技术领域
本发明属于双能XRT领域的图像分类识别技术领域，具体涉及一种基于依据直方统计频率的图像分类方法、系统、终端及可读存储介质。
背景技术
双能XRT检测技术是广泛应用于安检、医疗和工业检测等众多领域。该技术通过双能X射线探测器可以采集到高能和低能图像双通道的数据，通过分析这些双通道数据，可以有效避免单通道数据无法避免的物料厚度给分类识别带来的限制，性能得到质的提升。灰度频率是图像分类识别的基本特征之一。但是在双能XRT图像分类识别领域，图像灰度变化范围较大(一般为：0～2
同理，在其他应用领域，图像分类一直是应用较为广泛，因此，如何提高图像分类精度，探索可行的分类技术，丰富图像分类技术一直本领域的研究热点。
发明内容
本发明的目的是针对图像分类领域的可行性技术研究，提供了一种基于依据直方统计频率的图像分类方法；同时针对现有双能XRT图像分类识别领域中，以细粒度的等距分组导致面临高维数样本特征带来的维数灾难问题；以及进行粗粒度的划分，会损失了细节而导致模型效果不佳。从而导致双能XRT图像分类识别结果效果不佳，可靠性不高的问题，提供一种基于依据直方统计频率的双能图像特征的图像分类方法，所述方法依据权重表征贡献度，调整分组，具体通过特征融合降低了特征维度，同时保留了高贡献度的特征，最终提高了图像分类/双能图像分类识别结果的可靠性。
一方面，本发明提供的一种基于依据直方统计频率的图像分类方法，其包括以下步骤：
S1：获取用于目标分类的图像及其对应的分类标签，用以构建样本数据库D；
S2：依据灰度值范围等间距分为若干组；
S3：依据分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
S4：基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
S5：依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合更新分组，若更新后的分组满足融合预设条件，返回步骤S3继续融合，否则执行S6；
S6：基于更新的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，并训练出目标分类模型，所述目标分类模型用于图像分类，所述目标分类模型的输入数据为图像在分组下的样本特征，输出数据为图像对应的分类标签。
第二方面，本发明提供的一种基于依据直方统计频率的双能图像特征的图像分类方法，其包括：
步骤1：获取用于目标分类的双能图像并获取对应分类标签，用以构建样本数据库D；
步骤2：分别依据高、低能灰度值范围等距分为若干组V1和Vh；
步骤3：依据所述组数V1和Vh确定的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
步骤4：基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
步骤5：依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合得到更新后的组数V1和Vh，若更新后的组数V1和Vh达到了融合预设条件，返回步骤3继续融合；否则，执行步骤6；
步骤6：基于更新后的组数V1和Vh确定的分组，统计所述样本数据库D中样本的灰度频率直方数据作为样本特征；
步骤7：基于步骤6中样本的样本特征以及样本的分类标签训练出目标分类模型，所述目标分类模型用于双能图像分类，所述目标分类模型的输入数据为双能图像在所述组数V1和Vh确定的分组下的样本特征，输出数据为双能图像对应的分类标签。
可选地，步骤5中所述依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征的过程如下：
首先，计算特征权重矩阵W中组数V1和Vh中各个分组对应的贡献值，所述贡献值是依据在特征权重矩阵W中各个分组对应的权重大小确定；
然后，分别判断各个分组对应的贡献值是否小于或等于高、低能通道筛选阈值Tl、Th，若是，对应分组为贡献率低的分组；
其中，所述高、低能通道筛选阈值Tl、Th是基于所述特征权重矩阵W并采用OTSU算法计算得到。
可选地，所述贡献值用在特征权重矩阵W中各个分组对应的权重大小的平均值表示。
可选地，步骤5中所述组数V1和Vh对应的预设条件为：
基于所述组数V1和Vh确定的分组统计样本的灰度频率直方数据作为样本特征，再采用线性回归模型的K重交叉验证(K-fold cross validation)的测试准确率P验证是否满足条件，若测试准确率P大于准确率阈值(新的样本特征的表征能力在容许范围内)，视为满足融合预设条件，否则，视为不满足融合预设条件；
或者基于组数V1和Vh计算：Vh组数*Vl组数是否大于或等于组数阈值，若是，视为满足融合预设条件，否则，视为不满足融合预设条件。
第三方面，本发明提供一种基于图像分类方法的系统，其包括：
样本数据库构建模块，用于获取用于目标分类的图像及其对应的分类标签，用以构建样本数据库D；
分组模块，用于依据灰度值范围等间距分为若干组；
特征统计模块，用于依据分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
模型训练模块，用于基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
融合模块，用于依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合更新分组，若更新后的分组满足融合预设条件，继续融合分组特征，进入下一个迭代循环；否则，特征统计模块基于更新的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，模型训练模块基于样本的样本特征以及样本的分类标签训练出目标分类模型。
第四方面，本发明提供一种基于双能图像特征的图像分类方法的系统，其包括：
样本数据库构建模块，用于获取用于目标分类的双能图像并获取对应分类标签，用以构建样本数据库D；
分组模块，用于分别依据高、低能灰度值范围等距分为若干组V1和Vh；
特征统计模块，用于依据所述组数V1和Vh确定的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
模型训练模块，用于基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
融合模块，用于依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合得到更新后的组数V1和Vh；
若更新后的组数V1和Vh达到了融合预设条件，继续融合分组特征，进入下一个迭代循环；
若更新后的组数V1和Vh未达到了融合预设条件，特征统计模块基于更新后的组数V1和Vh确定的分组，统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，模型训练模块基于样本的样本特征以及样本的分类标签训练出目标分类模型，所述目标分类模型用于双能图像分类；
其中，所述目标分类模型的输入数据为双能图像在所述组数V1和Vh确定的分组下的样本特征，输出数据为双能图像对应的分类标签。
第五方面，本发明提供一种终端，其包括：
一个或多个处理器；
存储了一个或多个程序的存储器；
所述处理器调用所述程序以执行：
一种基于依据直方统计频率的图像分类方法的步骤或者一种基于依据直方统计频率的双能图像特征的图像分类方法的步骤。
第六方面，本发明提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：
一种基于依据直方统计频率的图像分类方法的步骤或者一种基于依据直方统计频率的双能图像特征的图像分类方法的步骤。
有益效果
本发明提供的一种基于依据直方统计频率的双能图像特征的图像分类方法，一方面，利用直方统计频率最大程序挖掘灰度频率的有效特征，二方面，为了得到准确合适的分组，使用权重大小衡量各个分组特征的贡献程序，从而将权重引入了分组融合中，计算出每个分组的贡献度，将贡献度低的特征进行融合，降低数据维度，同时保留贡献度高的特征，保证算法的精度。因此，本发明所述方法既能保持样本灰度频率特征的细节，保证模型的精度，又能通过特征融合的方式降低特征的维数，从而降低算法的复杂度。
同理，本发明利用直方统计频率最大程序挖掘灰度频率的有效特征的技术思路可以应用于其他领域的图像分类中，因此，本发明提供的一种基于依据直方统计频率的图像分类方法丰富了图像分类技术手段。其中，不同类别的样本图像在直方统计矩阵下会有分层聚集性趋势，本发明的特征融合是将矩阵中的相邻元素融合聚集，即将对分类任务贡献度低的相邻特征融合，本质上就是对离分类边界距离远的特征融合，而对距离近的特征保持足够的细化。
附图说明
图1是本发明所述图像分类方法提供的流程示意图。
具体实施方式
本发明提供了一种基于依据直方统计频率的图像分类方法以及一种基于依据直方统计频率的双能图像特征的图像分类方法，尤其是针对现有双能XRT图像分类识别领域中，以细粒度的等距分组导致面临高维数样本特征带来的维数灾难问题；以及进行粗粒度的划分，会损失了细节而导致模型效果不佳。从而导致双能XRT图像分类识别结果效果不佳，可靠性不高的问题，提供了一种既可以降低特征维度，同时保留了高贡献度的特征的技术手段，最终提高了双能XRT图像分类识别结果的可靠性。下面将结合实施例对本发明做进一步的说明。
实施例1：
本实施例提供一种基于依据直方统计频率的双能图像特征的图像分类方法，其包括以下步骤：
步骤1：利用双能X射线探测器探测目标获取用于目标分类的双能图像并获取对应分类标签，用以构建样本数据库D；
本发明所述方法一般应用于物料的分类，因此，获取的一般是物料的双能XRT图像数据(X射线透射物料后形成的投影图像)，对应高能图像和低能图像，高能和低能是指探测器检测的能量范围区间，高能图像主要检测的是能量相对较高区间范围的X射线，低能图像则是能量相对较低区间的X射线。如在安检领域就是应用双能XRT检测，同时利用物料的高能和低能图像信息，建立危险品和非危险品的分类识别模型，从而达到检测出危险品的目的。应当理解，本发明并不局限于具体的分类对象以及分类类型，其根据实际需求以及应用目标设定分类对象及其分类类别。
且本实施例中还优选对图像进行预处理，包括但是不局限于：校正处理、去噪处理等常规处理手段，其根据图像的质量情况选择性进行预处理。
步骤2：分别依据高、低能灰度值范围等距分为若干组V1和Vh。
其中，初始设定的组数V1和Vh可以是根据经验进行设置，如0～2
步骤3：依据所述组数V1和Vh确定的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
本实施例中，依据组数V1和Vh确定的分组统计样本的灰度频率直方数据，由于是双通道数据，因此每个样本得到一个二维直方统计矩阵作为样本的样本特征(二元数组)，且本实施例中优选将其按列或者按行拉直构成一个长向量，作为样本的特征向量。
步骤4：基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W，所述特征权重矩阵W与样本特征的数据格式一一对应，本实施例中与样本的二维直方统计矩阵相对应。
ElasticNet(弹性网络)算法是一种使用L1范数和L2范数作为正则化的线性回归模型，特征权重的的L1范数和L2范数正则化，可以提高算法泛化能力，是已经广泛应用的成熟算法，其目标函数和约束条件表示为：
目标函数：L(a,w)＝|y-wX|
约束条件：
其中0≤a≥1
w＝(w
X＝(x
式中，w为特征权重，y为样本标签，a为L1范数比重，1-a为L2范数，L(a,w)为目标函数，X为所有训练样本的特征(列向量)排列而成的样本特征矩阵，n为训练样本数，p为总特征数，w
本发明通过LARS-EN算法训练得到在约束条件下的最优目标函数的解w，将w按列或行还原为特征权重矩阵W。W与样本的二维直方统计矩阵相对应。
其中，由于ElasticNet(弹性网络)算法是已有成熟算法，因此，对其训练过程不进行过多陈述，其中，可以参照“Zou H,Hastie T.Regularization and variable selectionvia the elastic net[J].Journal of the royal statistical society:series B(statistical methodology),2005,67(2):301-320.”中记载的训练过程；LARS-EN算法可以参照“Efron B,Hastie T,Johnstone I,et al.Least angle regression[J].TheAnnals of statistics,2004,32(2):407-499.”记载的训练过程。
步骤5：依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征。
本实施例中采用OTSU算法计算出高、低能通道筛选阈值Tl、Th。OTSU算方法又称作最大类间方差法，自动将数据分成2个部分，使得两个部分之间的差异最大，而每个部分之间的差异最小，不需要额外的输入参数。因此，本发明基于OTSU算法处理特征权重矩阵W得到高、低能通道筛选阈值Tl、Th。
此外，本实施例中计算特征权重矩阵W中各个分组对应的权重大小的平均值，再判断高能通道对应的平均值是否小于或等于高能通道筛选阈值Tl，若是，标记其分组；判断低能通道对应的平均值是否小于或等于低能通道筛选阈值Th，若是，将标记其分组。
其中，标记出的分组是表征该分组下灰度值的特征的贡献度相对较低，为了降低算法复杂度，本发明优选将相邻两个标记的分组进行合并或者将标记的分组与其相邻的分组进行合并，从而更新组数V1和Vh。
应当理解，每个样本下各个分组对应的权重大小可以表征其贡献程度，因此，其他可行的实施例中，也可以选择针对每个分组下样本的权重大小，使用其他数学参数表征其贡献程度，本发明对此不进行具体的限定。
还需要说明是，融合特征后更新了组数V1和Vh。若更新后的组数V1和Vh达到了融合预设条件，返回步骤3；否则，执行步骤6；
本实施例中，将预设条件设置为：
基于所述组数V1和Vh确定的分组统计样本的灰度频率直方数据作为样本特征，再采用线性回归模型的K重交叉验证(K-fold cross validation)的测试准确率p验证是否满足条件，若测试准确率p大于准确率阈值，视为满足预设条件，否则，视为不满足预设条件；
或者基于组数V1和Vh计算：Vh组数*Vl组数是否大于或等于组数阈值，若是，视为满足融合预设条件，还可以继续融合，否则，视为不满足融合预设条件。
其中，每一次合并分组，Vh组数和Vl组数都会减小，按具体的新分组建立的样本特征，新的样本特征的表征能力(通过线性回归模型体现)不能过低(测试准确率p>阈值)，若表征能力在容许范围内，则回到步骤3，继续融合特征。
步骤6：基于更新后的组数V1和Vh确定的分组，统计所述样本数据库D中样本的灰度频率直方数据作为样本特征。
步骤7：基于步骤6中样本的样本特征以及样本的分类标签训练出目标分类模型，所述目标分类模型用于双能图像分类，所述目标分类模型的输入数据为双能图像在所述组数V1和Vh确定的分组下的样本特征，输出数据为双能图像对应的分类标签。
本发明通过特征融合的技术手段，可以有效降低特征维度，达到降低复杂度的目的。
实施例2：
在上述实施例1的构思基础上，本发明的技术构思也是能适用于其他领域的图像分类，即充分利用直方统计频率最大程序挖掘灰度频率的有效特征，将对分类任务贡献度低的相邻特征融合。因此，本实施例提供一种基于依据直方统计频率的图像分类方法，其包括以下步骤：
S1：获取用于目标分类的图像及其对应的分类标签，用以构建样本数据库D；
S2：依据灰度值范围等间距分为若干组；
S3：依据分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
S4：基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
S5：依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合更新分组，若更新后的分组满足融合预设条件，返回步骤S3继续融合，否则执行S6；
S6：基于更新的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，并训练出目标分类模型，所述目标分类模型用于图像分类，所述目标分类模型的输入数据为图像在分组下的样本特征，输出数据为图像对应的分类标签。
应当理解，各个步骤的具体实现过程可以参照实施例1，其区别在于本实施例中无高低能图像区别，因此组数对应表示为V，特征权重矩阵W的大小与组数V下的样本直方统计矩阵相对应，从而基于特征权重矩阵W得到筛选阈值T，基于筛选阈值更新分组。
实施例3：
本实施例对照实施例1，提供了一种基于上述图像分类方法的系统，其包括：样本数据库构建模块、分组模块、特征统计模块、模型训练模块、融合模块。
其中，样本数据库构建模块，用于获取用于目标分类的双能图像并获取对应分类标签，用以构建样本数据库D；
分组模块，用于分别依据高、低能灰度值范围等距分为若干组V1和Vh；
特征统计模块，用于依据所述组数V1和Vh确定的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
模型训练模块，用于基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
融合模块，用于依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合得到更新后的组数V1和Vh；
若更新后的组数V1和Vh达到了融合预设条件，继续融合分组特征，进入下一个迭代循环；
若更新后的组数V1和Vh未达到了融合预设条件，特征统计模块基于更新后的组数V1和Vh确定的分组，统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，模型训练模块基于样本的样本特征以及样本的分类标签训练出目标分类模型，所述目标分类模型用于双能图像分类；
其中，所述目标分类模型的输入数据为双能图像在所述组数V1和Vh确定的分组下的样本特征，输出数据为双能图像对应的分类标签。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例4：
本实施例对照实施例2，提供了一种基于上述图像分类方法的系统，其包括：样本数据库构建模块、分组模块、特征统计模块、模型训练模块、融合模块。
样本数据库构建模块，用于获取用于目标分类的图像及其对应的分类标签，用以构建样本数据库D；
分组模块，用于依据灰度值范围等间距分为若干组；
特征统计模块，用于依据分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
模型训练模块，用于基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
融合模块，用于依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合更新分组，若更新后的分组满足融合预设条件，继续融合分组特征，进入下一个迭代循环；否则，特征统计模块基于更新的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，模型训练模块基于样本的样本特征以及样本的分类标签训练出目标分类模型。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例5：
本实施例提供一种终端，其包括：
一个或多个处理器；
存储了一个或多个程序的存储器；
所述处理器调用所述程序以执行：
一种基于依据直方统计频率的双能图像特征的图像分类方法的步骤。具体为：
步骤1：利用双能X射线探测器探测目标获取用于目标分类的双能图像并获取对应分类标签，用以构建样本数据库D；
步骤2：分别依据高、低能灰度值范围等距分为若干组V1和Vh。
步骤3：依据所述组数V1和Vh确定的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
步骤4：基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W。
步骤5：依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征。
步骤6：基于更新后的组数V1和Vh确定的分组，统计所述样本数据库D中样本的灰度频率直方数据作为样本特征。
步骤7：基于步骤6中样本的样本特征以及样本的分类标签训练出目标分类模型，所述目标分类模型用于双能图像分类，所述目标分类模型的输入数据为双能图像在所述组数V1和Vh确定的分组下的样本特征，输出数据为双能图像对应的分类标签。
或者所述处理器调用所述程序以执行：一种基于依据直方统计频率的图像分类方法，具体执行：
S1：获取用于目标分类的图像及其对应的分类标签，用以构建样本数据库D；
S2：依据灰度值范围等间距分为若干组；
S3：依据分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
S4：基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
S5：依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合更新分组，若更新后的分组满足融合预设条件，返回步骤S3继续融合，否则执行S6；
S6：基于更新的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，并训练出目标分类模型，所述目标分类模型用于图像分类，所述目标分类模型的输入数据为图像在分组下的样本特征，输出数据为图像对应的分类标签。
该终端还包括：通信接口，用于与外界设备进行通信，进行数据交互传输。
其中，存储器可能包含高速RAM存储器，也可能还包括非易失性除颤器，例如至少一个磁盘存储器。
如果存储器、处理器和通信接口独立实现，则存储器、处理器和通信接口可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构总线，外部设备互联总线或扩展工业标准体系结构总线等。所述总线可以分为地址总线、数据总线、控制总线等。
可选的，在具体实现上，如果存储器、处理器和通信接口集成在一块芯片上，则存储器、处理器即通信接口可以通过内部接口完成相互之间的通信。
各个步骤的具体实现过程请参照前述方法的阐述。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例6：
本发明提供一种可读存储介质，其存储了计算机程序，所述计算机程序被处理器调用以实现：
一种基于依据直方统计频率的双能图像特征的图像分类方法的步骤。具体为：
步骤1：利用双能X射线探测器探测目标获取用于目标分类的双能图像并获取对应分类标签，用以构建样本数据库D；
步骤2：分别依据高、低能灰度值范围等距分为若干组V1和Vh。
步骤3：依据所述组数V1和Vh确定的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
步骤4：基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W。
步骤5：依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征。
步骤6：基于更新后的组数V1和Vh确定的分组，统计所述样本数据库D中样本的灰度频率直方数据作为样本特征。
步骤7：基于步骤6中样本的样本特征以及样本的分类标签训练出目标分类模型，所述目标分类模型用于双能图像分类，所述目标分类模型的输入数据为双能图像在所述组数V1和Vh确定的分组下的样本特征，输出数据为双能图像对应的分类标签。
或者所述计算机程序被处理器调用以实现：一种基于依据直方统计频率的图像分类方法，具体执行：
S1：获取用于目标分类的图像及其对应的分类标签，用以构建样本数据库D；
S2：依据灰度值范围等间距分为若干组；
S3：依据分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，构建训练样本库S；
S4：基于ElasticNet算法以及所述训练样本库S训练分类模型得到特征权重矩阵W；
S5：依据在所述特征权重矩阵W中各个分组对应的权重大小融合分组特征；
其中，依据权重大小保留贡献率更高的分组，将贡献率更低的分组与相邻分组进行融合更新分组，若更新后的分组满足融合预设条件，返回步骤S3继续融合，否则执行S6；
S6：基于更新的分组统计所述样本数据库D中样本的灰度频率直方数据作为样本特征，并训练出目标分类模型，所述目标分类模型用于图像分类，所述目标分类模型的输入数据为图像在分组下的样本特征，输出数据为图像对应的分类标签。
各个步骤的具体实现过程请参照前述方法的阐述。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。
机译： 存储介质，用于播放记录在存储介质中的多媒体图像数据和基于文本的字幕数据以基于多媒体图像数据在图像中显示字幕的装置，从多媒体和记录在屏幕上的基于文本的字幕数据再现图像数据的方法用于基于多媒体图像数据在图像上显示字幕的存储介质，计算机可读介质和演示图形解码器
机译： 半色调图像生成装置，其通过部分选择并混合通过使用第一方法对特定图像进行半色调处理而获得的第一半色调图像和通过使用第二方法对特定图像进行半色调处理而获得的第二半色调图像，来生成图像的混合半色调图像，相关的半色调图像生成方法以及用于计算机程序的计算机可读存储介质
机译： 图像分类方法，终端设备和非易失性计算机可读存储介质
