[发明专利]估计数字图像中高斯低通滤波参数的方法在审
申请号: | 201911256752.3 | 申请日: | 2019-12-10 |
公开(公告)号: | CN112949669A | 公开(公告)日: | 2021-06-11 |
发明(设计)人: | 丁峰;杨建权;常杰;朱国普 | 申请(专利权)人: | 中国科学院深圳先进技术研究院 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04 |
代理公司: | 北京市诚辉律师事务所 11430 | 代理人: | 杨帅峰 |
地址: | 518055 广东省深圳*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 估计 数字图像 中高 斯低通 滤波 参数 方法 | ||
1.一种估计数字图像中高斯低通滤波参数的方法,其特征在于,包括以下步骤:
1)对图像信息进行灰度转换;
2)进行高斯低通滤波处理,得到训练集;
3)组建卷积神经网络;
4)优化网络高级参数;
5)训练卷积神经网络;
6)基于softmax的分类;
7)估算高斯低通滤波参数。
2.根据权利要求1所述的一种估计数字图像中高斯低通滤波参数的方法,其特征在于,
所述步骤1)对图像信息进行灰度转换,具体为:
如果需要对彩色图像进行高斯参数估计,将彩色图像转换为灰度图像;如果输入是灰度图像,则无需进行灰度转换而直接跳入下一步进行后续操作。
3.根据权利要求2所述的一种估计数字图像中高斯低通滤波参数的方法,其特征在于:
步骤2)进行高斯低通滤波处理,得到训练集,具体为:
对步骤1)处理的图像信息经过不同参数的高斯低通滤波器处理,并做好标注,作为训练集。
4.根据权利要求3所述的一种估计数字图像中高斯低通滤波参数的方法,其特征在于,
所述步骤3)组建卷积神经网络,所述卷积神经网络包括六层视觉模块,而每个视觉模块都会包含卷积层,激活层,池化层。
5.根据权利要求4所述的一种估计数字图像中高斯低通滤波参数的方法,其特征在于,
所述步骤4)优化网络高级参数,具体为:
高级参数包括池化方式、激活函数;
其中,所述池化方式为最大值池化;
所述激活函数是在第一和第二视觉模块中采用TanH函数,而在其它所有视觉模块里采用ReLU函数。
6.根据权利要求5所述的一种估计数字图像中高斯低通滤波参数的方法,其特征在于,
所述步骤5)训练卷积神经网络,具体为:
把步骤2)中的训练集输入卷积神经网络中,网络即开始训练,最终以网络的损失函数达到收敛为目的。
7.根据权利要求6所述的一种估计数字图像中高斯低通滤波参数的方法,其特征在于:
所述步骤6)基于softmax的分类,具体为:
在卷积神经网络提取出特征并把各类特征完全连接以后,选取softmax层作为分类层。
8.根据权利要求7所述的一种估计数字图像中高斯低通滤波参数的方法,其特征在于,
所述步骤7)估算高斯低通滤波参数,具体为:
将任意低通滤波图片输入到训练好的模型中可以被分类并标注,通过标注的结果即可估算出高斯低通滤波参数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院深圳先进技术研究院,未经中国科学院深圳先进技术研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911256752.3/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种便于调节的板材冲孔模具
- 下一篇:一种血液采集用的试管清洗装置