【图像分类】基于 CNN 和混合/随机配对的数据增强方法进行图像分类（Matlab代码实现）

 👨‍🎓个人主页：研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

人工分类的时间和速度有很大的不确定性和不稳定性，若图像种类和数量都很多的情况下，采取人工分类的方法耗费人力和时间，不如利用计算机的处理速度和稳定性来代替人工人类。图像分类技术是计算机视觉任务的基础 [1] 。与深度学习相结合的图像分类技术，要经过图像预处理、特征提

取和分类这三步骤。首先用三种方法中的一种或几种对图像做一些预处理；然后根据三类特征用相应的算法进行提取；经过一系列的特征向量的变化，最后在分类时分二分类或多分类，输出一个值。

（ 1 ）图像的预处理 [2] 在有很重要的地位，因为图像的质量会影响了后面模型的需完成的任务，例如分类、识别或者分割等技术的实现。预处理主要包括是三个部分：

1. 灰度化，在 RGB 图像转为灰度化的图像时对应的值叫做灰度值，还可以叫强度值或亮度值，灰度值取值区间为[0,255]，而在其的颜色空间之中， R 、 G 、 B 都为零时，是黑色；都为 100 时。是灰色，而为 255 时是白色，在这种 R 、 G 、B 的值都相等的时候，图像是在黑白灰三种颜色中过渡。灰度化方法一般会用：最大值法、平均值法、加权平均法等。

2. 几何变换也叫图像的空间变换，它对图像进行平移、镜像或转置等处理，使得在样本不足的情况下，用这种方法增加样本，来增加图像分类模型训练后的正确性，减少误差。然后用图像插值方法。线性插值方法主要分为两种：线性插值：最近邻插值、双线性插值、双三次插值。和非线性

插值：分为两类——基于小波系数、基于边缘信息（分为显示方法、隐式方法，其中隐式方法包括：NEDI 、 LMMSE 、SAI、 CGI ）。

📚2 运行结果

 

 

部分代码：

function [gradients,loss] = modelGradients(dlnet,dlX,Y)
% A convolutional operation was done with the function forward 
dlYPred = forward(dlnet,dlX);
% the result obtained was normalized with the function softmax as done in
% softmax layer
dlYPred = softmax(dlYPred);
% cross entropy loss was calculated with the function crossentropy
% if you would like the network to solve a regression problem, squared loss
% is used in many cases
loss = crossentropy(dlYPred,Y);
% the gradiant was calculated with the function dlgradient
gradients = dlgradient(loss,dlnet.Learnables);
end

%This function resizes the images to the proper size for the pre-trained
%network 
function Iout = readAndPreproc(inFilename,imgSize)
    % read the target image
    I = imread(inFilename);
    if size(I,3)==1
        I=cat(3,I,I,I);
    end
    % resize into the input size for the pre-trained model
    Iout = imresize(I,[imgSize(1:2)]);  
end

function [XTrainX,YY,idxS]=MixUpPreProc(XTrain,YTrain,numMixUp)
    % first, the composition ratio of each image was randomly determined
    % for example, in the explanation above, the value of α, β and γ was
    % decided 
    lambda=rand([numel(YTrain),numMixUp]);
    lambda=lambda./sum(lambda,2);%the sum of lambda value accross the class should be 1 
    lambda=reshape(lambda,[1 1 1 numel(YTrain) numMixUp]);
    
    idxS=[]; XTrainK=[]; YTrainK=[]; XTrainX=zeros([size(XTrain)]); 
    numClasses=numel(countcats(YTrain));classes = categories(YTrain);
    % after this loop, idxS will be a vector with the size of (number of
    % training image) * 1 * (number of mix up)
    % number of mixup is, in many cases, 2, but you can specify as you want
    % The value extracted from idxS(N,1,1:end) represents the index of training images to mix up
    % this means, the images with the same class can be mixed up 
    % The images were mixed up with the weight of lamda
    % The variable XTrainX is the images after mixed-up
    for k=1:numMixUp
        idxK=randperm(numel(YTrain));
        idxS=cat(3,idxS,idxK);
        XTrainK=cat(5,XTrainK,double(XTrain(:,:,:,idxK)));
        YTrainK=cat(2,YTrainK,YTrain(idxK)); %YTrainK:(miniBatchSize)×(numMixUp)
        XTrainX=XTrainX+double(XTrain(:,:,:,idxK)).*lambda(1,1,1,:,k);
    end
    
    % Next, the vector which corresponds to the label information was made
    % if the classes in the task are dog, cat and bird and one image was
    % synthesized using 50 % of dog and bird image, 
    % the label for the synthesized image should be [0.5 0 0.5]
    % Howeve, in this loop, the weitht and the classes to pick were
    % randomly collected, then the lables were prepared as follows: 
    lambda=squeeze(lambda);
    Y = zeros(numClasses, numel(YTrain), numMixUp,'single');
    for j=1:numMixUp
        lambdaJ=lambda(:,j);
        for c = 1:numClasses
            Y(c,YTrain(idxS(1,:,j))==classes(c),j) = lambdaJ(find(YTrain(idxS(1,:,j))==classes(c)));
        end
    end
    YY=sum(Y,3);
end

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]张雪晴.基于CNN的图像分类[J].电子技术与软件工程,2022(07):182-185.

[2]何明智,朱华生,李永健,唐树银,孙占鑫.基于融合CNN和Transformer的图像分类模型[J].南昌工程学院学报,2022,41(04):52-57+78.

🌈4 Matlab代码实现