對(duì)包含顯著區(qū)域的圖像數(shù)據(jù)，本發(fā)明設(shè)計(jì)了一種自動(dòng)分割提取圖像顯著區(qū)域的算法，通過(guò)顯著區(qū)域分割提取保留圖像顯著信息過(guò)濾背景信息。本發(fā)明直接利用顯著區(qū)域訓(xùn)練圖像分類器，顯著區(qū)域有效地保存了圖像的顯著信息，并且消除了圖像背景干擾信息，是一種可行的圖像類別檢測(cè)方法。如圖2所示，按照本發(fā)明的另一個(gè)方面，提供了一種基于圖像顯著區(qū)域的圖像分類系統(tǒng)，包括離線訓(xùn)練模塊和在線測(cè)試模塊：所述離線訓(xùn)練模塊包括以下子模塊：多尺度顯著性檢測(cè)子模塊，用于對(duì)圖像進(jìn)行n次超像素分割得到圖像的n層尺度下的分割塊，計(jì)算圖像的n層尺度下分割塊的特征對(duì)比度得到n個(gè)顯著圖，融合n個(gè)顯著圖得到目標(biāo)顯著圖；顯著區(qū)域子模塊，用于對(duì)目標(biāo)顯著圖進(jìn)行閾值分割得到二值圖像，然后對(duì)該二值圖像分別作形態(tài)學(xué)處理得到圖像標(biāo)記，然后基于圖像標(biāo)記利用分割算法對(duì)目標(biāo)顯著圖進(jìn)行自動(dòng)分割提取得到顯著區(qū)域；分類器子模塊，用于將顯著區(qū)域作為訓(xùn)練樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，得到基于圖像顯著區(qū)域的圖像分類器；所述在線訓(xùn)練模塊包括：圖像分類子模塊，用于對(duì)測(cè)試圖像通過(guò)多尺度顯著性檢測(cè)子模塊和顯著區(qū)域子模塊完成測(cè)試圖像的顯著區(qū)域自動(dòng)分割提取，然后將測(cè)試圖像的顯著區(qū)域圖像輸入到訓(xùn)練好的圖像分類器，進(jìn)行圖像分類，得到圖像類別標(biāo)記。以下通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證本發(fā)明的有效性：本實(shí)驗(yàn)選用imagenet中的三類具有顯著區(qū)域的圖像：老虎、豹子和貓。這三類圖像同屬于貓科動(dòng)物，具有很強(qiáng)的相似性，我們測(cè)試本發(fā)明的方法將它們區(qū)分的效果并與原始基于全圖訓(xùn)練的分類器效果作對(duì)比，本實(shí)驗(yàn)的圖像數(shù)據(jù)如表1所示。表1：圖像數(shù)據(jù)類別圖像總數(shù)訓(xùn)練圖像數(shù)測(cè)試圖像數(shù)老虎tiger600500100豹子leopard600500100貓cat600500100分類器評(píng)價(jià)指標(biāo)：利用測(cè)試圖像檢測(cè)的準(zhǔn)確度p。實(shí)驗(yàn)結(jié)果：本實(shí)驗(yàn)的網(wǎng)絡(luò)參數(shù)如下：網(wǎng)絡(luò)測(cè)試時(shí)的測(cè)試迭代次數(shù)test_iter為20，test_interval為90表示訓(xùn)練時(shí)迭代90次進(jìn)行一次測(cè)試，基礎(chǔ)學(xué)習(xí)率base_lr設(shè)置為0.0001，display為20表示每迭代20次在日志文件打印一次loss值，最大訓(xùn)練迭代次數(shù)為max_iter:2000，學(xué)習(xí)率下降策略lr_policy為"step"方式，參數(shù)gamma設(shè)置為0.1，沖量單元momentum為0.9，權(quán)值衰減項(xiàng)weight_decay設(shè)為0.0005。從主觀的角度分析本專利圖像顯著區(qū)域分割的實(shí)驗(yàn)結(jié)果，本專利的方法能夠有效的提取圖像的顯著區(qū)域。通過(guò)2000次迭代后，分類器的分類準(zhǔn)確度結(jié)果見(jiàn)表2。由于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，基于深度學(xué)習(xí)的圖像分類準(zhǔn)確度已經(jīng)達(dá)到了很高的準(zhǔn)確度，因此在如此高準(zhǔn)確度的基礎(chǔ)上進(jìn)一步提高分類的性能難度較大，而由表2可以看出，相對(duì)與基于原圖訓(xùn)練的方法，本專利的方法在分類準(zhǔn)確度上仍能有一定的提升。表3給出了測(cè)試圖像的直觀分類結(jié)果，表中列出了分類器對(duì)測(cè)試圖像屬于不同類別的概率值，結(jié)果顯示本專利的方法分類準(zhǔn)確度更高。表2：分類準(zhǔn)確度分類準(zhǔn)確度本專利的方法98.44％基于原圖訓(xùn)練的方法97.81％表3：分類結(jié)果直觀對(duì)比(注：上述表格中圖像為彩色圖像，此處由于專利說(shuō)明書(shū)要求，改為灰度圖顯示)綜上所述，本發(fā)明與經(jīng)典基于原圖訓(xùn)練分類器的方法比較可知，從主觀視覺(jué)，本發(fā)明有效提取了圖像的顯著區(qū)域，保留顯著區(qū)域信息?？陀^評(píng)價(jià)指標(biāo)上，本發(fā)明的分類方法提升了分類準(zhǔn)確度，因此基于圖像顯著區(qū)域訓(xùn)練圖像分類器的方法有效的學(xué)習(xí)顯著信息，過(guò)濾無(wú)關(guān)背景信息對(duì)分類結(jié)果的干擾。本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)12