[發明專利]基于全卷積神經網絡的圖像處理方法及裝置

有效

• 申請號: 201910539949.1
• 申請日: 2019-06-21
• 公開（公告）號: CN110245747B
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 陳增照;陳少輝;吳珂;徐曉剛;楊濘瑜
• 申請（專利權）人: 華中師范大學
• 主分類號: G06N3/04
• 分類號: G06N3/04
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 楊奇松

本發明提供了一種基于全卷積神經網絡的圖像處理方法及裝置，方法包括：對待處理圖像的圖像數據進行數據細化，并將數據細化后的待處理圖像轉換為與三原色對應的單通道灰度圖像并進行圖像卷積，得到待處理圖像的特征圖；對待處理圖像的特征圖進行圖像反卷積，以將特征圖恢復為與待處理圖像分辨率相同且將目標物體的類別標注出來的目標圖像。數據細化使圖像中每個像素點的像素值更加精確，在通過卷積提取特征時，可以提取到更多細節特征。將三通道圖像轉換為與三原色對應的三個單通道灰度圖像進行卷積與直接對三通道圖像進行卷積相比能夠減少圖像特征的損失，從而使最終的圖像處理結果更加準確，可以很好的用于處理弱光照條件下的圖像。

技術領域

本發明涉及圖像處理領域，具體而言，涉及一種基于全卷積神經網絡的圖像處理方法及裝置。

背景技術

圖像語義分割就是通過機器自動分割識別出圖像中的內容，可以說是圖像理解的基石性技術，是自動駕駛系統、無人機應用以及穿戴式設備等領域中舉足輕重的應用。

深度學習技術可以提升圖像語義分割任務的性能，但大多數深度學習技術(比如，全卷積神經網絡(fully CNN))在高分辨率圖像或深度圖像的數據集上具有很好的效果，但在處理弱光照、低清晰度或是光照不均衡的圖像時采用深度學習技術進行圖像語義分割的效果就不佳。

發明內容

為了解決上述問題，本發明實施例提供一種基于全卷積神經網絡的圖像處理方法及裝置。

第一方面，本發明實施例提供一種基于全卷積神經網絡的圖像處理方法，應用于計算機設備，所述全卷積神經網絡包括數據細化層、卷積層和反卷積層，所述方法包括：

將待處理圖像輸入到訓練好的全卷積神經網絡的細化層中對所述待處理圖像的圖像數據進行數據細化處理，并將數據細化處理后的所述待處理圖像轉換為三原色單通道灰度圖像；

將所述三原色單通道灰度圖像輸入卷積層中進行圖像卷積處理，得到三原色單通道灰度圖像對應的用于表征所述待處理圖像中目標物體類別的特征圖，對三原色單通道灰度圖像的特征圖進行處理得到表征所述待處理圖像中目標物體類別的特征圖；

將所述待處理圖像的特征圖輸入反卷積層中進行圖像反卷積處理，以將所述特征圖轉換為與所述待處理圖像分辨率相同，且將目標物體的類別標注出來的目標圖像。

可選地，在本實施例中，所述計算機設備中存儲有樣本圖像及與樣本圖像對應的參考圖像，在將待處理圖像輸入到訓練好的全卷積神經網絡的細化層中對所述待處理圖像的圖像數據進行數據細化處理之前，所述方法還包括：對全卷積神經網絡進行訓練的步驟，該步驟包括：

將樣本圖像輸入到待訓練的全卷積神經網絡中進行處理，以獲得樣本圖像的第一目標圖像；

計算所述第一目標圖像與所述參考圖像的損失函數值；

判斷所述損失函數值是否大于預設值，若大于，則對所述全卷積神經網絡中的網絡參數進行調整；

再次將所述樣本圖像輸入到調整后的全卷積網絡中重復上述步驟，直到計算得到的損失函數值小于預設值，結束對全卷積神經網絡的訓練，得到訓練好的全卷積神經網絡。

可選地，在本實施例中，所述將待處理圖像輸入到訓練好的全卷積神經網絡的細化層中對所述待處理圖像的圖像數據進行數據細化處理，包括：

將待處理圖像的圖像數據的數據類型由整型擴展為浮點型。

可選地，在本實施例中，所述對所述全卷積神經網絡中的網絡參數進行調整，包括：

根據所述損失函數值對全卷積神經網絡中的卷積核中的參數值進行調整。