CN115861043A - 基于人工智能的图像数据处理方法及系统 - Google Patents
基于人工智能的图像数据处理方法及系统 Download PDFInfo
- Publication number
- CN115861043A CN115861043A CN202310120255.0A CN202310120255A CN115861043A CN 115861043 A CN115861043 A CN 115861043A CN 202310120255 A CN202310120255 A CN 202310120255A CN 115861043 A CN115861043 A CN 115861043A
- Authority
- CN
- China
- Prior art keywords
- image
- elements
- gray
- arrangement
- element group
- 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.)
- Granted
Links
Images
Classifications
-
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,涉及一种基于人工智能的图像数据处理方法及系统,方法包括将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M‑1)*(M‑1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。
Description
技术领域
本发明涉及图像处理的技术领域,具体涉及一种基于人工智能图像数据处理方法及系统。
背景技术
基于人工智能的图像数据处理一直以来都以卷积为基础,但,因为卷积运算通常以矩阵运算实现的,因运算之中存在大量的重复输入数量,导致内存的开销很大,为了解决这类问题,相关的现有的技术,比如专利文献CN112561943B即公开了一种基于脉动阵列卷积运算数据复用的图像处理技术,该技术通过基于脉动阵列卷积运算数据复用充分利用图像,减少内存开销,从而加快了图像处理速度,但该技术在应用中仍然存在一些实际的问题,如该技术核心在于在灰度图处理中需要将待处理图像重新排列,具体将滑动取值后的待处理图像D11、D12、D13…D1(2Nλ-1)、D21…D(2Nλ-1)(2Nλ-1)进行重排列,得到N2行图像数据,但重排列过程中会出现部分元素超图像范围的问题,现有技术之中对于这类问题是以后续的图像数据进行补充的,比如N2行图像数据中的第N行,与{D(Nλ)1 DNλ(Nλ+1) null null}相对应,其中null表示第N行的该元素超过了图像范围,则以后续的图像数据进行补充null,这种数据补充中会导致跨越不同的进程操作,会增加软硬件的资源消耗,且增加系统的复杂度,一定程度限制了速度的提升。
发明内容
本发明的目的在于提供一种基于人工智能的图像数据处理方法及系统,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
第一个方面本发明公开了一种基于人工智能的图像数据处理方法,包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。
进一步,为灰度图的不同区域像素点分配不同的代表元素具体为,以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,编号能够代表像素点的位置特点;在每一个编号的像素点区域提取对应区域像素的特征值,该特征值即对应相应的代表元素。
进一步所述以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,首先,扫描灰度图确定初步的明暗区域,在具有明暗变化的区域之间标注分界线,将所有分界线均延长直到该分界线到达灰度图的边界线,然后针对分界线之间的分块区域再次分配不同编号。
更加进一步,所述在每一个编号的像素点区域提取对应区域像素的特征值,包括将目标图像的灰度图二值化处理后对二值化的灰度图通过卷积提取对应区域像素的特征值。
进一步,填充中对于某一个超图像范围的元素,计算其相邻位置元素的代表元素,以该相邻位置元素的代表元素作为该超图像范围的元素的位置替代元素。
进一步,所述的排列前图像元素群为:
a11,a12......a1(M-1),a21,a22,a23......a2(M-1),......a(M-1)(M-1);当卷积核步长为Q,尺寸为P,则对排列前图像元素群重排列得到P2行数组,P2行数组中第一行四个元素为{a11a1(M/2+1) a(M/2+1)1 a(M/2+1)(M/2+1)},第P行四个元素为{a(M/2)1 a(M/2)(M/2+1) b(M/2)(M/2+1)b(M/2)(M/2+1)},第P2行四个元素为{a(M/2+1)(M/2+2) b(M/2+1)(M/2+2) b(M/2+1)(M/2+2) b(M/2+1)(M/2+2)},其中元素b(M/2)(M/2+1)为元素a(M/2)(M/2+1)的代表元素;其中元素b(M/2+1)(M/2+2)为元素a(M/2+1)(M/2+2)的代表元素。
本发明另外一方面公开了一种基于人工智能的图像数据处理系统,包括图像预处理单元、滑动取值单元、重排列填充单元;其中的:
图像预处理单元,用于将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;滑动取值单元,用于对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;重排列填充单元,用于将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行。
进一步,还包括脉动阵列单元,其用于对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导。
进一步,还包括图像导出单元,其用于对偏导绝对值相加得到目标图像的边缘检测灰度图。
本发明还公开一种计算机系统,其包括处理器,该处理器用于执行上述基于人工智能的图像数据处理系统的功能代码。
与现有技术相比,本发明的有益效果:本发明通过重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,相对于现有技术不需要以后续图像数据补充空值,避免了跨越不同的进程操作,同时地减少软硬件的资源消耗,且降低系统的复杂度,进一步提高了效率。
附图说明
图1为本发明基于人工智能的图像数据处理方法处理图像过程的状态图具体为扫描确定的一个明暗区域实例;
图2为本发明基于人工智能的图像数据处理方法处理图像过程的状态图具体为图1确定的明暗区域标注边界线后效果实例;
图3为本发明基于人工智能的图像数据处理方法处理图像过程的状态图具体为图2的边界线延长之后的效果实例。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在具体实施中,本发明公开了一种基于人工智能的图像数据处理方法,其包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。
本发明通过重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,相对于现有技术不需要以后续图像数据补充空值,避免了跨越不同的进程操作,同时地减少软硬件的资源消耗,且降低系统的复杂度,进一步提高了效率。
优选地本发明公开了一种基于人工智能的图像数据处理方法,其包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。其中的,为灰度图的不同区域像素点分配不同的代表元素具体为,以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,编号能够代表像素点的位置特点;在每一个编号的像素点区域提取对应区域像素的特征值,该特征值即对应相应的代表元素。
优选地本发明公开了一种基于人工智能的图像数据处理方法,其包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。其中的,为灰度图的不同区域像素点分配不同的代表元素具体为,以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,编号能够代表像素点的位置特点;在每一个编号的像素点区域提取对应区域像素的特征值,该特征值即对应相应的代表元素。所述以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,首先,扫描灰度图确定初步的明暗区域,在具有明暗变化的区域之间标注分界线,将所有分界线均延长直到该分界线到达灰度图的边界线,然后针对分界线之间的分块区域再次分配不同编号。
优选地本发明公开了一种基于人工智能的图像数据处理方法,其包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。其中的,为灰度图的不同区域像素点分配不同的代表元素具体为,以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,编号能够代表像素点的位置特点;在每一个编号的像素点区域提取对应区域像素的特征值,该特征值即对应相应的代表元素。所述以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,首先,扫描灰度图确定初步的明暗区域,如图1假定在灰度图中扫描确定的一个明暗区域,然后在具有明暗变化的区域之间标注分界线,如图2则标注分界线之后,其中的矩形边框黑色线条为灰度图的边界线,其他的黑色线条为标注的分界线,然后将所有分界线均延长直到该分界线到达灰度图的边界线,效果如图3,然后针对分界线之间的分块区域再次分配不同编号,如图3之中的分块区域共计有12个。所述在每一个编号的像素点区域提取对应区域像素的特征值,包括将目标图像的灰度图二值化处理后对二值化的灰度图通过卷积提取对应区域像素的特征值。
优选地本发明公开了一种基于人工智能的图像数据处理方法,其包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。其中的,填充中对于某一个超图像范围的元素,计算其相邻位置元素的代表元素,以该相邻位置元素的代表元素作为该超图像范围的元素的位置替代元素。
优选地本发明公开了一种基于人工智能的图像数据处理方法,其包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。其中的,所述的排列前图像元素群为:
a11,a12......a1(M-1),a21,a22,a23......a2(M-1),......a(M-1)(M-1);当卷积核步长为Q,尺寸为P,则对排列前图像元素群重排列得到P2行数组,P2行数组中第一行四个元素为{a11a1(M/2+1) a(M/2+1)1 a(M/2+1)(M/2+1)},第P行四个元素为{a(M/2)1 a(M/2)(M/2+1) b(M/2)(M/2+1)b(M/2)(M/2+1)},第P2行四个元素为{a(M/2+1)(M/2+2) b(M/2+1)(M/2+2) b(M/2+1)(M/2+2) b(M/2+1)(M/2+2)},其中元素b(M/2)(M/2+1)为元素a(M/2)(M/2+1)的代表元素;其中元素b(M/2+1)(M/2+2)为元素a(M/2+1)(M/2+2)的代表元素。
在一种具体的实施中,基于人工智能的图像数据处理方法,其包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,编号能够代表像素点的位置特点;在每一个编号的像素点区域提取对应区域像素的特征值,该特征值即对应相应的代表元素;所述以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,首先,扫描灰度图确定初步的明暗区域,在具有明暗变化的区域之间标注分界线,将所有分界线均延长直到该分界线到达灰度图的边界线,然后针对分界线之间的分块区域再次分配不同编号;所述在每一个编号的像素点区域提取对应区域像素的特征值,包括将目标图像的灰度图二值化处理后对二值化的灰度图通过卷积提取对应区域像素的特征值;S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;填充中对于某一个超图像范围的元素,计算其相邻位置元素的代表元素,以该相邻位置元素的代表元素作为该超图像范围的元素的位置替代元素;其中的排列前图像元素群为a11,a12......a1(M-1),a21,a22,a23......a2(M-1),......a(M-1)(M-1);当卷积核步长为Q,尺寸为P,则对排列前图像元素群重排列得到P2行数组,P2行数组中第一行四个元素为{a11 a1(M/2+1) a(M/2+1)1 a(M/2+1)(M/2+1)},第P行四个元素为{a(M/2)1 a(M/2)(M/2+1) b(M/2)(M/2+1) b(M/2)(M/2+1)},第P2行四个元素为{a(M/2+1)(M/2+2)b(M/2+1)(M/2+2) b(M/2+1)(M/2+2) b(M/2+1)(M/2+2)},其中元素b(M/2)(M/2+1)为元素a(M/2)(M/2+1)的代表元素;其中元素b(M/2+1)(M/2+2)为元素a(M/2+1)(M/2+2)的代表元素;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。
本发明另外一方面公开了一种基于人工智能的图像数据处理系统,包括图像预处理单元、滑动取值单元、重排列填充单元;其中的:
图像预处理单元,用于将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;滑动取值单元,用于对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;重排列填充单元,用于将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行。
可选的一种基于人工智能的图像数据处理系统,包括图像预处理单元、滑动取值单元、重排列填充单元;其中的:
图像预处理单元,用于将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;滑动取值单元,用于对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;重排列填充单元,用于将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行,还包括脉动阵列单元,其用于对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导。
优选地,一种基于人工智能的图像数据处理系统,包括图像预处理单元、滑动取值单元、重排列填充单元;其中的:
图像预处理单元,用于将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;滑动取值单元,用于对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;重排列填充单元,用于将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行,还包括图像导出单元,其用于对偏导绝对值相加得到目标图像的边缘检测灰度图。
在一种具体的实施中,一种基于人工智能的图像数据处理系统,包括图像预处理单元、滑动取值单元、重排列填充单元、脉动阵列单元、图像导出单元;其中的:
图像预处理单元,用于将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;滑动取值单元,用于对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;重排列填充单元,用于将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;脉动阵列单元,用于对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导;图像导出单元,用于对偏导绝对值相加得到目标图像的边缘检测灰度图。
基于人工智能的图像数据处理系统配置在计算机系统上,该基于人工智能的图像数据处理系统包括:一个或多个处理器;一个或多个输入设备,一个或多个输出设备和存储器。上述处理器、输入设备、输出设备和存储器通过总线连接。存储器用于存储计算机程序,所述计算机程序包括程序指令,处理器用于执行存储器存储的程序指令。其中,处理器被配置用于调用所述程序指令执行:S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备可以包括触控板、麦克风等,输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明实施例提供的方法实施例中所描述的实现方式。
本发明实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明的方法。
所述计算机可读存储介质可以是前述任一实施例所述的基于人工智能的图像数据处理系统的内部存储单元,例如基于人工智能的图像数据处理系统的硬盘或内存。所述计算机可读存储介质也可以是所述基于人工智能的图像数据处理系统的外部存储设备,例如所述基于人工智能的图像数据处理系统上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述基于人工智能的图像数据处理系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述基于人工智能的图像数据处理系统所需的其他程序和数据。
可以理解的,本发明还公开一种计算机系统,其包括处理器,该处理器用于执行上述基于人工智能的图像数据处理系统的功能代码。
Claims (10)
1.一种基于人工智能的图像数据处理方法,其特征在于,包括步骤:
S1将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;
S2对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行;
S3然后对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导并对偏导绝对值相加得到目标图像的边缘检测灰度图。
2.根据权利要求1所述的一种基于人工智能的图像数据处理方法,其特征在于,为灰度图的不同区域像素点分配不同的代表元素具体为,以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,编号能够代表像素点的位置特点;在每一个编号的像素点区域提取对应区域像素的特征值,该特征值即对应相应的代表元素。
3.根据权利要求2所述的一种基于人工智能的图像数据处理方法,其特征在于,所述以像素点在灰度图中的相对位置为不同区域像素点分配不同编号,首先,扫描灰度图确定初步的明暗区域,在具有明暗变化的区域之间标注分界线,将所有分界线均延长直到该分界线到达灰度图的边界线,然后针对分界线之间的分块区域再次分配不同编号。
4.根据权利要求2所述的一种基于人工智能的图像数据处理方法,其特征在于,所述在每一个编号的像素点区域提取对应区域像素的特征值,包括将目标图像的灰度图二值化处理后对二值化的灰度图通过卷积提取对应区域像素的特征值。
5.根据权利要求1所述的一种基于人工智能的图像数据处理方法,其特征在于,填充中对于某一个超图像范围的元素,计算其相邻位置元素的代表元素,以该相邻位置元素的代表元素作为该超图像范围的元素的位置替代元素。
6.根据权利要求1所述的一种基于人工智能的图像数据处理方法,其特征在于,所述的排列前图像元素群为a11,a12......a1(M-1),a21,a22,a23......a2(M-1),......a(M-1)(M-1);当卷积核步长为Q,尺寸为P,则对排列前图像元素群重排列得到P2行数组,P2行数组中第一行四个元素为{a11 a1(M/2+1) a(M/2+1)1 a(M/2+1)(M/2+1)},第P行四个元素为{a(M/2)1 a(M/2)(M/2+1)b(M/2)(M/2+1) b(M/2)(M/2+1)},第P2行四个元素为{a(M/2+1)(M/2+2) b(M/2+1)(M/2+2) b(M/2+1)(M/2+2)b(M/2+1)(M/2+2)},其中元素b(M/2)(M/2+1)为元素a(M/2)(M/2+1)的代表元素;其中元素b(M/2+1)(M/2+2)为元素a(M/2+1)(M/2+2)的代表元素。
7.一种基于人工智能的图像数据处理系统,其特征在于,包括图像预处理单元、滑动取值单元、重排列填充单元;其中的:
图像预处理单元,用于将目标图像转换为灰度图并且为灰度图的不同区域像素点分配不同的代表元素;滑动取值单元,用于对目标图像的灰度图滑动取值,滑动取值基于sobel算子卷积核,得到排列前图像元素群;排列前图像元素群共有(M-1)*(M-1)个元素;重排列填充单元,用于将排列前图像元素群填充使得排列前图像元素群的元素数量扩充为M*M个并且对排列前图像元素群重排列,重排列过程中引入代表元素将超图像范围的元素位置用填充的元素替代,重排列与填充同时进行。
8.根据权利要求7所述的一种基于人工智能的图像数据处理系统,其特征在于,还包括脉动阵列单元,其用于对卷积核旋转处理以及采用脉动阵列结构对图像加权求和计算,得到目标图像两个方向的偏导。
9.根据权利要求7所述的一种基于人工智能的图像数据处理系统,其特征在于,还包括图像导出单元,其用于对偏导绝对值相加得到目标图像的边缘检测灰度图。
10.一种计算机系统,其特征在于,包括处理器,该处理器用于执行权利要求7或权利要求8或权利要求9对应系统的功能代码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120255.0A CN115861043B (zh) | 2023-02-16 | 2023-02-16 | 基于人工智能的图像数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120255.0A CN115861043B (zh) | 2023-02-16 | 2023-02-16 | 基于人工智能的图像数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861043A true CN115861043A (zh) | 2023-03-28 |
CN115861043B CN115861043B (zh) | 2023-05-16 |
Family
ID=85658139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310120255.0A Active CN115861043B (zh) | 2023-02-16 | 2023-02-16 | 基于人工智能的图像数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861043B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5604821A (en) * | 1992-02-28 | 1997-02-18 | The University Of South Florida | Structure and method for dynamic scene analysis |
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 |
CN112561943A (zh) * | 2020-12-23 | 2021-03-26 | 清华大学 | 一种基于脉动阵列卷积运算数据复用的图像处理方法 |
CN115019054A (zh) * | 2022-06-29 | 2022-09-06 | 瀚博半导体(上海)有限公司 | 数据处理方法、装置、芯片、电子设备和介质 |
CN115273115A (zh) * | 2022-07-25 | 2022-11-01 | 北京金山数字娱乐科技有限公司 | 一种文档元素标注方法、装置、电子设备和存储介质 |
-
2023
- 2023-02-16 CN CN202310120255.0A patent/CN115861043B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5604821A (en) * | 1992-02-28 | 1997-02-18 | The University Of South Florida | Structure and method for dynamic scene analysis |
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 |
CN112561943A (zh) * | 2020-12-23 | 2021-03-26 | 清华大学 | 一种基于脉动阵列卷积运算数据复用的图像处理方法 |
CN115019054A (zh) * | 2022-06-29 | 2022-09-06 | 瀚博半导体(上海)有限公司 | 数据处理方法、装置、芯片、电子设备和介质 |
CN115273115A (zh) * | 2022-07-25 | 2022-11-01 | 北京金山数字娱乐科技有限公司 | 一种文档元素标注方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
冯松松 等: ""基于Sobel算子的池化算法设计"" * |
李沙沙 等: ""一种基于FPGA的通用卷积神经网络加速器的设计与实现"" * |
Also Published As
Publication number | Publication date |
---|---|
CN115861043B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021100247A (ja) | 歪んだドキュメント画像の矯正方法及び装置 | |
CN110781923B (zh) | 特征提取方法及装置 | |
CN109949224B (zh) | 一种基于深度学习的联级超分辨率重建的方法及装置 | |
CN109784372B (zh) | 一种基于卷积神经网络的目标分类方法 | |
CN109559367B (zh) | 图形纹理映射设备及其操作方法以及存储介质 | |
CN110991310B (zh) | 人像检测方法、装置、电子设备及计算机可读介质 | |
CN111429566B (zh) | 虚拟家装场景的重建方法、装置及电子设备 | |
WO2021088569A1 (en) | Convolution method and device, electronic device | |
US11580621B2 (en) | AI frame engine for mobile edge | |
KR102470027B1 (ko) | 다수 컨벌루션 윈도우 중의 이미지 데이터를 추출하는 방법, 장치, 기기 및 컴퓨터 판독 가능한 저장매체 | |
CN112633470A (zh) | 优化神经网络卷积残差结构的方法、系统、设备及介质 | |
CN115035128A (zh) | 基于fpga的图像重叠滑窗分割方法及系统 | |
CN110009644B (zh) | 一种特征图行像素分段的方法和装置 | |
CN111161386A (zh) | 超声图像的渲染方法、装置及超声设备 | |
JP5254250B2 (ja) | ベクトルグラフィックをラスター化するプロセスにおいて境界を発生させるための方法およびシステム、ならびに、システムを製造するための方法 | |
CN111914846B (zh) | 版面数据合成方法、设备及存储介质 | |
CN111553847B (zh) | 图像处理方法及装置 | |
US20200327638A1 (en) | Connected component detection method, circuit, device and computer-readable storage medium | |
CN115861043A (zh) | 基于人工智能的图像数据处理方法及系统 | |
CN109996085B (zh) | 模型训练方法、图像处理方法、装置及电子设备 | |
CN108198125A (zh) | 一种图像处理方法及装置 | |
CN110322388B (zh) | 池化方法及装置、池化系统、计算机可读存储介质 | |
CN107977923B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN108961161B (zh) | 一种图像数据处理方法、装置和计算机存储介质 | |
CN112766256B (zh) | 光栅相位图处理方法、装置、电子设备及存储介质 |
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 |