[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、多个处理层和多个特殊激活层，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，所述图形处理器中包括图形存储器，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所对应的预定数值范围，每一个数据层的预定数值范围均为对称区间，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，将所述多个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临时特征图；

当前特殊激活层将所述多个临时特征图中的数据转化至下一个数据层的预定数值范围内，以生成下一个数据层的多个第二特征图；

根据下一个数据层的预定数值范围来将所述多个第二特征图中的数据转化为第一数据类型；以及

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；

所述将所述多个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当前数据层的预定数值范围内的浮点数；

所述将所述多个第二特征图中的数据转化为第一数据类型的步骤包括：

将第二特征图中的数据由下一个数据层的预定数值范围内的浮点数转化为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。

3.如权利要求2所述的方法，其中，所述当前数据层的预定数值范围为对称区间(-m₁，+m₁)，其中，m₁为正实数；

按照以下公式将所述0.0～1.0范围内的浮点数转化为当前数据层的预定数值范围内的浮点数：

f₁＝(2*sf-1)*m₁

其中，f₁为-m₁～+m₁范围内的浮点数，sf为0.0～1.0范围内的浮点数。

4.如权利要求2或3所述的方法，其中，所述下一个数据层的预定数值范围为对称区间(-m₂，+m₂)，其中，m₂为正实数；

按照以下公式将第二特征图中的数据由下一个数据层的预定数值范围内的浮点数转化为0.0～255.0范围内的浮点数：

其中，uf为0.0～255.0范围内的浮点数，f₂为-m₂～+m₂范围内的浮点数。

5.如权利要求2所述的方法，其中，所述纹理图包括多个纹理区块，每个纹理区块包括RGBA四个通道，每个通道适于存储一个第二特征图；

所述将多个第二特征图以第一数据类型存储至所述纹理图中的步骤包括：将多个第二特征图以第一数据类型按顺序存储至各纹理区块的各通道中。

6.如权利要求5所述的方法，其中，所述网络参数还包括第二特征图的数量和尺寸，以及下一个数据层所对应的纹理图所包括的纹理区块的数量和纹理图的尺寸，其中，所述第二特征图的尺寸包括第二特征图的横向数据点的数量和纵向数据点的数量；

所述纹理区块的数量为ceil(c/4)，其中，c为第二特征图的数量，ceil(c/4)表示大于等于(c/4)的最小整数；

所述纹理图的尺寸按照以下步骤确定：

将纹理区块的数量因数分解为w*h，以使得w*第二特征图的横向数据点的数量与h*第二特征图的纵向数据点的数量的差值的绝对值最小；

所述纹理图的横向数据点的数量为w*第二特征图的横向数据点的数量，所述纹理图的纵向数据点的数量为h*第二特征图的纵向数据点的数量。