[发明专利]一种图像处理方法及相关设备

说明书

本申请实施例公开了一种图像处理方法及相关设备，所述方法应用于图像处理技术领域，包括：获取目标图像处理模型中各个网络层的累计处理图像值，若对比得到第一网络层的累计处理图像值大于或者等于预设处理图像阈值，则触发第一网络层的下一层级的网络层向第一网络层的下下层级的网络层发送脉冲，该脉冲中携带有图像对应的图像数据，触发第一网络层对应下下层级的网络层对图像数据进行处理，并根据各个网络层对图像数据的处理结果，输出针对图像的处理结果。采用这样的方式，图像数据是通过脉冲的形式在各网络层之间进行传输，不仅可以减少计算量，还可以提高图像数据的传输速率，进而提高目标图像处理模型的处理效率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像处理方法及相关设备。

背景技术

目前，通常采用卷积神经网络(Convolutional Neural Networks，CNN)模型、深度置信网络(Deep Belief Networks，DBN)模型等传统的深度学习神经网络模型进行图像处理，但由于传统的深度学习神经网络模型中，都是应用传统的神经元，比如Sigmoid、Tanh、ReLU等，各网络层之间传递的是一个具体的浮点数，存在计算复杂度高、功耗大、成本高、模型量太大的问题，尤其是在运算力不足的情况下，模型的处理速度也会较慢，处理效率低下。

发明内容

本申请实施例提供了一种图像处理方法及相关设备，可以提高目标图像处理模型的处理效率。

第一方面，本申请实施例提供了一种图像处理方法，该方法包括：

当检测到图像输入预构建的目标图像处理模型时，获取所述目标图像处理模型包括的至少一个网络层中各个网络层的累计处理图像值，每个所述网络层包括至少一个用于传输图像数据的脉冲神经元；

将所述各个网络层的累计处理图像值与预设处理图像阈值分别进行对比，若对比得到第一网络层的累计处理图像值大于或者等于预设处理图像阈值，则触发所述第一网络层的下一层级的网络层向所述第一网络层的下下层级的网络层发送脉冲，所述脉冲中携带有所述图像对应的图像数据，所述第一网络层为所述至少一个网络层中的任一个网络层；

触发所述第一网络层对应下下层级的网络层对所述图像数据进行处理；

根据所述各个网络层对所述图像数据的处理结果，输出针对所述图像的处理结果。

在一个实施例中，所述获取所述目标图像处理模型包括的至少一个网络层中各个网络层的累计处理图像值之前，还可以获取初始图像处理模型，所述初始图像处理模型包括至少一个初始网络层，以及所述至少一个初始网络层中各个初始网络层对应的连接权重值，每个所述初始网络层包括至少一个用于传输图像数据的神经元；获取训练图像，并根据所述训练图像对所述初始图像处理模型进行训练，得到图像处理模型，其中，所述图像处理模型包括训练后的各个初始网络层对应的连接权重值；基于所述训练后的各个初始网络层对应的连接权重值以及预设脉冲神经元函数，构建所述图像处理模型对应的目标图像处理模型，所述目标图像处理模型中包括至少一个网络层，每个所述网络层包括至少一个用于传输图像数据的脉冲神经元。

在一个实施例中，所述第一网络层的累计处理图像值为在系统时间之前，所述第一网络层对应的至少一个处理图像值的和值，每个所述处理图像值为系统时间下输入所述第一网络层的图像值与所述第一网络层对应的连接权重值的乘积。

在一个实施例中，还可以将输入所述各个网络层的图像值与预设图像基准值分别进行对比；若对比得到输入第i网络层的图像值大于或者等于所述预设图像基准值，则基于预设函数增大所述图像值，并将增大后的图像值与所述任一个网络层的连接权重值的乘积作为输入所述任一个网络层的下一层级的网络层的目标图像值，所述第i网络层为所述各个网络层中的任一个网络层；若对比得到输入第i网络层的图像值小于所述预设图像基准值，则基于预设函数减小所述图像值，并将减小后的图像值与所述任一个网络层的连接权重值的乘积作为输入所述任一个网络层的下一层级的网络层的目标图像值。