[发明专利]一种边缘数据增强模型、以及基于所述模型的高效边缘数据增强方法及系统

说明书

本发明提出了一种边缘数据增强模型、以及基于所述模型的高效边缘数据增强方法及系统，该方法通过对网络模型中卷积网络感受野的减少、图像处理中的重叠切分以及硬件方面对内存扩展三者之间的协同优化，实现了对图像边缘数据的有效增强，在图像超分辨重建、去模糊、去雾化等低等级视觉任务的深度学习算法领域达到在适用于边缘端部署应用的目的。本发明同时也解决了在计算能力弱、内存空间小的边缘端部署深度神经网络的问题，以及发明中涉及的边缘端实时处理图像信号的任务，可以代替一些监控场景中传统的实时处理图像信号的模块，进而实现更加丰富的功能，和更加优秀的成像效果。

技术领域

本发明涉及一种边缘数据增强的处理方法，涉及一般的图像数据处理和基于机器深度学习的图像边缘技术，尤其涉及基于神经网络构建的数字图像信息分析处理领域。

背景技术

随着科学技术的有效推进，摄影设备逐渐深入大众生活，大众审美要求的提升，导致对图片品质的追求也相应增加。图像品质的提升主要是通过增强图像边缘效果来实现的。现有技术中，高复杂度的网络算法对设备的要求有较高的约束，对于计算能力弱、内存空间小的深度神经网络部署的兼容性达不到有效的满足。

发明内容

发明目的：一个目的是提出一种基于边缘数据增强模型的高效边缘数据增强方法，以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的系统。

技术方案：一种边缘数据增强模型，包含图像处理、神经网络、硬件存储；所述图像处理用于对图像的规格进行重置，并将其输入神经网络；所述神经网络用于接收经过图像处理的图片，并完成对切分图像的重组；所述硬件存储用于存储图像处理中的图片，以及配合神经网络提取图片时，对其进行访问。

在进一步的实施例中，所述图像处理为对接收到的图像进行预先制定规则的处理。其目的是将图片处理成符合神经网络接收的格式。首先，对硬件存储中的图片进行图片数据的访问；然后，将读取出来的图片经过预定个数的切分得到一定数量的小图像块数；最后，将切分后获得的小图像块传输至神经网络中。

其中对读取到图像的切分方式为按照选定区域部分重叠的方式切分，即对进行切分图像的边界部分按照重叠的方式多切分预定量的像素区域。为保证重叠区域的存在，每个图像块向外部扩充预定值个像素，其中原图的边缘部分进行填零处理。切分过后的图像按照不重叠组合满足如下表达：

其中Picture′表示重组后的图像像素，n表示切分后形成的小图像块数量，C_i表示第i个小图像块的长度，K_i表示第i个小图像块的宽度，x表示图像重叠切分时预设定向外扩充的像素大小。

在进一步的实施例中，所述神经网络进一步为神经网络包含下采样、上采样、像素重组。其中下采样中由卷积层和最大池化层构成，接收经过图像切分后的小图像块，并将其传输至下采样中的卷积层，在卷积层完成卷积运算后，将获得的数值传输至最大池化层，利用最大池化的平移不变性选取小图像块内最大的数值，舍弃其他节点并保持原有平面结构输出。即其中池化层的量化为当小图像块的三个维度尺寸大小为W₁×H₁×D₁时，给定池化核的尺寸为F×F，S为池化的步长，其中F、S均为正整数，然后经过池化后的小图像块的三个维度尺寸大小变为W₂×H₂×D₂，其中，W₁表示小图像块的宽度，H₁表示小图像块的高度，D₁表示小图像块在计算时的通道数，W₂表示经过池化层后的小图像块宽度，H₂表示经过池化层后的小图像块高度，D₂表示经过池化层后的小图像块在计算时的通道数量，且W₂、H₂、D₂分别满足条件如下：

W₂＝(W₁-F)/S+1