一种基于希尔伯特分形曲线的图像卷积方法和系统技术方案

本申请涉及一种基于希尔伯特分形曲线的图像卷积方法和系统，包括以下步骤：1)根据卷积输出大小模式选择对输入的图像进行填充操作，例如，输入大小等于输出模式下，需要对输入边沿进行填充操作；2)块索引与重排：对填充后的输入图像按照希尔伯特分形的索引序号进行图像块读取和重新排列的操作；3)互相关运算：对重排后的图像块进行步长等于卷积核大小的卷积互相关运算；4)局部特征聚合：使用深度可分离的一维卷积对步骤3的输出进行步长为1的卷积互相关运算；5)复原输入的二维结构：将步骤4的输出按照希尔伯特分形的索引进行反向的重排操作，并输出。与现有图像卷积操作方法相比，本申请实现简单、通用性强，具有一定的理论先进性。先进性。先进性。

【技术实现步骤摘要】
一种基于希尔伯特分形曲线的图像卷积方法和系统


[0001]本申请涉及计算机视觉图像卷积
，尤其涉及一种基于希尔伯特分形曲线的局部特征增强的图像卷积方法和系统。

技术介绍

[0002]德国数学家David Hilbert发现了一种曲线，首先把一个正方形等分成四个小正方形，依次从左下方的正方形中心出发往下到左上正方形中心，再往右到右上的正方形中心，再往下到右下正方形中心，这是一次迭代，如果对四个小正方形继续上述过程，往下划分，反复进行，最终就得到一条可以填满整个正方形的曲线，这就是希尔伯特曲线，其大致过程如附图1中所示。
[0003]希尔伯特分形是一种奇妙的曲线，曲线将遍历单位正方形中所有的点，得到一条充满空间的曲线。希尔伯特曲线是一条连续而又不可导的曲线。希尔伯特在二维数据和一维数据的变换时，特征点的位置不会随着分辨率的变化为变化。简单讲，希尔伯特分形操作可以定义为多尺度图像的一种降维映射，该映射的不变性体现为降维后的特征向量相对位置保持不变性，即对称性。所以希尔伯特分形可以符号化为一个对称群。
[0004]卷积网络或称卷积神经网络(CNN)，是一种精妙设计用来处理欧式空间排布的网格结构的数据的结构。CNN凭借其通用性和可变性尺度输入的特征在众多视觉任务中取得了不错的效果。此外，互相关运算是一种特殊的线性运算，如果该网络使用了卷积(互相关运算)这种数学运算，一般认为该网络为CNN。
[0005]卷积算子主要包含三个重要的思想来改进机器学习系统：稀疏交互、参数共享、等变性表示。正是由于其稀疏表示和参数共享的特征，使得卷积提供了一种处理大小可变的输入的方法。也是由于其在参数和稀疏表示中取得一个平衡，导致其卷积核大小受限于参数量和计算复杂度的实际限制。由于卷积核大小的限制，会使得卷积操作过于关注局部的特征信息，对相邻图像块的信息交互能力表现缺失。
[0006]为了克服这一缺陷，目前的方法主要包括：
[0007]1)使用更多的卷积层和全连接层增强模型深层的全局感受能力；
[0008]2)使用大卷积核进行卷积操作；
[0009]上述两种方法虽然克服了其缺少全局感受野等缺陷，但也带来了计算复杂度的需求增加。

技术实现思路

[0010]有鉴于此，本申请的目的在于提出一种基于希尔伯特分形曲线的图像卷积方法和系统，本申请能够针对性的解决现有的问题。
[0011]基于上述目的，本申请提出了一种基于希尔伯特分形曲线的图像卷积方法，包括：
[0012]1)根据卷积输出大小模式选择对输入的图像进行填充操作；
[0013]2)块索引与重排：对填充后的输入图像按照希尔伯特分形的索引序号进行图像块
读取和重新排列的操作；
[0014]3)互相关运算：对重排后的图像块进行步长等于卷积核大小的卷积互相关运算；
[0015]4)局部特征聚合：使用深度可分离的一维卷积对步骤3的输出进行步长为1的卷积互相关运算；
[0016]5)复原输入的二维结构：将步骤4的输出按照希尔伯特分形的索引进行反向的重排操作，并输出。
[0017]进一步地所述填充操作包括：在输入大小等于输出模式下，对输入边沿进行填充操作。
[0018]进一步地所述的步骤2)中，所述的重新排列图像块是按照希尔伯特分形的索引继续的，具体包括以下步骤：
[0019]X＝{X1,X2,X3,X4,
…
,X
l
}
[0020]X
′
＝{X1,X2,X
m+2
,X
m+1
,
…
,X
a
}
[0021][0022]其中，X为原始输入图像，X
l
为输入图像一个分块，X
′
为使用希尔伯特索引分块重新排列的输入图像；l为图像分块的个数，a为输入图像的行列数。
[0023]进一步地，所述的步骤3)中，对重排后的X
′
进行步长s等于卷积核大小k的常规卷积操作：
[0024][0025]其中，K为一个二维的卷积核，m和n分别为卷积核在输入的二维平面上按行和列分别能够滑动的次数，S(i,j)为卷积核K在当前图像块X(i,j)经过互相关运算的输出。
[0026]进一步地，所述的步骤4)中，对步骤3)的输出进行深度可分离一维卷积操作，具体包括以下步骤：
[0027]1)通道可分离卷积核的大小默认为3，步长默认为1，填充大小默认为1，填充值默认为零值；
[0028]2)使用该通道可分离卷积核对步骤3的输出进行步长为1的卷积互相关运算。
[0029]进一步地，所述的步骤5)中，具体步骤如下：
[0030]1)生成希尔伯特分形的索引矩阵；
[0031]2)使用矩阵操作的广播机制，根据先前的索引记录，重新排列图像块；
[0032]3)输出二维结构的卷积操作后的图像。
[0033]基于上述目的，本申请还提出了一种图像分类网络的构建方法，包括：
[0034]S1、根据所述的图像卷积方法构建一个希尔伯特卷积层，然后依次连接多个普通卷积层，作为构建的卷积神经网络；
[0035]S2、输入一批图像至构建的卷积神经网络中；
[0036]S3、输出卷积网络运算后的特征图；
[0037]S4、将步骤S3的特征图输入到分类头中，所述分类头包含全连接层和激活函数层，并输出分类分数；
[0038]S5、输入监督信息，即图像标签；
[0039]S6、使用所述监督信息，分别对分类头的输出和标签One
‑
Hot向量计算交叉熵损
失；
[0040]S7、使用反向梯度传播算法，经过100代的迭代训练网络模型；
[0041]S8、损失收敛后，获得图像分类网络参数，得到最终网络模型。
[0042]基于上述目的，本申请还提出了一种基于希尔伯特分形曲线的图像卷积系统，包括：
[0043]填充模块，根据卷积输出大小模式选择对输入的图像进行填充操作；
[0044]块索引与重排模块，对填充后的输入图像按照希尔伯特分形的索引序号进行图像块读取和重新排列的操作；
[0045]互相关运算模块，对重排后的图像块进行步长等于卷积核大小的卷积互相关运算；
[0046]局部特征聚合模块，使用深度可分离的一维卷积对互相关运算模块的输出进行步长为1的卷积互相关运算；
[0047]复原模块，将局部特征聚合模块的输出按照希尔伯特分形的索引进行反向的重排操作，并输出。
[0048]总的来说，本申请的优势及给用户带来的体验在于：
[0049]一、对比默认卷积操作中的Flatten/蛇形线分形展开方法，只有Hilbert分形满足标准群定义的全部性质，提高多尺度表示的变形稳定性(Gromov
‑
Hausdorff距离度量)；
[0050]二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于希尔伯特分形曲线的图像卷积方法，其特征在于，包括：1)根据卷积输出大小模式选择对输入的图像进行填充操作；2)块索引与重排：对填充后的输入图像按照希尔伯特分形的索引序号进行图像块读取和重新排列的操作；3)互相关运算：对重排后的图像块进行步长等于卷积核大小的卷积互相关运算；4)局部特征聚合：使用深度可分离的一维卷积对步骤3的输出进行步长为1的卷积互相关运算；5)复原输入的二维结构：将步骤4的输出按照希尔伯特分形的索引进行反向的重排操作，并输出。2.根据权利要求1所述的一种基于希尔伯特分形曲线的图像卷积方法，其特征在于，所述填充操作包括：在输入大小等于输出模式下，对输入边沿进行填充操作。3.根据权利要求1所述的一种基于希尔伯特分形曲线的图像卷积方法，其特征在于，所述的步骤2)中，所述的重新排列图像块是按照希尔伯特分形的索引继续的，具体包括以下步骤：X＝{X1，X2，X3，X4，
…
，X
l
}X
′
＝{X1，X2，X
m+2
，X
m+1
，
…
，X
a
}其中，X为原始输入图像，X
l
为输入图像一个分块，X
′
为使用希尔伯特索引分块重新排列的输入图像；l为图像分块的个数，a为输入图像的行列数。4.根据权利要求3所述的一种基于希尔伯特分形曲线的图像卷积方法，其特征在于，所述的步骤3)中，对重排后的X
′
进行步长s等于卷积核大小k的常规卷积操作：其中，K为一个二维的卷积核，m和n分别为卷积核在输入的二维平面上按行和列分别能够滑动的次数，S(i，j)为卷积核K在当前图像块X(i，j)经过互相关运算的输出。5.根据权利要求4所述的一种基于希尔伯特分形曲线的图像卷积方法，其特征在于，所述的步骤4)中，对步骤3)的输出进行深度可分离一维卷积操作，具体包括以下步骤：1)通道可分离卷积核的大小默认为3，步长默认为1，填充大小默认为1，填充值默认为零...

【专利技术属性】
技术研发人员：邓若愚，胡尚薇，
申请(专利权)人：同济人工智能研究院苏州有限公司，
类型：发明
国别省市：