图像处理方法、装置及电子设备制造方法及图纸

本公开提供一种图像处理方法、装置及电子设备。图像处理方法包括：获取目标图像；对所述目标图像执行卷积池化操作，得到所述目标图像的深层特征图；对所述目标图像执行平均池化操作，得到所述目标图像的浅层特征图；根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，生成与所述目标图像对应的目标特征图。本公开生成的目标特征图中既包括了目标图像的深层特征信息，也保留了目标图像的浅层特征信息，从而可以提高图像处理的可靠性。从而可以提高图像处理的可靠性。从而可以提高图像处理的可靠性。

【技术实现步骤摘要】
图像处理方法、装置及电子设备


[0001]本公开实施例涉及图像处理
，尤其涉及一种图像处理方法、装置及电子设备。

技术介绍

[0002]卷积神经网络是一种常见于图像识别中的热门算法。卷积神经网络利用卷积层和池化层对图像进行特征提取，并通过全连接层对提取到的特征进行建模，最终用归一化指数函数(softmax函数)对图像内容进行识别。
[0003]卷积神经网络对图像进行卷积操作，有利于对图像特征进行提取。但同时会存在一个问题，当神经网络的深度增加时，会更专注于图像的局部特征，导致其忽略原图中的很多信息，造成图像处理的可靠性较低。

技术实现思路

[0004]本公开实施例提供一种图像处理方法、装置及电子设备，以解决现有图像处理过程中因专注于图像的局部特征，忽略原图中的很多信息，造成图像处理的可靠性较低的问题。
[0005]为解决上述问题，本公开是这样实现的：
[0006]第一方面，本公开实施例提供了一种图像处理方法，所述方法包括：
[0007]获取目标图像；
[0008]对所述目标图像执行卷积池化操作，得到所述目标图像的深层特征图；
[0009]对所述目标图像执行平均池化操作，得到所述目标图像的浅层特征图；
[0010]根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，生成与所述目标图像对应的目标特征图。
[0011]第二方面，本公开实施例还提供一种电子设备，所述电子设备包括：
[0012]获取模块，用于获取目标图像；/>[0013]第一操作模块，用于对所述目标图像执行卷积池化操作，得到所述目标图像的深层特征图；
[0014]第二操作模块，用于对所述目标图像执行平均池化操作，得到所述目标图像的浅层特征图；
[0015]生成模块，用于根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，生成与所述目标图像对应的目标特征图。
[0016]第三方面，本公开实施例还提供一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的图像处理方法的步骤。
[0017]第四方面，本公开实施例还提供一种可读存储介质，该可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的应用于电子设备的图像处理方法的步骤。
[0018]在本公开实施例中，与目标图像对应的目标特征图基于目标图像的深层特征图和浅层特征图生成，其中，深层特征图通过卷积池化操作得到，浅层特征图通过平均池化操作得到。这样，生成的目标特征图中既包括了目标图像的深层特征信息，也保留了目标图像的浅层特征信息，从而可以提高图像处理的可靠性。
[0019]应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
[0020]图1是根据一示例性实施例示出的一种图像处理方法的流程图；
[0021]图2是根据一示例性实施例示出的图像处理的示意图；
[0022]图3是根据一示例性实施例示出的图像处理装置的结构图；
[0023]图4是根据一示例性实施例示出的电子设备的结构图。
[0024]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
具体实施方式
[0025]下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0026]本申请中的术语“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。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。
[0027]以下对本公开实施例的图像处理方法进行说明。
[0028]参见图1，图1是根据一示例性实施例示出的一种图像处理方法的流程图。本公开实施例的图像处理方法应用于电子设备。在实际应用中，电子设备可以是手机、电脑、电视、可穿戴式设备或车载设备等。
[0029]需要说明的是，本公开实施例的图像处理方法可以通过安装在电子设备中的卷积神经网络模型实现，也可以通过其他方式实现，本公开实施例对此不做限定。
[0030]如图1所示，图像处理方法可以包括以下步骤：
[0031]在步骤101中，获取目标图像。
[0032]具体实现时，所述目标图像可以为待处理的原始图像，也可以为基于所述原始图像获取到的图像。
[0033]如：考虑到模型输入的图像的尺寸是固定的，可选的，所述获取目标图像，包括：获取原始图像；调整所述原始图像的尺寸，得到所述目标图像。这样，可使得输入模型的图像适应模型的尺寸要求，从而可提高图像处理的可靠性。
[0034]在步骤102中，对所述目标图像执行卷积池化操作，得到所述目标图像的深层特征
图。
[0035]具体实现时，电子设备执行卷积池化操作的次数可以大于等于1，具体可根据实际情况决定，本公开实施例对此不做限定。
[0036]在步骤103中，对所述目标图像执行平均池化操作，得到所述目标图像的浅层特征图。
[0037]具体实现时，电子设备执行平均池化操作的次数可以大于等于1，具体可根据实际情况决定，本公开实施例对此不做限定。
[0038]在步骤104中，根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，生成与所述目标图像对应的目标特征图。
[0039]具体实现时，一种实现方式中，电子设备可以通过拼接所述目标图像的深层特征图，及所述目标图像的浅层特征图，得到与目标图像对应的目标特征图。
[0040]另一种实现方式中，可选的，所述根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，生成与所述目标图像对应的目标特征图，包括：
[0041]采用注意力算法，将所述目标图像的深层特征图，及所述目标图像的浅层特征图结合，得到与所述目标图像对应的目标特征图。
[0042]在本实现方式中，电子设备可以引入注意力算法，基于注意力算法，融合所述根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，得到与目标图像对应的目标特征图。这样，相比于通过拼接的方式得到目标特征图，采用注意力算法将浅层特征信息和深层特征信息进行有机结合，实现深层特征间的关联、浅层特征间的关联，以及深层特征于浅层特征间的关联，从而可以进一步提高图像处理的可靠性。
[0043]在本公开实施例中，可选的，所述生成与所述目标图像对应的目标特征图之后，所述方法还包括：根据与所述目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：获取目标图像；对所述目标图像执行卷积池化操作，得到所述目标图像的深层特征图；对所述目标图像执行平均池化操作，得到所述目标图像的浅层特征图；根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，生成与所述目标图像对应的目标特征图。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，生成与所述目标图像对应的目标特征图，包括：采用注意力算法，将所述目标图像的深层特征图，及所述目标图像的浅层特征图结合，得到与所述目标图像对应的目标特征图。3.根据权利要求1或2所述的方法，其特征在于，所述对所述目标图像执行卷积池化操作，得到所述目标图像的深层特征图，包括：执行K次卷积池化操作，得到第K次卷积池化操作输出的N个深层特征图；其中，第一次卷积池化操作的输入为所述目标图像，输出为与所述目标图像对应的N个深层特征图；第i+1次卷积池化操作的输入为与所述目标图像对应的第i个目标特征图，输出为与所述第i个目标特征图对应的N个深层特征图；K、N和i均为正整数；所述对所述目标图像执行平均池化操作，得到所述目标图像的浅层特征图，包括：执行K次平均池化操作，得到K个第一浅层特征图；其中，第一次平均池化操作的输入为所述目标图像，输出为与所述目标图像对应的浅层特征图；第i+1次平均池化操作的输入包括所述第i个目标特征图，输出包括与所述第i个目标特征图对应的浅层特征图；所述根据所述目标图像的深层特征图，及所述目标图像的浅层特征图，生成与所述目标图像对应的目标特征图，包括：根据所述第K次卷积池化操作输出的N个深层特征图和K个第二浅层特征图，生成与目标图像对应的第K个目标特征图，所述K个第二浅层特征图基于所述K个第一浅层特征图确定。4.根据权利要求3所述的方法，其特征在于，在所述K个第一浅层特征图为第K次平均池化操作输出的K个浅层特征图的情况下，第i+1次平均池化操作的输入为所述第i个目标特征图及第i次平均池化的输出，输出为与所述第i个目标特征图对应的浅层特征图及与所述第i次平均池化的输出对应的i个浅层特征图；所述K个第二浅层特征图为所述K个第一浅层特征图。5.根据权利要求3所述的方法，其特征在于，在所述K个第一浅层特征图为K次平均池化操作输出的K个浅层特征图的情况下，第i+1次平均池化操作的输入为所述第i个目标特征图，输出为与所述第i个目标特征图对应的浅层特征图；所述执行K次平均池化操作，得到K个第一浅层特征图之后，所述根据所述第K次...

【专利技术属性】
技术研发人员：陈孝良，冯大航，宁海洋，
申请(专利权)人：北京声智科技有限公司，
类型：发明
国别省市：