CN111767928B - 基于卷积神经网络提取图像特征信息的方法及装置 - Google Patents

基于卷积神经网络提取图像特征信息的方法及装置 Download PDF

Info

Publication number
CN111767928B
CN111767928B CN202010597462.1A CN202010597462A CN111767928B CN 111767928 B CN111767928 B CN 111767928B CN 202010597462 A CN202010597462 A CN 202010597462A CN 111767928 B CN111767928 B CN 111767928B
Authority
CN
China
Prior art keywords
pixel
pixel block
convolution
original image
label
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010597462.1A
Other languages
English (en)
Other versions
CN111767928A (zh
Inventor
程德强
郭昕
张皓翔
寇旗旗
赵凯
高蕊
李纳森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202010597462.1A priority Critical patent/CN111767928B/zh
Publication of CN111767928A publication Critical patent/CN111767928A/zh
Application granted granted Critical
Publication of CN111767928B publication Critical patent/CN111767928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明涉及一种基于卷积神经网络提取图像特征信息的方法及装置，属于图像处理技术领域，解决了现有卷积神经网络中的卷积核基于系统随机生成造成浪费大量时间的问题。获取原始图像对应的原始图像矩阵，对原始图像矩阵进行分块，得到N个像素块；基于像素值依次为N个像素块添加标签，得到M个标签；获取每个标签中的1个像素块对应的像素值概率矩阵，基于像素值概率矩阵得到M个标签对应的M个卷积核；将原始图像矩阵输入卷积神经网络，基于M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。实现了图像特征信息的提取，节省了卷积的时间。

Description

基于卷积神经网络提取图像特征信息的方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络提取图像特征信息的方法及装置。
背景技术
近年来卷积神经网络在各个学科领域的应用得到了突飞猛进的发展，只要网络选择合适、参数选择合理便可以得到高于常规方法的结果。卷积神经网络在图像超分辨率中的应用是最受关注的新方法之一，其提取的图像特征信息优于常规方法。
卷积神经网络的每层网络可用于提取特征信息，通过不断的卷积和池化可以获取原始图像详细的特征信息。不同的卷积核对应不同的卷积结果，然而现有的卷积神经网络的卷积核是根据经验或者系统自动随机生成的，虽然通过不断的修改参数、网路和学习可以获得比较不错卷积神经网络，但是造成程序人员浪费很多的时间在修改参数和网络的训练上，同时，使得提取的图像特征信息的质量较低。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于卷积神经网络提取图像特征信息的方法及装置，用以解决现有卷积神经网络中的卷积核基于系统随机生成造成浪费大量时间的问题。
一方面，本发明实施例提供了一种基于卷积神经网络提取图像特征信息的方法，包括如下步骤：
获取原始图像对应的原始图像矩阵，对所述原始图像矩阵进行分块，得到N个像素块，其中，N根据预设卷积核的大小及步长确定，N为大于等于2的自然数；
基于像素值依次为所述N个像素块添加标签，得到M个标签；其中像素值相同的像素块标签相同，像素值不同的像素块标签不同，M≤N；
获取每个标签中的1个像素块对应的像素值概率矩阵，基于所述像素值概率矩阵得到M个标签对应的M个卷积核；
将原始图像矩阵输入卷积神经网络，基于所述M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。
进一步，基于像素值依次为所述N个像素块添加标签包括：
获取所述原始图像矩阵左上角的第1个像素块，为所述第1个像素块添加标签；
基于步长得到第n-1个像素块，判断所述第n-1个像素块的像素值是否与已添加标签的像素块对应的像素值相同，若是，用所述已添加标签代替第n-1个像素块的标签；若否，为所述第n-1个像素块添加标签；直至得到第N个像素块的标签，其中，2≤n≤N。
进一步，获取每个标签中的1个像素块对应的像素值概率矩阵，基于所述像素值概率矩阵得到M个标签对应的M个卷积核，包括如下步骤：
基于每个标签中的1个像素块，计算像素块中每个像素值占所有像素值总和的比值，得到每个像素值对应的概率值；
将每个像素值对应的概率值按照每个像素值在像素块中的位置依次排列，得到像素块对应的像素值概率矩阵；
将所述像素值概率矩阵中位于最大概率值的十分之一到最大概率值区间的所有概率值置1，其余概率值置0，得到M个标签对应的M个卷积核。
进一步，基于所述M个标签及M个卷积核对原始图像矩阵进行卷积包括如下步骤：
获取所述原始图像矩阵左上角的第一个像素块，将所述第一个像素块与对应的卷积核进行卷积，得到第一个像素块对应的卷积结果；
基于步长得到第n-1个像素块，判断所述第n-1个像素块的标签是否与已卷积像素块的标签相同，若是，直接将已卷积像素块对应的卷积结果作为第n-1个像素块的卷积结果；若否，将所述第n-1个像素块与对应的卷积核进行卷积，得到第n-1个像素块对应的卷积结果；直至得到第N个像素块对应的卷积结果。
进一步，将得到的N个所述像素块对应的卷积结果按照像素块在原始图像矩阵中的位置依次排列，得到原始图像对应的特征信息。
另一方面，本发明实施例提供了一种基于卷积神经网络提取图像特征信息的装置，包括：
像素块划分模块，用于获取原始图像对应的原始图像矩阵，对所述原始图像矩阵进行分块，得到N个像素块，其中，N根据预设卷积核的大小及步长确定，N为大于等于2的自然数；
标签获得模块，用于根据像素值依次为所述N个像素块添加标签，得到M个标签；其中像素值相同的像素块标签相同，像素值不同的像素块标签不同，M≤N；
卷积核获得模块，用于获取每个标签中的1个像素块对应的像素值概率矩阵，基于所述像素值概率矩阵得到M个标签对应的M个卷积核；
图像特征信息获得模块，用于将原始图像矩阵输入卷积神经网络，基于所述M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。
进一步，所述标签获得模块执行下述流程：
获取所述原始图像矩阵左上角的第1个像素块，为所述第1个像素块添加标签；
基于步长得到第n-1个像素块，判断所述第n-1个像素块的像素值是否与已添加标签的像素块对应的像素值相同，若是，用所述已添加标签代替第n-1个像素块的标签；若否，为所述第n-1个像素块添加标签；直至得到第N个像素块的标签，其中，2≤n≤N。
进一步，所述卷积核获得模块执行下述流程：
基于每个标签中的1个像素块，计算像素块中每个像素值占所有像素值总和的比值，得到每个像素值对应的概率值；
将每个像素值对应的概率值按照每个像素值在像素块中的位置依次排列，得到像素块对应的像素值概率矩阵；
将所述像素值概率矩阵中位于最大概率值的十分之一到最大概率值区间的所有概率值置1，其余概率值置0，得到M个标签对应的M个卷积核。
进一步，所述图像特征信息获得模块执行下述流程：
获取所述原始图像矩阵左上角的第一个像素块，将所述第一个像素块与对应的卷积核进行卷积，得到第一个像素块对应的卷积结果；
基于步长得到第n-1个像素块，判断所述第n-1个像素块的标签是否与已卷积像素块的标签相同，若是，直接将已卷积像素块对应的卷积结果作为第n-1个像素块的卷积结果；若否，将所述第n-1个像素块与对应的卷积核进行卷积，得到第n-1个像素块对应的卷积结果；直至得到第N个像素块对应的卷积结果。
进一步，所述图像特征信息获得模块还用于将得到的N个所述像素块对应的卷积结果按照像素块在原始图像矩阵中的位置依次排列，得到原始图像对应的特征信息。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、一种基于卷积神经网络提取图像特征信息的方法，通过将原始图像矩阵输入卷积神经网络进行卷积，以得到原始图像的特征信息，在卷积的过程中，对像素值相同的像素块不再重复卷积，只需用相同标签对应的卷积结果代替，节省了卷积时间，提高了卷积的效率，同时提高了原始图像对应特征信息的质量。
2、通过为像素块建立标签，其中像素值相同的像素块标签相同，像素值不同的像素块标签不同，在后期进行卷积时，对于标签相同的像素块，不用再进行重复的卷积运算，可以用相同标签对应的卷积结果直接代替该像素块的卷积结果，节省了卷积运算的时间，提高了提取图像特征信息的效率。
3、通过获取每个标签中的1个像素块对应的像素值概率矩阵，继而得到M个标签对应的M个卷积核，为后期在卷积神经网络中提取原始图像的特征信息提供了依据和支撑，简单易行，易于实施，同时，卷积核依据像素值在像素块中的分布概率得到，解决了现有卷积神经网络中的卷积核基于系统随机生成造成浪费程序人员大量时间的问题，节省了修改参数及网络训练的时间，提高了卷积神经网络的卷积效率。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为基于卷积神经网络提取图像特征信息的方法流程图；
图2为基于卷积神经网络提取图像特征信息的装置结构图；
附图标记：
100-像素块划分模块；200-标签获得模块；300-卷积核获得模块；400-图像特征信息获得模块。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
现有的卷积神经网络的卷积核根据经验或者系统自动随机生成，虽然通过不断的修改参数、网路和学习可以获得比较不错卷积神经网络，但是造成程序人员浪费了很多的时间在修改参数和网络的训练上，同时，基于随机生成的卷积核提取的图像特征信息的质量较低。为此，本申请提出一种基于卷积神经网络提取图像特征信息的方法及装置，通过获取像素块对应的像素值概率矩阵，最终得到卷积核，解决了现有的卷积神经网络中的卷积核基于系统随机生成造成浪费大量时间的问题，节省了时间，同时本申请中还基于原始图像矩阵为每个像素块建立标签，将原始图像矩阵输入卷积神经网络进行卷积时，对于相同标签的像素块不用再重复卷积，直接用之前相同标签对应的卷积结果代替该像素块的卷积结果，在提高了卷积的效率的同时，提高了提取的图像特征信息质量。
本发明的一个具体实施例，公开了一种基于卷积神经网络提取图像特征信息的方法，如图1所示。包括如下步骤：
步骤S1、获取原始图像对应的原始图像矩阵，对原始图像矩阵进行分块，得到N个像素块，其中，N根据预设卷积核的大小及步长确定，N为大于等于2的自然数。
具体来说，将原始图像经过特定的工具加载后会得到原始图像矩阵，原始图像矩阵中每一行、列对应的值表示原始图像的像素值。本实施例中首先需要根据预设卷积核的大小及步长对原始图像矩阵进行分块，得到N个像素块。示例性的，对如下所示的原始图像矩阵，基于预设卷积核大小为3*3，步长为3进行划分可以得到9个像素块。
步骤S2、基于像素值依次为N个像素块添加标签，得到M个标签；其中像素值相同的像素块标签相同，像素值不同的像素块标签不同，M≤N。
考虑到现有的卷积神经网络是使用随机生成的卷积核依次对每个像素块进行卷积，对于像素值相同的像素块分别通过该像素块与其卷积核进行卷积而得到卷积结果，为此，本实施例中为像素值相同的像素块建立了相同的标签，其中像素值相同的像素块标签相同，像素值不同的像素块标签不同，在后期进行卷积时，对于标签相同的像素块，不用再进行重复的卷积运算，可以用相同标签对应的卷积结果直接代替该像素块的卷积结果，节省了卷积的时间，提高了提取图像特征信息的效率。
优选地，基于像素值依次为N个像素块添加标签包括：
步骤S201、获取原始图像矩阵左上角的第1个像素块，为第1个像素块添加标签。
步骤S202、基于步长得到第n-1个像素块，并判断第n-1个像素块的像素值是否与已添加标签的像素块对应的像素值相同，若是，用已添加标签代替第n-1个像素块的标签；若否，为第n-1个像素块添加标签；直至得到第N个像素块的标签，其中，2≤n≤N。
具体来说，在使用卷积神经网络进行卷积之前，可以先对原始图像矩阵分块后得到的每个像素块添加标签。首先，为原始图像矩阵左上角的第1个像素块添加标签，接着依次为第n-1个像素块依次添加标签，在添加标签的过程中，可以先判断第n-1个像素块包含的所有像素值与已添加标签的像素块对应的像素值是否相同，若相同，用已添加标签代替第n-1个像素块的标签，若不相同，则为第n-1个像素块添加标签。示例性的，分别为步骤S1中L对应的9个像素块添加标签，可得到M＝8个标签，因为第一个像素块和第四个像素块均为3阶的0型矩阵，两者的像素值完全相同，可以用第一个像素块的标签代替第四个像素块的标签。
通过为原始图像矩阵中的每个像素块建立标签，在后期进行卷积时，对于标签相同的像素块，不用再进行重复的卷积运算，可以用相同标签对应的卷积结果直接代替该像素块的卷积结果，节省了卷积运算的时间，提高了提取图像特征信息的效率。
步骤S3、获取每个标签中的1个像素块对应的像素值概率矩阵，基于像素值概率矩阵得到M个标签对应的M个卷积核。具体来说，不需要获取所有的像素块对应的标签，由于在卷积神经网络进行卷积运算时，对于标签相同的像素块不再进行卷积运算，只需要使用之前相同标签的像素块的卷积结果，因此，只需要计算M个标签对应的M个卷积核即可。
优选地，获取每个标签中的1个像素块对应的像素值概率矩阵，基于像素值概率矩阵得到M个标签对应的M个卷积核，包括如下步骤：
步骤S301、基于每个标签中的1个像素块，计算像素块中每个像素值占所有像素值总和的比值，得到每个像素值对应的概率值；
步骤S302、将每个像素值对应的概率值按照每个像素值在像素块中的位置依次排列，得到像素块对应的像素值概率矩阵；
步骤S303、将像素值概率矩阵中位于最大概率值的十分之一到最大概率值区间的所有概率值置1，其余概率值置0，得到M个标签对应的M个卷积核。
示例性的，第一个像素块为3阶的0型矩阵，故其卷积核为对于第二个像素块/>先计算该像素块中每个像素值对应的概率值，其中，概率值等于相应像素值占该像素块中所有像素值总和的比值。如像素值85对应的概率值＝85/(85+85+4+86+70)＝0.26，同理可得到第二像素块中的4、86及70的像素值对应的概率值分别为0.01、0.26及0.21。将每个像素值对应的概率值按照每个像素值在像素块中的位置依次排列，得到像素块对应的像素值概率矩阵，故第二个像素块L2对应的像素值概率矩阵为/>对于该像素值概率矩阵，最大概率值为0.26，最大概率值的十分之一为0.026，将位于[0.026,0.26]区间的所有概率值置1，不属于该区间的其余概率值置0，得到第二个像素块L2对应的卷积核/>同理，通过该方法可以得到其余的7个标签对应的卷积核。
通过获取每个标签中的1个像素块对应的像素值概率矩阵，继而得到M个标签对应的M个卷积核，为后期在卷积神经网络中提取原始图像的特征信息提供了依据和支撑，简单易行，易于实施，同时，卷积核依据像素值在像素块中的分布概率得到，解决了现有卷积神经网络中的卷积核基于系统随机生成造成浪费程序人员大量时间的问题，节省了修改参数及网络训练的时间。
步骤S4、将原始图像矩阵输入卷积神经网络，基于M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。在对原始图像矩阵中的每个像素块添加标签和获得M个标签对应的卷积核后，将原始图像矩阵输入卷积神经网络进行卷积。
优选地，基于M个标签及M个卷积核对原始图像矩阵进行卷积包括如下步骤：
步骤S401、获取原始图像矩阵左上角的第一个像素块，将第一个像素块与对应的卷积核进行卷积，得到第一个像素块对应的卷积结果；
步骤S402、基于步长得到第n-1个像素块，判断第n-1个像素块的标签是否与已卷积像素块的标签相同，若是，直接将已卷积像素块对应的卷积结果作为第n-1个像素块的卷积结果；若否，将第n-1个像素块与对应的卷积核进行卷积，得到第n-1个像素块对应的卷积结果；直至得到第N个像素块对应的卷积结果。
具体来说，对原始图像矩阵进行卷积时，首先取原始图像矩阵左上角的第一个像素块，将第一个像素块与对应的卷积核进行卷积，得到第一个像素块对应的卷积结果。接着判断第二个像素块的标签是否与第一个像素块的标签相同，若相同，直接以第一个像素块的卷积结果作为第二个像素块的卷积结果；直到得到第N个像素块对应的卷积结果。示例性的，对步骤1中的原始图像矩阵L进行卷积，其中第四个像素块的标签与第一个像素块相同，因此直接用第一个像素块的卷积结果代替第四个像素块的卷积结果，其余像素块的卷积结果均通过像素块与其对应的卷积核进行卷积得到。
优选地，将得到的N个像素块对应的卷积结果按照像素块在原始图像矩阵中的位置依次排列，得到原始图像对应的特征信息。具体来说，得到N个像素块对应的卷积结果后，将卷积结果按照像素块在原始图像矩阵中的位置依次排列，即可得到原始图像对应的特征信息。
与现有技术相比，本实施例提供的一种基于卷积神经网络提取图像特征信息的方法，通过将原始图像矩阵输入卷积神经网络进行卷积，以得到原始图像的特征信息，在卷积的过程中，对像素值相同的像素块不再重复卷积，只需用相同标签对应的卷积结果代替，节省卷积的时间，提高了卷积的效率，同时提高了原始图像对应特征信息的质量。
本发明的另一个具体实施例，公开了一种基于卷积神经网络提取图像特征信息的装置，如图2所示。包括像素块划分模块100，用于获取原始图像对应的原始图像矩阵，对原始图像矩阵进行分块，得到N个像素块，其中，N根据预设卷积核的大小及步长确定，N为大于等于2的自然数；
标签获得模块200，用于根据像素值依次为N个像素块添加标签，得到M个标签；其中像素值相同的像素块标签相同，像素值不同的像素块标签不同，M≤N；卷积核获得模块300，用于获取每个标签中的1个像素块对应的像素值概率矩阵，基于像素值概率矩阵得到M个标签对应的M个卷积核；图像特征信息获得模块400，用于将原始图像矩阵输入卷积神经网络，基于M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息。
一种基于卷积神经网络提取图像特征信息的装置，通过将原始图像矩阵输入卷积神经网络进行卷积，以得到原始图像的特征信息，在卷积的过程中，对像素值相同的像素块不再重复卷积，只需用相同标签对应的卷积结果代替，节省卷积时间，提高了卷积的效率，同时提高了原始图像对应特征信息的质量。
优选地，标签获得模块执行下述流程：
获取原始图像矩阵左上角的第1个像素块，为第1个像素块添加标签；
基于步长得到第n-1个像素块，并判断第n-1个像素块的像素值是否与已添加标签的像素块对应的像素值相同，若是，用已添加标签代替第n-1个像素块的标签；若否，为第n-1个像素块添加标签；直至得到第N个像素块的标签，其中，2≤n≤N。
通过标签获得模块为原始图像矩阵中的每个像素块建立标签，在后期进行卷积时，对于标签相同的像素块，不用再进行重复的卷积运算，可以用相同标签对应的卷积结果直接代替该像素块的卷积结果，节省了卷积运算的时间，提高了提取图像特征信息的效率。
优选地，卷积核获得模块执行下述流程：
基于每个标签中的1个像素块，计算像素块中每个像素值占所有像素值总和的比值，得到每个像素值对应的概率值；
将每个像素值对应的概率值按照每个像素值在像素块中的位置依次排列，得到像素块对应的像素值概率矩阵；
将像素值概率矩阵中位于最大概率值的十分之一到最大概率值区间的所有概率值置1，其余概率值置0，得到M个标签对应的M个卷积核。
通过卷积核获得模块，获取每个标签中的1个像素块对应的像素值概率矩阵，继而得到M个标签对应的M个卷积核，为后期在卷积神经网络中提取原始图像的特征信息提供了依据和支撑，简单易行，易于实施，同时，卷积核依据像素值在像素块中的分布概率得到，解决了现有卷积神经网络中的卷积核是基于系统随机生成造成浪费程序人员大量时间的问题，节省了修改参数及网络训练的时间。
优选地，图像特征信息获得模块执行下述流程：
获取原始图像矩阵左上角的第一个像素块，将第一个像素块与对应的卷积核进行卷积，得到第一个像素块对应的卷积结果；
基于步长得到第n-1个像素块，判断第n-1个像素块的标签是否与已卷积像素块的标签相同，若是，直接将已卷积像素块对应的卷积结果作为第n-1个像素块的卷积结果；若否，将第n-1个像素块与对应的卷积核进行卷积，得到第n-1个像素块对应的卷积结果；直至得到第N个像素块对应的卷积结果。
优选地，图像特征信息获得模块还用于将得到的N个所述像素块对应的卷积结果按照像素块在原始图像矩阵中的位置依次排列，得到原始图像对应的特征信息。
通过图像特征信息获得模块，依次对每个像素块进行卷积，其中，对于标签相同的像素块直接用相同标签的卷积结果代理，节省了卷积时间，提高了卷积效率。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于卷积神经网络提取图像特征信息的方法，其特征在于，包括如下步骤：
获取原始图像对应的原始图像矩阵，对所述原始图像矩阵进行分块，得到N个像素块，其中，N根据预设卷积核的大小及步长确定，N为大于等于2的自然数；
基于像素值依次为所述N个像素块添加标签，得到M个标签；其中像素值相同的像素块标签相同，像素值不同的像素块标签不同，M≤N；
获取每个标签中的1个像素块对应的像素值概率矩阵，基于所述像素值概率矩阵得到M个标签对应的M个卷积核；
将原始图像矩阵输入卷积神经网络，基于所述M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息；
获取每个标签中的1个像素块对应的像素值概率矩阵，基于所述像素值概率矩阵得到M个标签对应的M个卷积核，包括如下步骤：
基于每个标签中的1个像素块，计算像素块中每个像素值占所有像素值总和的比值，得到每个像素值对应的概率值；
将每个像素值对应的概率值按照每个像素值在像素块中的位置依次排列，得到像素块对应的像素值概率矩阵；
将所述像素值概率矩阵中位于最大概率值的十分之一到最大概率值区间的所有概率值置1，其余概率值置0，得到M个标签对应的M个卷积核；
基于所述M个标签及M个卷积核对原始图像矩阵进行卷积包括如下步骤：
获取所述原始图像矩阵左上角的第一个像素块，将所述第一个像素块与对应的卷积核进行卷积，得到第一个像素块对应的卷积结果；
基于步长得到第n-1个像素块，判断所述第n-1个像素块的标签是否与已卷积像素块的标签相同，若是，直接将已卷积像素块对应的卷积结果作为第n-1个像素块的卷积结果；若否，将所述第n-1个像素块与对应的卷积核进行卷积，得到第n-1个像素块对应的卷积结果；直至得到第N个像素块对应的卷积结果。
2.根据权利要求1所述的基于卷积神经网络提取图像特征信息的方法，其特征在于，基于像素值依次为所述N个像素块添加标签包括：
获取所述原始图像矩阵左上角的第1个像素块，为所述第1个像素块添加标签；
基于步长得到第n-1个像素块，判断所述第n-1个像素块的像素值是否与已添加标签的像素块对应的像素值相同，若是，用所述已添加标签代替第n-1个像素块的标签；若否，为所述第n-1个像素块添加新的标签；直至得到第N个像素块的标签，其中，2≤n≤N。
3.根据权利要求1所述的基于卷积神经网络提取图像特征信息的方法，其特征在于，将得到的N个所述像素块对应的卷积结果按照像素块在原始图像矩阵中的位置依次排列，得到原始图像对应的特征信息。
4.一种基于卷积神经网络提取图像特征信息的装置，其特征在于，包括：
像素块划分模块，用于获取原始图像对应的原始图像矩阵，对所述原始图像矩阵进行分块，得到N个像素块，其中，N根据预设卷积核的大小及步长确定，N为大于等于2的自然数；
标签获得模块，用于根据像素值依次为所述N个像素块添加标签，得到M个标签；其中像素值相同的像素块标签相同，像素值不同的像素块标签不同，M≤N；
卷积核获得模块，用于获取每个标签中的1个像素块对应的像素值概率矩阵，基于所述像素值概率矩阵得到M个标签对应的M个卷积核；
图像特征信息获得模块，用于将原始图像矩阵输入卷积神经网络，基于所述M个标签及M个卷积核对原始图像矩阵进行卷积，得到原始图像对应的特征信息；
所述卷积核获得模块执行下述流程：
基于每个标签中的1个像素块，计算像素块中每个像素值占所有像素值总和的比值，得到每个像素值对应的概率值；
将每个像素值对应的概率值按照每个像素值在像素块中的位置依次排列，得到像素块对应的像素值概率矩阵；
将所述像素值概率矩阵中位于最大概率值的十分之一到最大概率值区间的所有概率值置1，其余概率值置0，得到M个标签对应的M个卷积核；
所述图像特征信息获得模块执行下述流程：
获取所述原始图像矩阵左上角的第一个像素块，将所述第一个像素块与对应的卷积核进行卷积，得到第一个像素块对应的卷积结果；
基于步长得到第n-1个像素块，判断所述第n-1个像素块的标签是否与已卷积像素块的标签相同，若是，直接将已卷积像素块对应的卷积结果作为第n-1个像素块的卷积结果；若否，将所述第n-1个像素块与对应的卷积核进行卷积，得到第n-1个像素块对应的卷积结果；直至得到第N个像素块对应的卷积结果。
5.根据权利要求4所述的基于卷积神经网络提取图像特征信息的装置，其特征在于，所述标签获得模块执行下述流程：
获取所述原始图像矩阵左上角的第1个像素块，为所述第1个像素块添加标签；
基于步长得到第n-1个像素块，判断所述第n-1个像素块的像素值是否与已添加标签的像素块对应的像素值相同，若是，用所述已添加标签代替第n-1个像素块的标签；若否，为所述第n-1个像素块添加标签；直至得到第N个像素块的标签，其中，2≤n≤N。
6.根据权利要求4所述的基于卷积神经网络提取图像特征信息的装置，其特征在于，所述图像特征信息获得模块还用于将得到的N个所述像素块对应的卷积结果按照像素块在原始图像矩阵中的位置依次排列，得到原始图像对应的特征信息。
CN202010597462.1A 2020-06-28 2020-06-28 基于卷积神经网络提取图像特征信息的方法及装置 Active CN111767928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010597462.1A CN111767928B (zh) 2020-06-28 2020-06-28 基于卷积神经网络提取图像特征信息的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010597462.1A CN111767928B (zh) 2020-06-28 2020-06-28 基于卷积神经网络提取图像特征信息的方法及装置

Publications (2)

Publication Number Publication Date
CN111767928A CN111767928A (zh) 2020-10-13
CN111767928B true CN111767928B (zh) 2023-08-08

Family

ID=72722420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010597462.1A Active CN111767928B (zh) 2020-06-28 2020-06-28 基于卷积神经网络提取图像特征信息的方法及装置

Country Status (1)

Country Link
CN (1) CN111767928B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2013273843A1 (en) * 2013-12-23 2015-07-09 Canon Kabushiki Kaisha Motion blur compensation for depth from defocus
CN105512684A (zh) * 2015-12-09 2016-04-20 江苏大为科技股份有限公司 基于主成分分析卷积神经网络的车标自动识别方法
CN106529578A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于深度学习的车辆品牌型号精细识别方法与系统
CN108280397A (zh) * 2017-12-25 2018-07-13 西安电子科技大学 基于深度卷积神经网络的人体图像头发检测方法
CN108549931A (zh) * 2018-04-25 2018-09-18 济南浪潮高新科技投资发展有限公司 一种卷积神经网络的加速装置及方法
CN109102069A (zh) * 2018-07-20 2018-12-28 西安邮电大学 一种基于查找表的快速图像卷积运算实现方法
CN109740603A (zh) * 2019-01-21 2019-05-10 闽江学院 基于cnn卷积神经网络下的车辆字符识别方法
EP3499415A1 (en) * 2017-12-14 2019-06-19 Axis AB Method and image processing entity for applying a convolutional neural network to an image
CN110276389A (zh) * 2019-06-14 2019-09-24 中国矿业大学 一种基于边缘修正的矿井移动巡检图像重建方法
WO2020050686A1 (en) * 2018-05-30 2020-03-12 Samsung Electronics Co., Ltd. Image processing device and method
CN111247527A (zh) * 2017-12-20 2020-06-05 华为技术有限公司 在卷积神经网络模型中确定特征图像的方法和装置
CN111311599A (zh) * 2020-01-17 2020-06-19 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备和存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2013273843A1 (en) * 2013-12-23 2015-07-09 Canon Kabushiki Kaisha Motion blur compensation for depth from defocus
CN105512684A (zh) * 2015-12-09 2016-04-20 江苏大为科技股份有限公司 基于主成分分析卷积神经网络的车标自动识别方法
CN106529578A (zh) * 2016-10-20 2017-03-22 中山大学 一种基于深度学习的车辆品牌型号精细识别方法与系统
EP3499415A1 (en) * 2017-12-14 2019-06-19 Axis AB Method and image processing entity for applying a convolutional neural network to an image
CN111247527A (zh) * 2017-12-20 2020-06-05 华为技术有限公司 在卷积神经网络模型中确定特征图像的方法和装置
CN108280397A (zh) * 2017-12-25 2018-07-13 西安电子科技大学 基于深度卷积神经网络的人体图像头发检测方法
CN108549931A (zh) * 2018-04-25 2018-09-18 济南浪潮高新科技投资发展有限公司 一种卷积神经网络的加速装置及方法
WO2020050686A1 (en) * 2018-05-30 2020-03-12 Samsung Electronics Co., Ltd. Image processing device and method
CN109102069A (zh) * 2018-07-20 2018-12-28 西安邮电大学 一种基于查找表的快速图像卷积运算实现方法
CN109740603A (zh) * 2019-01-21 2019-05-10 闽江学院 基于cnn卷积神经网络下的车辆字符识别方法
CN110276389A (zh) * 2019-06-14 2019-09-24 中国矿业大学 一种基于边缘修正的矿井移动巡检图像重建方法
CN111311599A (zh) * 2020-01-17 2020-06-19 北京达佳互联信息技术有限公司 图像处理方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
光学遥感图像典型目标检测方法研究;吴迪;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第1期);C028-255 *

Also Published As

Publication number Publication date
CN111767928A (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
CN110197182A (zh) 基于上下文信息和注意力机制的遥感影像语义分割方法
DE112020004625T5 (de) Transponierte faltung mit systolischem array
DE112020003128T5 (de) Dilatierte faltung mit systolischem array
CN111311599B (zh) 图像处理方法、装置、电子设备和存储介质
CN112686850B (zh) 基于空间位置和原型网络的ct图像的少样本分割方法和系统
CN105184367A (zh) 深度神经网络的模型参数训练方法及系统
CN114792378B (zh) 一种量子图像识别方法及装置
CN114821217B (zh) 一种基于量子经典混合神经网络的图像识别方法及装置
GB2602708A (en) Processing data of a neural network
CN110796251A (zh) 基于卷积神经网络的图像压缩优化方法
CN111914213B (zh) 一种稀疏矩阵向量乘运算时间预测方法及系统
CN112132232A (zh) 医学图像的分类标注方法和系统、服务器
CN111767928B (zh) 基于卷积神经网络提取图像特征信息的方法及装置
Frank et al. Progressive image transmission using a growth-geometry coding
CN106599291A (zh) 数据分组方法及装置
CN113222159B (zh) 一种量子态的确定方法及装置
CN116051686B (zh) 图上文字擦除方法、系统、设备及存储介质
CN115291813B (zh) 一种数据存储方法及装置、数据读取方法及装置、设备
CN113269882B (zh) 一种基于虚拟纹理的地形渲染方法及系统
EP0837389B1 (en) Fuzzy logic neural network modular architecture
CN115830592A (zh) 一种重叠宫颈细胞分割方法及系统
CN114494284A (zh) 一种基于显式监督区域关系的场景解析模型及方法
CN114611667A (zh) 一种基于小规模参数矩阵计算特征图边界的重构方法
CN114332491A (zh) 一种基于特征重构的显著性目标检测算法
CN112016515A (zh) 一种档案柜空位检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant