图像特征提取方法和装置制造方法及图纸

本公开涉及图像特征提取方法和装置，涉及图像处理技术领域。其中，图像特征提取方法包括：在感受野内基于卷积核对输入图像进行卷积，以得到卷积结果；在所述感受野内对所述输入图像进行池化，以得到池化结果；根据所述卷积结果和所述池化结果，得到所述感受野对应的图像特征提取结果。根据本公开，不仅能有效提取特征，还能有效抑制非精准特征，从而有助于提高视频编码压缩效率以及提高压缩比。提高视频编码压缩效率以及提高压缩比。提高视频编码压缩效率以及提高压缩比。

【技术实现步骤摘要】
图像特征提取方法和装置


[0001]本公开涉及图像处理
，特别涉及一种图像特征提取方法和装置。

技术介绍

[0002]机器视觉被定义为用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。深度学习、卷积神经网络是计算机视觉应用的热门算法与模型，成为机器视觉领域的研究前沿。
[0003]与人类视觉对图像的需求不同的是，机器视觉对图像的需求是图像能准确用于任务。因此，先前面向人类视觉的编码方式处理得到的图像信息对机器任务而言仍然有很大的冗余。以物体分类为例，从图像中进行物种分类，比如1000类，事实上所含的信息只需约10比特，不到2个字节。而原始图像为MB或KB级，信息有极大冗余。因此，学术界和企业正在研究面向机器视觉的编码方式，也考虑面向人机混合的编码方式。
[0004]当前执行机器任务，一般会使用基于卷积神经网络的深度学习方法。卷积神经网络是包含有卷积层的神经网络。卷积神经网络中最核心的操作之一就是使用卷积核对输入的图片进行卷积运算以提取图像特征。但是，目前使用的卷积操作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像特征提取方法，包括：在感受野内基于卷积核对输入图像进行卷积，以得到卷积结果；在所述感受野内对所述输入图像进行池化，以得到池化结果；根据所述卷积结果和所述池化结果，得到所述感受野对应的图像特征提取结果。2.根据权利要求1所述的图像特征提取方法，其中，在所述感受野内对所述输入图像进行池化，以得到池化结果包括：在所述感受野内对所述输入图像进行均方根池化，以得到池化结果。3.根据权利要求2所述的图像特征提取方法，其中，在所述感受野内对所述输入图像进行池化，以得到池化结果包括：将所述感受野内所述输入图像所有通道的像素值代入均方根函数进行运算，以得到池化结果。4.根据权利要求1所述的图像特征提取方法，根据所述卷积结果和所述池化结果，得到所述感受野对应的图像特征提取结果包括：根据所述卷积结果和所述池化结果计算所述感受野对应的图像特征提取结果，其中，所述卷积结果与所述图像特征提取结果呈正相关，所述池化结果与所述图像特征提取结果呈负相关。5.根据权利要求4所述的图像特征提取方法，其中，所述卷积结果与所述图像特征提取结果呈正比，所述池化结果与所述图像特征提取结果呈反比。6.根据权利要求1所述的图像特征提取方法，还包括：将小于或等于预设阈值的图像特征提取结果置为第一取值。7.根据权利要求6所述的图像特征提取方法，其中，所述第一取值为0。8.一种图像特征提取装置，包括：卷积模块，被配置为在感受野内基于卷积核对输入图像进行卷积，以得到卷积结果；池化模块，被配置为在所述感受野内对所述输入图...

【专利技术属性】
技术研发人员：范叔炬，张园，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：