[发明专利]基于图像数据Y分量的处理方法、装置、设备及存储介质

说明书

本申请提出一种基于图像数据Y分量的处理方法、装置、电子设备及存储介质，该方法包括：对待处理的图像数据进行解析，得到图像数据在YCbCr色彩空间的Y分量；通过第一网络对Y分量循环进行卷积运算、拼接运算及池化运算，并输出卷积运算数据；通过第二网络对卷积运算数据依次进行卷积运算和上采样运算，并将上采样运算后的数据和卷积运算数据进行拼接，输出拼接运算数据；通过第三网络对拼接运算数据再次进行卷积运算，输出图像处理数据。本申请能够在保证计算结果的前提下，简化了卷积计算过程，从本质上解决了卷积神经网络模型计算延迟大的问题。

技术领域

本申请属于图像处理技术领域，具体涉及一种基于图像数据Y分量的处理方法、装置、设备及存储介质。

背景技术

卷积神经网络模型(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。由于卷积神经网络模型计算过程较为复杂，处理的数据较多，所以，目前大多卷积神经网络模型都存在计算延迟的问题。

现有技术中，通过GPU(graphics processing unit，图形处理器)实现卷积神经网络模型，以期提高卷积神经网络模型的计算速度，解决了卷积神经网络模型计算延迟大的问题。但是，GPU往往功耗较高、价格比较昂贵、开发及维护成本也较高，不利于卷积神经网络模型的应用及推广。

发明内容

本申请提出一种基于图像数据Y分量的处理方法、装置、电子设备及存储介质，从本质上解决了卷积神经网络模型计算延迟大的问题。

本申请第一方面实施例提出了一种基于图像数据Y分量的处理方法，基于预先训练的卷积神经网络模型实现，所述卷积神经网络模型包括第一网络、第二网络及第三网络；所述方法包括：

对待处理的图像数据进行解析，得到图像数据在YCbCr色彩空间的Y分量；

通过所述第一网络对所述Y分量循环进行卷积运算、拼接运算及池化运算，并输出卷积运算数据；

通过所述第二网络对所述卷积运算数据依次进行卷积运算和上采样运算，并将上采样运算后的数据和所述卷积运算数据进行拼接，输出拼接运算数据；

通过第三网络对所述拼接运算数据再次进行卷积运算，输出图像处理数据。

在本申请的一些实施例中，所述对待处理的图像数据进行解析，得到图像数据在YCbCr色彩空间的Y分量，包括：

通过查找标准的霍夫曼表，按照字节对所述图像数据的头文件进行解析；

对解析后的头文件进行反量化处理和反zig-zag变换，得到图像数据在YCbCr色彩空间的各分量；

从所述各分量中提取所述Y分量。

在本申请的一些实施例中，所述通过查找标准的霍夫曼表，按照字节对所述图像数据的头文件进行解析之前，还包括：

通过AXI-stream接口接入32比特位的待处理的图像数据，并将所述图像数据转换为解码协议所用的8比特位的图像数据。

在本申请的一些实施例中，所述第一网络包括第一单卷积运算模块、组合卷积运算模块、第一拼接运算模块及最大池化运算模块；

通过所述第一网络对所述Y分量循环进行卷积运算、拼接运算及池化运算，并输出卷积运算数据，包括：

通过所述第一单卷积运算模块对所述Y分量进行多次卷积运算，得到所述组合卷积运算模块的输入数据；

通过所述组合卷积运算模块对所述输入数据进行组合卷积运算，得到组合卷积数据；

通过所述第一拼接运算模块对所述输入数据和所述组合卷积数据进行拼接，得到拼接数据；