CN119399559A 一种基于机器视觉的图像分类方法及系统 （晨达(广州)网络科技有限公司）

2获取通过视觉设备采集的初始图像集，对所述初始图像集中的图对所述第一图像集中的图像数据进行特征提取，得到第二图像集，对所述使用训练后的模型将所述测试数据集的分类准确率作为训练结果采用所述图像分类模型对平台中的图像进行分类，并进行类别标获取所述第一图像集中的图像数据，针对所述第一图像集中的图像数据构建尺度空采用局部自适应阈值的FAST算法在每个尺度进行特征点检测，将检测构建高斯金字塔，在所述高斯金字塔中对所述初始若是，则将所述初始特征点确定为最终特征点，若否则以所述获取所述初始图像集中的图像数据，将所述初始图像集中的图像数据转换为灰度图计算所述平滑图像中每个像素的梯度，对梯度幅值进行非采用自适应直方图均衡方法对所述边缘提取图像进行对比度增强处理，得到增强图获取所述第二图像集中的特征向量，采用归一化对所述第二通过高斯核函数构建初始矩阵，计算特征向量中每对数据点之间的相似性度3对所述待处理矩阵进行中心化处理，并对中心化后的待处理基于前k个特征值对应的特征向量，计算出前k个主成分组成获取所述训练数据集中的样本特征图，将所述样本特征图通过所述预训练模型的深度位置编码重叠切块嵌入模块进行重叠切将得到的像素块线性映射为输出特征，采用深度注意力模块进5.如权利要求4所述的一种基于机器视觉的图像分类方法，其特征在于，所述采用K_计算各特征图的样本点与聚类中心点值的距离,并根据计算结果将相似特征图分到相7.一种基于机器视觉的图像分类系统，其特征在于获取通过视觉设备采集的初始图像集，对所述初始图像集中的图像数据进行预处理操4更新模块，用于使用训练后的模型将所述测试数据集的分类准确检测子模块，用于采用局部自适应阈值的FAST算法在每个尺度进行征点位中心的邻域范围内搜索距离中心最近的极值点作重叠切块子模块，用于通过所述预训练模型的深度位置编码映射子模块，用于将得到的像素块线性映射为输出特征，采用深度融合子模块，用于将带有位置信息的特征与样本特征图56通过高斯核函数构建初始矩阵，计算特征向量中每对数据点之间的相似性度量，对所述待处理矩阵进行中心化处理，并对中心化后的待处理矩阵进行特征值分计算各特征图的样本点与聚类中心点值的距离,并根据计算结果将相似特征图分7检测子模块，用于采用局部自适应阈值的FAST算法在每个尺度进行特征点检测，始特征点位中心的邻域范围内搜索距离中心最近的极8征序列；[0014]图1为本发明实施例提供的基于机器视觉的图像分类方法的第一个实施例示意图2为本发明实施例提供的基于机器视觉的图像分类方法的第二个实施例示意图3为本发明实施例提供的基于机器视觉的图像分类方法的第三个实施例示意9步骤104、使用训练后的模型将测试数据集的分类准确率作为训练结果的评价指[0021]请参阅图2，本发明实施例提供的基于机器视觉的图像分类方法的第二个实施例[0022]请参阅图3，本发明实施例提供的基于机器视觉的图像分类方法的第三个实施例计算聚类中心点值；计算各特征图的样本点与聚类中心点值的距离,并根据计算结果将相更新模块404，用于使用训练后的模型将测试数据集的分类准确率作为训练结果分类模块405，用于采用图像分类模型对平台中的图像进行分类，并进行类别标检测子模块，用于采用局部自适应阈值的FAST算法在每个尺度进行特征点检测，位中心的邻域范围内搜索距离中心最近的极征序列；