基于神经网络的图像处理方法及装置制造方法及图纸

本发明专利技术公开了一种基于神经网络的图像处理方法及装置。其中，该方法包括：获取待处理图像；将待处理图像转化为不同尺寸的至少一个子图像；将至少一个子图像输入至多层神经网络进行运算；其中，多层神经网络包括多个运算层，多个运算层之间通过至少一个通讯接口连接，多个运算层中第n个运算层将对至少一个子图像进行运算得到运算结果通过通讯接口传输至第n+1个运算层，n为正整数。本发明专利技术解决了由于相关技术中必须等到本地缓存器中的运算结果被转移至内存，且新的输入数据自内存被加载本地缓存器后，处理器才能开始进行下一轮的运算工作造成的资源浪费的技术问题。

Image processing method and device based on Neural Network

The invention discloses an image processing method and a device based on a neural network. Among them, the method comprises: acquiring an image to be processed; will be processed at least one sub image into different sizes; the at least one sub image input to the neural network computing; the multilayer neural network includes a plurality of operation layer, operation layer between multiple connected by at least one communication interface, multiple operation layer the N operation layer on at least a sub image to get the results of operations through the communication interface to the n+1 operation layer, n is a positive integer. The present invention solves the related technology in the local cache must wait until the result was transferred to the memory, input data and new memory is loaded after the local cache, the processor can begin technical problems for the next round of operation caused by the waste of resources.

【技术实现步骤摘要】
基于神经网络的图像处理方法及装置
本专利技术涉及图像处理领域，具体而言，涉及一种基于神经网络的图像处理方法及装置。
技术介绍
目前在神经网络中层传输过程中，需要将大量的前期数据转移完成后才会将下组数据进行缓冲处理。对于一般的神经网络，本地缓存器与内存之间必须有大量的数据转移，此类大规模的内存存取相当耗时，人造神经网络的整体效能会因此受限。此外，由于必须等到本地缓存器中的运算结果被转移至内存，且新的输入数据自内存被加载本地缓存器后，处理器才能开始进行下一轮的运算工作。由于神经网络数据比较庞大所以处理器需要耗费大量的时间资源来等待数据的装载与获取，造成了资源的浪费。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种基于神经网络的图像处理方法及装置，以至少解决由于相关技术中必须等到本地缓存器中的运算结果被转移至内存，且新的输入数据自内存被加载本地缓存器后，处理器才能开始进行下一轮的运算工作造成的资源浪费的技术问题。根据本专利技术实施例的一个方面，提供了一种基于神经网络的图像处理方法，包括：获取待处理图像；将上述待处理图像转化为不同尺寸的至少一个子图像；将上述至少一个子图像输入至多层神经网络进行运算；其中，上述多层神经网络包括多个运算层，上述多个运算层之间通过至少一个通讯接口连接，上述多个运算层中第n个运算层将对上述至少一个子图像进行运算得到运算结果通过上述通讯接口传输至第n+1个运算层，n为正整数。可选地，每个运算层包括运算电路和本地内存，上述本地内存用于存储上述运算电路使用的上述至少一个子图像,上述运算电路用于对上述至少一个子图像进行运算得到运算结果，其中，第n个运算层的运算电路将得到的上述运算结果通过上述通讯接口传输至第n+1个运算层中的本地内存。可选地，第n个运算层的运算电路在得到的第m个运算结果时，第n个运算层的运算电路同时将得到的第m-1个运算结果通过上述通讯接口传输至第n+1个运算层中的本地内存，1<m<n，m为整数。可选地，将上述待处理图像转化为不同尺寸的至少一个子图像之后，上述方法还包括：根据上述至少一个子图像的尺寸，提取上述至少一个图像信息；将上述至少一个图像信息输入至上述多层神经网络进行运算。可选地，上述根据上述至少一个子图像的尺寸，提取上述至少一个图像信息包括：若上述子图像的尺寸小于预设值，从上述子图像中提取轮廓信息作为上述图像信息；若上述子图像的尺寸大于等于上述预设值，从上述子图像中提取细节信息作为上述图像信息。可选地，上述多个运算层包括至少n个晶片；上述多个运算层包括卷积层，其中，上述卷积层包括并联的多个晶片；上述多个运算层包括连接层，其中，上述连接层包括并联的多个晶片。根据本专利技术实施例的另一方面，还提供了一种基于神经网络的图像处理装置，包括：获取单元，用于获取待处理图像；转化单元，用于将上述待处理图像转化为不同尺寸的至少一个子图像；运算单元，用于将上述至少一个子图像输入至多层神经网络进行运算；其中，上述多层神经网络包括多个运算层，上述多个运算层之间通过至少一个通讯接口连接，上述多个运算层中第n个运算层将对上述至少一个子图像进行运算得到运算结果通过上述通讯接口传输至第n+1个运算层，n为正整数。可选地，每个运算层包括运算电路和本地内存，上述本地内存用于存储上述运算电路使用的上述至少一个子图像,上述运算电路用于对上述至少一个子图像进行运算得到运算结果，其中，第n个运算层的运算电路将得到的上述运算结果通过上述通讯接口传输至第n+1个运算层中的本地内存。根据本专利技术实施例的另一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，上述程序执行具有上述任意特征的基于神经网络的图像处理方法。根据本专利技术实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行具有上述任意特征的基于神经网络的图像处理方法。在本专利技术实施例中，采用获取待处理图像；将待处理图像转化为不同尺寸的至少一个子图像；将至少一个子图像输入至多层神经网络进行运算；其中，多层神经网络包括多个运算层，多个运算层之间通过至少一个通讯接口连接，多个运算层中第n个运算层将对至少一个子图像进行运算得到运算结果通过通讯接口传输至第n+1个运算层，n为正整数的方式，通过将待处理图像转化为不同尺寸的至少一个子图像，并通过多个运算层同时进行运算，达到了提高运算效率的目的，从而实现了节约资源的技术效果，进而解决了由于相关技术中必须等到本地缓存器中的运算结果被转移至内存，且新的输入数据自内存被加载本地缓存器后，处理器才能开始进行下一轮的运算工作造成的资源浪费的技术问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的一种可选的基于神经网络的图像处理方法的流程示意图；图2是根据本专利技术实施例的一种可选的多层神经网络的结构示意图；图3是根据本专利技术实施例的一种可选的基于神经网络的图像处理装置的结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。实施例1根据本专利技术实施例，提供了一种基于神经网络的图像处理方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。图1是根据本专利技术实施例的基于神经网络的图像处理方法，如图1所示，该方法包括如下步骤：步骤S102，获取待处理图像。本申请上述步骤S102中，通过将整幅图像分割成不同的区域块输入到缓存区，会大量的耗费装载时间，同时精确度也会有一定的影响。本实施例通过将图像分为N个不同的分辨率层次来通过N个运算层来同时传输数据，可以达到更快的传输速率。步骤S104，将待处理图像转化为不同尺寸的至少一个子图像。本申请上述步骤S104中，在获取到待处理图像之后，将待处理图像转化为至少一个子图像，其中，该至少一个子图像的尺寸互不相同。步骤S106，将至少一个子图像输入至多层神经网络进行运算。本申请上述步骤S106中，多层神经网络包括多个运算层，多个运算层之间通过至少一个通讯接口连接，多个运算层本文档来自技高网...

【技术保护点】
一种基于神经网络的图像处理方法，其特征在于，包括：获取待处理图像；将所述待处理图像转化为不同尺寸的至少一个子图像；将所述至少一个子图像输入至多层神经网络进行运算；其中，所述多层神经网络包括多个运算层，所述多个运算层之间通过至少一个通讯接口连接，所述多个运算层中第n个运算层将对所述至少一个子图像进行运算得到运算结果通过所述通讯接口传输至第n+1个运算层，n为正整数。

【技术特征摘要】
1.一种基于神经网络的图像处理方法，其特征在于，包括：获取待处理图像；将所述待处理图像转化为不同尺寸的至少一个子图像；将所述至少一个子图像输入至多层神经网络进行运算；其中，所述多层神经网络包括多个运算层，所述多个运算层之间通过至少一个通讯接口连接，所述多个运算层中第n个运算层将对所述至少一个子图像进行运算得到运算结果通过所述通讯接口传输至第n+1个运算层，n为正整数。2.根据权利要求1所述的方法，其特征在于，每个运算层包括运算电路和本地内存，所述本地内存用于存储所述运算电路使用的所述至少一个子图像,所述运算电路用于对所述至少一个子图像进行运算得到运算结果，其中，第n个运算层的运算电路将得到的所述运算结果通过所述通讯接口传输至第n+1个运算层中的本地内存。3.根据权利要求2所述的方法，其特征在于，第n个运算层的运算电路在得到的第m个运算结果时，第n个运算层的运算电路同时将得到的第m-1个运算结果通过所述通讯接口传输至第n+1个运算层中的本地内存，1<m<n，m为整数。4.根据权利要求1所述的方法，其特征在于，将所述待处理图像转化为不同尺寸的至少一个子图像之后，所述方法还包括：根据所述至少一个子图像的尺寸，提取所述至少一个图像信息；将所述至少一个图像信息输入至所述多层神经网络进行运算。5.根据权利要求4所述的方法，其特征在于，所述根据所述至少一个子图像的尺寸，提取所述至少一个图像信息包括：若所述子图像的尺寸小于预设值，从所述子图像中提取轮廓信...

【专利技术属性】
技术研发人员：高灵波，黄钦，陈恒，刘文峰，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：广东,44