[發(fā)明專利]圖像實時處理方法

有效

• 申請?zhí)枺?/td>: 201410381568.2
• 申請日: 2014-08-05
• 公開（公告）號: CN104103033B
• 公開（公告）日: 2017-06-06
• 發(fā)明（設(shè)計）人: 余杰浩
• 申請（專利權(quán)）人: 廣州國米科技有限公司
• 主分類號: G06T1/20
• 分類號: G06T1/20
• 代理公司: 北京高航知識產(chǎn)權(quán)代理有限公司11530
• 代理人: 趙永強

1.一種圖像實時處理方法，用于對圖像中的特征進行識別，其特征在于，包括：

步驟一：對灰度遙感圖像進行視覺掃描，搜索各掃描線的中央點，通過中心外圍差運算，獲得遙感圖像的顯著圖和注視點；根據(jù)自適應(yīng)梯度門限值計算方法，利用自適應(yīng)中心外圍差門限值和各注視點的顯著性級別確定重點特征區(qū)域；

步驟二：基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造遞進式訓(xùn)練網(wǎng)絡(luò)，從初始網(wǎng)絡(luò)開始，利用預(yù)設(shè)網(wǎng)絡(luò)生長規(guī)則進行生長；基于上述遞進式訓(xùn)練網(wǎng)絡(luò)，將重點區(qū)域的像素灰度信號輸入已訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)層次模型，獲取重點特征區(qū)域的遞進式訓(xùn)練本質(zhì)特征，從而得到遙感圖像特征；

其中，在步驟一的確定重點特征區(qū)域中，基于對各注視點的顯著性級別的排序來順序處理顯著區(qū)域，如注視點的顯著性級別S(x_i,y_j)＞T，則該注視點為重點特征區(qū)域，其中T為預(yù)設(shè)判定門限值；

并且所輸入的圖像為獲得的感興趣區(qū)域，大小按比例規(guī)范為32×32；

所述卷積網(wǎng)絡(luò)的結(jié)構(gòu)共有7層，每層都包含可訓(xùn)練參數(shù)，分別為：

卷積層C1，由兩個5×5卷積核卷積輸入圖像獲得，由2個特征圖構(gòu)成，特征圖中每個神經(jīng)元與輸入中5×5的鄰域相連；特征圖的大小為28×28，包括52個可訓(xùn)練參數(shù)，連接數(shù)為52×(28×28)個；

下采樣層S2，對圖像進行子抽樣獲得，具有2個14×14的特征圖，特征圖中的每個單元與C1中相對應(yīng)特征圖的2×2鄰域相連接，每個單元的4個輸入相加，乘以一個可訓(xùn)練參數(shù)，再加上一個可訓(xùn)練偏置，結(jié)果通過高斯函數(shù)計算，每個特征圖的大小是C1中特征圖大小的1/4，有4個可訓(xùn)練參數(shù)和4×(14×14)個連接；

卷積層C3，通過3種不同的5×5卷積核去卷積層S2，由3張10×10特征圖組成，每張含10×10個神經(jīng)元，每個特征圖連接到S2中的1個或者2個特征圖；

下采樣層S4，由16個5×5大小的特征圖構(gòu)成，每個單元與C3中相應(yīng)特征圖的2×2鄰域相連接，具有4個可訓(xùn)練參數(shù)；

卷積層C5，有100個特征圖，每個單元與S4層的全部單元的5×5鄰域相連，特征圖的大小為1×1，構(gòu)成了S4和C5之間的全連接；

點積計算層F6，與C5全相連，計算輸入向量和權(quán)重向量之間的點積，再加上一個偏置，然后將其傳遞給高斯函數(shù)產(chǎn)生單元的一個狀態(tài)；

其中所述卷積網(wǎng)絡(luò)連接輸出層，其由歐氏徑向基函數(shù)單元組成，計算輸入向量和參數(shù)向量之間的歐氏距離，該向量在F6高斯的范圍內(nèi)，防止高斯函數(shù)飽和。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟二的生長規(guī)則進一步定義為：

所述C1、S2、C3、S4層同步匹配生長，各層特征圖數(shù)量為N_C1、N_S2、N_C3、N_S4，C1特征圖每次生長數(shù)量為2；S2的特征圖數(shù)量與C1層相同；C3的前M1個特征圖以S2中N_S2/2個相鄰的特征圖子集為輸入；接下來的M2個特征圖以S2中N_S2/2+1個相鄰特征圖子集為輸入，然后M3個以不相鄰的(N_S2/2)+1個特征圖子集為輸入，最后一個將S2中所有特征圖為輸入，C3的特征圖數(shù)量為M1+M2+M3+1；S4的特征圖數(shù)量與C3相同；其中M1表示以S2中N_S2/2個相鄰的特征圖子集為輸入的特征圖數(shù)量、M2表示以S2中N_S2/2+1個相鄰特征圖子集為輸入的特征圖數(shù)量、M3表示以S2中NS2/2+1個不相鄰特征圖子集為輸入的特征圖數(shù)量；

設(shè)定樣本訓(xùn)練時網(wǎng)絡(luò)的平均誤差指標(biāo)和誤差收斂速度門限值，訓(xùn)練初始網(wǎng)絡(luò)，當(dāng)平均誤差沒有達到所述指標(biāo)時，則生長網(wǎng)絡(luò)結(jié)構(gòu)，如果平均誤差達到所述指標(biāo)，則考察樣本誤差收斂速度，如收斂速度沒有超過設(shè)定門限值，則繼續(xù)生長網(wǎng)絡(luò)結(jié)構(gòu)，直到收斂速度達到門限值。