[发明专利]一种基于卷积神经网络的图像处理方法及移动终端

权利要求书

1.一种基于卷积神经网络的图像处理方法，所述卷积神经网络包括多个数据层和多个处理层，每个数据层包括多个特征图，所述方法在移动终端的图形处理器中执行，所述图形处理器包括图形存储器，所述图形存储器中存储有纹理图和网络参数，所述纹理图中以第一数据类型存储有当前数据层的多个第一特征图，所述网络参数包括每一个数据层的每一个特征图所对应的数值范围，所述数值范围按照以下步骤确定：

将预定数量的测试图像输入所述卷积神经网络；

记录每一个测试图像在所述卷积神经网络的计算过程中所得到的每一个数据层的每一个特征图算例；

对于所述卷积神经网络的每一个数据层的每一个特征图，根据该特征图所对应的所有测试图像的特征图算例来确定该特征图的数值范围；

所述方法包括：

从所述纹理图中获取当前数据层的多个第一特征图；

对于每一个第一特征图，根据其所对应的数值范围来将该第一特征图中的数据转化为第二数据类型；

当前处理层对第二数据类型的多个第一特征图进行渲染处理，以生成下一个数据层的多个第二特征图；

对于每一个第二特征图，根据其所对应的数值范围来将该第二特征图中的数据转化为第一数据类型；

将多个第二特征图以第一数据类型存储至所述纹理图中。

2.如权利要求1所述的方法，其中，所述预定数量的测试图像包括第一数量的真实图像和第二数量的随机图像，其中，所述第一数量大于等于所述第二数量，所述随机图像的RGB值为采用高斯分布函数随机生成。

3.如权利要求1或2所述的方法，其中，所述根据该特征图所对应的所有测试图像的特征图算例来确定该特征图的数值范围的步骤包括：

计算该特征图所对应的所有特征图算例的数据点均值的均值和标准差，所述特征图算例的数据点均值为特征图算例中各数据点的值的均值；

根据所述均值和标准差来确定该特征图的数值范围。

4.如权利要求3所述的方法，其中，所述计算该特征图所对应的所有特征图算例的数据点均值的均值和标准差的步骤包括：

对于第k个数据层的第j个特征图，分别计算该特征图所对应的每一个特征图算例的数据点均值μ_kj,n和数据点平方均值其中，k为数据层的编号，k大于等于1且小于等于所述卷积神经网络所包括的数据层的总数量K，j为特征图的编号，j大于等于1且小于等于第k个数据层所包括的特征图的总数量J(k)，n为特征图算例的编号，n大于等于1且小于等于测试图像的总数量N；

计算各特征图算例的数据点均值μ_kj,n的均值和标准差

所述根据所述均值和标准差来确定该特征图的数值范围的步骤包括：

将该特征图的数值范围设置为(min_kj，max_kj)，其中，min_kj＝μ_kj-3σ_kj，max_kj＝μ_kj+3σ_kj。

5.如权利要求1所述的方法，其中，所述第一数据类型为八位无符号整型，所述第二数据类型为浮点型；

所述根据其所对应的数值范围来将该第一特征图中的数据转化为第二数据类型的步骤包括：

将第一特征图中的数据由0～255范围内的整数归一化为0.0～1.0范围内的浮点数；

将所述0.0～1.0范围内的浮点数转化为该第一特征图所对应的数值范围内的浮点数；

所述根据其所对应的数值范围来将该第二特征图中的数据转化为第一数据类型的步骤包括：

根据其所对应的数值范围来将该第二特征图中的数据转化为0.0～255.0范围内的浮点数；

将所述0.0～255.0范围内的浮点数转化为小于等于其本身的最大整数。