基于轻量化神经网络的RAW域图像边缘强化方法及装置制造方法及图纸

本发明专利技术公开了一种基于轻量化神经网络的RAW域图像边缘强化方法及装置，方法包括：将需要进行锐化处理的RAW格式图像输入训练好的卷积神经网络模型，用分类模块对输入的RAW格式图像进行分类，输出图像对应的组别信息；然后根据组别信息，调用外部存储器中对应的一组卷积神经网络权重参数，与卷积神经网络模型中的锐化模块结构相结合后，对RAW格式图像进行锐化处理，输出RGB格式图像。本发明专利技术用卷积神经网络代替传统图像锐化算法，可综合四种传统图像锐化算法的优点，适用于不同类型的场景。此外，本发明专利技术对卷积神经网络算法进行轻量化，减少计算量，为实现边缘端计算提供了可能。

【技术实现步骤摘要】

本专利技术涉及一种图像处理方法及装置，尤其涉及一种raw域图像边缘强化方法及装置。

技术介绍

1、由于边缘端设备的算力有限，为解决图像边缘模糊的问题，一般使用传统图像锐化算法而不是卷积神经网络算法来处理图像。传统图像锐化算法主要有以下几种：

2、1. 罗伯特交叉锐化（robert cross）：该算法通过对像素周围的四个邻域进行加权平均，来计算锐化后的像素值。它的优点是计算简单，速度快，适用于实时处理。缺点是对噪声比较敏感，可能会产生一些artifacts，如噪声、锯齿、伪影等，不适用于复杂纹理的图像。

3、索贝尔锐化（sobel）：索贝尔锐化算法是一种基于梯度的锐化算法，通过计算图像的水平和垂直方向的梯度来增强边缘。它的优点是对于边缘的检测能力比较强，适用于各种不同方向的边缘。缺点是相对于其他算法，对于噪声也比较敏感，可能会产生一些虚假的边缘。

4、拉普拉斯锐化（laplacian）：拉普拉斯锐化算法是一种基于二阶导数的锐化算法，通过计算像素周围的灰度差值来增强图像的细节。它的优点是生成的锐化效果明显，能够增强图像的细本文档来自技高网...

【技术保护点】

1.一种基于轻量化神经网络的RAW域图像边缘强化方法，其特征在于，包括：将需要进行锐化处理的RAW格式图像输入训练好的卷积神经网络模型，模型的第一阶段处理过程包括：用分类模块对输入的RAW格式图像进行分类，输出图像对应的组别信息；模型的第二阶段处理过程包括：根据所述组别信息，调用外部存储器中对应的一组卷积神经网络权重参数，将该组权重参数与卷积神经网络模型中的锐化模块结构相结合，对所述RAW格式图像进行锐化处理，输出处理后的RGB格式图像。

2.根据权利要求1所述的基于轻量化神经网络的RAW域图像边缘强化方法，其特征在于，所述组别信息数据为一个四位的数组，每一位数字代表图像属于...

【技术特征摘要】

1.一种基于轻量化神经网络的raw域图像边缘强化方法，其特征在于，包括：将需要进行锐化处理的raw格式图像输入训练好的卷积神经网络模型，模型的第一阶段处理过程包括：用分类模块对输入的raw格式图像进行分类，输出图像对应的组别信息；模型的第二阶段处理过程包括：根据所述组别信息，调用外部存储器中对应的一组卷积神经网络权重参数，将该组权重参数与卷积神经网络模型中的锐化模块结构相结合，对所述raw格式图像进行锐化处理，输出处理后的rgb格式图像。

2.根据权利要求1所述的基于轻量化神经网络的raw域图像边缘强化方法，其特征在于，所述组别信息数据为一个四位的数组，每一位数字代表图像属于对应组别的概率，并定义：组别信息为[0,0,0,1]的图像最适用罗伯特交叉锐化算法进行处理，组别信息为[0,0,1,0]的图像最适用索贝尔锐化算法进行处理，组别信息为[0,1,0,0]的图像最适用拉普拉斯锐化算法进行处理，组别信息为[1,0,0,0]的图像最适用非锐化掩模算法进行处理。

3.根据权利要求2所述的基于轻量化神经网络的raw域图像边缘强化方法，其特征在于，所述卷积神经网络模型中，所述分类模块包括5层结构：第1至第4层均为卷积层，每个卷积层均由conv层和relu层链接构成，conv层中卷积核的尺寸为3*3、步长为2；第5层包括两个全连接层，该层将特征图展平为一维向量后，对向量中的每个元素进行加权求和，再使用softmax激活函数，将输出转换为作为所述组别信息的一个一维数组。

4.根据权利要求3所述的基于轻量化神经网络的raw域图像边缘强化方法，其特征在于，所述卷积神经网络模型中，所述锐化模块13层结构：第1层为预处理层，该层使用尺寸为1*1、步长...

【专利技术属性】
技术研发人员：王鑫雨，王彬，周康，孙萌，许振斌，乔公国，
申请(专利权)人：游隼微电子南京有限公司，
类型：发明
国别省市：