基于神经网络的共生矩阵特征提取方法、存储介质及终端与流程

本发明涉及神经网络技术领域，尤其涉及的是一种基于神经网络的共生矩阵特征提取方法、存储介质及终端。

背景技术：

共生矩阵特征是图像分析时非常重要且常用的统计特征。它与直方图统计特征区别是：直方图特征是对图像单个元素的统计的结果，是统计图像中的某些元素在图像中的个数。而共生矩阵特征是对图像相邻的多个元素统计的结果，是统计图像中相邻的多个元素在图像个数。

在共生矩阵中心中有相应的量化函数(在二维时量化的形状可以为正六边形，矩形等形状，更高维时以此类推)，当图像相邻的两个元素通过这个函数时，当两个元素在量化函数中心附近时，在对应的共生矩阵位置上加一，否则加零。对于更高维的共生矩阵以此类推。

现有的共生矩阵提取方法需要人工设定要统计的中心位置，即对应量化函数的中心点，以及量化的范围，即在量化函数多大的范围量化函数激活输出为1。

这些统计参数在现有技术中一般根据先验知识确定。然而先验知识不能非常准确的定义好这些参数，使得获得统计特征对当前的任务不是最佳的结果。

因此，现有技术还有待于改进和发展。

技术实现要素：

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供种基于神经网络的共生矩阵特征提取方法、装置、存储介质及终端，旨在解决现有技术中共生矩阵特征提取时，所得到的共生矩阵特征准确度不高的问题。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本发明解决技术问题所采用的技术方案如下：

第一方面，本发明实施例提供基于神经网络的共生矩阵特征提取方法，所述方法包括：

获取待处理图像；

对所述待处理图像进行预处理，得到图像数据；

将所述图像数据输入预先训练后的卷积神经网络模型，提取得到共生矩阵特征。

所述的基于神经网络的共生矩阵特征提取方法，其中，提取所述共生矩阵特征的函数为：

其中，mn代表数据的量化中心，为对称矩阵代表数据量化的范围,m1m2为图像的大小。

所述的基于神经网络的共生矩阵特征提取方法，其中，所述卷积神经网络模型训练过程为：

获取残差图像数据；

将所述残差图像数据划分为训练集和测试集；

基于所述训练集中的所述残差图像数据进行卷积神经网络训练与分类器训练，训练完成后得到训练后的卷积神经网络模型。

所述的基于神经网络的共生矩阵特征提取方法，其中，所述对所述待处理图像进行预处理是通过高通滤波器进行预处理的。

所述的基于神经网络的共生矩阵特征提取方法，其中，将所述对称矩阵分解为相似矩阵所述卷积神经网络模型的数学表达函数为：

其中，

所述的基于神经网络的共生矩阵特征提取方法，其中，所述分类器为支持向量机。

第二方面，本发明实施例提供一种基于神经网络的共生矩阵特征提取装置，其中，所述装置包括：

获取单元，用于获取待处理图像；

预处理单元，用于对所述待处理图像进行预处理，得到残差图像数据；

识别单元，用于将所述残差图像数据输入预先训练后的卷积神经网络模型，提取得到共生矩阵特征。

所述的基于神经网络的共生矩阵特征提取装置，其中，所述对所述待处理图像进行预处理是通过高通滤波器进行预处理的。

第三方面，本发明实施例提供一种终端，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行上述所述的方法。

第四方面，本发明实施例提供一种存储介质，其中，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述所述的方法。

有益效果：本发明通过事先设计一个能提取共生矩阵的数学函数，该数学函数的各个参数对应着相应的量化中心和量化范围，根据该数学函数设计出一个等价的卷积神经网络，利用神经网络的训练过程实现上述数学函数中的参数能根据数据学习获得，不依靠人为经验去设置，提升了共生矩阵特征提取的准确性和效率。

附图说明

图1是本发明提供的基于神经网络的共生矩阵特征提取方法的较佳实施例的流程图。

图2是本发明实施例中提取共生矩阵特征函数的描述过程图。

图3是卷积神经网络的描述过程图。

图4是本发明实施例中卷积神经网络结构示意图。

图5是本发明实施例中srm算法的流程图。

图6是本发明实施例中srm算法转换为卷积神经网络的流程图。

图7是本发明实施例中srm算法转换为卷积神经网络后，卷积神经网络的结构示意图。

图8是本发明实施例中图像纹理分类中图像剪裁对齐示意图。

图9是本发明实施例中图像纹理提取转换为卷积神经网络后，卷积神经网络的结构示意图。

图10是本发明提供的基于神经网络的共生矩阵特征提取装置的功能原理图。

图11是本发明提供的终端的功能原理图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

由于现有技术中在共生矩阵特征提取时，需要对量化函数的统计参数中的中心点以及量化范围进行设定，统计参数的设定往往是根据经验知识来进行，但是借助于经验知识并不能很准确的设定好上述统计参数，所得到的统计特征对当前的任务也不是最佳结果。

为了解决上述问题，在本发明实施例中，首先设计一个能模拟共生矩阵统计的数学函数，根据该数学函数设计一个与之对应的卷积神经网络，当该卷积神经网络进行训练时，神经网络的参数在优化，使得所述能模拟共生矩阵统计的数学函数的统计参数也随着优化。当卷积神经网络训练结束后，所述能模拟共生矩阵统计的数学函数的统计参数也设定完成。由此可见，所述能模拟共生矩阵统计的数学函数的统计参数设定时是依据图像数据，而非根据经验，从而解决了所提取的共生矩阵特征准确度不高的问题。

下面结合附图，详细说明本发明的各种非限制性实施方式。

示例性方法

参见图1，本实施例提供一种基于神经网络的共生矩阵特征提取方法，方法包括如下步骤：

s100、获取待处理图像。

具体来说，待处理图像的获取可以是通过电子设备拍摄的，也可以是事先存储在存储设备中也可以是从网络上获取的，图像的格式可以是jpg、png等其他格式，在此不做要求。

s200、对所述待处理图像进行预处理，得到图像数据。

具体来说，可将步骤s100所获得的待处理图像先进行降噪处理，降噪处理后的待处理图像通过高通滤波器，进行滤波之后得到残差图像。所得到的残差图像进行数据化处理，得到残差图像的数据。

s300、将所述图像数据输入预先训练后的卷积神经网络模型，提取得到共生矩阵特征。

具体来说，卷积神经网络模型包括，输入层、卷积层、激活函数、池化层以及全连接层，卷积神经网络模型的数学表达函数为：

其中，

在本实施例中，提取所述共生矩阵特征的函数为：

其中，mn代表数据的量化中心，为对称矩阵代表数据量化的范围,m1m2为图像的大小。

进一步，对提取所述共生矩阵特征的函数进行如下变换：

根据矩阵二次型的知识，我们知道，对称矩阵可以分解为相似矩阵利用矩阵中可分解相乘的方法，将矩阵即将看作是v个列向量，则

对于变换后的数学表达式有如下形式：

其中

根据神经网络公式:

其中，为图像中每次被卷积核扫描的元素,向量ker为卷积核中的元素，res为卷积结果。

由上述神经网络公式的特点，可将提取所述共生矩阵特征的函数中复杂的二次型矩阵变成两向量的内积公式，即卷积神经网络模型中的卷积公式。

因此，可以将提取所述共生矩阵特征的函数的所有形式的内积设计成对应的卷积神经网络模型中的卷积操作。从而实现共生矩阵特征的函数的数据的量化中心以及数据量化的范围的自适应设定。

结合具体的应用场景对本发明实施例中的上述方法进行解释。

在隐写分析中，有一种算法叫srm(sequentialregularizationgmethod,顺序正则化算法),其中应用到了共生矩阵特征。

如图5所示，srm算法中有45个高通滤波器，得到滤波之后的图称为残差图像,对残差图像截断量化，使得残差图像的数值变为离散有限的数值，然后再提取共生矩阵，输入到集成分类器中分类,分类任务是将图像分为stego和cover图像。

如图6-7所示，采用本发明所提供的上述方法，处理流程为图像经45个高通滤波器滤波后得到残差图像，残差图像经卷积神经网络，提取出共生矩阵，将提取出的共生矩阵输入到全连接分类器，根据需要选择对应的损失函数。在srm中，x为输入的残差图像，n＝45(输入的图像个数)，m为625(srm需要统计625个共生矩阵)，srm中的集成分类器需要改为全连接分类器，方便梯度的回传。卷积的方式为depthwise_conv2d，也可以用conv2d的卷积方式。

在图像纹理分类中，一般需要四个方向的共生矩阵。但是在tensorflow框架下的代码难以实现任意方向的卷积核，因此，可以对图像做裁剪对齐处理再输入到卷积神经网络中，该操作的原理是将卷积核扫描的元素分别用不同的矩阵储存起来，如图8所示。

在本实施例中，如图9所示，为一个方向的共生矩阵提取的网络，其中x(n)是对图像裁剪对齐后的一组图像，n代表图像个数，此时的卷积方式为conv2d，分类器是全连接神经网络。

示例性设备

参见图10，本发明实施例提供一种基于神经网络的共生矩阵特征提取装置，该装置包括：获取单元110、预处理单元120以及识别单元130。

具体地，获取单元110，用于获取待处理图像。预处理单元120，用于对所述待处理图像进行预处理，得到残差图像数据；其中，所述对所述待处理图像进行预处理是通过高通滤波器进行预处理的；识别单元130，用于将所述残差图像数据输入预先训练后的卷积神经网络模型，提取得到共生矩阵特征。

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图11所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络的共生矩阵特征提取方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的当前运行温度。

本领域技术人员可以理解，图11中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：

获取待处理图像；

对所述待处理图像进行预处理，得到图像数据；

将所述图像数据输入预先训练后的卷积神经网络模型，提取得到共生矩阵特征。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

综上所述，本发明公开了一种基于神经网络的共生矩阵特征提取方法、装置、智能终端及存储介质，所述方法包括：获取待处理图像；对所述待处理图像进行预处理，得到残差图像数据；将所述残差图像数据输入预先训练后的卷积神经网络模型，提取得到共生矩阵特征。本发明通过事先设计一个能提取共生矩阵的数学函数，该数学函数的各个参数对应着相应的量化中心和量化范围，根据该数学函数设计出一个等价的卷积神经网络，利用神经网络的训练过程实现上述数学函数中的参数能根据数据学习获得，不依靠人为经验去设置，提升了共生矩阵特征提取的准确性和效率。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。