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

背景技術：

1、紋理是一種不依賴于顏色或亮度變化的反應同質現(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構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，同時也一直是計算機視覺研究的重點內(nèi)容。

2、紋理分析在許多領域都有著重要的應用，如醫(yī)療衛(wèi)生領域、航空航天制造領域和軍工領域等。在圖像識別和目標檢測中，復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。在地質學研究中，復雜紋理特征分析可以幫助識別地質結構和地層特征。通過分析地質圖像中的紋理特征，可以確定巖石類型、地層的排列和變化，對地質調查和資源勘探具有重要意義。在材料科學中，復雜紋理特征分析可以幫助研究人員了解材料的結構和性能。通過分析材料的紋理特征，可以預測材料的力學性能、熱導率、電導率等屬性，從而指導材料設計和優(yōu)化。在軍事領域復雜紋理圖像分析可以用于在軍事情報收集、偵察和監(jiān)視中，自動檢測和識別敵方目標或感興趣的地點。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。在醫(yī)學領域，復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非常重要。例如，通過分析醫(yī)學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、推動新一代人工智能技術中圖像圖形、學習推理與決策領域的創(chuàng)新研究工作是未來很長一段時間的發(fā)展目標，而當前依靠深度學習算法（dcnn）對紋理特征的分析仍未脫離海量數(shù)據(jù)驅動的統(tǒng)計學習模式，缺乏對處理結果的合理解釋與有效預知，限制了領域的發(fā)展空間。

4、具體的，當將dcnn應用到手指靜脈識別時，由于手指靜脈中每個類別只包含少量樣本，而dcnn需要大量的數(shù)據(jù)來學習更抽象的語義信息進行分類，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位置，缺乏處理幾何變換的內(nèi)在機制；因此受到手指靜脈訓練樣本不足的限制，dcnn特征學習不足和模型泛化能力弱。

5、為了解決上述存在的技術難題，急需一種基于小樣本學習的紋理圖像分類方法。

技術實現(xiàn)思路

1、為了解決上述問題，有必要提供一種基于先驗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知識的紋理圖像分類方法，包括以下方法步驟：

3、訓練基于先驗知識的紋理圖像分類網(wǎng)絡

4、s1、對紋理圖像進行預處理；

5、s2、對紋理圖像數(shù)據(jù)集進行訓練集和測試集的劃分；

6、s3、構建基于先驗知識的紋理圖像分類網(wǎng)絡；使用訓練集和測試集對所述基于先驗知識的紋理圖像分類網(wǎng)絡進行訓練即可得到紋理圖像分類網(wǎng)絡；

7、其中，所述基于先驗知識的紋理圖像分類網(wǎng)絡包括：

8、用于提取和增強淺層特征的殘差gabor卷積層模塊，該模塊包括一層卷積與一層gabor方向濾波器；

9、用于對增強后的淺層特征進行深度特征提取的殘差模塊；

10、用于提取一組增強語義信息特征的密集語義分析dasm模塊；

11、用于將增強語義信息特征與深度特征融合的concat操作；

12、以及用于進行分類輸出的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練好的基于先驗知識的紋理圖像分類網(wǎng)絡，即可輸出分類結果。

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

16、模型訓練模塊，用于訓練基于先驗知識的紋理圖像分類網(wǎng)絡；

17、其中，所述訓練基于先驗知識的紋理圖像分類網(wǎng)絡的步驟包括：

18、s1、對紋理圖像進行預處理；

19、s2、對紋理圖像數(shù)據(jù)集進行訓練集和測試集的劃分；

20、s3、構建基于先驗知識的紋理圖像分類網(wǎng)絡；使用訓練集和測試集對所述基于先驗知識的紋理圖像分類網(wǎng)絡進行訓練即可得到紋理圖像分類網(wǎng)絡；

21、其中，所述基于先驗知識的紋理圖像分類網(wǎng)絡包括：

22、用于提取和增強淺層特征的殘差gabor卷積層模塊，該模塊包括一層卷積與一層gabor方向濾波器；

23、用于對增強后的淺層特征進行深度特征提取的殘差模塊；

24、用于提取一組增強語義信息特征的密集語義分析dasm模塊；

25、用于將增強語義信息特征與深度特征融合的concat操作；

26、以及用于進行分類輸出的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練好的基于先驗知識的紋理圖像分類網(wǎng)絡，即可輸出識別結果。

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知識的紋理圖像分類方法程序，所述基于先驗知識的紋理圖像分類方法程序被所述處理器運行時，實現(xiàn)如所述的基于先驗知識的紋理圖像分類方法的步驟。

29、本發(fā)明相對現(xiàn)有技術具有突出的實質性特點和顯著進步，具體的說：

30、1、本發(fā)明通過訓練基于先驗知識的紋理圖像分類網(wǎng)絡，僅需簡單的圖像預處理操作，無需設計復雜的特征提取算法，便可將圖像輸入網(wǎng)絡進行分類，輸出分類結果；

31、2、本發(fā)明通過采用殘差機制，能夠保證圖像特征向深層網(wǎng)絡傳遞的同時不會丟失，從而得到圖像更高維和抽象的特征。同時，提出的基于先驗知識的紋理圖像分類網(wǎng)絡中的殘差gabor卷積層模塊有效地增強了網(wǎng)絡中淺層特征中的角度與尺度信息，密集語義分析模塊進一步充分地提取并分析了增強后的深層特征信息，增強網(wǎng)絡的特征提取與表示能力，同時能夠加速網(wǎng)絡訓練，提升分類的準確率。

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

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

技術特征：

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

3.根據(jù)權利要求2所述的基于先驗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濾波器進行調制，得到卷積gabor方向濾波器。

4.根據(jù)權利要求1所述的基于先驗知識的紋理圖像分類方法，其特征在于，用于提取一組增強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)權利要求1所述的基于先驗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)集每個類別中的圖像按照2:1的比例劃分為訓練集和測試集后，進一步將訓練集按9:1的比例分為訓練集和驗證集。

6.一種基于先驗知識的紋理圖像分類系統(tǒng)，其特征在于，包括：

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

8.根據(jù)權利要求7所述的基于先驗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濾波器進行調制，得到卷積gabor方向濾波器。

9.根據(jù)權利要求6所述的基于先驗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知識的紋理圖像分類方法程序，所述基于先驗知識的紋理圖像分類方法程序被所述處理器運行時，實現(xiàn)如權利要求1-5中任一項所述的基于先驗知識的紋理圖像分類方法的步驟。

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

技術研發(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
受保護的技術使用者：長春工業(yè)大學
技術研發(fā)日：
技術公布日：2024/12/19