(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 202111663756.0 (22)申请日 2021.12.31 (71)申请人 电子科技大 学成都学院 地址 611731 四川省成 都市高新西区百叶 路1号 (72)发明人 罗丹　鲍海宁　 (74)专利代理 机构 北京正阳理工知识产权代理 事务所(普通 合伙) 11639 专利代理师 张利萍 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于视觉特征与胶囊网络的图像分类 方法 (57)摘要 本发明涉及一种基于视觉特征与胶囊网络 的图像分类方法， 属于计算机图像处理领域。 本 方法将图像灰度进行压缩， 采用共生矩阵和分形 维数对视觉特征进行提取， 采用胶囊网络中神经 元的输出来表达图像中所包含的各种属性信息。 通过动态路由算法表示胶囊与子胶囊间的关系， 在训练和测试中对动态路由不断进行计算得出 胶囊网络的输出。 将图像大数据分类算法部署到 云计算节点上， 采用批量更新的数据模型， 将图 像的训练集划分为众多数据块进行并行训练， 利 用训练样本向前、 后传播得出权值梯度， 并采用 计算出所有训练样本权值梯度的平均值， 同时对 样本权值进行更新。 对比现有技术， 本方法在图 像分类准确率和效率均有明显提高， 表现出显著 性能优势。 权利要求书2页 说明书5页 附图2页 CN 114463548 A 2022.05.10 CN 114463548 A 1.一种基于 视觉特征与胶囊网络的图像分类方法， 其特 征在于， 包括以下步骤： 步骤1： 将图像灰度进行压缩， 将图像的灰度压缩到0 ‑255之间， 并采用共生矩阵对视觉 特征进行提取； 步骤2： 使用分形维数， 描述图像纹 理特征的自相似程度； 用N个边长为L的小块对图像进行填充， 分形维数的元素值表示为 当小块的边 长无限趋 于0时， 通过分形维数的计算得 出自相似性结果， 并对结果拟合得 出相应谱描述； 设二维图像的点集为F， F∈R2， 其中R表示实数集， 则R2表示坐标平面； 采用边长为 的 小块对图像进行填充， 则相应的分形维度Dime(FL)用式1表示 为： 其中， E表示对N取不同值时覆盖点 集F的数量描述； 通过对不同边长的小块进行拟合， 求出最终的维度： 设对于任意的XX都存在一个映射 函数 其中， K(i)表示以i为中心、 以r为半径的球体； g(i)表示Holder指数， 用来反映分形谱测度H的图像局部幂律关系， g(i)用图像局部密度函数的估计进行表示： 步骤3： 确定胶囊网络的输入； 胶囊网络中的一个胶囊包含一组神经元， 神经元的输出反映图像中所包含的各种属性 信息； 胶囊网络通过胶囊结构表达图像特征信息， 胶囊的输入通过各层预测矢量加权总和 来表示， 如式3： 其中， Cinput_v表示胶囊的输入， w表示胶囊网络中的任意一个胶囊， v表示下一个胶囊网 络的任意 一个胶囊， lwv表示耦合系数， 表示各层的预测矢量； 采用动态路由算法表示胶囊与子胶囊间的关系； 在动态路由计算过程中， 每个数据节 点的耦合系数均为0， 在训练和测试操作中， 都要对动态路由进 行重新计算得出胶 囊网络的 输出； 步骤4： 输出胶囊网络； 胶囊网络将图像转换为像素点矩阵作为输入， 实体存在的概率用胶囊输出向量的长度 表示； 用损失函数将输出向量中短向量限制为0或趋近于0的长度， 将长向量限制为小于1的 长度， 如式4：权　利　要　求　书 1/2 页 2 CN 114463548 A 2其中， Coutput_v表示胶囊网络的输出； 初级胶囊的输出表示最后输出的数字胶囊， 每个胶囊都有多维空间， 每一维都表示图 像的属性； 胶 囊网络损失函数包括间隔损失和重构损失两部分； 其中， 间隔损失是一种指示 函数， 表示胶囊网络预测输入图像的某类概率； 重构损失是一种 数字胶囊层对输入矩阵编 码的优化过程， 将数字胶 囊层输出的废弃胶 囊初始化为0， 并将图像的输入与输出向量进 行 平法差求和， 得 出重构损失； 步骤5： 设计Map函数和Reduce函数； 其中， Map函数如下： 首先， 计算出所有图像训练集样本点Yi与存储图像 数据集CondenseSet各个样例之间的 距离， 并计算出最近距离mi nDis与其对应的最近样本mi nIns； 然后， 判断最近样本minIns与Yi的类别是否一致， 若不一致， 将Yi加入到存储图像数据 集CondenseSet中， 输出压缩的图像样本； 在Map函数中， ＜a1,c1＞表示＜起始偏移量,训练 样本＞， ＜a2,c2＞表示＜ 压缩样本,NullWritable ＞， NullWritabl e是一个不可变的单实例 类型， 表示 不需要使用键或值时； Reduce函数如下： 首先， 计算出所有图像压缩后得到的样本点； 然后， 将所有压缩样本点进行输出； 在 Reduce函数中， ＜a2,c2＞表示＜压缩样本,NullWritable＞， ＜a3,c3＞表示＜压缩样本, NullWritable＞； 步骤6： 训练胶囊网络； 步骤7： 将图像数据集和训练后的胶囊网络 输入Hado op平台中， 进行图像分类。 2.如权利要求1所述的一种基于视觉特征与胶囊 网络的图像分类方法， 其特征在于， 步 骤6实现方法为： 首先， 采用批量更新的数据模型， 将图像的训练集划分为众多数据块， 并在Map函数上 对不同的数据块进行并行训练， 每个训练样本经过前、 后传播后均得出一个权值梯度； 然 后， 采用Reduce函数计算出 所有训练样本 权值梯度的平均值， 并对权值进行 更新； 其中， Map函数和Reduce函数之间需要传输每两组样本之间的权值和偏置； 一个胶囊网 络中包含 各个核参数、 偏置参数和连接权值， 这些都 需要封装起来进 行传输， 以减小图像数 据的碎片化。权　利　要　求　书 2/2 页 3 CN 114463548 A 3