[发明专利]一种降采样电路及降采样方法

说明书

本发明提供一种资源节约型的降采样电路和降采样方法，利用位选信号和行选信号，以及两个用以暂存的第一寄存器和第二寄存器，可以解决输入图像数据流全部缓存的问题。本发明将较大规模的输入图像，减小为原图大小的四分之一，输出不改变原图像的整体细节特征；能够降低输入图像的维度，相比于运用中间存储来保存所有数据流的输入，本发明只需要两个寄存器即可，减小了内存的消耗；分发明的降采样方法提高了计算速度，可在可编程逻辑器件FPGA上实现。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

技术领域

本发明涉及图像数据采样电路技术领域，特别是涉及一种降采样电路及降采样方法。

背景技术

随着拍摄技术的提升，人们对于高分辨率的图像有着越来越高的需求，同时伴随着人工智能的发展，图像识别的算法也得到了大力的发展。在对高分辨率的图像进行算法中的一系列计算时，尤其是如今在目标识别领域有很好效果的卷积神经网络中，减小中间层计算结果的规模是十分重要的一个操作。

在卷积神经网络中，经常会碰到池化操作，而池化层往往在卷积层后面，通过池化来降低卷积层输出的特征向量，同时改善过拟合现象。图像具有一种“静态性”的属性，这也就意味着在一个图像区域有用的特征极有可能在另一个区域同样适用。因此，为了描述大的图像，一个很自然的想法就是对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值(或最大值)来代表这个区域的特征。

池化操作有两个显著的优点：1)通过卷积操作获得了图像的特征之后，若直接用该特征去做分类则面临计算量的挑战。而池化的结果可以使得特征减少，参数减少；2)池化可以保持图像的旋转、平移、伸缩不变性。

一般的池化有三种方式：1)平均值池化，即对邻域内特征点只求平均，对背景保留更好；2)最大值池化，即对邻域内特征点取最大，对纹理提取更好；3)随机值池化，介于两者之间，通过对像素点按照数值大小赋予概率，再按照概率进行亚采样。特征提取的误差主要来自两个方面：1)邻域大小受限造成的估计值方差增大；2)卷积层参数误差造成估计均值的偏移。一般来说，平均值池化能减小第一种误差，更多的保留图像的背景信息，最大值池化能减小第二种误差，更多的保留纹理信息。在平均意义上，与平均值池化近似，在局部意义上，则服从最大值池化的准则。

随着图像规模增大，计算量的不断增大，普通的CPU已经无法在能承受的时间范围内完成这种大规模的运算，因此利用GPU、FPGA等硬件平台，对计算进行加速就显得势在必行。

降采样过程在算法上十分简单易懂，但在硬件电路的实现过程中，由于数据是以数据流的形式输入该模块，若设计暂存结构作为中间存储，可以在存储完成之后按地址读出并降采样，但该方法过于浪费存储资源。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种降采样电路及降采样方法，用于解决现有技术中采样电路浪费存储空间、因采样图像过大带来的计算量增加以及难以还原图像整体细节的问题。