[发明专利]一种基于GPU的二维图像线积分计算方法、系统、电子设备及计算机存储介质

权利要求书

1.一种基于GPU的二维图像线积分计算方法，其特征在于，包括如下步骤：

将二维图像进行预处理；

依据角度将二维图像的线积分分为水平方向组以及竖直方向组；

构造神经网络框架的卷积核，卷积所述三维特征图与线积分结果之间的对应关系；

通过所述卷积核对所述二维图像进行特征提取得到三维特征图即水平方向组的线积分；

将所述二维图像进行转置后输入所述卷积核或将所述二维图像输入转置的卷积核，得到竖直方向组的线积分；

将水平和竖直方向组的重合部分进行处理融合得到二维图像线积分。

2.根据权利要求1所述的一种基于GPU的二维图像线积分计算方法，其特征在于，所述将二维图像进行预处理，包括：

将二维图像转化为灰度图像；

将所述灰度图像进行等比放缩，使其长边长度变为原长度的2的幂次方；

采用反射方式对所述灰度图像短边进行填充，使其短边长度扩充至所述灰度图像长边的长度。

3.根据权利要求1所述的一种基于GPU的二维图像线积分计算方法，其特征在于，所述构造神经网络框架的卷积核，卷积所述三维特征图与线积分结果之间的对应关系，包括：

将非零部分非对称的稀疏卷积核拆解为两个空洞卷积核，将两个空洞卷积核分别对输入数据进行卷积之后求和得到为原卷积核的输出结果。

4.根据权利要求1所述的一种基于GPU的二维图像线积分计算方法，其特征在于，所述构造神经网络框架的卷积核，卷积所述三维特征图与线积分结果之间的对应关系，还包括：

在卷积核每一层加入非线性激活函数，得到一个基于学习的线性特征检测网络架构，通过将Ground Truth量化到各层特征图对应的线性积分值作为监督信号，然后通过数据驱动方式学习线性特征提取。

5.根据权利要求1所述的一种基于GPU的二维图像线积分计算方法，其特征在于，所述对水平和竖直方向组的重合部分进行处理融合得到二维图像线积分，包括：

将各卷积层对应位置水平和竖直方向组的重合部分求平均，获得θ＝π/4的线积分值。

6.一种基于GPU的二维图像线积分计算系统，其特征在于，包括：

预处理单元，配置用于将二维图像进行预处理；

图像划分单元，配置用于依据角度将二维图像的线积分分为水平方向组(|θ|≤π/4)以及竖直方向组(|θ|≥π/4)；

卷积构造单元，配置用于构造神经网络框架的卷积核，卷积所述三维特征图与线积分结果之间的对应关系；

水平线积分计算单元，配置用于通过所述卷积核对所述二维图像进行特征提取得到三维特征图即水平方向组的线积分；

竖直线积分计算单元，配置用于将所述二维图像进行转置后输入所述卷积核或将所述二维图像输入转置的卷积核，得到竖直方向组的线积分；

融合处理单元，配置用于将水平和竖直方向组的重合部分进行处理融合得到二维图像线积分。

7.根据权利要求6所述的一种基于GPU的二维图像线积分计算方法，其特征在于，所述预处理单元具体用于：

将二维图像转化为灰度图像；

将所述灰度图像进行等比放缩，使其长边长度变为原长度的2的幂次方；

采用反射方式对所述灰度图像短边进行填充，使其短边长度扩充至所述灰度图像长边的长度。

8.根据权利要求6所述的一种基于GPU的二维图像线积分计算方法，其特征在于，所述卷积构造单元具体用于：

将非零部分非对称的稀疏卷积核拆解为两个空洞卷积核，将两个空洞卷积核分别对输入数据进行卷积之后求和得到为原卷积核的输出结果。

9.根据权利要求6所述的一种基于GPU的二维图像线积分计算方法，其特征在于，所述卷积构造单元还具体用于：

在卷积核每一层加入非线性激活函数，得到一个基于学习的线性特征检测网络架构，通过将Ground Truth量化到各层特征图对应的线性积分值作为监督信号，然后通过数据驱动方式学习线性特征提取。