一种图像处理方法、装置及设备制造方法及图纸

本发明专利技术公开一种应用于图像处理系统的图像处理方法、装置及设备，属于深度学习领域。该图像处理装置至少包括第一运算器和第二运算器，第一运算器和第二运算器通过串行收发器级联，并且并行执行所述图像处理方法，所述图像处理方法包括：获取外部处理器分割原图像得到的子图像，并作为本级结果图像；根据指定的卷积核和得到子图像的分割方式提取本级结果图像中的本级图像元素；向前级运算器发送本级图像元素，并接收后级运算器发送的后级图像元素；将本级结果图像与后级图像元素合成为本级待处理图像；对本级待处理图像进行卷积运算，得到本级结果图像。实现了处理大数据量图像过程中，无需使用外部存储器，提高了图像处理性能。能。能。

【技术实现步骤摘要】
一种图像处理方法、装置及设备


[0001]本专利技术涉及深度学习领域，特别涉及一种图像处理方法、装置及设备。

技术介绍

[0002]深度学习算法的出现极大地促进了机器学习的发展，并在图像、语音和自然语言处理领域得到广泛应用。有赖于卷积神经网络（Convolutional Neural Networks, CNN）模型的改进和硬件计算能力的提升，深度学习算法可以借助更多的训练数据进行拟合，提高任务处理的精确性。得益于深度学习技术的应用，图像识别产品已在人们日常的工作、生活中得以广泛应用，为社会的有序运行提供了有力的技术保障。
[0003]在图像处理应用的早期，受限于图像采集技术，需要被处理的图像数据量往往有限，采用运算器自带的内部存储器即可完成对图像的处理任务。但随着图像信息的逐渐增大，数据量已经大大超过了计算单元自带存储器的容量。面对这种情况，技术人员可以选择外接存储器方案：即在计算单元之外扩展存储器，将每次卷积计算的结果缓存到外接的扩展存储器中，再读出进行下一轮计算；也可以选择升级运算器方案：即更换带有高容量内部存储器的运算器，依旧延续单个运算器。对于前者，外接存储器会降低计算过程中的读写速度，使计算速度急剧下降，甚至由于数据量过大导致计算单元被迫采用串行计算的方式，进一步恶化了计算性能；对于后者，运算器的硬件性能提升将导致成本的急剧增大：其内部存储器容量增大一倍，价格可能增加十倍，并且受限于计算单元的适配性，可能面临频繁更换不同型号运算器的问题，进一步增加了成本压力。

技术实现思路

[0004]为了解决现有技术的问题，本专利技术实施例提供了一种应用于图像处理系统的图像处理方法、装置、设备及计算机存储介质，以克服现有技术中处理大数据量图像时，因运算器内部存储器容量的限制，导致图像处理性能下降的问题。
[0005]为了解决上述的一个或多个技术问题，本专利技术采用的技术方案如下：第一方面，提供一种图像处理方法，应用于图像处理装置中的运算器，其中图像处理装置至少包括第一运算器和第二运算器，上述第一运算器和第二运算器通过串行收发器级联，上述第一运算器和第二运算器并行执行上述图像处理方法；上述图像处理方法包括：获取外部处理器分割原图像得到的子图像，将该子图像作为本级结果图像；根据指定的卷积核和得到子图像的分割方式提取本级结果图像中的本级图像元素；向前级运算器发送本级图像元素，并接收后级运算器发送的后级图像元素；将本级结果图像与后级图像元素合成为本级待处理图像；对本级待处理图像进行卷积运算，得到本级结果图像。
[0006]进一步地，当本级结果图像达到预设标准时，结束图像处理方法的执行过程；
否则，循环执行图像处理方法的执行过程。
[0007]进一步地，外部处理器分割原图像得到的子图像包括：以平行于原图像长边的方向，横向分割原图像，得到子图像；或，以平行于原图像宽边的方向，纵向分割原图像，得到子图像。
[0008]进一步地，卷积核具有宽度N和高度M；宽度N为正奇数；高度M为正奇数；卷积核的通道数与本级待处理图像的通道数相同；卷积核参数通过预先训练得到。
[0009]进一步地，根据指定的卷积核和得到子图像的分割方式提取本级结果图像中的本级图像元素包括：若以平行于原图像长边的方向横向分割原图像，则复制本级结果图像中与前级结果图像边界毗邻的M
‑
1条像素作为本级图像元素；若以平行于原图像宽边的方向纵向分割原图像，则复制本级结果图像中与前级结果图像边界毗邻的N
‑
1条像素作为本级图像元素。
[0010]进一步地，将本级结果图像与后级图像元素合成为本级待处理图像包括：将后级图像元素顺序拼接至与本级结果图像衔接的边界处；将拼接后的图像作为本级待处理图像。
[0011]进一步地，对本级待处理图像进行卷积运算包括：为一次完整的卷积运算设置统一的步进值；开始卷积运算过程；第二方面，提供一种图像处理装置，至少包括：第一运算器和第二运算器；其中，第一运算器与第二运算器均并行执行上述第一方面提供的图像处理方法；第一运算器与第二运算器通过串行收发器级联；第一运算器作为前级运算器，接收图像元素；第二运算器作为后级运算器，发送图像元素；串行收发器用于将后级算器的图像元素作为后级图像元素，发送至前级运算器。
[0012]进一步地，运算器包括：内部存储模块，用于存储本级待处理图像和本级结果图像；卷积运算模块，用于对存储于内部存储模块的本级待处理图像进行卷积运算；进一步地，进行卷积运算包括：使用指定的卷积核与设置的步进值进行卷积运算；进一步地，上述指定的卷积核具有宽度N和高度M；其中，宽度N为正奇数，高度M为正奇数；上述卷积核的通道数与本级待处理图像的通道数相同；上述卷积核参数通过预先训练得到。
[0013]进一步地，步进值为了一次完整的卷积运算设置的统一的步进值。
[0014]图像预处理模块，用于从本级结果图像中提取本级图像元素，并通过串行收发器发送至前级的图像预处理模块；以及将串行收发器接收到的后级图像元素，与本级内部存储模块中的本级结果图像进行合成，生成本级待处理图像；并将本级待处理图像存储于本级内部存储模块；进一步地，根据指定的卷积核和得到子图像的分割方式提取本级结果图像中的本级图像元素包括：若以平行于原图像长边的方向横向分割原图像，则复制本级结果图像中与前级结果图像边界毗邻的M
‑
1条像素作为本级图像元素；若以平行于原图像宽边的方向纵向分割原图像，则复制本级结果图像中与前级结果图像边界毗邻的N
‑
1条像素作为本级图像元素。
[0015]进一步地，将本级结果图像与后级图像元素合成为本级待处理图像包括：将后级图像元素顺序拼接至与本级结果图像衔接的边界处；将拼接后的图像作为本级待处理图像。
[0016]将拼接后的图像作为本级待处理图像。
[0017]串行收发器，用于将本级图像运算发送至前级运算器。
[0018]进一步地，本级结果图像达到预设标准后，图像处理装置中的运算器将本级结果图像发送至外部处理器；否则，循环执行图像处理方法的执行过程。
[0019]进一步地，图像处理装置在图像处理任务开始时，获取外部处理器分割原图像得到的子图像；并将子图像作为本级结果图像存储于运算器的内部存储模块中。
[0020]第三方面，提供一种图像处理电子设备，包括：一个或多个处理器；以及与一个或多个处理器关联的存储器，该存储器用于存储程序指令，该程序指令在被一个或多个处理器读取执行时，运算器并行执行如下操作：获取外部处理器分割原图像得到的子图像，将子图像作为本级结果图像；根据指定的卷积核和得到子图像的分割方式提取本级结果图像中的本级图像元素；向前级运算器发送本级图像元素，并接收后级运算器发送的后级图像元素；将本级结果图像与后级图像元素合成为本级待处理图像；对本级待处理图像进行卷积运算，得到本级结果图像；进一步地，当本级结果图像达到预设标准时，结束图像处理方法的执行过程；否则，循环执行图像处理方法的执本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，应用于图像处理装置中的运算器，其特征在于，其中所述图像处理装置至少包括第一运算器和第二运算器，所述第一运算器和第二运算器通过串行收发器级联，所述第一运算器和第二运算器并行执行所述图像处理方法，所述图像处理方法包括：获取外部处理器分割原图像得到的子图像，将所述子图像作为本级结果图像；根据指定的卷积核和得到所述子图像的分割方式提取本级结果图像中的本级图像元素；向前级运算器发送所述本级图像元素，并接收后级运算器发送的后级图像元素；将所述本级结果图像与所述后级图像元素合成为本级待处理图像；对所述本级待处理图像进行卷积运算，得到所述本级结果图像。2.根据权利要求1所述的一种图像处理方法，其特征在于，当所述本级结果图像达到预设标准时，结束所述图像处理方法的执行过程；否则，循环执行所述图像处理方法的执行过程。3.根据权利要求1所述的一种图像处理方法，其特征在于，所述外部处理器分割原图像得到的子图像包括：以平行于所述原图像长边的方向，横向分割原图像，得到所述子图像；或，以平行于所述原图像宽边的方向，纵向分割原图像，得到所述子图像。4.根据权利要求1所述的一种图像处理方法，其特征在于，所述卷积核具有宽度N和高度M；所述宽度N为正奇数；所述高度M为正奇数；所述卷积核的通道数与所述本级待处理图像的通道数相同；所述卷积核参数通过预先训练得到。5.根据权利要求4所述的一种图像处理方法，其特征在于，所述根据指定的卷积核和得到所述子图像的分割方式提取本级结果图像中的本级图像元素包括：若以平行于所述原图像长边的方向横向分割原图像，则复制所述本级结果图像中与前级结果图像边界毗邻的M
‑
1条像素作为所述本级图像元素；若以平行于所述原图像宽边的方向纵向分割原图像，则复制所述本级结果图像中与前级结果图像边界毗邻的N
‑<...

【专利技术属性】
技术研发人员：蒋东东，董刚，赵雅倩，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：