[发明专利]基于神经网络模型的图像处理方法、介质和电子设备

说明书

本申请涉及图像处理技术领域，公开了一种基于神经网络模型的图像处理方法、介质和电子设备，电子设备的第一中间层将第一映射关系调整为第二映射关系，其中，在第一映射关系中，第一处理单元与第一存储地址对应，第二处理单元与第二存储地址对应；在第二映射关系中，第一处理单元和第二存储地址对应，第二处理单元和第一存储地址对应，其中，第一处理单元能够获取第二特征图和第一特征图，并进行处理，如此，减少了电子设备在对特征图进行卷积操作后再进行特征图通道方向的读写操作量，提高了电子设备读写特征图的效率，进而提高了电子设备的图像处理效率。

技术领域

本申请涉及图像处理技术领域，特别涉及一种基于神经网络模型的图像处理方法、介质和电子设备。

背景技术

神经网络模型的卷积等操作会用到滤波器，用于提取图像特征，每个滤波器可以认为是一个特征提取通道。

一般情况下，每个通道或者每个滤波器只能提取该滤波器对应的图像特征，无法提取其他滤波器对应的图像特征。例如，在神经网络模型中，滤波器1用于提取图像中的颜色特征，滤波器2用于提取图像中的纹理特征，滤波器3用于提取图像中的形状特征。由于神经网络模型预先设定好了每个滤波器与待特征提取的图像的存储位置的映射关系，滤波器1是无法提取图像中的纹理特征和形状特征，这就导致了在神经网络模型中，提取的图像特征信息量较少的问题。所以，为了使得同一个图像能够被不同的滤波器提取不同的图像特征，通常会进行通道重排。其中，通道重排是指将图像数据的存储位置重新排列，即将图像数据进行存储位置互换，以使得同一个图像既可以被滤波器1提取图像中的颜色，也可以被滤波器2提取图像中的纹理特征。

但是，电子设备在对图像数据进行通道重排的过程中，需要反复多次读写不同位置的图像数据的存储地址，以将图像数据进行存储位置互换，此操作会将花费大量时间，读写图像数据的效率较低，图像处理效率较低。

发明内容

本申请实施例提供了一种基于神经网络模型的图像处理方法、介质和电子设备。

第一方面，本申请实施例提供了一种基于神经网络模型的图像处理方法，所述神经网络模型包括第一中间层；

所述方法包括：

所述第一中间层获取第一特征图和第二特征图，其中，

所述电子设备的存储器的第一存储区域上存储有所述第一特征图，并且所述第一存储区域具有第一存储地址，所述存储器的第二存储区域上存储有所述第二特征图，并且所述第二存储区域具有第二存储地址，

所述第一存储地址和所述第二存储地址分别与所述第一中间层的第一处理单元和第二处理单元存在第一映射关系，其中在所述第一映射关系中，所述第一处理单元与所述第一存储地址对应，所述第二处理单元与所述第二存储地址对应；

所述第一中间层将所述第一映射关系调整为第二映射关系，其中在所述第二映射关系中，所述第一处理单元和第二存储地址对应，所述第二处理单元和第一存储地址对应，其中，所述第一处理单元能够获取所述第二存储地址对应的第二存储区域中的第二特征图进行处理，所述第二处理单元能够获取所述第一存储地址对应的第一存储区域中的第一特征图进行处理。

可以理解，第一特征图和第二特征图为最小单元，本申请实施例适用于包含至少一个特征图的特征图数据，包含至少一个特征图的特征图数据中的部分特征图和全部特征图均适用于本申请实施例提供的基于神经网络模型的图像处理方法。

可以理解，本申请实施例中，电子设备可以是具备图像处理功能的手机、平板、可穿戴设备、服务器等。综上，由于输入的特征图数据可能是时刻变化的，相比于对输入特征图的重排，本申请实施例中的神经网络模型仅是预先将卷积核组中的卷积核重排存储在神经网络模型中，卷积核的数量较为固定，数量较少，如此，减少了电子设备在对特征图进行卷积操作后再进行特征图通道方向的读写操作量，提高了电子设备读写特征图的效率，进而提高了电子设备的图像处理效率。