[發明專利]一種基于卷積神經網絡的圖像處理方法及移動終端

有效

• 申請號: 201711135318.0
• 申請日: 2017-11-16
• 公開（公告）號: CN107808394B
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 李啟東;李志陽;張偉;傅松林;洪煒冬
• 申請（專利權）人: 廈門美圖之家科技有限公司
• 主分類號: G06T7/41
• 分類號: G06T7/41;G06N3/04
• 代理公司: 北京思睿峰知識產權代理有限公司 11396
• 代理人: 謝建云;趙愛軍

1.一種基于卷積神經網絡的圖像處理方法，所述卷積神經網絡包括多個數據層和多個處理層，每個數據層包括多個特征圖，所述方法在移動終端的圖形處理器中執行，所述圖形處理器包括圖形存儲器，所述圖形存儲器中存儲有紋理圖和網絡參數，所述紋理圖中以第一數據類型存儲有當前數據層的多個第一特征圖，所述網絡參數包括每一個數據層的每一個特征圖所對應的數值范圍，所述數值范圍按照以下步驟確定：

將預定數量的測試圖像輸入所述卷積神經網絡；

記錄每一個測試圖像在所述卷積神經網絡的計算過程中所得到的每一個數據層的每一個特征圖算例；

對于所述卷積神經網絡的每一個數據層的每一個特征圖，根據該特征圖所對應的所有測試圖像的特征圖算例來確定該特征圖的數值范圍；

所述方法包括：

從所述紋理圖中獲取當前數據層的多個第一特征圖；

對于每一個第一特征圖，根據其所對應的數值范圍來將該第一特征圖中的數據轉化為第二數據類型；

當前處理層對第二數據類型的多個第一特征圖進行渲染處理，以生成下一個數據層的多個第二特征圖；

對于每一個第二特征圖，根據其所對應的數值范圍來將該第二特征圖中的數據轉化為第一數據類型；

將多個第二特征圖以第一數據類型存儲至所述紋理圖中。

2.如權利要求1所述的方法，其中，所述預定數量的測試圖像包括第一數量的真實圖像和第二數量的隨機圖像，其中，所述第一數量大于等于所述第二數量，所述隨機圖像的RGB值為采用高斯分布函數隨機生成。

3.如權利要求1或2所述的方法，其中，所述根據該特征圖所對應的所有測試圖像的特征圖算例來確定該特征圖的數值范圍的步驟包括：

計算該特征圖所對應的所有特征圖算例的數據點均值的均值和標準差，所述特征圖算例的數據點均值為特征圖算例中各數據點的值的均值；

根據所述均值和標準差來確定該特征圖的數值范圍。

4.如權利要求3所述的方法，其中，所述計算該特征圖所對應的所有特征圖算例的數據點均值的均值和標準差的步驟包括：

對于第k個數據層的第j個特征圖，分別計算該特征圖所對應的每一個特征圖算例的數據點均值μ_kj,n和數據點平方均值其中，k為數據層的編號，k大于等于1且小于等于所述卷積神經網絡所包括的數據層的總數量K，j為特征圖的編號，j大于等于1且小于等于第k個數據層所包括的特征圖的總數量J(k)，n為特征圖算例的編號，n大于等于1且小于等于測試圖像的總數量N；

計算各特征圖算例的數據點均值μ_kj,n的均值和標準差

所述根據所述均值和標準差來確定該特征圖的數值范圍的步驟包括：

將該特征圖的數值范圍設置為(min_kj，max_kj)，其中，min_kj＝μ_kj-3σ_kj，max_kj＝μ_kj+3σ_kj。

5.如權利要求1所述的方法，其中，所述第一數據類型為八位無符號整型，所述第二數據類型為浮點型；

所述根據其所對應的數值范圍來將該第一特征圖中的數據轉化為第二數據類型的步驟包括：

將第一特征圖中的數據由0～255范圍內的整數歸一化為0.0～1.0范圍內的浮點數；

將所述0.0～1.0范圍內的浮點數轉化為該第一特征圖所對應的數值范圍內的浮點數；

所述根據其所對應的數值范圍來將該第二特征圖中的數據轉化為第一數據類型的步驟包括：

根據其所對應的數值范圍來將該第二特征圖中的數據轉化為0.0～255.0范圍內的浮點數；

將所述0.0～255.0范圍內的浮點數轉化為小于等于其本身的最大整數。