[发明专利]一种图像处理方法和系统

权利要求书

1.一种图像处理方法，其特征在于，所述方法包括：

训练深度学习模型，所述训练深度学习模型包括：

获取初始深度学习模型；

获取样本图像；

将所述样本图像划分成若干子图像，所述若干子图像包括第一子图像和第二子图像，并且所述若干子图像中的任意两个相邻的子图像具有部分重叠的区域；以及

基于所述若干子图像，训练所述初始深度学习模型，以得到经过训练的深度学习模型；

获取输入图像；以及

基于所述经过训练的深度学习模型处理所述输入图像，以产生处理结果；

所述重叠区域的宽度的像素或体素个数设置为不少于参考值R，所述参考值R与至少一个卷积核的宽度值和卷积神经网络中具有卷积核的下采样层的层数N有关，所述参考值R由下式进行计算，

其中，P_i＝S_i+1(1+P_i+1)，i＝1，2，…，N-2，第N层为输出层，P_N-1＝S_N，S_j＝(W_j-1)/2，j＝1，2，…，N，W_j为第j层中尺寸最大的卷积核的宽度值。

2.如权利要求1所述的图像处理方法，其特征在于，所述若干子图像还包括第三子图像，所述第一子图像和所述第二子图像的重叠区域为所述样本图像的第一区域，所述第一子图像和所述第三子图像的重叠区域为所述样本图像的第二区域。

3.如权利要求2所述的图像处理方法，其特征在于，所述样本图像的所述第一区域与所述样本图像的所述第二区域具有相同的宽度。

4.如权利要求1所述的图像处理方法，其特征在于，所述训练所述初始深度学习模型包括通过图形处理器GPU训练所述初始深度学习模型。

5.如权利要求4所述的图像处理方法，其特征在于，将所述样本图像划分成若干子图像包括：

确定所述重叠区域的宽度；

基于所述样本图像的尺寸和所述图形处理器GPU的可用显存空间，确定所述若干子图像的个数和/或所述若干子图像中每个子图像的尺寸；以及

基于所述重叠区域的宽度，以及所述若干子图像中每个子图像的尺寸和/或所述若干子图像的个数，对所述样本图像进行划分，生成所述若干子图像。

6.如权利要求5所述的图像处理方法，其特征在于，所述初始深度学习模型包括至少一个卷积神经网络，所述至少一个卷积神经网络包括至少一个卷积核，并且所述确定所述重叠区域的宽度包括：

确定对应于所述样本图像的所述重叠区域的宽度的像素或体素个数不少于参考值R。

7.如权利要求6所述的图像处理方法，其特征在于，所述确定所述重叠区域的宽度之后，所述将所述样本图像划分成若干子图像进一步包括：

在所述样本图像各维度向外进行数据扩展，扩展的数据的宽度不小于所述参考值的一半，并且所述扩展的数据为系统或用户指定的数据，或基于所述样本图像本身的像素数据得来的数据。

8.如权利要求4所述的图像处理方法，其特征在于，所述通过所述图形处理器GPU训练所述初始深度学习模型包括：

向所述图形处理器GPU加载所述第一子图像；

基于所述第一子图像训练所述初始深度学习模型，以得到第一次更新的深度学习模型，所述基于所述第一子图像训练所述初始深度学习模型包括：

将所述第一子图像带入所述初始深度学习模型中的各层神经网络进行运算，提取所述第一子图像的特征，与预期结果进行比较，从而修正或优化所述初始深度学习模型中的参数，并获得所述第一次更新的深度学习模型；

向所述图形处理器GPU加载所述第二子图像；以及

基于所述第二子图像训练所述第一次更新的深度学习模型，得到第二次更新的深度学习模型，以此循环，直至所有子图像训练结束，得到所述经过训练的深度学习模型。

9.如权利要求1所述的图像处理方法，其特征在于，所述若干子图像的尺寸均相同。

10.一种图像处理系统，其特征在于，所述系统包括处理器及存储器，所述处理器包括图形处理器GPU，所述存储器用于存储识别程序，所述处理器运行识别程序，所述识别程序运行时执行如权利要求1-9任一所述的图像处理方法。