[发明专利]一种基于二值化量化模型的图像处理方法

说明书

本发明公开了一种基于二值化量化模型的图像处理方法，属于图像处理技术领域，其包括以下步骤：S1、对图像集进行预处理，得到每张图像的初始输入数据；S2、构建二值化量化模型；S3、采用每张图像的初始输入数据对二值化量化模型进行训练，得到训练完成的二值化量化模型；S4、将一张图像的初始输入数据输入训练完成的二值化量化模型，得到图像中物体的边界和属性，完成对图像的处理；本发明解决了无人机存储内存很小，无法存储现有的全精度模型的问题。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于二值化量化模型的图像处理方法。

背景技术

卷积神经网络(Convolutional Neural Networks,CNN)在无人机领域应用十分广泛，尤其是在图像处理方面。目前有研究人员提出了对于航拍图像的CNN算法，例如进行图像分类和目标跟踪任务。但是，将全精度的CNN模型应用到无人机领域会遇到一些困难。全精度的CNN模型需要大量的存储空间和计算资源，目前市面上的无人机存储内存很小，无法将训练好的全精度模型移植上去，而且，无人机搭载的计算组件耗能非常严重，根据现有的电池容量，无人机的续航骤减。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于二值化量化模型的图像处理方法解决了无人机存储内存很小，无法存储现有的全精度模型的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于二值化量化模型的图像处理方法，包括以下步骤：

S1、对图像集进行预处理，得到每张图像的初始输入数据；

S2、构建二值化量化模型；

S3、采用每张图像的初始输入数据对二值化量化模型进行训练，得到训练完成的二值化量化模型；

S4、将一张图像的初始输入数据输入训练完成的二值化量化模型，得到图像中物体的边界和属性，完成对图像的处理。

进一步地，步骤S1包括以下分步骤：

S11、对图像集中每一张图像进行归一化处理，得到归一化后的图像像素点值；

S12、将归一化后的图像像素点值缩放到[-128,128]，得到每一张图像的初始输入数据。

进一步地，步骤S11中对图像进行归一化处理的方法为：将图像中所有像素点的均值调整为0，方差调整为1；

归一化处理的公式为：

其中，为第i个归一化后的图像像素点值，x_i为第i个像素点值，m为像素点总数，∈为防止分母为零的参数；

步骤S12中将归一化后的图像像素点值缩放到[-128,128]的具体方法为：将每个归一化后的图像像素点值均用一个256位的一维二值化向量I＝(i₁,i₂,...,i_n,...,i₂₅₆)表示，其中，i₁,i₂,...,i_n,...,i₂₅₆为二值化向量I的256个分量，每个分量的取值范围{+1，-1}。

上述进一步方案的有益效果为：归一化是保证所有的维度上数据都在一个变化幅度上，归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。目的是为了保证输出数据中数值小的不被吞食。

图像像素点值缩放到[-128,128]的目的是进一步转化为256维的向量，方便第一卷积层的处理。