一種半色調(diào)圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于印刷技術(shù)領(lǐng)域，具體涉及一種半色調(diào)圖像分類方法。
【背景技術(shù)】
[0002] 半色調(diào)圖像是一類僅包含二個(gè)階調(diào)，但人眼觀察時(shí)卻能夠呈現(xiàn)連續(xù)調(diào)視覺效果的 圖像，其廣泛應(yīng)用于傳統(tǒng)印刷業(yè)、數(shù)字出版系統(tǒng)、各種二值化的顯示和打印輸出設(shè)備等領(lǐng) 域。對(duì)于各種半色調(diào)方法生成的半色調(diào)圖像，如果要重新使用，必須去掉半色調(diào)過程中產(chǎn)生 的網(wǎng)紋等視覺噪聲，這種技術(shù)被稱為逆半色調(diào)技術(shù)。目前各種高質(zhì)量的逆半色調(diào)方法都要 求首先知道相應(yīng)的半色調(diào)圖像類別，即該種半色調(diào)圖像是由哪種半色調(diào)方法產(chǎn)生的。因此， 對(duì)半色調(diào)圖像依據(jù)其產(chǎn)生的方法進(jìn)行分類，是各種逆半色調(diào)技術(shù)中的關(guān)鍵一步。
[0003] 目前的半色調(diào)圖像分類方法大都是先通過人工選擇特征提取方法，統(tǒng)計(jì)半色調(diào)圖 像紋理的空域特征或頻譜特征，進(jìn)行半色調(diào)圖像淺層表象特征的表示，如一維自相關(guān)函數(shù) 法、灰度共生矩陣和游程矩陣相結(jié)合的方法、協(xié)方差矩陣特征提取法等，進(jìn)行半色調(diào)圖像淺 層表象特征的表示；再利用BP神經(jīng)網(wǎng)絡(luò)、貝葉斯分類器等方法進(jìn)行分類。人工選擇的特征 提取方法費(fèi)時(shí)費(fèi)力，且不具有通用性，較難有效表征各種半色調(diào)圖像的模式，其缺點(diǎn)是對(duì)各 種半色調(diào)圖像的分類正確率較低、分類的數(shù)目有限。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種半色調(diào)圖像分類方法，解決了現(xiàn)有半色調(diào)圖像分類方法 正確率低的問題。
[0005] 本發(fā)明所采用的技術(shù)方案是，一種半色調(diào)圖像分類方法，具體按照以下步驟實(shí) 施：
[0006] 步驟1、采用稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)作為半色調(diào)圖像的特征提取模型，稀疏自編 碼深度神經(jīng)網(wǎng)絡(luò)連接Softmax分類器；
[0007] 步驟2、對(duì)訓(xùn)練用的半色調(diào)圖像進(jìn)行分塊，用各分塊圖像訓(xùn)練稀疏自編碼深度神經(jīng) 網(wǎng)絡(luò)及Softmax分類器；
[0008] 步驟3、對(duì)待分類的半色調(diào)圖像進(jìn)行分塊，提取其有效塊；
[0009] 步驟4、將從待分類的半色調(diào)圖像中提取的有效塊作為訓(xùn)練好的稀疏自編碼深度 神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行特征提取，由Softmax分類器確定從待分類的半色調(diào)圖像中提取的 有效塊的類別；
[0010] 步驟5、統(tǒng)計(jì)待分類的半色調(diào)圖像的有效塊的類別數(shù)目，類別數(shù)目最多的類別即為 待分類的半色調(diào)圖像的類別。
[0011] 本發(fā)明的特點(diǎn)還在于：
[0012] 步驟1中稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)包括4層，第一層是輸入層，第二層及第三層是 隱層，第四層是輸出層，輸出層與Softmax分類器連接。
[0013] 步驟1中Softmax分類器的輸出值為待分類的半色調(diào)圖像的類別數(shù)。
[0014] 步驟2的具體步驟為：
[0015] 步驟2. 1、將訓(xùn)練用的每一幅半色調(diào)圖像分割成大小為mXn的圖像塊，圖像塊的 類別為被分割的半色調(diào)圖像的類別；
[0016] 步驟2. 2、使用訓(xùn)練用的半色調(diào)圖像劃分出的圖像塊訓(xùn)練稀疏自編碼深度神經(jīng)網(wǎng) 絡(luò)；
[0017] 步驟2. 3、使用訓(xùn)練用的半色調(diào)圖像劃分出的圖像塊及其類別，訓(xùn)練Softmax分類 器，并采用整體微調(diào)的方法對(duì)稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)。
[0018] 步驟2. 1中對(duì)訓(xùn)練用的半色調(diào)圖像的劃分采用非重疊的塊劃分方法。
[0019] 步驟2. 2中訓(xùn)練稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)采用梯度下降算法。
[0020] 步驟3中提取有效塊的具體步驟為：
[0021] 步驟3. 1、對(duì)每個(gè)塊中的每個(gè)像素，以像素為中心選取其MXM的局部區(qū)域，計(jì)算像 素的局域熵Hl j:
[0022]
C1 )
[0023] 式⑴中p# MXM的局部區(qū)域中像素值取k的概率；[0024] 步驟3. 2、對(duì)每個(gè)塊，計(jì)算該塊中所有局域熵的平均值μ和方差σ :
[0025]
[0026]
[0027] 步驟3. 3、對(duì)每個(gè)塊，若其滿足μ多0. 5且σ < 〇. 1，則判定該塊為有效塊。
[0028] 本發(fā)明的有益效果是：一種半色調(diào)圖像分類方法，通過所設(shè)計(jì)的稀疏自編碼深度 神經(jīng)網(wǎng)絡(luò)來提取半色調(diào)圖像特征，克服了現(xiàn)有人工選擇特征提取方法適應(yīng)性差，提取的特 征更能表征不同類別的半色調(diào)圖像特征；通過圖像分塊及有效塊提取，提高了半色調(diào)圖像 分類的正確率，減少了分類所需要的時(shí)間。
【附圖說明】
[0029] 圖1是本發(fā)明一種半色調(diào)圖像分類方法的流程圖。
【具體實(shí)施方式】
[0030] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)行詳細(xì)說明。
[0031] 本發(fā)明一種半色調(diào)圖像分類方法，流程如圖1所示，具體按照以下步驟實(shí)施：
[0032] 步驟1、采用稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)作為半色調(diào)圖像的特征提取模型，稀疏自編 碼深度神經(jīng)網(wǎng)絡(luò)連接Softmax分類器；
[0033] 其中，稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)包括4層，第一層是輸入層，第一層的神經(jīng)元數(shù)為 圖像塊中像素的個(gè)數(shù)，如圖像塊大小為16X16pixel，即第一層輸入的神經(jīng)元個(gè)數(shù)為256 ; 第二層及第三層是隱層，第二層及第三層的神經(jīng)元個(gè)數(shù)分別為200和100,第四層是輸出 層，輸出層與Softmax分類器連接。
[0034] Softmax分類器的輸出值為待分類的半色調(diào)圖像的類別數(shù)，本實(shí)施例中有13個(gè)類 別。
[0035] 步驟2、對(duì)訓(xùn)練用的半色調(diào)圖像進(jìn)行分塊，用各分塊圖像訓(xùn)練稀疏自編碼深度神經(jīng) 網(wǎng)絡(luò)及Softmax分類器，具體步驟為：
[0036] 步驟2. 1、將訓(xùn)練用的每一幅半色調(diào)圖像采用非重疊的塊劃分方法分割成大小為 mXn的圖像塊，圖像塊的類別為被分割的半色調(diào)圖像的類別；
[0037] 步驟2. 2、使用訓(xùn)練用的半色調(diào)圖像劃分出的圖像塊采用梯度下降算法訓(xùn)練稀疏 自編碼深度神經(jīng)網(wǎng)絡(luò)；
[0038] 步驟2. 3、使用訓(xùn)練用的半色調(diào)圖像劃分出的圖像塊及其類別，訓(xùn)練Softmax分類 器，并采用整體微調(diào)的方法對(duì)稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)。
[0039] 步驟3、對(duì)待分類的半色調(diào)圖像進(jìn)行分塊，提取其有效塊；
[0040] 其中提取有效塊的具體步驟為：
[0041] 步驟3. 1、對(duì)每個(gè)塊中的每個(gè)像素，以像素為中心選取其9X9的局部區(qū)域，計(jì)算像 素的局域熵Hl j:
[0042]
Cl)
[0043] 式⑴中^是9X9的局部區(qū)域中像素值取k的概率；[0044] 步驟3. 2、對(duì)每個(gè)塊，計(jì)算該塊中所有局域熵的平均值μ和方差σ :
[0045]
[0046]
[0047] 步驟3. 3、對(duì)每個(gè)塊，若其滿足μ彡0. 5且〇 < 0. 1，則判定該塊為有效塊。
[0048] 步驟4、將從待分類的半色調(diào)圖像中提取的有效塊作為訓(xùn)練好的稀疏自編碼深度 神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行特征提取，由Softmax分類器確定從待分類的半色調(diào)圖像中提取的 有效塊的類別；
[0049] 步驟5、統(tǒng)計(jì)待分類的半色調(diào)圖像的有效塊的類別數(shù)目，類別數(shù)目最多的類別即為 待分類的半色調(diào)圖像的類別。
[0050] 本發(fā)明一種半色調(diào)圖像分類方法，是一種無監(jiān)督學(xué)習(xí)的特征提取方法，適應(yīng)各類 半色調(diào)圖像的特征提?。煌瑫r(shí)提出的有效塊分類方法，減少了無效塊對(duì)分類的干擾，提高了 分類的正確率；通過提取有效塊，減少了待分類塊的數(shù)目，也就減少了分類所需要的時(shí)間。 通過對(duì)13類半色調(diào)圖像的分類，平均分類正確率可以達(dá)到99. 62%，取得了非常滿意的效 果。
【主權(quán)項(xiàng)】
1. 一種半色調(diào)圖像分類方法，其特征在于，具體按照w下步驟實(shí)施： 步驟1、采用稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)作為半色調(diào)圖像的特征提取模型，稀疏自編碼深 度神經(jīng)網(wǎng)絡(luò)連接Softmax分類器； 步驟2、對(duì)訓(xùn)練用的半色調(diào)圖像進(jìn)行分塊，用各分塊圖像訓(xùn)練稀疏自編碼深度神經(jīng)網(wǎng)絡(luò) 及Softmax分類器； 步驟3、對(duì)待分類的半色調(diào)圖像進(jìn)行分塊，提取其有效塊； 步驟4、將從待分類的半色調(diào)圖像中提取的有效塊作為訓(xùn)練好的稀疏自編碼深度神經(jīng) 網(wǎng)絡(luò)的輸入，進(jìn)行特征提取，由Softmax分類器確定從待分類的半色調(diào)圖像中提取的有效 塊的類別； 步驟5、統(tǒng)計(jì)待分類的半色調(diào)圖像的有效塊的類別數(shù)目，類別數(shù)目最多的類別即為待分 類的半色調(diào)圖像的類別。2. 根據(jù)權(quán)利要求1所述的一種半色調(diào)圖像分類方法，其特征在于，所述步驟1中稀疏自 編碼深度神經(jīng)網(wǎng)絡(luò)包括4層，第一層是輸入層，第二層及第=層是隱層，第四層是輸出層， 輸出層與所述Softmax分類器連接。3. 根據(jù)權(quán)利要求1所述的一種半色調(diào)圖像分類方法，其特征在于，所述步驟1中 Softmax分類器的輸出值為待分類的半色調(diào)圖像的類別數(shù)。4. 根據(jù)權(quán)利要求1在所述的一種半色調(diào)圖像分類方法，其特征在于，所述步驟2的具體 步驟為： 步驟2. 1、將訓(xùn)練用的每一幅半色調(diào)圖像分割成大小為mXn的圖像塊，圖像塊的類別 為被分割的半色調(diào)圖像的類別； 步驟2. 2、使用訓(xùn)練用的半色調(diào)圖像劃分出的圖像塊訓(xùn)練稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)； 步驟2. 3、使用訓(xùn)練用的半色調(diào)圖像劃分出的圖像塊及其類別，訓(xùn)練Softmax分類器， 并采用整體微調(diào)的方法對(duì)稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)。5. 根據(jù)權(quán)利要求4在所述的一種半色調(diào)圖像分類方法，其特征在于，所述步驟2. 1中對(duì) 訓(xùn)練用的半色調(diào)圖像的劃分采用非重疊的塊劃分方法。6. 根據(jù)權(quán)利要求4在所述的一種半色調(diào)圖像分類方法，其特征在于，所述步驟2. 2中訓(xùn) 練稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)采用梯度下降算法。7. 根據(jù)權(quán)利要求1在所述的一種半色調(diào)圖像分類方法，其特征在于，所述步驟3中提取 有效塊的具體步驟為： 步驟3. 1、對(duì)每個(gè)塊中的每個(gè)像素，W像素為中屯、選取其MXM的局部區(qū)域，計(jì)算像素的 局域賭Hii:CD 式（1)中Pk是MXM的局部區(qū)域中像素值取k的概率； 步驟3. 2、對(duì)每個(gè)塊，計(jì)算該塊中所有局域賭的平均值y和方差0 : (2) (3) 步驟3. 3、對(duì)每個(gè)塊，若其滿足y> 0. 5且0《0. 1，則判定該塊為有效塊。
【專利摘要】本發(fā)明公開了一種半色調(diào)圖像分類方法，具體按照以下步驟實(shí)施：采用稀疏自編碼深度神經(jīng)網(wǎng)絡(luò)連接Softmax分類器作為半色調(diào)圖像的分類模型；對(duì)訓(xùn)練用的半色調(diào)圖像進(jìn)行分塊，并用這些分塊訓(xùn)練該模型；對(duì)待分類的半色調(diào)圖像提取其有效塊并對(duì)這些有效塊進(jìn)行分類；統(tǒng)計(jì)待分類的半色調(diào)圖像各有效塊的類別數(shù)目，取類別數(shù)目最大的類別作為待分類的半色調(diào)圖像的類別。本發(fā)明一種半色調(diào)圖像分類方法，解決了現(xiàn)有技術(shù)中需要人工選擇提取半色調(diào)圖像特征的問題，可以適應(yīng)各類半色調(diào)圖像，提高了分類的正確率。
【IPC分類】G06K9/62, G06N3/08
【公開號(hào)】CN105005791
【申請(qǐng)?zhí)枴緾N201510397559
【發(fā)明人】張二虎, 張燕
【申請(qǐng)人】西安理工大學(xué)
【公開日】2015年10月28日
【申請(qǐng)日】2015年7月8日