论文总字数：20696字

摘 要

计算机视觉是一个跨学科的科学领域，其研究方向是如何用计算机从数字图像或视频中获得人们所需要的信息，图像分类便是计算机视觉中的经典问题。而图像作为人体视觉所接受外界信息最多的途经，因此如何正确的实现图像的分类对当今科研与生活领域有着十分重要的意义。在图像分类的问题中，一般是通过训练模型，修正参数的方法来得到一个精度高的识别模型，但是面对大维度图像处理，存在着计算量大，通信开销大，识别精度不高等问题。基于种种问题，本文从深度学习方面探讨图像分类与传统图像分类算法的差别与优势，提高图像分类的准确率与效率，简要介绍图像分类以及深度学习原理。通过实验实现完整的卷积神经网络算法，最后和传统的图像分类方法进行比较。

关键词：图像分类 深度学习 卷积神经网络

Image Classification Research Based on Deep Learning Method

Abstract

Computer vision is an interdisciplinary field of science. Its research direction is how to use computers to obtain the information people need from digital images or videos. Image classification is a classic problem in computer vision. The image as the human body receives the most information from the outside world, so how to correctly realize the classification of the image is of great significance to the current research and life field. In the problem of image classification, a high-precision recognition model is generally obtained by training the model and modifying the parameters. However, in the face of large-scale image processing, there are problems such as large computational complexity, large communication overhead, and low recognition accuracy. Based on various problems, this paper explores the differences and advantages of image classification and traditional image classification algorithms from the aspect of deep learning, improves the accuracy and efficiency of image classification, and briefly introduces image classification and deep learning principles. Through the experiment, the complete convolutional neural network algorithm is implemented to complete the image classification. And compared with the traditional image classification algorithm.

Keywords: Image classification；Deep learning；Convolutional neural network

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1研究背景及意义 1

1.2图像识别概述 1

1.3国内外发展状况 2

1.4论文组织结构 3

第二章 人工神经网络和深度学习 4

2.1人工神经网络 4

2.1.1人工神经元 4

2.1.2结构 5

2.1.3激活函数 5

2.2深度神经网络 7

2.3深度置信网络 7

2.3.1受限玻尔兹曼机 7

2.3.2 DBN算法 8

2.4卷积神经网络 9

2.5 本章小结 11

第三章 传统图像分类算法 12

3.1图像分类技术 12

3.2图像分类流程 12

3.3传统图像分类算法 13

3.3.1底层特征提取 13

3.3.2分类器 13

3.4本章小结 14

第四章 基于卷积神经网络的图像分类 15

4.1卷积神经网络基础结构 15

4.1.1卷积层 15

4.1.2 池化层 16

4.1.3 全连接层 17

4.2 经典模型 17

4.3实验软硬件环境 20

4.3.1深度学习工具 20

4.3.2 TensorFlow与Keras概述 20

4.4实验设计 21

4.4.1实验数据集 21

4.4.2卷积神经网络搭建 22

4.4.3实验结果 24

4.4.4对比实验结果 25

4.5本章小结 26

第五章 总结与未来展望 27

5.1总结 27

5.2展望 27

参考文献 28

致谢 29

第一章 绪论

1.1研究背景及意义

图像是对客观事物的一种相似而生动的描述或图画，是人类社会活动中最普遍的信息载体，可以说，图像是一个客观对象的表示，其中包含有关被描述对象的信息^[1]。这人们最重要的信息来源，因此，对图像信息进行有效提取是我们需要解决的问题。

随着计算机网络与存储设备的高速发展，网络上的图像数据已经达到了一个天文数字。对于互联网公司来说，每天都会收到用户上传的数以亿计的照片，要想从这些照片中获得有用的信息，这已远远超出人工处理所能达到的范围。因此，随着计算机性能不断的提升，以及人工智能(Artificial Intelligence,AI)，机器学习(Machine Learning, ML) 技术的发展，如何利用这些新技术与高性能计算机配合，实现对图像信息的提取，并对其进行分类是我们迫切需要研究的方向。

图像分类是计算机视觉领域的，具体是指计算机对输入图片的信息进行分析、处理，从预设的标签集中找到对应的分类标签，最后将分类标签赋予输入图像。它也是图像检测、图像分割、对象跟踪、行为分析等高级视觉任务的基础^[2]。传统的图像分类技术对于现如今数量巨大、复杂的图像数据集已经不能很好的完成分类任务，但基于深度学习(Deep Learning，DL)的图像分类方法，可以在有或没有监督的情况下学习图像分层特征描述，从而取代传统的手工设计或图像特征的选择^[3]。 因此，本文提出了“基于深度学习方法的图像分类研究”课题。

1.2图像识别概述

图像是由我们眼睛所接受到的外部世界的真实事物组成的影像。是人类了解外部世界的最直接和最重要的手段。图像识别，从名字中便可看出，就是对图像进行各种处理和分析，最终确定我们所要研究的目标。图像识别是一门新兴学科，在最近几十年间有着极大的发展^[4]。图像识别的进展经历了三个阶段：，和识别，以及^[5]。如今图像识别已经是人工智能范畴的一个重要支系。

今天所提到的图像识别，不仅是由人眼来识别的，而是借由高性能计算机来进行图像的识别。尽管人眼对与图像的识别有着计算机所没有的优势，但是随着计算机技术的高速发展，人眼面对日益增长的图像数量，已经不足以通过其来对图像信息进行采集，因此借助计算机系统的图像识别应运而生。这就对于生物细胞一样，用肉眼完全观察细胞这已是人力所不能及的事，因此才发明出了显微镜等仪器来进行精确观察。通常，当某一领域的需求无法通过固有技术来解决时，就会产生相应的新技术，图像分类技术的出现也是这个原因，这项技术的发明是为了让计算机替代人类处理海量的信息，并处理一些人类无法识别或识别效果低的信息^[6]。因此图像识别应用广泛，具有重要的研究价值。

1.3国内外发展状况

图像处理是深度学习算法最先运用的领域，并且取得了不错的效果，早在20世纪80年代，加拿大多伦多大学教授Yann LeCun等人在贝尔实验室的研究中首次将反向传播算法进行了实际应用，这也就是卷积神经网络的雏形^[7]，卷积神经网络是一种型，对输入层进行卷积操作。通常一个卷积神经网络框架包含两个能经过卷积核卷积计算得到的，两个的池化层和一个，卷积神经网络模型是受到生物学家休伯尔和威泽尔的启发才发明的，起初卷积神经网络在小规模的应用问题上（例如手写邮政编码数字）取得了在当时最好的成功^[8]。但由于卷积神经网络在高分辨率图像的识别上一直不能取果，类似对分辨率过高的内容的理解，之后很长一段时间 大突破。种种原因，使得卷积神经网络没有被计算机视觉研究领域所足重视。

请支付后下载全文，论文总字数：20696字