本发明涉及图像处理，特别是涉及一种猴痘图像分类方法、装置及系统和存储介质。
背景技术：
1、卷积神经网络(convolutional neuralnetworks，cnn)被认为是一种高效的深度学习工具，其结构与人工神经网络中的多层感知器有许多相似之处。cnn是一种改进和扩展传统神经网络结构的方法。尽管它依旧是一个分层的网络，但在其功能和结构上进行了细微的调整。卷积神经网络就像是一个聪明的学生，它可以学习很多输入和输出之间的关系。而且，它不需要记住任何公式或规则来描述这种关系。它只需要通过已知的例子来训练自己，然后就能够根据输入来预测输出。这样一来，就不需要使用传统的复杂计算方法来进行识别了。卷积神经网络作为图像处理领域的得力工具，其核心功能涵盖图像分类、检测图像中的目标物体、对图像进行分割等多个方面，有效提升了图像处理的精度和效率。模型的基本构成包括输入层、卷积层、池化层、全连接层和输出层等。
2、在基于卷积神经网络从图像中提取图像特征后，现有技术中，利用孪生神经网络来实现对图像的分类，目前孪生神经网络只能判别输入的配对样本是否属于同一类别，而无法给出样本所属的类别标签和各自标签的概率。
技术实现思路
1、提供了本发明以解决现有技术中存在的上述问题。因此，需要一种猴痘图像分类方法、装置及系统和存储介质，将孪生神经网络结合相似度预测思想，不仅判断样本是否属于同一类别，还能预测各自标签的概率。
2、根据本发明的第一方案，提供了一种猴痘图像分类方法，所述方法包括：
3、获取多个猴痘图像，并根据所述多个猴痘图像构建猴痘图像数据集；
4、构建孪生神经网络，所述孪生神经网络包括预训练模型、多层感知机以及距离函数，所述预训练模型基于所述猴痘图像数据集训练得到，利用所述猴痘图像数据集对所述孪生神经网络进行训练以得到猴痘图像分类模型，基于所述猴痘图像分类模型实现猴痘图像分类；
5、在利用所述猴痘图像数据集对所述孪生神经网络进行训练时，从所述猴痘图像数据集中获取待预测样本、阴性样本和阳性样本，将所述待预测样本分别与所述阴性样本和阳性样本组合形成第一样本对和第二样本对，所述预训练模型响应于输入的第一样本对和第二样本对，分别生成对应于第一样本对和第二样本对的第一特征图组和第二特征图组，将所述第一特征图组和第二特征图组馈送至所述多层感知机并输出第一特征图向量组和第二特征图向量组，所述第一特征图向量组包括预测样本、阴性样本所对应的特征图向量，所述第二特征图向量组包括预测样本、阳性样本所对应的特征图向量，利用在所述多层感知机的输出端设置的所述距离函数分别计算第一特征图向量组和第二特征图向量组中的两个特征图向量的相似度，得到待预测样本与阴性样本的第一相似度p以及待预测样本与阳性样本的第二相似度n，并根据第一相似度p和第二相似度n得到待预测样本预测为阳性的概率，所述概率为p/(p+n)。
6、根据本发明的第二技术方案，提供一种猴痘图像分类装置，所述装置包括：
7、数据获取模块，被配置为获取多个猴痘图像，并根据所述多个猴痘图像构建猴痘图像数据集；
8、图像分类模块，被配置为构建孪生神经网络，所述孪生神经网络包括预训练模型、多层感知机以及距离函数，所述预训练模型基于所述猴痘图像数据集训练得到，利用所述猴痘图像数据集对所述孪生神经网络进行训练以得到猴痘图像分类模型，基于所述猴痘图像分类模型实现猴痘图像分类；
9、在利用所述猴痘图像数据集对所述孪生神经网络进行训练时，从所述猴痘图像数据集中获取待预测样本、阴性样本和阳性样本，将所述待预测样本分别与所述阴性样本和阳性样本组合形成第一样本对和第二样本对，所述预训练模型响应于输入的第一样本对和第二样本对，分别生成对应于第一样本对和第二样本对的第一特征图组和第二特征图组，将所述第一特征图组和第二特征图组馈送至所述多层感知机并输出第一特征图向量组和第二特征图向量组，所述第一特征图向量组包括预测样本、阴性样本所对应的特征图向量，所述第二特征图向量组包括预测样本、阳性样本所对应的特征图向量，利用在所述多层感知机的输出端设置的所述距离函数分别计算第一特征图向量组和第二特征图向量组中的两个特征图向量的相似度，得到待预测样本与阴性样本的第一相似度p以及待预测样本与阳性样本的第二相似度n，并根据第一相似度p和第二相似度n得到待预测样本预测为阳性的概率，所述概率为p/(p+n)。
10、根据本发明的第三技术方案，提供一种猴痘图像分类系统，所述系统包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现如上所述的方法。
11、根据本发明的第四技术方案，提供一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行如上所述的方法。
12、根据本发明各个方案的猴痘图像分类方法、装置及系统和存储介质，其至少具有以下技术效果：
13、本发明在数据集的构建上，综合考虑了小样本数据和样本类别不平衡情况，从而可以获得更多且更为准确的猴痘图像样本，能够保证数据集的分布均衡性。同时本发明引入了预训练模型融合多层感知机(mlp)的方法提升了孪生神经网络的扩展性，使得孪生神经网络能够预测输入特征属于各自标签的概率，从而提升图像分类的准确性。
1.一种猴痘图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，获取多个猴痘图像，并根据所述多个猴痘图像构建猴痘图像数据集，包括：
3.根据权利要求1所述的方法，其特征在于，所述预训练模型为第一神经网络卷积模型，所述第一神经网络卷积模型包括多个密集块和过渡层，其中两个密集块之间通过一个所述过渡层连接；
4.根据权利要求1所述的方法，其特征在于，所述预训练模型为第二神经网络卷积模型，所述第二神经网络卷积模型响应于输入的图像数据，从所述图像数据中抽取出至少两个图像特征，并对所述至少两个图像特征进行整合，输出图像特征图，所述第二神经网络卷积模型的数据处理流程表示为：
5.根据权利要求1所述的方法，其特征在于，所述预训练模型为第三神经网络卷积模型，所述第三神经网络卷积模型基于输入特征图，通过dw卷积得到第一输出特征图，利用pw卷积对第一输出特征进行处理得到最终的输出特征图。
6.根据权利要求1至5中任一项所述的方法，其特征在于，基于所述猴痘图像数据集训练得到所述预训练模型时所采用的损失函数为第一损失函数、第二损失函数或第三损失函数，所述第一损失函数表示为：
7.根据权利要求6所述的方法，其特征在于，所述第二损失函数表示为：
8.一种猴痘图像分类装置，其特征在于，所述装置包括：
9.一种猴痘图像分类系统，其特征在于：所述系统包括：
10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至7中任一项所述的方法。
