[发明专利]图像处理方法、装置及存储介质

说明书

本发明公开了一种图像处理方法、装置及存储介质，属于图像处理技术领域。所述方法包括：对原始图像进行离散化处理，得到离散值图像；根据每个栅格的离散值，从离散值图像上，确定至少一个连通域；根据池化计算类型和每个连通域内每个栅格的特征值，对每个连通域进行池化计算，得到每个连通域上的池化计算结果；根据所有连通域上的池化计算结果，确定对原始图像的池化计算结果。本发明根据每个栅格的离散值和栅格间的位置关系，从离散值图像上确定出至少一个连通域，由于连通域上的各个像素点具有一定的关联性，因而池化计算结果更准确，进一步地提高了基于该池化结果所训练的图像识别模型的准确性。

技术领域

本发明涉及图像处理技术领域，特别涉及一种图像处理方法、装置及存储介质。

背景技术

CNN(Convolutional Neural Networks，卷积神经网络)作为图像处理领域中一种常见的网络结构，其所训练的图像识别模型在图像物体检测、图像文字检测、图像分割等方面具有广泛的用途。CNN主要包括卷积层、池化层、规则化层及全连接层等主要结构，池化层作为CNN中重要的组成部分，主要对图像进行池化计算，从而达到降低图像特征的维度、突出显著特征、提高计算速度及模型训练精度的目的。

池化计算包括最大池化计算、平均池化计算等，以采用最大池化计算对原始图像进行处理为例，具体处理过程：对原始图像进行离散化计算，得到离散值图像；将离散值图像输入到CNN中，经过卷积层的卷积计算，得到特征图像，其中，特征图像包括至少一个特征点，每个特征点具有一个特征值；按照池化窗的设置将特征图像划分为多个矩形区域，从每个矩形区域所包括的特征点中，获取最大的特征值作为每个矩形区域上的池化计算结果；将所有矩形区域上的池化计算结果，添加到池化窗的相应位置上，得到对原始图像的池化计算结果，该池化计算结果用于训练图像识别模型。

然而，由于图像本身不同区域内的像素点之间具有一定的关联性，而相关技术仅将需要进行池化计算的图像划分为多个矩形区域，并在每个矩形区域内进行池化计算，导致图像处理结果并不准确，进一步地影响到所训练的图像识别模型的准确性。

发明内容

为了解决相关技术的问题，本发明实施例提供了一种图像处理方法、装置及存储介质。所述技术方案如下：

一方面，提供了一种图像处理方法，所述方法包括：

对原始图像进行离散化处理，得到离散值图像，所述离散值图像包括多个栅格，每个栅格代表所述原始图像上的一个像素点，且每个栅格对应一个离散值和一个特征值；

根据每个栅格的离散值，从所述离散值图像上，确定至少一个连通域，每个连通域包括一个栅格或两个以上具有相同的离散值且彼此邻接的栅格；

根据池化计算类型和每个连通域内每个栅格的特征值，对每个连通域进行池化计算，得到每个连通域上的池化计算结果；

根据所有连通域上的池化计算结果，确定对所述原始图像的池化计算结果。

另一方面，提供了一种图像处理装置，所述装置包括：

图像处理模块，用于对原始图像进行离散化处理，得到离散值图像，所述离散值图像包括多个栅格，每个栅格代表所述原始图像上的一个像素点，且每个栅格对应一个离散值和一个特征值；

区域确定模块，用于根据每个栅格的离散值，从所述离散值图像上，确定至少一个连通域，每个连通域包括一个栅格或两个以上具有相同的离散值且彼此邻接的栅格；

池化计算模块，用于根据池化计算类型和每个连通域内每个栅格的特征值，对每个连通域进行池化计算，得到每个连通域上的池化计算结果；

计算结果确定模块，用于根据所有连通域上的池化计算结果，确定对所述原始图像的池化计算结果。