本技術(shù)涉及圖像處理，尤其涉及一種圖像分類方法。

背景技術(shù)：

1、在醫(yī)學(xué)影像分類任務(wù)中，卷積神經(jīng)網(wǎng)絡(luò)（convolutional?neural?network，cnn）因其特征提取能力而被應(yīng)用，通過結(jié)合不同類型的cnn架構(gòu)，能夠進(jìn)一步提高模型的準(zhǔn)確性和泛化能力。

2、不同類型的cnn構(gòu)架可用于執(zhí)行不同的任務(wù)，例如，將faster?net、csp（channel-spatial?pyramid，通道-空間金字塔）、pcbs（patch-based?convolutional?boostingsystem，基于補丁的卷積增強系統(tǒng)）結(jié)合。faster?net提供高效的特征提取能力，csp強化多尺度特征提取，pcbs提升局部特征的分類性能。

3、但在結(jié)合過程中，存在過擬合、計算復(fù)雜度高、特征冗余、局部特征局限性和內(nèi)存占用高等問題，導(dǎo)致分類任務(wù)的準(zhǔn)確率和效率低。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供一種圖像分類方法，以解決分類任務(wù)的準(zhǔn)確率和效率低的問題。

2、本技術(shù)提供一種圖像分類方法，包括：

3、獲取待分類圖像以及分類網(wǎng)絡(luò)，所述分類網(wǎng)絡(luò)包括第一模塊、第二模塊、第三模塊以及第四模塊；

4、將預(yù)處理后的所述待分類圖像輸入至所述第一模塊，以輸出第一特征圖，所述第一模塊包括第一單元和至少兩個第二單元，所述第一單元用于提取特征，所述第二單元用于增強特征表示；

5、將所述第一特征圖輸入至所述第二模塊，以輸出第二特征圖，所述第二模塊包括第一單元和至少三個第二單元；

6、將所述第二特征圖輸入至所述第三模塊，以輸出第三特征圖，所述第三模塊包括第一單元和至少四個第二單元；

7、將所述第三特征圖輸入至所述第四模塊，以輸出分類結(jié)果，所述第四模塊包括第一單元和至少三個第二單元。

8、在一些可行的實施例中，所述將預(yù)處理后的所述待分類圖像輸入至所述第一模塊，以輸出第一特征圖，包括：

9、將預(yù)處理后的所述待分類圖像輸入至所述第一單元，以輸出第一中間特征圖，所述第一中間特征圖的通道數(shù)為待分類圖像的第一數(shù)量倍數(shù)；

10、將所述第一中間特征圖輸入至所述第二單元，以輸出第二中間特征圖；

11、將所述第二中間特征圖輸入至所述第二單元，以輸出第一特征圖。

12、在一些可行的實施例中，所述第一單元包括第一尺寸卷積以及第二尺寸卷積；

13、所述將預(yù)處理后的所述待分類圖像輸入至所述第一單元，以輸出第一中間特征圖，包括：

14、將預(yù)處理后的所述待分類圖像分別輸入至兩個所述第一尺寸卷積，以輸出第一卷積圖和第二卷積圖；

15、將所述第一卷積圖輸入至所述第二尺寸卷積，以輸出第三卷積圖；

16、將所述第三卷積圖輸入至所述第一尺寸卷積，以輸出第四卷積圖；

17、將所述第二卷積圖和第四卷積圖通過激活函數(shù)，以輸出第一中間特征圖。

18、在一些可行的實施例中，所述第二單元包括分割層、第一特征融合塊以及第一卷積增強塊；

19、所述將所述第一中間特征圖輸入至所述第二單元，以輸出第二中間特征圖，包括：

20、將所述第一中間特征圖輸入至所述分割層，以輸出第一分割圖和第二分割圖；

21、將所述第二分割圖輸入至所述第一特征融合塊，以輸出第一融合圖；

22、將所述第一融合圖輸入至所述第一卷積增強塊，以輸出第一增強圖；

23、對所述第二分割圖與所述第一增強圖執(zhí)行拼接操作，以輸出第二中間特征圖。

24、在一些可行的實施例中，所述第二單元還包括第二特征融合塊以及第二卷積增強塊；

25、所述將所述第一中間特征圖輸入至所述第二單元，以輸出第二中間特征圖，包括：

26、將所述第一增強圖輸入至所述第二特征融合塊，以輸出第二融合圖；

27、將所述第二融合圖輸入至所述第二卷積增強塊，以輸出第二增強圖；

28、對所述第二增強圖、第二分割圖與第一增強圖執(zhí)行拼接操作，以輸出第二中間特征圖。

29、在一些可行的實施例中，所述第一特征融合塊包括第一卷積層、快速塊以及第二卷積層；

30、所述將所述第二分割圖輸入至所述第一特征融合塊，以輸出第一融合圖，包括：

31、將所述第二分割圖分別輸入至兩個所述第一卷積層，以輸出第五卷積圖和第六卷積圖；

32、將所述第六卷積圖輸入至所述快速塊，以輸出第一局部特征圖；

33、對所述第五卷積圖與第一局部特征圖執(zhí)行拼接操作，以輸出第一拼接圖；

34、將所述第一拼接圖輸入至所述第二卷積層，以輸出第一融合圖。

35、在一些可行的實施例中，所述第一卷積層包括二維卷積層以及第一批歸一化層；

36、所述將所述第二分割圖分別輸入至兩個所述第一卷積層，以輸出第五卷積圖和第六卷積圖，包括：

37、將所述第二分割圖輸入至所述二維卷積層，以輸出第七卷積圖；

38、將所述第七卷積圖輸入至所述第一批歸一化層，以輸出第一變換特征圖；

39、將所述第一變換特征圖通過激活函數(shù)，以輸出第五卷積圖或第六卷積圖。

40、在一些可行的實施例中，所述第一卷積增強塊包括第三卷積層以及第二批歸一化層；

41、所述將所述第一融合圖輸入至所述第一卷積增強塊，以輸出第一增強圖，包括：

42、將所述第一融合圖輸入至所述第三卷積層，以輸出第八卷積圖；

43、將所述第八卷積圖輸入至所述第二批歸一化層，以輸出第二變換特征圖；

44、將所述第二變換特征圖通過激活函數(shù)，以輸出第一增強圖。

45、在一些可行的實施例中，所述第三卷積層包括二維卷積層；

46、所述將所述第一融合圖輸入至所述第三卷積層，以輸出第八卷積圖，包括：

47、將所述第一融合圖執(zhí)行分割操作，以生成第一分割圖和第二分割圖，所述第一分割圖的通道數(shù)為所述第一融合圖的四分之一，所述第二分割圖的通道數(shù)為所述第一融合圖的四分之三；

48、將所述第一分割圖輸入至所述二維卷積層，以輸出第九卷積圖；

49、對所述第九卷積圖和所述第二分割圖執(zhí)行拼接操作，以輸出第八卷積圖。

50、在一些可行的實施例中，所述分類網(wǎng)絡(luò)還包括：第四卷積層以及最大池化層；

51、所述將預(yù)處理后的所述待分類圖像輸入至所述第一模塊，以輸出第一特征圖前，包括：

52、將所述待分類圖像輸入至所述第四卷積層，以輸出第五卷積圖；

53、將所述第五卷積圖輸入至所述最大池化層，以輸出預(yù)處理后的所述待分類圖像。

54、由以上技術(shù)方案可知，本技術(shù)提供一種圖像分類方法，包括：獲取待分類圖像以及分類網(wǎng)絡(luò)，其中，所述分類網(wǎng)絡(luò)包括第一模塊、第二模塊、第三模塊以及第四模塊；再將預(yù)處理后的所述待分類圖像輸入至所述第一模塊，以輸出第一特征圖，所述第一模塊包括第一單元和至少兩個第二單元，所述第一單元用于提取特征，所述第二單元用于增強特征表示；將所述第一特征圖輸入至所述第二模塊，以輸出第二特征圖，所述第二模塊包括第一單元和至少三個第二單元；將所述第二特征圖輸入至所述第三模塊，以輸出第三特征圖，所述第三模塊包括第一單元和至少四個第二單元；將所述第三特征圖輸入至所述第四模塊，以輸出分類結(jié)果，所述第四模塊包括第一單元和至少三個第二單元。所述方法通過逐步增加特征提取和增強的復(fù)雜度，可以在保持分類網(wǎng)絡(luò)復(fù)雜度的同時，減少過擬合的風(fēng)險，通過增加更深層次的特征提取單元，能夠捕捉到更多全局信息，從而減少局部特征的局限性。可有效處理圖像，并提高分類任務(wù)的準(zhǔn)確率和效率。