卷积神经网络的图像处理方法和图像处理系统技术方案

本申请涉及卷积神经网络的图像处理方法和图像处理系统。一种系统适于执行一图像处理方法，所述处理方法包括获得输入图像数据、第一训练结果、第二训练结果与插值对应表；根据所述区域插值的总数量将输入图像数据切分为多个特征图块；建立位置映射关系，记录每一区域插值的位置所对应的特征图块；根据位置映射关系，设置特征图块相应的区域插值；根据第一训练结果、第二训练结果与区域插值，获得每一特征图块的内插参数；对每一内插参数与相应的特征图块进行区块卷积处理并获得输出特征结果；及根据位置映射关系，合并所述输出特征结果获得输出图像。果获得输出图像。果获得输出图像。

【技术实现步骤摘要】
卷积神经网络的图像处理方法和图像处理系统


[0001]一种数字图像的处理方法与系统，特别涉及一种卷积神经网络的图像处理方法与系统。

技术介绍

[0002]随着深度神经网络(deep neural network)的兴起，业界发展出多种不同的学习演算法。学习演算法从过去的神经网络(neural network)发展到现在的卷积神经网络(Convolutional Neural Networks)。一般而言，学习演算法是基于特征识别、分类与反馈处理。因此常被应用在数字信息的特征分类与判断。例如：数字图像的图像处理。

技术实现思路

[0003]有鉴于此，根据一些实施例，卷积神经网络的图像处理方法包括获得输入图像数据、第一训练结果、第二训练结果与插值对应表，插值对应表包括多个区域插值；根据区域插值的总数量，将输入图像数据切分为多个特征图块；建立位置映射关系，记录每一区域插值的位置所对应的特征图块；根据位置映射关系，设置特征图块相应的区域插值；根据第一训练结果、第二训练结果与区域插值，获得每一特征图块的内插参数；对每一内插参数与相应的特征图块进行区块卷积处理并获得输出特征结果；以及根据位置映射关系，合并输出特征结果获得输出图像。所述的卷积神经网络的图像处理方法将输入图像数据切分为多个特征图块，以便降低图像处理时的运算负担。
[0004]在一些实施例中，在获得插值对应表之步骤前包括选择卷积神经网络的第一卷积运算层；输入该输入图像数据至第一卷积运算层。
[0005]在一些实施例中，获得输出图像之步骤包括选择卷积神经网络的第二卷积运算层；将第一卷积运算层得到的输出图像设定为第二卷积运算层新的输入图像数据；获得第二卷积运算层的输出图像。
[0006]在一些实施例中，在获得插值对应表之步骤前包括第一卷积运算层与第二卷积运算层各自具有相应的插值对应表；根据第一卷积运算层或第二卷积运算层选择相应的插值对应表。
[0007]在一些实施例中，根据区域插值的总数量将输入图像数据切分为多个特征图块之步骤包括根据插值数量与输入图像数据计算每一特征图块的第一面积；将每一特征图块的第一面积扩展为第二面积，使相邻的两特征图块间具有重迭区域。
[0008]在一些实施例中，根据位置映射关系合并所述内插参数获得输出图像之步骤包括根据位置映射关系迭加相邻的两内插参数对应的重迭区域；获得输出图像。
[0009]在一些实施例中，根据第一训练结果、第二训练结果与区域插值，获得每一特征图块的内插参数的步骤包括根据第一训练结果与位置映射关系，设置每一特征图块相应的第一暂存区域插值；根据第二训练结果与位置映射关系，设置每一特征图块相应的第二暂存区域插值；根据第一训练结果、第二训练结果、第一暂存区域插值与第二暂存区域插值获得
相应位置的内插参数。
[0010]在一些实施例中，所述的图像处理系统包括存储单元与处理器。存储单元储存卷积神经网络程序、输入图像数据、至少一插值对应表、第一训练结果、第二训练结果与输出图像；插值对应表包括多个区域插值，所述区域插值的总数量为插值数量；处理器根据输入图像数据与插值对应表执行卷积神经网络程序，处理器根据插值数量与位置映射关系将输入图像数据切分为多个特征图块，每一特征图块根据位置映射关系设置相应的区域插值，处理器根据第一训练结果、第二训练结果与所述区域插值计算每一特征图块的内插参数，处理器根据位置映射关系合并所述内插参数获得输出图像。所述的卷积神经网络的图像处理系统将输入图像数据切分为多个特征图块，以便降低处理器对图像处理时的运算负担。
[0011]在一些实施例中，卷积神经网络程序包括第一卷积运算层与第二卷积运算层，第一卷积运算层输出连接至第二卷积运算层，第一卷积运算层与第二卷积运算层各自具有插值对应表。
[0012]在一些实施例中，根据插值数量与输入图像数据计算每一特征图块的第一面积，将每一特征图块的第一面积扩展为第二面积，使相邻的两特征图块间具有重迭区域，处理器根据第一训练结果、第二训练结果与区域插值计算重迭区域的内插参数，处理器根据位置映射关系获得输出图像。
[0013]综上，卷积神经网络的图像处理方法与系统提出可利用多组训练结果与区域插值调整为新的内插参数，并根据新的内插参数进一步获得特征图块的输出特征。另外，通过输入图像数据的切分处理，处理器可以将运算资源集中于特征图块的处理上，进而降低处理器对于大型输入样本的运算负担。
附图说明
[0014][图1A]为图像处理系统一实施例的功能方块示意图。
[0015][图1B]为图像处理系统的单一组卷积运算层一实施例的示意图。
[0016][图1C]为图像处理系统的插值对应表与区域插值一实施例的示意图。
[0017][图2]为图像处理方法的一实施例的流程示意图。
[0018][图3A]为图像处理方法的输入图像数据与特征图块的切分一实施例示意图。
[0019][图3B]为图像处理方法的内插参数一实施例的生成示意图。
[0020][图3C]为图像处理方法的一实施例的输出特征结果的生成示意图。
[0021][图4A]为图像处理方法的一实施例的多组卷积运算层的示意图。
[0022][图4B]为图像处理方法的一实施例的各层卷积运算层的运作示意图。
[0023][图4C]为图像处理方法的一实施例的各层卷积运算层的运作示意图。
[0024][图5]为图像处理方法的一实施例的特征图块的扩展示意图。
[0025][图6]为图像处理方法的一实施例的多组训练结果与相应的区域插值之示意图。
具体实施方式
[0026]请参考图1A所示，其系为图像处理系统一实施例的功能方块示意图。图像处理系统100除了可以通过个人计算机(computer)或服务器实现外，也可以被运用在嵌入式控制器(embedded controller)或特定芯片(Systemon a Chip)中。图像处理系统100包括存储
单元110与处理器120。存储单元110储存卷积神经网络程序(Convolutional Neural Networks，后文中简称CNN程序111)、输入图像数据112、至少一插值对应表113、第一训练结果114、第二训练结果115与输出图像116。在一实施例中系以其中之一卷积运算层的内部处理作为说明，如图1B之虚线框所示。
[0027]CNN程序111根据运算处理层设置一插值对应表113。插值对应表113具有多个区域插值117，请参考图1C所示。为方便解说，图1C系以二维阵列作为区域插值117的集合与表示。其中，插值对应表113的左上角系为原点，α(x，y)为区域插值117，x与y分别对应插值对应表113的横轴上的编号与纵轴上的编号。举例来说，区域插值α(1，0)系对应于插值对应表113的第二行、第一列。此外，插值对应表113也可以是一维阵列或三维阵列的方式表示。
[0028]输入图像数据112系为CNN程序111欲本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卷积神经网络的图像处理方法，包括：获得一输入图像数据、一第一训练结果、一第二训练结果与一插值对应表，该插值对应表包括多个区域插值；根据多个该区域插值的总数量，将该输入图像数据切分为多个特征图块；建立一位置映射关系，记录每一该区域插值的位置所对应的该特征图块；根据该位置映射关系，设置该特征图块相应的该区域插值；根据该第一训练结果、该第二训练结果与多个该区域插值，获得每一该特征图块的一内插参数；对每一该内插参数与相应的该特征图块进行一区块卷积处理并获得一输出特征结果；以及根据该位置映射关系，合并多个该输出特征结果获得一输出图像。2.根据权利要求1所述的卷积神经网络的图像处理方法，其中在获得该插值对应表的步骤前包括：选择一卷积神经网络的一第一卷积运算层；以及输入该输入图像数据至该第一卷积运算层。3.根据权利要求2所述的卷积神经网络的图像处理方法，其中获得该输出图像的步骤包括：选择该卷积神经网络的一第二卷积运算层；将该第一卷积运算层得到的该输出图像设定为该第二卷积运算层新的该输入图像数据；以及获得该第二卷积运算层的该输出图像。4.根据权利要求3所述的卷积神经网络的图像处理方法，其中在获得该插值对应表的步骤前包括：该第一卷积运算层与该第二卷积运算层各自具有相应的该插值对应表；以及根据该第一卷积运算层或该第二卷积运算层选择相应的该插值对应表。5.根据权利要求1所述的卷积神经网络的图像处理方法，其中根据多个该区域插值的该总数量将该输入图像数据切分为多个该特征图块的步骤包括：根据插值数量与该输入图像数据计算每一该特征图块的一第一面积；以及将每一该特征图块的该第一面积扩展为一第二面积，使相邻的两该特征图块间具有一重迭区域。6.根据权利要求5所述的卷积神经网络的图像处理方法，其中根据该位置映射关系合并多个该内插参数获得该输出图...

【专利技术属性】
技术研发人员：余家伟，刘康郁，
申请(专利权)人：瑞昱半导体股份有限公司，
类型：发明
国别省市：