[发明专利]图像处理方法和电子设备

说明书

本申请涉及一种图像处理方法，其特征在于，包括：获取待处理的图像；采用预先构建的神经网络模型，对所述待处理的图像进行识别；获取识别结果；其中，所述神经网络模型采用的激励函数满足：输入值在预定范围时，输出值与输入值成除法关系。通过在图像处理方法中使用改进后的激励函数，即输入值在预定范围时，输出值与输入值成除法关系，提高计算速度，且增宽了输入值的取值范围，使输入值可以为从负无穷大到正无穷大的任意数，也提高本方法整体的运算速率。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种图像处理方法和电子设备。

背景技术

神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。神经网络的研究内容相当广泛。

相关技术中，在神经网络中，隐层和输出层节点的输入和输出之间具有函数关系，这个函数一般称为激励函数，常见的激励函数有sigmod函数、Tanh函数、Relu函数等，但这些函数运算速度较慢，使整体效率低。

发明内容

为至少在一定程度上克服相关技术中存在的问题，本申请提供一种图像处理方法和电子设备。

根据本申请实施例的第一方面，提供一种图像处理方法，包括：获取待处理的图像；

采用预先构建的神经网络模型，对所述待处理的图像进行识别；

获取识别结果；

其中，所述神经网络模型采用的激励函数满足：输入值在预定范围时，输出值与输入值成除法关系。

可选的，所述激励函数的表达式为：

其中，x为所述输入值，f(x)为所述输出值。

可选的，所述对所述待处理的图像进行识别，包括：

对所述待处理的图像进行目标定位、缺陷检测、或者，场景分析。

可选的，所述方法还包括：

构建神经网络模型，所述构建神经网络模型包括：

随机初始化权重及设定阈值；

将多个学习模式同时提供给深度神经网络；

使用所述激励函数计算中间层各单元的输入值和输出值；

使用输出层核函数，将中间层的输出值作为输出层的输入值，计算上述输出层的输出值；

根据所述学习模式提供的目标值、所述输出层的输出值，计算第一权值误差和第一阈值误差，将所述第一权值误差与第一预设权值误差作比较，将所述第一阈值误差与第一预设阈值误差作比较，根据比较结果调整学习速率；

根据所述比较结果反向计算并输出各层权值误差和各层阈值误差；

当所述第一权值误差小于所述第一预设权值误差时，和/或，当所述第一阈值误差小于所述第一预设阈值误差时，则训练完毕，否则重复以上步骤。

可选的，所述根据所述比较结果反向计算并输出各层权值误差和各层阈值误差，包括：

根据BP算法计算并输出所述输出层的所述第一权值误差和所述第一阈值误差；

根据所述BP算法计算并输出所述中间层的第二权值误差和第二阈值误差。

可选的，所述将所述第一权值误差与第一预设权值误差作比较，所述第一阈值误差与第一预设阈值误差作比较，根据比较结果调整学习速率，包括：

若所述输出层的所述第一权值误差小于所述第一预设权值误差；且，

若所述输出层的所述第一阈值误差小于所述第一预设阈值误差，