[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

说明书

本发明涉及一种图像处理的技术领域，揭露了一种深度学习网络处理方法，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；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。本发明还提供了一种深度学习网络处理装置及图像处理单元。本发明实现了图像数据的处理。

技术领域

本发明涉及图像数据处理的技术领域，尤其涉及一种深度学习网络处理装置、方法及图像处理单元。

背景技术

随着互联网的快速发展，用户在互联网中传输发送大量图像，但所传输的图像质量参差不齐，利用深度学习网络对图像进行处理成为当前研究领域的热门话题。

传统图像处理方法会使处理后的图像存在边界模糊问题；同时现有深度学习网络收敛较慢，对于大规模图像数据，很难快速完成基于深度学习网络的图像处理任务。

鉴于此，如何利用深度学习网络更为高效地完成图像处理任务，成为本领域技术人员亟待解决的问题。

发明内容

本发明提供一种深度学习网络处理方法，通过利用基于数据包的预处理方式对待处理图像数据进行向量化，并利用基于直方图的图像区域边界增强算法对向量化的图像数据进行边界增强，同时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，最终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。

为实现上述目的，本发明提供的一种深度学习网络处理方法，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。

可选地，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：

所述压缩数据包由以太网层、网络层、传输层和应用层组成，其中数据流量特征主要集中在应用层；

所述基于数据包的预处理方式为：

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。

可选地，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：

将图像数据向量转换为灰度直方图，得到图像数据向量直方图，其中图像数据向量直方图中的波峰即为图像边界划分位置；

所述基于优化算法的大津法流程为：