本发明属于图像分类技术领域，具体涉及一种基于cnn svm的egc图像分类方法。
背景技术：
现有技术的特征提取方式单一，无法对egc图像特征进行全面的提取，手工特征提取方式无法对更多的隐藏特征进行提取，导致分类效果较差。卷积神经网络为黑盒模型，其参数组成方式无法解释，存在安全隐患。
技术实现要素：
针对上述现有的特征提取方式分类效果较差、存在安全隐患的技术问题，本发明提供了一种较高可解释性、较低安全隐患、更高准确率的基于cnn svm的egc图像分类方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于cnn svm的egc图像分类方法，包括下列步骤：
s100、数据预处理：将所有数据转为灰度图，省略样本颜色信息，增加图片对比度，将转换为灰度图的数据进行归一化处理，得到原始数据集；
s200、数据划分：对数据集进行划分，得到训练集与测试集；
s300、数据特征提取：通过自动提取与手动提取两种方式提取数据特征；
s400、数据分类：将cnn和svm算法模型分类结果进行加权求和，得到最终分类结果。
所述s100数据预处理中，灰度图转换方式为gray＝r*0.299 g*0.587 b*0.114，所述gray为灰度图，所述r、g、b分别对应rgb图的三个通道；数据归一化方法为将灰度图所有像素点除以255，即
所述s200数据划分中按照训练集：测试集＝8：2的比例对数据集进行划分。
所述s300数据特征提取包括自动提取与手动提取两种方式：
手工提取特征：提取的特征为数据的纹理特征，使用局部二值即lbp对纹理特征进行提取，lbp利用每个输入像素的一个局部邻域来生成一个具有代表性的二值，主要参数p和r分别设置为p＝8，r＝2；
自动提取特征：使用inceptionresnet-v2作为自动特征提取模型，迁移其识别imagenet数据集的参数作为模型初始参数，将训练集数据输入模型，进行模型的训练，直到模型识别效果无法提升，停止训练。
所述s400数据分类包括svm1、svm2和cnn三种分类方式：
svm1：将手工提取特征输入svm1中，使用svm1对其进行分类，得到分类结果；
svm2：将自动提取特征输入svm2中，使用svm2对其进行分类，得到分类结果；
cnn：将自动提取特征输入cnn层中进行分类，得到cnn分类结果；
将三部分算法得到的分类结果进行sigmoid运算，sigmoid函数为
本发明与现有技术相比，具有的有益效果是：
本发明结合传统分类方法svm与深度学习方法cnn，采用手工特征与自动特征相结合的方式对egc数据进行特征提取，手工特征的使用增加了模型的可解释性，自动特征帮助模型提取了更多的数据隐藏特征，二者优势结合，对egc数据进行了更为全面的特征提取，且模型相较于纯cnn方法，具有较高的可解释性，降低了模型安全隐患，而自动特征的加入也帮助模型相较于传统方法具有更高的准确率。
附图说明
图1为本发明的工作流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于cnn svm的egc图像分类方法，如图1所示，包括下列步骤：
步骤一、数据预处理：将所有数据转为灰度图，省略样本颜色信息，增加图片对比度，将转换为灰度图的数据进行归一化处理，得到原始数据集；
步骤二、数据划分：对数据集进行划分，得到训练集与测试集；
步骤三、数据特征提取：通过自动提取与手动提取两种方式提取数据特征；
步骤四、数据分类：将cnn和svm算法模型分类结果进行加权求和，得到最终分类结果。
进一步，步骤一数据预处理中，灰度图转换方式为gray＝r*0.299 g*0.587 b*0.114，所述gray为灰度图，所述r、g、b分别对应rgb图的三个通道；数据归一化方法为将灰度图所有像素点除以255，即
进一步，步骤二数据划分中按照训练集：测试集＝8：2的比例对数据集进行划分。
进一步，步骤三数据特征提取包括自动提取与手动提取两种方式：
手工提取特征：提取的特征为数据的纹理特征，使用局部二值即lbp对纹理特征进行提取，lbp利用每个输入像素的一个局部邻域来生成一个具有代表性的二值，主要参数p和r分别设置为p＝8，r＝2；
自动提取特征：使用inceptionresnet-v2作为自动特征提取模型，迁移其识别imagenet数据集的参数作为模型初始参数，将训练集数据输入模型，进行模型的训练，直到模型识别效果无法提升，停止训练。
进一步，步骤四数据分类包括svm1、svm2和cnn三种分类方式：
svm1：将手工提取特征输入svm1中，使用svm1对其进行分类，得到分类结果；
svm2：将自动提取特征输入svm2中，使用svm2对其进行分类，得到分类结果；
cnn：将自动提取特征输入cnn层中进行分类，得到cnn分类结果；
将三部分算法得到的分类结果进行sigmoid运算，sigmoid函数为
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
1.一种基于cnn svm的egc图像分类方法，其特征在于：包括下列步骤：
s100、数据预处理：将所有数据转为灰度图，省略样本颜色信息，增加图片对比度，将转换为灰度图的数据进行归一化处理，得到原始数据集；
s200、数据划分：对数据集进行划分，得到训练集与测试集；
s300、数据特征提取：通过自动提取与手动提取两种方式提取数据特征；
s400、数据分类：将cnn和svm算法模型分类结果进行加权求和，得到最终分类结果。
2.根据权利要求1所述的一种基于cnn svm的egc图像分类方法，其特征在于：所述s100数据预处理中，灰度图转换方式为gray＝r*0.299 g*0.587 b*0.114，所述gray为灰度图，所述r、g、b分别对应rgb图的三个通道；数据归一化方法为将灰度图所有像素点除以255，即
3.根据权利要求1所述的一种基于cnn svm的egc图像分类方法，其特征在于：所述s200数据划分中按照训练集：测试集＝8：2的比例对数据集进行划分。
4.根据权利要求1所述的一种基于cnn svm的egc图像分类方法，其特征在于：所述s300数据特征提取包括自动提取与手动提取两种方式：
手工提取特征：提取的特征为数据的纹理特征，使用局部二值即lbp对纹理特征进行提取，lbp利用每个输入像素的一个局部邻域来生成一个具有代表性的二值，主要参数p和r分别设置为p＝8，r＝2；
自动提取特征：使用inceptionresnet-v2作为自动特征提取模型，迁移其识别imagenet数据集的参数作为模型初始参数，将训练集数据输入模型，进行模型的训练，直到模型识别效果无法提升，停止训练。
5.根据权利要求4所述的一种基于cnn svm的egc图像分类方法，其特征在于：所述s400数据分类包括svm1、svm2和cnn三种分类方式：
svm1：将手工提取特征输入svm1中，使用svm1对其进行分类，得到分类结果；
svm2：将自动提取特征输入svm2中，使用svm2对其进行分类，得到分类结果；
cnn：将自动提取特征输入cnn层中进行分类，得到cnn分类结果；
将三部分算法得到的分类结果进行sigmoid运算，sigmoid函数为
