图像处理方法及装置、图像处理模型的训练方法及装置制造方法及图纸

本申请涉及一种图像处理方法及装置、图像处理模型的训练方法及装置，涉及人工智能领域。所述方法包括：对待处理图像对应的图像矩阵进行分组处理，得到n个图像组，图像矩阵为I行J列的矩阵，图像组为行向量，其中n、I、J均为正整数，且n个图像组中的元素总数为I与J的乘积，构建卷积核对应的列向量，卷积核为P行Q列的矩阵，并针对各图像组，将图像组与列向量进行乘积运算，得到乘积矩阵，并根据图像组对乘积矩阵的每一列进行下移处理，得到第一矩阵，对各图像组对应的第一矩阵进行拼接，得到第二矩阵，针对第二矩阵的任一行，进行行内元素的累加处理，得到待处理图像对应的目标图像。采用本方法能够提高图像处理效率。用本方法能够提高图像处理效率。用本方法能够提高图像处理效率。

【技术实现步骤摘要】
图像处理方法及装置、图像处理模型的训练方法及装置


[0001]本申请涉及人工智能
，特别是涉及一种图像处理方法及装置、图像处理模型的训练方法及装置。

技术介绍

[0002]随着人工智能技术的发展，卷积神经网络作为人工智能领域的主流技术，在图像处理和识别领域得到了广泛的应用，但在传统的利用卷积神经网络进行图像处理时，存在卷积计算成本过高的缺点。
[0003]在传统技术中，在图像处理过程中，卷积神经网络在处理原始图像时，会令卷积核与原始图像进行卷积，一方面，由于卷积计算的计算量较大、计算时间较长，使得利用卷积神经网络进行图像处理时，较少使用大型卷积核，进而导致无法扩大感受野(感受野即原始图像中被卷积核覆盖的区域)以及完成复杂特征的提取，另一方面，随着数字摄影技术的发展，原始图像会越来越大，这也会提高卷积计算的计算量和计算时间，严重影响了卷积神经网络在图像处理和识别领域内的使用。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够减小运算量、缩短图像处理时间的图像处理方法及装置、图像处理模型的训练方法及装置、系统、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种图像处理方法。所述方法包括：
[0006]对待处理图像对应的图像矩阵进行分组处理，得到n个图像组，所述图像矩阵为I行J列的矩阵，所述图像组为行向量，其中n、I、J均为正整数，且所述n个图像组中的元素总数为I与J的乘积；
[0007]构建卷积核对应的列向量，所述卷积核为P行Q列的矩阵；
[0008]针对各所述图像组，将所述图像组与所述列向量进行乘积运算，得到乘积矩阵，并根据所述图像组对所述乘积矩阵的每一列进行下移处理，得到第一矩阵；
[0009]对各所述图像组对应的第一矩阵进行拼接，得到第二矩阵；
[0010]针对所述第二矩阵的任一行，进行所述行内元素的累加处理，得到所述待处理图像对应的目标图像。
[0011]在其中一个实施例中，所述构建卷积核对应的列向量，包括：
[0012]在所述卷积核的各行的最后一个元素后补充J
‑
1个0，得到第一卷积核；
[0013]针对所述第一卷积核，按行顺序依次读取所述第一卷积核内各行的元素，得到卷积行向量；
[0014]对所述卷积行向量进行转置处理，得到所述卷积核对应的列向量。
[0015]在其中一个实施例中，所述根据所述图像组对所述乘积矩阵的每一列进行下移处理，得到第一矩阵，包括：
[0016]确定所述乘积矩阵中各列的首位元素[x
ij
*k
11
]，其中，x
ij
为所述图像组中的任一元素，k
11
为所述卷积核对应的列向量中的第一个元素，i、j均为正整数；
[0017]针对任一列的所述首位元素[x
ij
*k
11
]，根据所述x
ij
在所述图像矩阵中的位置、所述图像矩阵的列数J、及所述卷积核的列数Q，确定所述列对应的索引，所述索引用于表征所述列下移处理后，所述列的首位元素[x
ij
*k
11
]在所述第一矩阵中的位置；
[0018]根据所述乘积矩阵中各列对应的所述索引对所述乘积矩阵各列进行下移处理，得到所述第一矩阵。
[0019]在其中一个实施例中，所述根据所述乘积矩阵中各列对应的所述索引对所述乘积矩阵各列进行下移处理，得到所述第一矩阵，包括：
[0020]根据所述乘积矩阵中各列对应的所述索引对所述乘积矩阵各列进行下移处理，得到第一子矩阵；
[0021]针对所述第一子矩阵的任一行，进行所述行内元素的累加处理，得到所述第一矩阵，所述第一矩阵为列向量。
[0022]在其中一个实施例中，所述针对所述第二矩阵的任一行，进行所述行内元素的累加处理，得到所述待处理图像对应的目标图像，包括：
[0023]针对所述第二矩阵的任一行，进行所述行内元素的累加处理，得到结果列向量；
[0024]针对所述结果列向量中的任一元素，根据所述元素在所述结果列向量中的位置、所述图像矩阵的列数J、及所述卷积核的列数Q，确定所述元素在所述目标图像中的位置，得到所述目标图像。
[0025]在其中一个实施例中，所述目标图像为当前卷积层对应的所述目标图像，所述方法还包括：
[0026]将所述当前卷积层对应的所述目标图像作为下一卷积层的所述待处理图像输入到下一卷积层中，直到将最后一个卷积层对应的所述目标图像输入到池化层，所述池化层对所述最后一个卷积层对应的所述目标图像进行识别处理，得到所述待处理图像的图像识别结果。
[0027]第二方面，本申请还提供了一种图像处理模型的训练方法，图像处理模型包括多个卷积层，所述卷积层用于实现前述任一实施例中的图像处理方法，所述卷积层包括第一卷积层和第二卷积层，所述第一卷积层为所述图像处理模型中的任一所述卷积层，所述第二卷积层为所述第一卷积层的下一卷积层；
[0028]所述方法包括：
[0029]获取样本图像，将所述样本图像输入图像处理模型中的第一卷积层，通过所述第一卷积层对所述样本图像对应的样本图像矩阵进行分组处理，得到n个样本图像组，所述样本图像矩阵为I行J列的矩阵，所述样本图像组为行向量，其中n、I、J均为正整数，且所述n个样本图像组中的元素总数为I与J的乘积；
[0030]通过所述第一卷积层构建样本卷积核对应的列向量，所述样本卷积核为P行Q列的矩阵；
[0031]针对各所述样本图像组，通过所述第一卷积层将所述样本图像组与所述列向量进行乘积运算，得到样本乘积矩阵，并根据所述样本图像组对所述乘积矩阵的每一列进行下移处理，得到第一样本矩阵；
[0032]通过所述第一卷积层对各所述样本图像组对应的第一样本矩阵进行拼接，得到第二样本矩阵，针对所述第二矩阵的任一行，进行所述行内元素的累加处理，得到所述样本图像对应的预测图像；
[0033]根据所述样本图像对应的预测图像对所述第一卷积层对应的误差图像进行图像处理，得到卷积核误差，并根据所述卷积核误差，对所述第二卷积层对应的卷积核进行调整，得到所述第二卷积层对应的目标卷积核；
[0034]根据所述图像处理模型中各所述卷积层对应的所述目标卷积核，确定训练后的所述图像处理模型。
[0035]第三方面，本申请还提供了一种图像处理系统。所述系统包括：分组单元、N个组内计算单元、总体合并单元和协调器，其中N为正整数；
[0036]所述分组单元，用于对待处理图像对应的图像矩阵进行分组处理，得到n个图像组，所述图像矩阵为I行J列的矩阵，所述图像组为行向量，其中n、I、J均为正整数，且所述n个图像组中的元素总数为I与J的乘积；
[0037]所述协调器，用于根据各所述图像组和各所述组内计算单元的工作状态，将所述n个图像组分发至各所述组内计本文档来自技高网...

【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：对待处理图像对应的图像矩阵进行分组处理，得到n个图像组，所述图像矩阵为I行J列的矩阵，所述图像组为行向量，其中n、I、J均为正整数，且所述n个图像组中的元素总数为I与J的乘积；构建卷积核对应的列向量，所述卷积核为P行Q列的矩阵；针对各所述图像组，将所述图像组与所述列向量进行乘积运算，得到乘积矩阵，并根据所述图像组对所述乘积矩阵的每一列进行下移处理，得到第一矩阵；对各所述图像组对应的第一矩阵进行拼接，得到第二矩阵；针对所述第二矩阵的任一行，进行所述行内元素的累加处理，得到所述待处理图像对应的目标图像。2.根据权利要求1所述的方法，其特征在于，所述构建卷积核对应的列向量，包括：在所述卷积核的各行的最后一个元素后补充J
‑
1个0，得到第一卷积核；针对所述第一卷积核，按行顺序依次读取所述第一卷积核内各行的元素，得到卷积行向量；对所述卷积行向量进行转置处理，得到所述卷积核对应的列向量。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述图像组对所述乘积矩阵的每一列进行下移处理，得到第一矩阵，包括：确定所述乘积矩阵中各列的首位元素[x
ij
*k
11
]，其中，x
ij
为所述图像组中的任一元素，k
11
为所述卷积核对应的列向量中的第一个元素，i、j均为正整数；针对任一列的所述首位元素[x
ij
*k
11
]，根据所述x
ij
在所述图像矩阵中的位置、所述图像矩阵的列数J、及所述卷积核的列数Q，确定所述列对应的索引，所述索引用于表征所述列下移处理后，所述列的首位元素[x
ij
*k
11
]在所述第一矩阵中的位置；根据所述乘积矩阵中各列对应的所述索引对所述乘积矩阵各列进行下移处理，得到所述第一矩阵。4.根据权利要求3所述的方法，其特征在于，所述根据所述乘积矩阵中各列对应的所述索引对所述乘积矩阵各列进行下移处理，得到所述第一矩阵，包括：根据所述乘积矩阵中各列对应的所述索引对所述乘积矩阵各列进行下移处理，得到第一子矩阵；针对所述第一子矩阵的任一行，进行所述行内元素的累加处理，得到所述第一矩阵，所述第一矩阵为列向量。5.根据权利要求1所述的方法，其特征在于，所述针对所述第二矩阵的任一行，进行所述行内元素的累加处理，得到所述待处理图像对应的目标图像，包括：针对所述第二矩阵的任一行，进行所述行内元素的累加处理，得到结果列向量；针对所述结果列向量中的任一元素，根据所述元素在所述结果列向量中的位置、所述图像矩阵的列数J、及所述卷积核的列数Q，确定所述元素在所述目标图像中的位置，得到所述目标图像。6.根据权利要求1所述的方法，其特征在于，所述目标图像为当前卷积层对应的所述目标图像，所述方法还包括：将所述当前卷积层对应的所述目标图像作为下一卷积层的所述待处理图像输入到下
一卷积层中，直到将最后一个卷积层对应的所述目标图像输入到池化层，所述池化层对所述最后一个卷积层对应的所述目标图像进行识别处理，得到所述待处理图像的图像识别结果。7.一种图像处理模型的训练方法，其特征在于，图像处理模型包括多个卷积层，所述卷积层用于实现权利要求1至6中任一项的图像处理方法，所述卷积层包括第一卷积层和第二卷积层，所述第一卷积层为所述图像处理模型中的任一所述卷积层，所述第二卷积层为所述第一卷积层的下一卷积层；所述方法包括：获取样本图像，将所述样本图像输入图像处理模型中的第一卷积层，通过所述第一卷积层对所述样本图像对应的样本图像矩阵进行分组处理，得到n个样本图像组，所述样本图像矩阵为I行J列的矩阵，所述样本图像组为行向量，其中n、I、J均为正整数，且所述n个样本图像组中的元素总数为I与J的乘积；通过所述第一卷积层构建样本卷积核对应的列向量，所述样本卷积核为P行Q列的矩阵；针对各所述样本图像组，通过所述第一卷积层将所述样本图像组与所述列向量进行乘积运算，得到样本乘积矩阵，并根据所述样本图像组对所述乘积矩阵的每一列进行下移处理，得到第一样本矩阵；通过所述第一卷积层对各所述样本图像组对应的第一样本矩阵进行拼接，得到第二样本矩阵，针对所述第二矩阵的任一行，进行所述行内元素的累加处理，得到所述样本图像对应的预测图像；根据所述样本图像对应的预测图像对所述第一卷积层对应的误差图像进行图像处理，得到卷积核误差，并根据所述卷积核误差，对所述第二卷积层对应的卷积核进行调整，得到所述第二卷积层对应的目标卷积核；根据所述图像处理模型中各所述卷积层对应的所述目标卷积核，确定训练后的所述图像处理模型。8.一种图像处理系统，其特征在于，所述系统包括：分组单元、N个组内计算单元、总体合并单元和协调器，其中N为正整数；所述分组单元，用于对待处理图像对应的图像矩阵进行分组处理，得到n个图像组，所述图像矩阵为I行J列的矩阵，所述图像组为行向量，其中n、I、J均为正整数，且所述n个图像组中的元素总数为I与J的乘积；所述协调器，用于根据各所述图像组和各所述组内计算单元的工作状态，将所述n个图像组分发至各所述组内计算单元；所述组内计算单元，用于构建卷积核对应的列向量，将分发至所述组内计算单元内的所述图像组与所述列向量进行乘积运算，得到乘积矩阵，并根据所述图像组对所述乘积矩阵的每一列进行下移处理，得到第一矩阵，所述卷...

【专利技术属性】
技术研发人员：王超，谷俊，谷明慧，朱义毅，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：