[发明专利]一种图像处理方法、装置及终端

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取目标图像；

当从所述目标图像中检测到人像时，使用预设的深度卷积神经网络，对所述目标图像中的人像进行分割处理，得到掩码图，其中，在对所述目标图像中的人像进行分割处理时，对所述深度卷积神经网络中的浮点矩阵的格式进行预设处理；

所述使用预设的深度卷积神经网络，对所述目标图像中的人像进行分割处理，得到掩码图的步骤，包括：

将所述目标图像的图像数据输入到预设的深度卷积神经网络；

对所述深度卷积神经网络中的浮点矩阵进行量化，得到定点矩阵；

其中，采用如下表达式将浮点矩阵量化成8位定点矩阵：

其中，Q_value为量化后的值，R_value为真实值，Scale为尺度，Zero_value为修正值；

对所述定点矩阵进行矩阵相乘，得到目标矩阵；

将所述目标矩阵进行反量化，得到浮点矩阵；

利用反量化得到的所述浮点矩阵进行图像分割计算，得到掩码图；

所述深度卷积神经网络中包括卷积核，所述对所述定点矩阵进行矩阵相乘，得到目标矩阵的步骤，包括：

获取与所述卷积核对应的转换函数；

使用所述转换函数将预设的乘法运算转换为乘法和加法运算；

利用转换后的所述乘法和加法运算对所述定点矩阵进行计算，得到目标矩阵。

2.根据权利要求1所述的图像处理方法，其特征在于，所述对所述深度卷积神经网络中的浮点矩阵进行量化，得到定点矩阵的步骤，包括：

采用并行计算的方式对所述深度卷积神经网络中的浮点矩阵进行量化，得到定点矩阵；

所述对所述定点矩阵进行矩阵相乘，得到目标矩阵的步骤，包括：

采用并行计算的方式对所述定点矩阵进行矩阵相乘，得到目标矩阵；

所述将所述目标矩阵进行反量化，得到浮点矩阵的步骤，包括：

采用并行计算的方式将所述目标矩阵进行反量化，得到浮点矩阵。

3.一种图像处理装置，其特征在于，包括：

第一获取模块，用于获取目标图像；

分割模块，用于当从所述第一获取模块获取的所述目标图像中检测到人像时，使用预设的深度卷积神经网络，对所述目标图像中的人像进行分割处理，得到掩码图，其中，在对所述目标图像中的人像进行分割处理时，对所述深度卷积神经网络中的浮点矩阵的格式进行预设处理；

所述分割模块包括：

输入子模块，用于将所述目标图像的图像数据输入到预设的深度卷积神经网络；

量化子模块，用于对所述深度卷积神经网络中的浮点矩阵进行量化，得到定点矩阵；

其中，采用如下表达式将浮点矩阵量化成8位定点矩阵：

其中，Q_value为量化后的值，R_value为真实值，Scale为尺度，Zero_value为修正值；

相乘子模块，用于对所述量化子模块得到的所述定点矩阵进行矩阵相乘，得到目标矩阵；

反量化子模块，用于将所述相乘子模块得到的所述目标矩阵进行反量化，得到浮点矩阵；

计算子模块，用于利用反量化子模块反量化得到的所述浮点矩阵进行图像分割计算，得到掩码图；

所述深度卷积神经网络中包括卷积核，所述相乘子模块包括：

获取单元，用于获取与所述卷积核对应的转换函数；

转换单元，用于使用所述获取单元获取的所述转换函数将预设的乘法运算转换为乘法和加法运算；

计算单元，用于利用所述转换单元转换后的所述乘法和加法运算对所述定点矩阵进行计算，得到目标矩阵。

4.根据权利要求3所述的图像处理装置，其特征在于，所述量化子模块具体用于，采用并行计算的方式对所述深度卷积神经网络中的浮点矩阵进行量化，得到定点矩阵；

所述相乘子模块具体用于，采用并行计算的方式对所述定点矩阵进行矩阵相乘，得到目标矩阵；

所述反量化子模块具体用于，采用并行计算的方式将所述目标矩阵进行反量化，得到浮点矩阵。