[发明专利]图像处理电路及相关的图像处理方法

说明书

本发明公开了一种图像处理电路及相关的图像处理方法，该图像处理电路包含有一接收电路、一特征获取模组及一判断电路。该图像处理电路的操作中，该接收电路接收一图像数据，该特征获取模组使用一种至多种拓朴型态的卷积过滤器来对该图像数据进行特征获取，产生多个由卷积过滤器的拓朴特性及权值来决定的图像数据特征，例如平滑特征、边缘特征等等。在本发明中特征获取模组使用的卷积过滤器并非限定于现有使用的正方形卷积过滤器，而是提出多种卷积过滤器拓朴型态的非方形卷积过滤器，使特征获取模组能够获取更丰富的图像特征以辨识该图像数据的内容。

技术领域

本发明系有关于图像处理，尤指一种具有图像辨识功能的图像处理电路及相关的图像处理方法。

背景技术

目前使用深度学习方法的图像处理电路中，都会涉及卷积式神经网路(convolution neutral network)，而这类型的神经网路系可透过给予足够多的图像进行训练来得出网路模型的最佳化参数，利用这些最佳化参数提取图像特征，供判断电路进行辨识及决策，而卷积运算是获取图像特征的关键步骤。现今使用卷积运算的神经网路所使用的卷积过滤器(convolution filter)都是方形矩阵，例如3*3或是5*5的卷积过滤器。使用方形的卷积过滤器虽然运算方便也非常直觉，但是每个像素到中心像素的距离(L1norm)是不一致的。例如，与中心像素的距离为2的像素会有8个，若使用3*3的卷积过滤器只会运算到4个，一样相同距离下有些像素会做运算而有些却不会，可能会造成运算后的像素对于输入图像的像素在权重上的不平衡，进而造成获取图像特征的困难度。

发明内容

因此，本发明的目的之一在于提供一种图像处理电路，其使用非方形的卷积过滤器来进行运算，以解决先前技术中的问题。

在本发明的一个实施例中，公开了一种图像处理电路，其包含有一接收电路、一特征获取模组以及一判断电路。在该图像处理电路的操作中，该接收电路接收一图像数据，该特征获取模组至少使用一第一卷积过滤器来对该图像数据获取特征或是由该图像数据所产生之一特征数据进行运算以产生一特征图(feature map)，其中该第一卷积过滤器系为一非方形卷积过滤器，以及该判断电路根据该特征图以辨识该图像数据的内容。

在本发明的一个实施例中，公开了一种图像处理方法，其包含有以下步骤：接收一图像数据；使用一第一卷积过滤器来对该图像数据获取特征或是由该图像数据所产生之一特征数据进行运算以产生一特征图，其中该第一卷积过滤器系为一非方形卷积过滤器；以及根据该特征图以辨识该图像数据的内容。

附图说明

图1为根据本发明一实施例的菱形卷积过滤器的示意图。

图2为根据本发明一实施例的空洞菱形(dilated-rhombus)卷积过滤器的示意图。

图3为根据本发明一实施例的十字卷积过滤器(cross convolution filter)以及空洞十字卷积过滤器(dilated-cross convolution filter)的示意图。

图4为根据本发明一实施例的X形卷积过滤器(X-shape convolution filter)以及空洞X形卷积过滤器(dilated-X-shape convolution filter)的示意图。

图5为根据本发明一实施例的米字形卷积过滤器(star convolution filter)以及空洞米字形卷积过滤器(dilated-star convolution filter)的示意图。

图6为使用本实施例的卷积过滤器来对一图像数据进行卷积操作的示意图。

图7为根据本发明一实施例的图像处理电路的示意图。

图8为多个图像处理电路所分别产生的特征图的示意图。

图9为根据本发明一实施例之一种图像处理方法的流程图。

具体实施方式