[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

说明书

本发明提供的基于卷积神经网络的图像处理方法、装置及可读存储介质，通过采用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；根据训练完毕的卷积神经网络模型对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。从而可利用中值池化算法对卷积神经网络模型进行处理，有效解决了现有技术中由于采用最大值池化算法和均值池化算法而使得图像识别的准确率受到影响的问题。

技术领域

本发明涉及计算机技术，尤其涉及一种基于卷积神经网络的图像处理方法、装置及可读存储介质。

背景技术

图像识别是计算机视觉技术领域的核心分支。卷积神经网络是一种用于图像识别的前馈神经网络模型，其本质上利用了有监督的深度学习算法，通过卷积核运算直接对二维图像进行特征提取并训练分类，以根据训练完毕的卷积神经网络对待识别图像进行识别。

在现有基于卷积神经网络的图像处理方法中，为了更好的提取二维图像中的特征，其卷积神经网络采用了包括有卷积层、池化层、全连接层以及分类器层的输出层的网络架构。其中的池化层用于对上一层的特征通过人为设定的池化窗口大小以及步长进行池化计算，以减小特征的维度，使特征聚合，其常用的池化算法包括最大值池化算法和均值池化算法。

但是，基于最大值池化算法的卷积神经网络在提取特征时，容易忽略图像的背景的信息特征，使得图像识别的准确率受到影响；而基于均值池化算法的卷积神经网络在提取特征时，容易受到信息特征中的包括噪点在内的异常值的干扰，使得图像识别的准确受到影响。因此，亟需一种新的基于卷积神经网络的图像处理方法以克服前述问题。

发明内容

针对上述提及的现有的基于最大值池化算法和均值池化算法的卷积神经网络在提取特征时，容易忽略图像的背景的信息特征以及受到信息特征中的异常值的干扰，从而使得图像识别的准确率受到影响的问题。本发明提供了一种基于卷积神经网络的图像处理方法、装置及可读存储介质。

一方面，本发明提供了一种基于卷积神经网络的图像处理方法，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。

在其中一种可选的实施方式中，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。

在其中一种可选的实施方式中，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。

在其中一种可选的实施方式中，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。

另一方面，本发明还提供了一种基于卷积神经网络的图像处理方法，包括：

采集待识别的图像；