CN107180410A - 一种图像的风格化重建方法及装置 - Google Patents
一种图像的风格化重建方法及装置 Download PDFInfo
- Publication number
- CN107180410A CN107180410A CN201710233200.5A CN201710233200A CN107180410A CN 107180410 A CN107180410 A CN 107180410A CN 201710233200 A CN201710233200 A CN 201710233200A CN 107180410 A CN107180410 A CN 107180410A
- Authority
- CN
- China
- Prior art keywords
- style
- image
- graphs
- features
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 239000000284 extract Substances 0.000 claims abstract description 16
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010428 oil painting Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像的风格化重建方法及装置。所述方法包括S1,基于多对相同场景的源风格图像,提取每一个源风格图像的不同种类的风格特征数据形成第一风格特征图,以获得第一风格特征图集合;基于一个待处理图像,利用卷积神经网络VGG‑19获取第一内容特征图集合;S2,基于所述第一风格特征图集合、所述第一内容特征图集合及随机给定的噪声图,利用卷积神经网络VGG‑19获得所述待处理图像的风格化图像。本发明所生成的风格化图像不同于传统的真实感图像,而更在于一种艺术模拟,可以运用在旅游景区中,游客可以将所在遗址的照片与艺术文化相结合,生成各种艺术风格的图像,增加旅游中的乐趣,更多地吸引游客。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种图像的风格化重建方法及装置。
背景技术
目前,随着真实图像的模拟技术的日益成熟,非真实感渲染图像的模拟也开始受到各方学者的关注。
图像的风格化处理属于非真实感图像渲染(Non-Photorealistic Rendering,NPR)范畴,是指通过计算机技术将一张普通的图像处理成具有不同风格的图像,近十几年更是引起了广泛关注和应用,例如油画、水彩画、卡通、素描等。
一直以来,有许多学者试图将图像样式从一个图像转移到另一个图像,但是存在纹理传输问题。而对于这种纹理合成,需要使用强大的非参的算法,虽然这些算法获得了显着的结果,但是仍然存在一个基本的限制:仅使用目标图像的低级图像特征来影响纹理传输,得到的目标图像看上去像是两个图像的内容结合,而不是风格的迁移。另外,现有的图像风格化重建方法只能将某种特定风格的图像重建为另一种特定风格的图像,图像重建的通用性较差。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的图像的风格化重建方法及装置。
根据本发明的一个方面,提供一种图像的风格化重建方法,包括:
S1,基于多对相同场景的源风格图像,提取每一个源风格图像的不同种类的风格特征数据形成第一风格特征图,以获得第一风格特征图集合;
基于一个待处理图像,利用卷积神经网络VGG-19获得第一内容特征图集合;
S2,基于所述第一风格特征图集合、所述第一内容特征图集合及随机给定的噪声图,利用卷积神经网络VGG-19获得所述待处理图像的风格化图像。
根据本发明的另一个方面,还提供一种图像的风格化重建装置,包括特征模块和输出模块;
所述特征模块,用于基于多对相同场景的源风格图像,提取每一个源风格图像的不同种类的风格特征数据形成第一风格特征图,以获得第一风格特征图集合;基于一个待处理图像,利用卷积神经网络VGG-19获得第一内容特征图集合;
所述输出模块,基于所述第一风格特征图集合、所述第一内容特征图集合及随机给定的噪声图,利用卷积神经网络VGG-19获得所述待处理图像的风格化图像
本发明提出一种图像的风格化重建方法及装置,通过采集源风格图像的特征数据和待处理图像的内容数据,并通过随机给定的噪声图进行迭代处理,获得风格和内容相融合的风格化图像。本发明所生成的风格化图像不同于传统的真实感图像,而更在于一种艺术模拟,可以运用在旅游景区中,游客可以将所在遗址的照片与艺术文化相结合,生成各种艺术风格的图像,增加旅游中的乐趣,更多地吸引游客。
附图说明
图1为本发明实施例一种图像的风格化重建方法流程图;
图2为本发明实施例提取风格特征和内容特征并输出风格图像的流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,一种图像的风格化重建方法,包括:
S1,基于多对相同场景的源风格图像,提取每一个源风格图像的不同种类的风格特征数据形成第一风格特征图,以获得第一风格特征图集合;
基于一个待处理图像,利用卷积神经网络VGG-19获取第一内容特征图集合;
S2,基于所述第一风格特征图集合、所述第一内容特征图集合及随机给定的噪声图,利用卷积神经网络VGG-19获得所述待处理图像的风格化图像。
本实施例提出一种图像的风格化重建方法及装置,通过采集源风格图像的特征数据和待处理图像的内容数据,并通过随机给定的噪声图进行迭代处理,获得风格和内容相融合的风格化图像。本发明所生成的风格化图像不同于传统的真实感图像,而更在于一种艺术模拟,可以运用在旅游景区中,游客可以将所在遗址的照片与艺术文化相结合,生成各种艺术风格的图像,增加旅游中的乐趣,更多地吸引游客。
卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池层(pooling layer)。VGG-19是一种深度卷积神经网络模型,19表示其深度,将训好的模型都在caffe里面可以直接用。
而随着深层卷积神经网络的发展,它已经产生了强大的计算机视觉系统,能够从自然图像提取出高级的语义信息。这表明可以利用卷积神经网络来克服前人工作上的不足,利用高级图像特征来影响纹理传输。
具体的,S1中所述不同种类的风格特征数据包括:颜色变化特征、线条轮廓特征和纹理特征中的至少一种。
提取有效的风格特征来描述图像的艺术风格,是艺术风格研究的一个重要组成部分。对于源风格图像进行风格特征提取,得到能够代表该类图像的风格特征,不同的特征具有不同的区分能力。
本实施例中不同的源风格图像的可以提取不同的风格特征数据,根据源风格图像的不同和具体应用的需要,可按需提取。本实施例仅以卡通图像为例来说明,当卡通图像作为源风格图像时,可以提取颜色变化特征和线条轮廓特征。由于卡通图像通常有比较急剧的明暗对比度,即颜色变化比较剧烈,那么可以提取卡通数据集的颜色特征作为卡通图的一个风格特征;另一方面,卡通图像一般具有比较明显的边缘黑线,即有较强的明显的轮廓感,那么可以提取卡通数据集的轮廓线作为卡通图的另一个风格特征。
在一个实施例中,S1中所述获得第一风格特征图集合具体包括:
基于一个源风格图像,进行二值化处理后得到二值化风格图像;从所述二值化风格图像上提取不同种类的风格特征数据,利用所述风格特征数据生成第一风格特征图;
基于多对相同场景的源风格图像,生成多个第一风格特征图,获得第一风格特征图集合A。
本实施例对源风格图像的风格特征数据不是通过卷积神经网络来提取,而是通过本实施例方法提取后生成风格特征图集合来供卷积神经网络进一步使用。
本实施例中对一个源风格图像提取不同种类的风格特征数据,包括颜色变化特征、线条轮廓特征和纹理特征中至少一种;通过一个源风格图像提取风格特征后生成一个风格特征图。针对多对相同场景的源风格图像,按照本实施例处理一个源风格图像的方法分别进行处理,获得多个风格特征图,对这些风格特征图进行组合后得到风格特征图集合,即第一风格特征图集合A。
在一个实施例中,S1中所述获得第一内容特征图集合具体包括:
将所述待处理图像输入卷积神经网络VGG-19,获取多个卷积层的第一特征图;
基于所述多个卷积层的第一特征图,进行组合后得到第一内容特征图集合。
卷积神经网络是今年来兴起的一种人工神经网络与深度学习理论相结合的模式识别方法。起初,卷积神经网络用于手写数字的识别,随后,国内外研究者提出多种卷积神经网络形式,目前已经成为图像处理领域中的研究热点之一。
本实施例中待处理图像的内容特征数据通过卷积神经网络VGG-19获取。待处理图像经过卷积神经网络VGG-19后,在每一个卷积层都得到一个特征图,则多个卷积层可以得到多个特征图,这些特征图组合后得到第一内容特征图集合P。
如图2所示,在一个实施例中,所述S2进一步包括:
S2.1,将所述随机给定的噪声图输入卷积神经网络VGG-19,获得多个卷积层的第二特征图;基于所述多个卷积层的第二特征图,提取风格特征数据和内容特征数据,获取第二风格特征图集合和第二内容特征图集合;
S2.2,基于所述第一风格特征图集合、所述第一内容特征图集合、第二风格特征图集合和第二内容特征图集合,利用下式获取风格内容总损失函数:
Total loss=loss(A-G)+loss(P-F),
其中,A为第一风格特征图集合,G为第二风格特征图集合,P为第一内容特征图集合,F为第二内容特征图集合;
S2.3,基于所述风格内容总损失函数,生成所述待处理图像的风格图像,并利用所述随机给定的噪声图进行输出。
本实施例中,优化目标为风格内容总损失函数,所述风格内容总损失函数由风格损失、内容损失构成。图像风格化的核心是优化一张噪声图像,最后使得随机噪声图像X既保持普通图像的内容,又有一定的风格图像的风格。
所述风格是指所述源风格图像的风格特征,所述内容是指所述待处理图像的内容特征,通过二者的叠加融合形成一个具有风格的图像;所述随机给定的噪声图作为待优化图片,用来迭代优化,同时又是最后输出的图像。
在一个实施例中,基于风格内容总损失函数,设置配置参数α和β,通过下式调节输出图像中内容和风格的比例:
Total loss=αloss(A-G)+βloss(P-F),
其中,A为第一风格特征图集合,G为第二风格特征图集合,P为第一内容特征图集合,F为第二内容特征图集合。
本实施例中,通过配置参数α和β调节风格内容总损失函数,以调节输出图像中内容和风格的比例,即输出图像是偏内容多一些还是偏风格多一些。
在一个实施例中,所述线条轮廓特征通过以下方法获取:
对所述源风格图像进行灰度处理,获得灰度图;
基于所述灰度图,利用高斯滤波器进行平滑处理,获得平滑图像;
利用一阶偏导有限差分计算所述平滑图像的边缘的梯度幅值和方向,对所述梯度幅值进行非极大值抑制;基于所述梯度幅值和方向,利用双阈值算法检测边缘,并连接边缘,获得线条轮廓特征。
常用的边缘检测算子包括Robert、Prewitt、Sobel、Laplacian、Canny和LoG等方法。本实施例以卡通图像为例,一般具有比较明显的边缘黑线,即有较强的明显的轮廓感,可以采用Canny边缘检测作为源风格图像的轮廓提取方法,通过灰度处理,平滑处理边缘检测,通过这样的处理可以提取源风格图像的线条轮廓。
在边缘检测中,选择两个阈值,根据高阈值得到一个边缘图像,这样一个图像含有很少的假边缘,但是由于阈值较高,产生的图像边缘可能不闭合,为解决这样一个问题又采用了一个低阈值。
在一个实施例中,利用下式进行所述灰度处理:
Gray=(R+G+B)/3,
其中,R、G和B分别为红色通道、绿色通道和蓝色通道的值,Gray为处理后的灰度值。
本发明实施例卷积神经网络VGG-19处理是灰度图像,当源风格图像为彩色图像时,需要对彩色图像进行灰度处理。对一幅彩色图进行灰度化,就是根据图像各个通道的采样值进行加权平均。本实施例以RGB格式的彩图为例给出了一张灰度化的方法。
在一个实施例中,利用两个一维高斯核分别两次加权实现所述高斯滤波器,或者利用一个二维高斯核一次卷积实现所述高斯滤波器;
所述一维高斯核为确定参数的一维高斯核函数,所述一维高斯核函数通过下式表示:
所述二维高斯核为确定参数的二维高斯核函数,所述二维高斯核函数通过下式表示:
在一个实施例中,根据图像灰度值获取图像边缘梯度可使用一阶有限差分来进行近似,这样就可以得图像在x和y方向上偏导数的两个矩阵。
Canny算法中所采用的卷积算子表达如下:
本发明还提供一种图像的风格化重建装置,包括特征模块和输出模块;
所述特征模块,用于基于多对相同场景的源风格图像,提取每一个源风格图像的不同种类的风格特征数据形成第一风格特征图,以获得第一风格特征图集合;基于一个待处理图像,利用卷积神经网络VGG-19获得第一内容特征图集合;
所述输出模块,用于基于所述第一风格特征图集合、所述第一内容特征图集合及随机给定的噪声图,利用卷积神经网络VGG-19获得所述待处理图像的风格化图像。
本发明提出了一种图像的风格化重建方法,关于风格特征,可以根据需要形成多种不同的风格形式,比如素描、水墨画、油画等,具体实现该技术方案的方法和途径有很多;通过采集源风格图像的特征数据和待处理图像的内容数据,并通过随机给定的噪声图进行迭代处理,获得风格和内容相融合的风格化图像。
本发明采用风格特征提取和卷积神经网络相结合的方法,使得最终生成的图像可以有选择性的更偏向风格还是内容,具有很高的灵活性。本发明所生成的风格化图像不同于传统的真实感图像,而更在于一种艺术模拟,可以运用在旅游景区中,游客可以将所在遗址的照片与艺术文化相结合,生成各种艺术风格的图像,增加旅游中的乐趣,更多地吸引游客。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像的风格化重建方法,其特征在于,包括:
S1,基于多对相同场景的源风格图像,提取每一个源风格图像的不同种类的风格特征数据,形成第一风格特征图,以获得第一风格特征图集合;
基于一个待处理图像,利用卷积神经网络VGG-19获得第一内容特征图集合;
S2,基于所述第一风格特征图集合、所述第一内容特征图集合及随机给定的噪声图,利用卷积神经网络VGG-19获得所述待处理图像的风格化图像。
2.如权利要求1所述的方法,其特征在于,S1中所述不同种类的风格特征数据包括:颜色变化特征、线条轮廓特征和纹理特征中的至少一种。
3.如权利要求1所述的方法,其特征在于,S1中获得所述第一风格特征图集合具体包括:
基于一个源风格图像,得到二值化风格图像;从所述二值化风格图像上提取不同种类的风格特征数据,利用所述风格特征数据生成第一风格特征图;
基于多对相同场景的源风格图像,生成多个第一风格特征图,获得第一风格特征图集合。
4.如权利要求1所述的方法,其特征在于,S1中所述获得第一内容特征图集合具体包括:
将所述待处理图像输入卷积神经网络VGG-19,获取多个卷积层的第一特征图;
基于所述多个卷积层的第一特征图,进行组合后得到第一内容特征图集合。
5.如权利要求1所述的方法,其特征在于,所述S2进一步包括:
S2.1,将所述随机给定的噪声图输入卷积神经网络VGG-19,获得多个卷积层的第二特征图;基于所述多个卷积层的第二特征图,提取风格特征数据和内容特征数据,获取第二风格特征图集合和第二内容特征图集合;
S2.2,基于所述第一风格特征图集合、所述第一内容特征图集合、第二风格特征图集合和第二内容特征图集合,利用下式获取风格内容总损失函数:
Total loss=loss(A-G)+loss(P-F),
其中,A为第一风格特征图集合,G为第二风格特征图集合,P为第一内容特征图集合,F为第二内容特征图集合;
S2.3,基于所述风格内容总损失函数,生成所述待处理图像的风格图像,并利用所述随机给定的噪声图进行输出。
6.如权利要求5所述的方法,其特征在于,基于风格内容总损失函数,设置配置参数α和β,通过下式调节输出图像中内容和风格的比例:
Total loss=αloss(A-G)+βloss(P-F),
其中,A为第一风格特征图集合,G为第二风格特征图集合,P为第一内容特征图集合,F为第二内容特征图集合。
7.如权利要求2所述的方法,其特征在于,所述线条轮廓特征通过以下方法获取:
对所述源风格图像进行灰度处理,获得灰度图;
基于所述灰度图,利用高斯滤波器进行平滑处理,获得平滑图像;
利用一阶偏导有限差分计算所述平滑图像的边缘的梯度幅值和方向,对所述梯度幅值进行非极大值抑制;基于所述梯度幅值和方向,利用双阈值算法检测边缘,并连接边缘,获得线条轮廓特征。
8.如权利要求7所述的方法,其特征在于,利用下式进行所述灰度处理:
Gray=(R+G+B)/3,
其中,R、G和B分别为红色通道、绿色通道和蓝色通道的值,Gray为处理后的灰度值。
9.如权利要求7所述的方法,其特征在于,利用两个一维高斯核分别两次加权实现所述高斯滤波器,或者利用一个二维高斯核一次卷积实现所述高斯滤波器;
所述一维高斯核为确定参数的一维高斯核函数,所述一维高斯核函数通过下式表示:
<mrow>
<mi>K</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>&sigma;</mi>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>*</mo>
<mi>x</mi>
</mrow>
<mrow>
<mn>2</mn>
<mi>&sigma;</mi>
<mo>*</mo>
<mi>&sigma;</mi>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>;</mo>
</mrow>
所述二维高斯核为确定参数的二维高斯核函数,所述二维高斯核函数通过下式表示:
<mrow>
<mi>K</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mi>&sigma;</mi>
<mo>*</mo>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>*</mo>
<mi>x</mi>
<mo>+</mo>
<mi>y</mi>
<mo>*</mo>
<mi>y</mi>
</mrow>
<mrow>
<mn>2</mn>
<mi>&sigma;</mi>
<mo>*</mo>
<mi>&sigma;</mi>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>.</mo>
</mrow>
10.一种图像的风格化重建装置,其特征在于,包括特征模块和输出模块;
所述特征模块,用于基于多对相同场景的源风格图像,提取每一个源风格图像的不同种类的风格特征数据形成第一风格特征图,以获得第一风格特征图集合;基于一个待处理图像,利用卷积神经网络VGG-19获得第一内容特征图集合;
所述输出模块,基于所述第一风格特征图集合、所述第一内容特征图集合及随机给定的噪声图,利用卷积神经网络VGG-19获得所述待处理图像的风格化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710233200.5A CN107180410A (zh) | 2017-04-11 | 2017-04-11 | 一种图像的风格化重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710233200.5A CN107180410A (zh) | 2017-04-11 | 2017-04-11 | 一种图像的风格化重建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107180410A true CN107180410A (zh) | 2017-09-19 |
Family
ID=59830880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710233200.5A Pending CN107180410A (zh) | 2017-04-11 | 2017-04-11 | 一种图像的风格化重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180410A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767408A (zh) * | 2017-11-09 | 2018-03-06 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
CN107767343A (zh) * | 2017-11-09 | 2018-03-06 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
CN107845072A (zh) * | 2017-10-13 | 2018-03-27 | 深圳市迅雷网络技术有限公司 | 图像生成方法、装置、存储介质及终端设备 |
CN108470320A (zh) * | 2018-02-24 | 2018-08-31 | 中山大学 | 一种基于cnn的图像风格化方法及系统 |
CN108596830A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种图像风格迁移模型训练方法以及图像风格迁移方法 |
CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
CN109255772A (zh) * | 2018-08-27 | 2019-01-22 | 平安科技(深圳)有限公司 | 基于风格迁移的车牌图像生成方法、装置、设备及介质 |
CN110288667A (zh) * | 2018-03-19 | 2019-09-27 | 北京大学 | 一种基于结构引导的图像纹理迁移方法 |
CN110660037A (zh) * | 2018-06-29 | 2020-01-07 | 京东方科技集团股份有限公司 | 图像间脸部交换的方法、装置、系统和计算机程序产品 |
WO2020107264A1 (zh) * | 2018-11-28 | 2020-06-04 | 深圳市大疆创新科技有限公司 | 神经网络架构搜索的方法与装置 |
CN111932449A (zh) * | 2020-09-17 | 2020-11-13 | 国网浙江省电力有限公司营销服务中心 | 自动巡检图像风格迁移显示方法 |
TWI723547B (zh) * | 2019-09-19 | 2021-04-01 | 宏碁股份有限公司 | 風格移轉的方法及其電腦程式產品 |
CN113256750A (zh) * | 2021-05-26 | 2021-08-13 | 武汉中科医疗科技工业技术研究院有限公司 | 医疗图像风格重建方法、装置、计算机设备和存储介质 |
CN113642262A (zh) * | 2021-10-15 | 2021-11-12 | 南通宝田包装科技有限公司 | 基于人工智能的牙膏包装外观辅助设计方法 |
CN113642566A (zh) * | 2021-10-15 | 2021-11-12 | 南通宝田包装科技有限公司 | 基于人工智能和大数据的药品包装设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160034788A1 (en) * | 2014-07-30 | 2016-02-04 | Adobe Systems Incorporated | Learning image categorization using related attributes |
CN105989584A (zh) * | 2015-01-29 | 2016-10-05 | 北京大学 | 图像风格化重建的方法和装置 |
CN106548208A (zh) * | 2016-10-28 | 2017-03-29 | 杭州慕锐科技有限公司 | 一种照片图像快速智能风格化方法 |
-
2017
- 2017-04-11 CN CN201710233200.5A patent/CN107180410A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160034788A1 (en) * | 2014-07-30 | 2016-02-04 | Adobe Systems Incorporated | Learning image categorization using related attributes |
CN105989584A (zh) * | 2015-01-29 | 2016-10-05 | 北京大学 | 图像风格化重建的方法和装置 |
CN106548208A (zh) * | 2016-10-28 | 2017-03-29 | 杭州慕锐科技有限公司 | 一种照片图像快速智能风格化方法 |
Non-Patent Citations (3)
Title |
---|
LEON A. GATYS ET AL.: "A Neural Algorithm of Artistic Style", 《HTTPS://ARXIV.ORG/PDF/1508.06576.PDF》 * |
LIWENXING: "使用卷积神经网络的图像样式转换", 《HTTPS://WENKU.BAIDU.COM/VIEW/1675760F0166F5335A8102D276A20029BD64639C.HTML》 * |
杨帆等: "《数字图像处理与分析》", 31 October 2007 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107845072A (zh) * | 2017-10-13 | 2018-03-27 | 深圳市迅雷网络技术有限公司 | 图像生成方法、装置、存储介质及终端设备 |
CN107767343A (zh) * | 2017-11-09 | 2018-03-06 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
CN107767408A (zh) * | 2017-11-09 | 2018-03-06 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
CN107767343B (zh) * | 2017-11-09 | 2021-08-31 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
US10430683B2 (en) | 2017-11-09 | 2019-10-01 | Boe Technology Group Co., Ltd. | Image processing method and processing device |
US11138466B2 (en) | 2017-11-09 | 2021-10-05 | Boe Technology Group Co., Ltd. | Image processing method, processing apparatus and processing device |
CN108470320A (zh) * | 2018-02-24 | 2018-08-31 | 中山大学 | 一种基于cnn的图像风格化方法及系统 |
CN108470320B (zh) * | 2018-02-24 | 2022-05-20 | 中山大学 | 一种基于cnn的图像风格化方法及系统 |
CN110288667A (zh) * | 2018-03-19 | 2019-09-27 | 北京大学 | 一种基于结构引导的图像纹理迁移方法 |
CN108596830B (zh) * | 2018-04-28 | 2022-04-22 | 国信优易数据股份有限公司 | 一种图像风格迁移模型训练方法以及图像风格迁移方法 |
CN108596830A (zh) * | 2018-04-28 | 2018-09-28 | 国信优易数据有限公司 | 一种图像风格迁移模型训练方法以及图像风格迁移方法 |
CN110660037B (zh) * | 2018-06-29 | 2023-02-10 | 京东方科技集团股份有限公司 | 图像间脸部交换的方法、装置、系统和计算机程序产品 |
CN110660037A (zh) * | 2018-06-29 | 2020-01-07 | 京东方科技集团股份有限公司 | 图像间脸部交换的方法、装置、系统和计算机程序产品 |
CN109064428A (zh) * | 2018-08-01 | 2018-12-21 | Oppo广东移动通信有限公司 | 一种图像去噪处理方法、终端设备及计算机可读存储介质 |
CN109255772A (zh) * | 2018-08-27 | 2019-01-22 | 平安科技(深圳)有限公司 | 基于风格迁移的车牌图像生成方法、装置、设备及介质 |
CN109255772B (zh) * | 2018-08-27 | 2024-05-03 | 平安科技(深圳)有限公司 | 基于风格迁移的车牌图像生成方法、装置、设备及介质 |
WO2020107264A1 (zh) * | 2018-11-28 | 2020-06-04 | 深圳市大疆创新科技有限公司 | 神经网络架构搜索的方法与装置 |
TWI723547B (zh) * | 2019-09-19 | 2021-04-01 | 宏碁股份有限公司 | 風格移轉的方法及其電腦程式產品 |
CN111932449B (zh) * | 2020-09-17 | 2020-12-18 | 国网浙江省电力有限公司营销服务中心 | 自动巡检图像风格迁移显示方法 |
CN111932449A (zh) * | 2020-09-17 | 2020-11-13 | 国网浙江省电力有限公司营销服务中心 | 自动巡检图像风格迁移显示方法 |
CN113256750A (zh) * | 2021-05-26 | 2021-08-13 | 武汉中科医疗科技工业技术研究院有限公司 | 医疗图像风格重建方法、装置、计算机设备和存储介质 |
CN113642262A (zh) * | 2021-10-15 | 2021-11-12 | 南通宝田包装科技有限公司 | 基于人工智能的牙膏包装外观辅助设计方法 |
CN113642566A (zh) * | 2021-10-15 | 2021-11-12 | 南通宝田包装科技有限公司 | 基于人工智能和大数据的药品包装设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180410A (zh) | 一种图像的风格化重建方法及装置 | |
Han et al. | Underwater image processing and object detection based on deep CNN method | |
Luan et al. | Deep photo style transfer | |
Meng et al. | Efficient image dehazing with boundary constraint and contextual regularization | |
Riegler et al. | A deep primal-dual network for guided depth super-resolution | |
CN105825484B (zh) | 一种基于深度学习的深度图像去噪及增强方法 | |
Wang et al. | Dehazing for images with large sky region | |
Remez et al. | Deep convolutional denoising of low-light images | |
Garces et al. | Intrinsic images by clustering | |
CN109558806A (zh) | 高分遥感图像变化的检测方法和系统 | |
CN108564549B (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
CN107066916B (zh) | 基于反卷积神经网络的场景语义分割方法 | |
CN103903223B (zh) | 一种基于图像显著性检测的获取缩略图的方法 | |
CN103810729B (zh) | 一种基于等高线的光栅图像矢量化方法 | |
Arbelot et al. | Local texture-based color transfer and colorization | |
CN106780642A (zh) | 迷雾遮罩贴图的生成方法及装置 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
CN106920211A (zh) | 美颜处理方法、装置以及终端设备 | |
Woźniak et al. | Graphic object feature extraction system based on cuckoo search algorithm | |
CN113627472A (zh) | 基于分层深度学习模型的智慧园林食叶害虫识别方法 | |
CN111681198A (zh) | 一种形态学属性滤波多模融合成像方法、系统及介质 | |
Mould et al. | Developing and applying a benchmark for evaluating image stylization | |
CN104134198A (zh) | 一种对图像进行局部处理的方法 | |
CN105488771A (zh) | 光场图像编辑方法及装置 | |
Bourached et al. | Recovery of underdrawings and ghost-paintings via style transfer by deep convolutional neural networks: A digital tool for art scholars |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20210101 |