一种图像的处理方法、装置及设备制造方法及图纸

本发明专利技术的实施例提供一种图像的处理方法、装置及设备，所述方法包括：获取对目标对象进行拍摄得到的影像图像；对所述影像图像进行预处理，得到目标图像；将所述目标图像输入训练好的注意力模型，得到所述目标图像的分类结果；所述注意力模型用于基于层次局部注意力机制对输入的图像进行分类；根据所述分类结果，得到所述影像图像对应的重要性分布图。本发明专利技术的实施例基于多层局部注意力模型，实现了图像处理的低资源消耗和快速运行速度。处理的低资源消耗和快速运行速度。处理的低资源消耗和快速运行速度。

【技术实现步骤摘要】
一种图像的处理方法、装置及设备


[0001]本专利技术涉及图像处理
，特别是指一种图像的处理方法、装置及设备。

技术介绍

[0002]近年来，随着深度学习方法的发展，越来越多的研究人员转向使用深度学习模型来从图像角度对于特征进行自动的提取和拟合，一些基于卷积神经网络（CNN）模型也被证明具有良好的预测性。然而，由于CNN作为基干的网络所需要的计算资源量大，耗时长，并且不能很好的体现图像内容的相互作用关系。

技术实现思路

[0003]本专利技术提供了一种图像的处理方法、装置及设备。本专利技术的方案基于多层局部注意力模型，实现了图像处理的低资源消耗和快速运行速度。
[0004]为解决上述技术问题，本专利技术的实施例提供以下方案：一种图像的处理方法，所述方法包括：获取对目标对象进行拍摄得到的影像图像；对所述影像图像进行预处理，得到目标图像；将所述目标图像输入训练好的注意力模型，得到所述目标图像的分类结果；所述注意力模型用于基于层次局部注意力机制对输入的图像进行分类；根据所述分类结果，得到所述影像图像对应的重要性分布图。
[0005]可选的，对所述影像图像进行预处理，得到目标图像，包括：对所述影像图像进行格式转换处理，得到目标格式的第一影像图像；将所述第一影像图像进行非均匀场校正处理，得到第二影像图像，并将所述第二影像图像配准至目标标准空间，并进行图像分割处理；对所述目标标准空间内的第二影像图像进行数值归一化处理，得到目标图像。
[0006]可选的，所述注意力模型对输入的目标图像的处理过程包括：对目标图像进行区块划分处理，得到第一区块；对第一区块进行线性维度的嵌入处理，得到一维向量区块；将所述一维向量区块进行整合，得到至少两个区块组；对所述至少两个区块组进行两级的区块聚合处理，得到目标区块；根据所述目标区块，得到分类结果。
[0007]可选的，对所述至少两个区块组进行两级的区块聚合处理，得到目标区块，包括：对每个区块组进行一级注意力计算，得到第一区块组；对所述第一区块组进行一级区块聚合处理，得到至少两个第二区块；将至少两个第二区块进行整合，得到第二区块组；对所述第二区块组进行二级注意力计算，得到第三区块组；对所述第三区块组进行二级区块聚合处理，得到目标区块。
[0008]可选的，对每个区块组进行一级注意力计算，得到第一区块组，包括：通过公式，得到每个区块组中的任意两个区块的注意力值；其中，为任意两个区块之间的注意力值，Q为查询向量，K为键值向量，V为值向量，d
k
为区块的数量；根据每个区块组中的区块以及注意力值，得到第一区块组；所述第一区块组携带任意两个区块之间的注意力值。
[0009]可选的，根据所述目标区块，得到分类结果，包括：将目标区块输入多层感知器进行分类计算，得到至少两个分类结果。
[0010]可选的，根据所述分类结果，得到所述影像图像对应的重要性分布图，包括：将所述分类结果输入神经网络输出可视化模型，生成所述影像图像对应的重要性分布图。
[0011]本专利技术还提供一种图像的处理装置，所述装置包括：获取模块，用于获取对目标对象进行拍摄得到的影像图像；处理模块，用于对所述影像图像进行预处理，得到目标图像；将所述目标图像输入训练好的注意力模型，得到所述目标图像的分类结果；所述注意力模型用于基于层次局部注意力机制对输入的图像进行分类；根据所述分类结果，得到所述影像图像对应的重要性分布图。
[0012]本专利技术提供一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上述的方法对应的操作。
[0013]本专利技术还提供一种计算机可读存储介质，存储有指令，所述指令在计算机上运行时，使得计算机执行如上述的方法。
[0014]本专利技术的上述方案至少包括以下有益效果：本专利技术的上述方案，通过获取对目标对象进行拍摄得到的影像图像；对所述影像图像进行预处理，得到目标图像；将所述目标图像输入训练好的注意力模型，得到所述目标图像的分类结果；所述注意力模型用于基于层次局部注意力机制对输入的图像进行分类；根据所述分类结果，得到所述影像图像对应的重要性分布图。本专利技术的方案基于多层局部注意力模型，实现了图像处理的低资源消耗和快速运行速度。
附图说明
[0015]图1为本专利技术实施例的图像的处理方法的流程示意图；图2为本专利技术实施例中变换编码器中的处理流程示意图；图3为本专利技术提供的具体的实施例3中注意力模型对输入的目标图像的处理的流程示意图；图4为本专利技术实施例的图像的处理装置的结构示意图。
具体实施方式
[0016]下面将参照附图更详细地描述本专利技术的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。
[0017]如图1所示，本专利技术提供一种图像的处理方法，包括：步骤11，获取对目标对象进行拍摄得到的影像图像；步骤12，对所述影像图像进行预处理，得到目标图像；步骤13，将所述目标图像输入训练好的注意力模型，得到所述目标图像的分类结果；所述注意力模型用于基于层次局部注意力机制对输入的图像进行分类；步骤14，根据所述分类结果，得到所述影像图像对应的重要性分布图。
[0018]该实施例中，基于多层的层次局部注意力机制对注意力模型进行训练，得到训练好的注意力模型，将拍摄目标对象得到的影像图像进行预处理后得到目标图像，然后将目标图像输入训练好的注意力模型，得到目标图像的分类结果，进一步地，根据该分类结果，可得到目标对象的影像图像对应的重要性分布图实现了图像处理的低资源消耗和快速运行速度。
[0019]其中，层次局部注意力机制是指至少两层的注意力机制对注意力模型进行训练；需要说明的是，对影像图像进行预处理之后，得到的目标图像相对于原始的影像图像提高了空间分辨率，更便于对影响图像进行分类；输入训练好的注意力模型的目标图像优选为以下至少一种：原始图像；灰质图像；白质图像；多通道图像。
[0020]本专利技术一可选的实施例中，所述注意力模型通过以下过程进行训练：获取数据集；将所述数据集输入注意力模型，结合通过公开数据集和/或私有数据集的目标图像对注意力模型进行训练；将交叉熵算法作为所述注意力模型中的损失函数；通过十折交叉验证所述注意力模型的准确率、精确率以及召回率，并调整注意力模型的参数，使得所述注意力模型的准确率、精确率以及召回率达到预设值；所述预设值优选为预设的注意力模型最优的准确率、精确率以及召回率的值。
[0021]本专利技术一可选的实施例中，步骤12包括：步骤121，对所述影像图像进行格式转换处理，得到目标格式的第一影像图像；步骤122，将所述第一影像图像进行非均匀场校正处理，得到第二影像图像，并将所述第二影像图像配准至目标标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像的处理方法，其特征在于，所述方法包括：获取对目标对象进行拍摄得到的影像图像；对所述影像图像进行预处理，得到目标图像；将所述目标图像输入训练好的注意力模型，得到所述目标图像的分类结果；所述注意力模型用于基于层次局部注意力机制对输入的图像进行分类；根据所述分类结果，得到所述影像图像对应的重要性分布图。2.根据权利要求1所述的图像的处理方法，其特征在于，对所述影像图像进行预处理，得到目标图像，包括：对所述影像图像进行格式转换处理，得到目标格式的第一影像图像；将所述第一影像图像进行非均匀场校正处理，得到第二影像图像，并将所述第二影像图像配准至目标标准空间，并进行图像分割处理；对所述目标标准空间内的第二影像图像进行数值归一化处理，得到目标图像。3.根据权利要求1所述的图像的处理方法，其特征在于，所述注意力模型对输入的目标图像的处理过程包括：对目标图像进行区块划分处理，得到第一区块；对第一区块进行线性维度的嵌入处理，得到一维向量区块；将所述一维向量区块进行整合，得到至少两个区块组；对所述至少两个区块组进行两级的区块聚合处理，得到目标区块；根据所述目标区块，得到分类结果。4.根据权利要求3所述的图像的处理方法，其特征在于，对所述至少两个区块组进行两级的区块聚合处理，得到目标区块，包括：对每个区块组进行一级注意力计算，得到第一区块组；对所述第一区块组进行一级区块聚合处理，得到至少两个第二区块；将至少两个第二区块进行整合，得到第二区块组；对所述第二区块组进行二级注意力计算，得到第三区块组；对所述第三区块组进行二级区块聚合处理，得到目标区块。5.根据权利要求4所述的图像的处理方法，其特征在于，对每个区块...

【专利技术属性】
技术研发人员：康孝鹏，李玮华，
申请(专利权)人：澄影科技北京有限公司，
类型：发明
国别省市：