一种基于深度学习的图像内部纹理分类方法与流程

技术特征：
1.一种基于深度学习的图像内部纹理分类方法，其特征在于，包括以下步骤：1)输入纹理图像：输入需要进行内部纹理分类的图像；2)使用resnet50对图像提取特征，其对特征进行分层提取，且为了获取更多前层的细节信息，使得分类的结果更加精确，将后面三个特征层的输出进行融合；3)设计多尺度特征感知模块对resnet50提取的特征进行多尺度特征感知，获取多尺度的图像信息；4)跨层信息传输：使用skip跳接结构将中间特征层的信息直接引入后面特征层中，实现中间层纹理信息的传输，使得最终输出的特征信息包含局部和全局信息；5)特征图融合：融合多尺度特征感知模块与跨层信息中的特征图；6)设计类别信息感知模块对融合后的特征图采用类似全连接网络中编码层的方法来计算类别信息，最终，获得每个像素点的纹理分类结果。2.根据权利要求1所述的一种基于深度学习的图像内部纹理分类方法，其特征在于，在步骤2)，在resnet50的网络框架中，后面三个特征层的通道数为[512，1024，2048]，其大小为输入图像的[1/8，1/16，1/32]；为了减少计算时间和对特征信息进行精简，对后面三个特征层进行1
×
1卷积操作，将每一层的通道数映射到512个；同时，为了恢复图像中的细节信息，对最后两个映射后的特征层进行上采样，恢复到第三层的特征层的尺寸大小，其中采用的上采样算法为双线性插值算法；最终，将后面三个特征层输出叠加起来作为输出，其大小为输入图像的1/8，通道数为512
×
3＝1536。3.根据权利要求1所述的一种基于深度学习的图像内部纹理分类方法，其特征在于，在步骤3)，所述多尺度特征感知模块执行以下操作：首先，对融合后的特征层使用不同空洞率的空洞卷积操作，来获取逐渐扩大的感受野，即获取多尺度的图像信息；同时，为了精简特征信息，在空洞卷积之后分别进行1
×
1卷积操作，将特征层通道数降至原先通道数的1/3，即每次空洞卷积后的通道数为512；最后，将经过不同空洞卷积操作的特征图连接起来作为多尺度信息输出，其大小为输入图像的1/8，通道数为512
×
4＝2048；采用1
×
1卷积将特征图精简为512通道，尺寸为输入图像的1/8，其大小与resnet50的第三层输出的特征图相同。4.根据权利要求1所述的一种基于深度学习的图像内部纹理分类方法，其特征在于，在步骤5)，融合多尺度特征感知模块与跨层信息中的特征图，最终输出的特征层中通道数为512
×
2＝1024，尺寸为输入图像大小的1/8。5.根据权利要求1所述的一种基于深度学习的图像内部纹理分类方法，其特征在于，在步骤6)，所述类别信息感知模块执行以下操作：为了恢复前面提取特征过程中造成的分辨率下降，首先对融合跨层信息输出后的特征图进行8倍上采样，使其尺寸恢复至输入图像大小；最后，通过1
×
1卷积将通道从1024映射到n层，此处的n等于任务所使用数据集中的类别数；为了预测每个像素点所属的类别，并描述预测值与真实分布之间的偏差，使用交叉熵作为反映这种偏差的损失函数，此处交叉熵h(p
′
,p)的定义如下：
式中，p
k
是通过全卷积神经网络中预测的像素点所属类别概率分布，p'
k
是真实分布,k表示图中所有像素点数，k代表每个像素点；p
k
和p'
k
都是1
×
n的向量，此处n表示像素点可能所属的类别数；真实分布中采取one
‑
hot编码的形式，设实际图像中第i个像素点的类别为y
i*
，其中y
i*
∈[1,n]，则该点对应的one
‑
hot编码是一个1
×
n的向量，且其第y
i*
点对应位置处为1，其它位置处对应值为0；对于像素点的预测类别值x
i
，采用软阈值softmax将其转化为概率分布模式；最终，训练损失函数定义如下：式中，m代表整个图像中所有的像素点数；计算每个像素点上的损失，进行求和取平均作为最终损失。

技术总结
本发明公开了一种基于深度学习的图像内部纹理分类方法，包括：1)输入纹理图像；2)使用ResNet50对图像提取特征，其对特征进行分层提取，将后面三个特征层的输出进行融合；3)设计多尺度特征感知模块对ResNet50提取的特征进行多尺度特征感知；4)使用skip跳接结构将中间特征层的信息直接引入后面特征层中，实现中间层纹理信息的传输；5)融合多尺度特征感知模块与跨层信息中的特征图；6)设计类别信息感知模块对融合后的特征图采用类似全连接网络中编码层的方法来计算类别信息，获得每个像素点的纹理分类结果。本发明可有效实现纹理类别的精准识别，提升不同纹理交界处的识别精度。提升不同纹理交界处的识别精度。提升不同纹理交界处的识别精度。


技术研发人员：高红霞 李日红 曲连伟
受保护的技术使用者：华南理工大学
技术研发日：2021.10.19
技术公布日：2022/1/4