[发明专利]基于卷积神经网络的图像处理方法、装置及可读存储介质

权利要求书

1.一种基于卷积神经网络的图像处理方法，其特征在于，包括：

构建卷积神经网络的网络架构，所述架构包括依次连接的卷积层、采用中值池化算法的池化层、全连接层和分类器层；

根据采集获得的图像样本集对构建的卷积神经网络进行训练，获得训练完毕的卷积神经网络模型。

2.根据权利要求1所述的基于卷积神经网络的图像处理方法，其特征在于，所述根据采集获得的图像样本集对构建的卷积神经网络进行训练，包括：

将采集获得的图像样本集输入所述卷积层，以使所述卷积层提取图像样本集中各输入图像的特征，并向所述池化层输出各输入图像的特征矩阵。

3.根据权利要求2所述的基于卷积神经网络的图像处理方法，其特征在于，还包括：

所述池化层将接收的每个输入图像的特征矩阵划分为若干区块，将每一区块中的特征值按照数值进行排序，将每一区块中的各特征值中的中值作为对应的最佳特征值，向所述全连接层输出每个输入图像的中值池化处理后的特征矩阵，所述中值池化处理后的特征矩阵由各最佳特征值组成。

4.根据权利要求3所述卷积神经网络的图像识别方法，其特征在于，还包括：

所述全连接层对接收的每个输入图像的中值池化处理后的特征矩阵进行处理，以向所述分类器层输出获得的每个输入图像的一维特征矩阵；所述分类器层对每个输入图像的所述一维特征矩阵进行分类，获得每个输入图像的分类结果，根据所述每个输入图像的分类结果对卷积神经网络的网络架构进行反向传播以逐层调整层级权重直至完成训练。

5.一种基于卷积神经网络的图像处理方法，其特征在于，包括：

采集待识别的图像；

采用训练完毕的卷积神经网络对所述待识别的图像进行识别；其中，所述训练完毕的卷积神经网络模型中的池化层采用中值池化算法，以使将待识别图像的各区块对应特征值中的中值作为最佳特征值输出至全连接层；

所述训练完毕的卷积神经网络是利用权利要求1-4任一项所述的方法训练获得的。

6.一种基于卷积神经网络的图像处理装置，其特征在于，包括：

卷积神经网络建立模块，用于构建卷积神经网络的网络架构，所述架构包括依次连接的卷积层、采用中值池化算法的池化层、全连接层和分类器层；

卷积神经网络训练模块，用于根据采集获得的图像样本集对构建的卷积神经网络进行训练，获得训练完毕的卷积神经网络模型。

7.根据权利要求6所述的基于卷积神经网络的图像处理装置，其特征在于，所述卷积神经网络训练模块，具体用于：

将采集获得的图像样本集输入所述卷积层，以使所述卷积层提取图像样本集中各输入图像的特征，并向所述池化层输出各输入图像的特征矩阵。

8.根据权利要求7所述的基于卷积神经网络的图像处理装置，其特征在于，所述卷积神经网络训练模块，具体用于：

所述池化层将接收的每个输入图像的特征矩阵划分为若干区块，将每一区块中的特征值按照数值进行排序，将每一区块中的各特征值中的中值作为对应的最佳特征值，向所述全连接层输出每个输入图像的中值池化处理后的特征矩阵，所述中值池化处理后的特征矩阵由各最佳特征值组成。

9.根据权利要求8所述的基于卷积神经网络的图像处理装置，其特征在于，所述卷积神经网络训练模块，具体用于：

所述全连接层对接收的每个输入图像的中值池化处理后的特征矩阵进行处理，以向所述分类器层输出获得的每个输入图像的一维特征矩阵；所述分类器层对每个输入图像的所述一维特征矩阵进行分类，获得每个输入图像的分类结果，根据所述每个输入图像的分类结果对卷积神经网络的网络架构进行反向传播以逐层调整层级权重直至完成训练。