[發明專利]基于卷積神經網絡提取圖像特征信息的方法及裝置

有效

• 申請號: 202010597462.1
• 申請日: 2020-06-28
• 公開（公告）號: CN111767928B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 程德強;郭昕;張皓翔;寇旗旗;趙凱;高蕊;李納森
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/047
• 代理公司: 北京天達知識產權代理事務所有限公司 11386
• 代理人: 龐許倩

本發明涉及一種基于卷積神經網絡提取圖像特征信息的方法及裝置，屬于圖像處理技術領域，解決了現有卷積神經網絡中的卷積核基于系統隨機生成造成浪費大量時間的問題。獲取原始圖像對應的原始圖像矩陣，對原始圖像矩陣進行分塊，得到N個像素塊；基于像素值依次為N個像素塊添加標簽，得到M個標簽；獲取每個標簽中的1個像素塊對應的像素值概率矩陣，基于像素值概率矩陣得到M個標簽對應的M個卷積核；將原始圖像矩陣輸入卷積神經網絡，基于M個標簽及M個卷積核對原始圖像矩陣進行卷積，得到原始圖像對應的特征信息。實現了圖像特征信息的提取，節省了卷積的時間。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于卷積神經網絡提取圖像特征信息的方法及裝置。

背景技術

近年來卷積神經網絡在各個學科領域的應用得到了突飛猛進的發展，只要網絡選擇合適、參數選擇合理便可以得到高于常規方法的結果。卷積神經網絡在圖像超分辨率中的應用是最受關注的新方法之一，其提取的圖像特征信息優于常規方法。

卷積神經網絡的每層網絡可用于提取特征信息，通過不斷的卷積和池化可以獲取原始圖像詳細的特征信息。不同的卷積核對應不同的卷積結果，然而現有的卷積神經網絡的卷積核是根據經驗或者系統自動隨機生成的，雖然通過不斷的修改參數、網路和學習可以獲得比較不錯卷積神經網絡，但是造成程序人員浪費很多的時間在修改參數和網絡的訓練上，同時，使得提取的圖像特征信息的質量較低。

發明內容

鑒于上述的分析，本發明實施例旨在提供一種基于卷積神經網絡提取圖像特征信息的方法及裝置，用以解決現有卷積神經網絡中的卷積核基于系統隨機生成造成浪費大量時間的問題。

一方面，本發明實施例提供了一種基于卷積神經網絡提取圖像特征信息的方法，包括如下步驟：

獲取原始圖像對應的原始圖像矩陣，對所述原始圖像矩陣進行分塊，得到N個像素塊，其中，N根據預設卷積核的大小及步長確定，N為大于等于2的自然數；

基于像素值依次為所述N個像素塊添加標簽，得到M個標簽；其中像素值相同的像素塊標簽相同，像素值不同的像素塊標簽不同，M≤N；

獲取每個標簽中的1個像素塊對應的像素值概率矩陣，基于所述像素值概率矩陣得到M個標簽對應的M個卷積核；

將原始圖像矩陣輸入卷積神經網絡，基于所述M個標簽及M個卷積核對原始圖像矩陣進行卷積，得到原始圖像對應的特征信息。

進一步，基于像素值依次為所述N個像素塊添加標簽包括：

獲取所述原始圖像矩陣左上角的第1個像素塊，為所述第1個像素塊添加標簽；

基于步長得到第n-1個像素塊，判斷所述第n-1個像素塊的像素值是否與已添加標簽的像素塊對應的像素值相同，若是，用所述已添加標簽代替第n-1個像素塊的標簽；若否，為所述第n-1個像素塊添加標簽；直至得到第N個像素塊的標簽，其中，2≤n≤N。

進一步，獲取每個標簽中的1個像素塊對應的像素值概率矩陣，基于所述像素值概率矩陣得到M個標簽對應的M個卷積核，包括如下步驟：

基于每個標簽中的1個像素塊，計算像素塊中每個像素值占所有像素值總和的比值，得到每個像素值對應的概率值；

將每個像素值對應的概率值按照每個像素值在像素塊中的位置依次排列，得到像素塊對應的像素值概率矩陣；

將所述像素值概率矩陣中位于最大概率值的十分之一到最大概率值區間的所有概率值置1，其余概率值置0，得到M個標簽對應的M個卷積核。

進一步，基于所述M個標簽及M個卷積核對原始圖像矩陣進行卷積包括如下步驟：

獲取所述原始圖像矩陣左上角的第一個像素塊，將所述第一個像素塊與對應的卷積核進行卷積，得到第一個像素塊對應的卷積結果；