一种基于卷积神经网络的图像处理方法、装置及移动终端制造方法及图纸
【技术实现步骤摘要】
一种基于卷积神经网络的图像处理方法、装置及移动终端
本专利技术涉及图像处理
，特别涉及一种基于卷积神经网络的图像处理方法、装置及移动终端。
技术介绍
随着卷积神经网络(CNN：ConvolutionalNeuralNetwork)的快速发展，越来越多的图像处理手段，如分类、分割、风格转换、画质改善等，均采用CNN进行训练学习，以取得比传统处理方法更好的效果。然而，CNN在移动终端上的应用仍存在瓶颈，尤其是当CNN达到数百层时，需大量的浮点数乘法运算及大量的CPU内存申请，导致移动终端的计算效率和内存跟不上CNN的发展速度。现有的在移动终端基于卷积神经网络处理图像的方法，是利用GPU和如OpenGLES的图形程序接口来实现浮点运算的。一方面，移动终端内置的GPU具有强大的浮点运算能力，能够将移动终端的浮点运算效率提高10倍以上，甚至更多倍数，另一方面，移动端GPU芯片基本支持OpenGLES，而OpenGLES的3.x系列可支持16位或32位浮点纹理，可为GPU计算提供极大的便利性，从而可用于CNN的GPU高效计算。然而，在通过纹理存储数据时，势必会导致大量纹...
【技术保护点】
一种基于卷积神经网络的图像处理方法，适于在具有图形程序接口的移动终端中执行，所述卷积神经网络包括多个处理层和多个数据层，其中每个处理层用于处理与之相连的上一数据层中的多个特征图，以生成下一数据层中的多个特征图，所述移动终端中存储有各数据层对应于图形程序接口的存储参数，所述存储参数包括特征图尺寸、纹理横向数量和纹理纵向数量，所述方法包括：将待处理图片作为第一个数据层输入到所述卷积神经网络；对每一个数据层，根据所述存储参数，将该数据层的多个特征图组合形成对应的大纹理进行存储；对每一个处理层，获取与之相连的上一数据层对应的大纹理，调用所述图形程序接口对其进行与该处理层对应的渲染处...
【技术特征摘要】
1.一种基于卷积神经网络的图像处理方法，适于在具有图形程序接口的移动终端中执行，所述卷积神经网络包括多个处理层和多个数据层，其中每个处理层用于处理与之相连的上一数据层中的多个特征图，以生成下一数据层中的多个特征图，所述移动终端中存储有各数据层对应于图形程序接口的存储参数，所述存储参数包括特征图尺寸、纹理横向数量和纹理纵向数量，所述方法包括：将待处理图片作为第一个数据层输入到所述卷积神经网络；对每一个数据层，根据所述存储参数，将该数据层的多个特征图组合形成对应的大纹理进行存储；对每一个处理层，获取与之相连的上一数据层对应的大纹理，调用所述图形程序接口对其进行与该处理层对应的渲染处理，以生成下一数据层中的多个特征图。2.如权利要求1所述的方法，所述特征图尺寸包括特征图的高和宽，所述根据所述存储参数，将该数据层的多个特征图组合形成对应的大纹理进行存储的步骤包括：获取该数据层中多个特征图对应的小纹理；将所述小纹理按照纹理横向数量乘以纹理纵向数量的样式进行组合，以形成对应的大纹理进行存储，所述大纹理的高为所述特征图的高与纹理纵向数量的乘积，所述大纹理的宽为所述特征图的宽与纹理横向数量的乘积。3.如权利要求1或2所述的方法，所述获取与之相连的上一数据层对应的大纹理，调用所述图形程序接口对其进行与该处理层对应的渲染处理，以生成下一数据层中的多个特征图的步骤包括：获取与该处理层相连的上一数据层对应的大纹理，所述大纹理由上一数据层中的多个特征图所形成的小纹理组成；对每一个小纹理，获取该小纹理的各顶点的纹理坐标与像素坐标；根据各顶点的纹理坐标与像素坐标，调用所述图形程序接口对该小纹理进行与该处理层对应的渲染处理，以生成下一数据层中的多个特征图。4.如权利要求1-3中任一项所述的方法，所述处理层包括卷积层，与该卷积层相连的上一数据层对应的大纹理包括由该数据层中的多个特征图形成的小纹理，所述获取与之相连的上一数据层对应的大纹理，调用所述图形程序接口对其进行与该处理层对应的渲染处理的步骤，包括调用所述图形程序接口对其进行与该卷积层对应的渲染处理，所述调用所述图形程序接口对其进行与该卷积层对应的渲染处理的步骤包括：获取所述卷积层的处理参数，以及与所述卷积层相连的下一数据层的存储参数中的特征图尺寸，所述处理参数包括卷积核与步长；对每一个小纹理，根据所述处理...
【专利技术属性】
技术研发人员：李启东，李志阳，龚秋棠，张伟，傅松林，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。