[发明专利]估计数字图像中高斯低通滤波参数的方法在审

专利信息
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
【权利要求书】:

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。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top