[发明专利]基于改进的卷积神经网络模型的图像处理方法及相关设备

权利要求书

1.一种基于改进的卷积神经网络模型的图像处理方法，其特征在于，包括：

获取样本图像集，所述样本图像集中包括多个样本图像；

利用预设的卷积神经网络模型对所述样本图像集中的各样本图像进行训练，以得到所述各样本图像中每个特征点的偏移量信息；

根据所述每个特征点的偏移量信息对应的应变场和有限差分方法计算所述每个特征点的偏移量信息对应的变形能，所述变形能用于指示对所述预设的卷积神经网络模型的变形卷积的控制；

将所述变形能加入损失函数，并根据所述加入变形能的损失函数更新所述预设的卷积神经网络模型的参数，得到加入变形能的图像处理模型；

将待处理图像输入所述加入变形能的图像处理模型进行处理，识别得到所述待处理图像中的对象。

2.根据权利要求1所述的方法，其特征在于，所述根据所述每个特征点的偏移量信息对应的应变场和有限差分方法计算所述每个特征点的偏移量信息对应的变形能，包括：

根据所述每个特征点的偏移量信息确定与所述每个特征点的偏移量信息对应的应变场，所述应变场用于指示所述每个特征点的偏移量的分布情况；

利用有限差分方法和所述应变场计算所述每个特征点的偏移量信息对应的变形能。

3.根据权利要求2所述的方法，其特征在于，所述根据所述每个特征点的偏移量信息确定与所述每个特征点的偏移量信息对应的应变场，包括：

获取所述每个特征点的当前位置信息；

计算所述每个特征点的当前位置信息与预设的参考位置信息之间的相对位置信息；

根据所述计算得到的每个特征点的相对位置信息，确定与所述每个特征点的偏移量信息对应的应变场。

4.根据权利要求3所述的方法，其特征在于，所述利用有限差分方法和所述应变场计算所述每个特征点的偏移量信息对应的变形能，包括：

根据所述应变场计算所述每个特征点对应的弹性能；

利用有限差分方法和所述每个特征点对应的弹性能，计算所述每个特征点的偏移量信息对应的变形能。

5.根据权利要求1所述的方法，其特征在于，所述根据所述加入变形能的损失函数更新所述预设的卷积神经网络模型的参数，得到加入变形能的图像处理模型，包括：

将所述各样本图像输入所述更新参数后的变形卷积神经网络模型进行处理，以输出所述各样本图像对应的初始特征图；

根据所述初始特征图的准确率，确定所述更新参数后的变形卷积神经网络模型为所述加入变形能的图像处理模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述初始特征图的准确率，确定所述更新参数后的变形卷积神经网络模型为所述加入变形能的图像处理模型，包括：

获取所述初始特征图对应的损失函数值；

根据所述损失函数值确定所述初始特征图的准确率，并根据所述准确率确定所述加入变形能的图像处理模型。

7.根据权利要求1所述的方法，其特征在于，所述将待处理图像输入所述加入变形能的图像处理模型进行处理，识别得到所述待处理图像中的对象，包括：

将待处理图像输入所述加入变形能的图像处理模型进行处理，得到所述待处理图像中每个特征点的偏移量信息；

根据所述待处理图像中每个特征点的偏移量信息确定所述待处理图像对应的变形能，并根据所述待处理图像对应的变形能确定目标特征图，以根据所述目标特征图确定出所述待处理图像中的对象。