[发明专利]一种深度学习网络处理装置、方法及图像处理单元

权利要求书

1.一种深度学习网络处理方法，其特征在于，所述方法包括：

将待处理图像数据压缩为数据包，并将压缩数据包上传到图像处理单元，图像处理单元利用基于数据包的预处理方式将待处理图像数据进行向量化；

利用基于优化算法的大津法进行图像数据向量的多阈值选取，得到图像数据向量直方图的初始阈值；

根据所选取的初始阈值，利用基于直方图的图像区域边界增强算法对图像向量直方图进行图像边界增强；

利用多通道感知网络对增强后的图像向量数据进行特征提取，得到图像特征；

利用多尺度残差网络对提取得到的图像特征进行图像重建处理，得到重建处理后的图像。

2.如权利要求1所述的一种深度学习网络处理方法，其特征在于，所述利用基于数据包的预处理方式将待处理图像数据进行向量化，包括：

1)截取压缩数据包中前部分的数据，包括压缩数据包的标头和部分有效荷载；

2)将具有相同五元组信息的数据包拆分为流，所述五元组信息为源IP、目的IP、源端口、目的端口和传输层协议，并提取每个流中的前10个数据包，不足部分使用0x00填充；

3)若所提取的数据包的长度小于160个字节，则使用0x00来填充空白部分；若数据包的长度超过160个字节，则仅提取数据包的前160个字节；据此每个压缩数据包都可以提取出1600个字节的图像流量数据，并根据网络流向量中对应的五元组信息标记该图像流量数据，最终输出图像数据向量。

3.如权利要求2所述的一种深度学习网络处理方法，其特征在于，所述利用基于优化算法的大津法进行图像数据向量的多阈值选取，包括：

1)计算图像数据向量直方图中不同波峰的最大类间方差：

其中：

L为图像数据向量直方图中的灰度级数目；

T₁，T₂为图像数据向量直方图中的峰值阈值；

σ²(T₁，T₂)表示两个峰值阈值的类间方差；

2)随机将图像数据向量直方图划分为m+1个区域，得到m个阈值，将m个阈值按照顺序进行排列，构成一个基因串；

3)初始化种群P，其中P_i＝{T_1i，...，T_mi}，T_mi表示m区域的染色体编码；由于灰度为0-255，使用8位二进制对每个阈值进行表示；

4)将类间方差作为适应度，比较每个阈值下种群的类间方差，其中类间方差越大，即表示适应度值越高，并将适应度最高的阈值作为初始阈值T₁，T₂。