[发明专利]图像的处理方法、装置和电子设备

说明书

本发明提供了一种图像的处理方法、装置和电子设备，该图像的处理方法中，先以卷积操作拓扑图为基础对卷积操作拓扑图中的特征图节点和带有卷积核卷积通道权重的连边进行剪枝训练，进而再采用剪枝训练后的卷积神经网络对待处理图像进行图像处理，这样，可以大大提高后续图像处理的速度，减少了处理流程，同时节省了内存资源，另外，本发明的上述剪枝训练的过程中，是以卷积操作拓扑图为基础进行的，不仅实现了特征图节点的数值化剪枝(去除一些特征图节点)，还考虑了带有卷积核卷积通道权重的连边的结构化剪枝(去除一些连边)，更加科学，在确保剪枝训练后的卷积神经网络的准确性的前提下，能够实现最大化的剪枝，降低了网络的计算量。

技术领域

本发明涉及图像处理的技术领域，尤其是涉及一种图像的处理方法、装置和电子设备。

背景技术

近年来，深度学习神经网络技术不断发展，越来越多的图像处理问题(图像降噪，图像超分辨率等)通过卷积神经网络取得了超越传统算法的效果。目前，在通过卷积神经网络对待处理图像进行图像处理时，由于卷积神经网络本身巨大的计算量，导致了图像处理的效率低下，流程繁杂且浪费内存资源。

综合，现有的图像处理方法存在效率低下，流程繁杂，内存资源浪费严重的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种图像的处理方法、装置和电子设备，以缓解现有的图像处理方法效率低下，流程繁杂，内存资源浪费严重的技术问题。

第一方面，本发明实施例提供了一种图像的处理方法，包括：

获取卷积神经网络对图像样本进行卷积操作时对应的卷积操作拓扑图，其中，所述卷积操作拓扑图包括：特征图节点和所述特征图节点之间的带有卷积核卷积通道权重的具有方向性的连边；

分别对所述卷积操作拓扑图中的特征图节点、卷积核卷积通道权重进行显著性判断，并根据显著性判断结果去除所述卷积操作拓扑图中的第一目标特征图节点和目标连边，得到第一剪枝训练后的卷积操作拓扑图；

对所述第一剪枝训练后的卷积操作拓扑图中的相同卷积层得到的特征图节点之间进行相似性判断，并根据相似性判断结果去除所述第一剪枝训练后的卷积操作拓扑图中的第二目标特征图节点，得到第二剪枝训练后的卷积操作拓扑图；

对所述第二剪枝训练后的卷积操作拓扑图中的每个特征图节点进行重要性判断，并根据所述重要性判断结果去除所述第二剪枝训练后的卷积操作拓扑图中的第三目标特征图节点，得到目标剪枝训练后的卷积操作拓扑图，进而得到剪枝训练后的卷积神经网络；

利用所述剪枝训练后的卷积神经网络对待处理图像进行图像处理，得到图像处理结果。