(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210275922.8 (22)申请日 2022.03.21 (71)申请人 昆明理工大 学 地址 650093 云南省昆明市五华区学府路 253号 (72)发明人 贾连印　翟红淞　丁家满　李润鑫　 李晓武　游进国　 (74)专利代理 机构 昆明明润知识产权代理事务 所(普通合伙) 53215 专利代理师 王鹏飞 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于特征增强和 决策融合的花卉图像 分类算法 (57)摘要 本发明提供一种基于特征增强和决策融合 的花卉图像分类算法， 属于图像分类技术领域。 包括数据预处理阶段、 特征提取与增强阶段、 训 练阶段和决策融合分类阶段。 数据预处理阶段对 数据集进行相应的裁剪、 缩放、 归一化等操作； 特 征提取与增强阶段将预处理过后的数据送入由 ImageNet预训练好的VGG16模型提取多层深度图 像特征， 引入特征增强策略自适应分配特征权 值； 训练阶段使用前一阶段的多组特征训练多个 自定义softmax分类器； 决策融合分类阶段引入 信息熵来表 示各个分类器的确定性程度， 依据信 息熵确定融合权值， 融合决策实现分类。 本发明 经过自适应增强的特征具有更强的表 述能力， 相 比以往的softmax分类 器具有更强的分类能力。 权利要求书2页 说明书8页 附图3页 CN 115099294 A 2022.09.23 CN 115099294 A 1.一种基于特 征增强和决策融合的花 卉图像分类算法， 其特 征在于： Step1： 对数据集进行相应的裁 剪、 缩放、 归一 化操作； Step2： 将预处理过后的数据送入由ImageNet预训练好的VGG16模型提取多层高层次特 征， 引入特 征增强策略来自适应地分配特 征权值从而实现自适应增强特 征的效果； Step3： 使用前一阶段的多组特 征训练多个自定义softmax分类 器； Step4： 引 入信息熵来表示各个分类器的确定性程度， 从而自适应分配决策融合权值， 通过决策融合实现分类。 2.根据权利要求1所述的基于特征增强和决策融合的花卉图像分类算法， 其特征在于， 所述Step1具体为： Step1.1： 将图像数据集划分为训练集、 验证集、 测试集； Step1.2： 采用正态随机裁剪的策略把训练集中每张图像裁剪为k张方形图像， 对验证 集和测试集中每张图像采用中心裁 剪的策略裁 剪为一张方形图像； Step1.3： 使用Lanczos插值方式把裁剪过后的训练集、 测试集以及验证集中的图像缩 放为VGG16模型需要的大小2 24×224； Step1.4： 采用最大最小归一化的方式把缩放过后的训练集、 验证集、 测试集中图像的 像素值从[0,25 5]的范围线性变换为[0,1]的范围。 3.根据权利要求1所述的基于特征增强和决策融合的花卉图像分类算法， 其特征在于， 所述Step2具体为： Step2.1： 去掉预训练好的VGG16模型的三层全连接层， 将训练集、 验证集和测试集送入 其中提取高层次特 征； Step2.2： 分别 保存训练集、 验证集和测试集的blocki_convj层以及block5_pool层的 特征； Step2.3： 使用特征增强蒙版策略对blocki_convj层的特征进行自适应增强得到 blocki_convj_en； 若假设blocki_convj输出特征图为Mij＝Fij(x,y,p),blocki_convj_en输出特征图为 Mij_en＝Fij_en(x,y,p)， 引入特征增强蒙 版Men＝Fen(x,y,p)， Mij_en＝Mij×Men， 其中1≤x,y≤W, 1≤p≤P， 式 中W表示特 征图的边长大小， P表示特 征图的通道数； Step2.4： 将bl ocki_convj_en层分别与bl ock5_pool层拼接成新的张量Co ncat_ij。 4.根据权利要求3所述的基于特征增强和决策融合的花卉图像分类算法， 其特征在于， 所述Step2.3具体为： Step2.3.1： blocki_convj层特征图， 称为Mij， 维度为W ×W×P， 即P个通道中各有一个大 小为W×W的像素矩阵， 将P个 通道压缩 到一个通道得到维度为W ×W的叠加图Mstack， 并求其平 均图Maverage， 其中Mij＝Fij(x,y,p)， 若其中一个通道特征图记为mp， 则Mstack＝m1+m2+…+mP, Maverage＝Mstack/P； Step2.3.2： 令 表示区分高响应区域与非高响应区域的阈值， 高响应区域更 可能是表达花 卉的区域； Step2.3.3： 若Mij＝F(x,y,p)≥thres， 则Men＝1+(Mij(x,y,p)‑thres)/(a ‑thres)； 若Mij ＝F(x,y,p)＜thres， 则Men＝b， 其中 a和b为超参数；权　利　要　求　书 1/2 页 2 CN 115099294 A 2Step2.3.4： Mij_en＝Mij×Men。 5.根据权利要求1所述的基于特征增强和决策融合的花卉图像分类算法， 其特征在于， 所述Step3具体为： Step3.1： 将全局平均池化层与含有1024个节点的全连接层相连， 并采用softmax函数 作为激活函数构建 softmax分类 器； Step3.2： 将张量Concat_ij分别接入分类器中， 采用blocki_convj以及block5_pool层 的输出特征进行训练、 验证； Step3.3： 将Co ncat_ij训练后的模型保存， 得到决策模型dec_brij。 6.根据权利要求1所述的基于特征增强和决策融合的花卉图像分类算法， 其特征在于， 所述Step4具体为： Step4.1： 使用dec_brij和分别对测试集图像进行测试， 得到每个样本属于每一类的概 率， 对于样本xn， 决策分支dec_brij的测试结果pij(xn)＝[pij1(xn)pij2(xn)…pijL(xn)],其中 L代表样本总类别数， pijl(xn)代表决策dec_brij预测样本xn属于类别l的概 率； Step4 .2： 引入信息熵H(x)来表示该决策模型对于该决策的确定性程度， 其中1≤i≤ 5， 1≤j≤ 3； Hij(x)表示决策分支dec_brij对于分类结果的确定性程度， pijl(x)表示决策分支dec_ brij将样本x判定为第l类的概 率； Ste p4 .3 ： 引入决 策权值ω来决 定决 策融 合的 具体方法 ， ω定义 如下 ， 其中1≤i≤5， 1≤j≤3， ωij表示分配给dec_brij的 决策权重； S t e p 4 .4 ：对 于 样 本 xn， 融 入 决 策 权 值 的 d e c _ b r i j 的 输 出 结 果 为 S t e p 4 .5 ：对 于 样 本 xn，属 于 每 一 类 的 决 策 融 合 概 率 为 P ( xn) ， 表示决策融合后预测样本x属于类别L的概 率； Step4.6： 对于样本x， 最终的预测类别Label(x)＝argmax(P(x) )。权　利　要　求　书 2/2 页 3 CN 115099294 A 3