本發(fā)明涉及圖像數(shù)據(jù)處理，具體涉及一種基于深度學(xué)習(xí)的數(shù)據(jù)分類方法及系統(tǒng)。

背景技術(shù)：

1、隨著計算機(jī)相關(guān)產(chǎn)業(yè)的發(fā)展，各領(lǐng)域中的應(yīng)用系統(tǒng)飛速發(fā)展，其行業(yè)應(yīng)用在運行中產(chǎn)生的數(shù)據(jù)規(guī)模呈現(xiàn)指數(shù)倍增長。這些數(shù)據(jù)蘊(yùn)含著市場價值或戰(zhàn)略價值的信息。最常見的數(shù)據(jù)類型包括圖像數(shù)據(jù)，圖像數(shù)據(jù)的經(jīng)典應(yīng)用場景有電商系統(tǒng)，電商系統(tǒng)中包含著大量的圖像數(shù)據(jù)，對圖像數(shù)據(jù)的有效使用首先需要對圖像數(shù)據(jù)進(jìn)行分類。

2、目前常用的圖像數(shù)據(jù)的數(shù)據(jù)分類方法有使用深度學(xué)習(xí)，通過學(xué)習(xí)圖像的特征對圖像進(jìn)行自動分類，但若采用監(jiān)督學(xué)習(xí)的思想，會消耗大量的時間以及人力，而采用無監(jiān)督學(xué)習(xí)又會導(dǎo)致訓(xùn)練時間過長，且擬合能力不足，準(zhǔn)確率低。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于深度學(xué)習(xí)的數(shù)據(jù)分類方法及系統(tǒng)，以解決現(xiàn)有的問題。

2、本發(fā)明的一種基于深度學(xué)習(xí)的數(shù)據(jù)分類方法及系統(tǒng)采用如下技術(shù)方案：

3、本發(fā)明一個實施例提供了一種基于深度學(xué)習(xí)的數(shù)據(jù)分類方法，該方法包括以下步驟：

4、獲取任意一種商品的若干個商品圖像，以及分別在rgb顏色空間、hsv顏色空間、灰度空間的i型商品圖像、ii型商品圖像、iii型商品圖像；

5、分別將任意i型商品圖像和ii型商品圖像進(jìn)行分塊，獲得i型商品圖像的若干第一目標(biāo)分塊，以及ii型商品圖像的若干第二目標(biāo)分塊；綜合任意第一目標(biāo)分塊中所有像素點的所有顏色分量的數(shù)值，獲取所述第一目標(biāo)分塊的色彩偏移程度；根據(jù)任意ii型商品圖像中所有第二目標(biāo)分塊的亮度與所述ii型商品圖像的亮度差異，獲取所述ii型商品圖像的亮度均衡程度；

6、將任意iii型商品圖像進(jìn)行分塊，得到若干第三目標(biāo)分塊；根據(jù)任意第三目標(biāo)分塊的所有像素點的梯度信息，獲取所述第三目標(biāo)分塊的總體方向性；通過總體方向性篩選得到任意iii型商品圖像的若干個紋理分塊，對所有紋理分塊的色彩偏斜程度進(jìn)行篩選然后融合，得到所述iii型商品圖像的紋理復(fù)雜度；

7、將任意商品圖像的所有分塊的色彩偏移程度、亮度均衡程度、紋理復(fù)雜度進(jìn)行融合，獲取商品圖像的特征指數(shù)；

8、利用商品圖像的特征指數(shù)對商品圖像進(jìn)行分類。

9、進(jìn)一步地，所述綜合任意第一目標(biāo)分塊中所有像素點的所有顏色分量的數(shù)值，獲取所述第一目標(biāo)分塊的色彩偏移程度，包括的具體方法為：

10、獲取任意第一目標(biāo)分塊的所有像素點的所有顏色分量的數(shù)值；

11、獲取任意顏色分量在任意第一目標(biāo)分塊中的偏斜程度；

12、將每個顏色分量在第一目標(biāo)分塊的偏斜程度相加，得到第一目標(biāo)分塊的色彩偏斜程度。

13、進(jìn)一步地，所述任意顏色分量在任意第一目標(biāo)分塊中的偏斜程度的具體獲取方法為：

14、計算任意顏色分量在任意第一目標(biāo)分塊的偏斜度，所述偏斜度與所述顏色分量在所述第一目標(biāo)分塊中的偏斜程度呈正比例關(guān)系。

15、進(jìn)一步地，所述根據(jù)任意ii型商品圖像中所有第二目標(biāo)分塊的亮度與所述ii型商品圖像的亮度差異，獲取所述ii型商品圖像的亮度均衡程度，包括的具體方法為：

16、將任意ii型商品圖像的所有像素點的v通道值的均值，記為所述ii型商品圖像的平均亮度；將任意第二目標(biāo)分塊內(nèi)所有像素點的v通道值的均值，記為所述第二目標(biāo)分塊的平均亮度；將任意ii型商品圖像中的任意第二目標(biāo)分塊的平均亮度與所述ii型商品圖像的平均亮度作差，取絕對值，獲得所述第二目標(biāo)分塊與所屬ii型商品圖像的亮度差異；將任意ii型商品圖像的所有第二目標(biāo)分塊與所屬ii型商品圖像的亮度差異進(jìn)行求和，取倒數(shù)，得到所述ii型商品圖像的亮度均衡程度。

17、進(jìn)一步地，所述根據(jù)任意第三目標(biāo)分塊的所有像素點的梯度信息，獲取所述第三目標(biāo)分塊的總體方向性，包括的具體方法為：

18、獲取任意第三目標(biāo)分塊的若干個離散角度以及相應(yīng)的顯著像素點數(shù)量，并構(gòu)成所述第三目標(biāo)分塊的離散角度-顯著像素點數(shù)量坐標(biāo)系，離散角度-顯著像素點數(shù)量坐標(biāo)系中包含若干個數(shù)據(jù)點，每個數(shù)據(jù)點對應(yīng)一個離散角度和相應(yīng)的顯著像素點數(shù)量；

19、使用最小二乘法，將離散角度-顯著像素點數(shù)量坐標(biāo)系內(nèi)的若干個數(shù)據(jù)點擬合為離散角度-顯著像素點數(shù)量曲線，將離散角度-顯著像素點數(shù)量曲線中任意相鄰極小值間的曲線記為一個波，每個波的最大值記為波峰，獲取離散角度-顯著像素點數(shù)量曲線的若干個波以及對應(yīng)的波峰；

20、任意第三目標(biāo)分塊的方向性的獲取方法為：

21、

22、其中，表示任意第三目標(biāo)分塊的方向性；表示任意第三目標(biāo)分塊的離散角度-顯著像素點數(shù)量曲線的波峰數(shù)量；表示任意第三目標(biāo)分塊中第個波的離散角度數(shù)量；表示任意第三目標(biāo)分塊中第個波的第個離散角度，表示任意第三目標(biāo)分塊中第個波的峰值對應(yīng)的離散角度；表示任意第三目標(biāo)分塊中第個波的第個離散角度相應(yīng)的顯著像素點數(shù)量，表示歸一化函數(shù)。

23、進(jìn)一步地，所述獲取任意第三目標(biāo)分塊的若干個離散角度以及相應(yīng)的顯著像素點數(shù)量，并構(gòu)成所述第三目標(biāo)分塊的離散角度-顯著像素點數(shù)量坐標(biāo)系的具體方法為：

24、對所有iii型商品圖像的每個分塊使用sobel算子進(jìn)行計算，得到每個iii型商品圖像的每個像素點處的水平方向變化量和垂直方向變化量；

25、將第三目標(biāo)分塊中的任意像素點記為目標(biāo)像素點；

26、對目標(biāo)像素點處的水平方向變化量與垂直方向變化量求均值，作為所述目標(biāo)像素點處的梯度向量的模；

27、對目標(biāo)像素點處的垂直方向變化量與水平方向變化量作比，對比值使用正切函數(shù)的反函數(shù)，再加，得到所述目標(biāo)像素點處的梯度向量的方向；

28、獲取第三目標(biāo)分塊中所有像素點處的梯度向量的方向和模，對第三目標(biāo)分塊中所有像素點處的梯度向量的方向使用等寬法進(jìn)行離散化，得到若干個離散角度，獲取每個離散角度包含的像素點以及對應(yīng)的像素點處的梯度向量的模；獲取每個離散角度包含的像素點處的梯度向量的模大于預(yù)設(shè)第五參數(shù)的像素點數(shù)量，記為每個離散角度相應(yīng)的顯著像素點數(shù)量；

29、以為坐標(biāo)原點，以離散角度為橫軸正方向，以每個離散角度相應(yīng)的顯著像素點數(shù)量為縱軸正方向，建立離散角度-顯著像素點數(shù)量坐標(biāo)系。

30、進(jìn)一步地，所述通過總體方向性篩選得到任意iii型商品圖像的若干個紋理分塊，對所有紋理分塊的色彩偏斜程度進(jìn)行篩選然后融合，得到所述iii型商品圖像的紋理復(fù)雜度，包括的具體方法為：

31、將總體方向性大于預(yù)設(shè)第六參數(shù)的第三目標(biāo)分塊記為紋理分塊；

32、獲取任意紋理分塊的離散角度-顯著像素點數(shù)量曲線的所有波峰，對任意顏色分量在任意波峰對應(yīng)的離散角度相應(yīng)的顯著像素點計算偏斜度，記為任意顏色分量在任意波峰對應(yīng)的離散角度的偏斜度；將所有顏色分量在任意波峰對應(yīng)的離散角度的偏斜度相加，記為任意波峰對應(yīng)的離散角度的色彩偏斜度；將所有波峰對應(yīng)的離散角度的色彩偏斜度相加，得到所述紋理分塊的色彩偏斜度；紋理分塊的色彩偏斜度與紋理分塊的色彩偏斜程度呈正比例關(guān)系；

33、將任意iii型商品圖像中所有色彩偏斜程度大于預(yù)設(shè)第七參數(shù)的紋理分塊的方向性相加，得到所述iii型商品圖像的紋理復(fù)雜度。

34、進(jìn)一步地，所述將任意商品圖像的所有分塊的色彩偏移程度、亮度均衡程度、紋理復(fù)雜度進(jìn)行融合，獲取商品圖像的特征指數(shù)，包括的具體方法為：

35、對任意商品圖像，將對應(yīng)i型商品圖像所有第一目標(biāo)分塊的色彩偏斜程度相加，得到所述商品圖像的色彩偏斜程度，商品圖像的色彩偏斜程度與商品圖像的特征指數(shù)呈正比；商品圖像對應(yīng)ii型商品圖像的亮度均衡程度與商品圖像的特征指數(shù)呈反比；商品圖像對應(yīng)iii型圖像的紋理復(fù)雜度與商品圖像的特征指數(shù)呈反比。

36、進(jìn)一步地，所述利用商品圖像的特征指數(shù)對商品圖像進(jìn)行分類，包括的具體方法為：

37、將商品圖像的特征指數(shù)作為標(biāo)簽，對商品圖像根據(jù)交叉熵?fù)p失函數(shù)，并使用隨機(jī)梯度下降算法訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，使交叉熵?fù)p失函數(shù)收斂，得到訓(xùn)練完成的深度神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練完成的深度神經(jīng)網(wǎng)絡(luò)獲取新的商品圖像的特征指數(shù)，將新的商品圖像的特征指數(shù)大于等于預(yù)設(shè)第一超參數(shù)的商品圖像記為商家的商品圖像，小于預(yù)設(shè)第一超參數(shù)的商品圖像記為用戶的商品圖像。

38、本發(fā)明的實施例提供了一種基于深度學(xué)習(xí)的數(shù)據(jù)分類系統(tǒng)，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)任意一項所述一種基于深度學(xué)習(xí)的數(shù)據(jù)分類方法的步驟。

39、本發(fā)明的技術(shù)方案的有益效果是：考慮商家方的商品圖像和用戶方的商品圖像的顏色廣度差異、亮度差異、商品平整度差異，分別獲取商品圖像的色彩偏移程度、亮度均衡程度、紋理復(fù)雜度，然后綜合獲取商品圖像的特征指數(shù)，充分考慮了商家與用戶在拍攝商品時的不同因素。然后根據(jù)商品圖像的特征指數(shù)，通過深度學(xué)習(xí)對所有商品圖像進(jìn)行分類，分析了數(shù)據(jù)本身的特點，極大地提高了商品圖像的分類準(zhǔn)確率和效率。