CN108171652A - 一种改进图像风格效果的方法、移动终端及存储介质 - Google Patents
一种改进图像风格效果的方法、移动终端及存储介质 Download PDFInfo
- Publication number
- CN108171652A CN108171652A CN201711454622.1A CN201711454622A CN108171652A CN 108171652 A CN108171652 A CN 108171652A CN 201711454622 A CN201711454622 A CN 201711454622A CN 108171652 A CN108171652 A CN 108171652A
- Authority
- CN
- China
- Prior art keywords
- image
- size
- training
- modified
- convolutional neural
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 83
- 230000006872 improvement Effects 0.000 claims abstract description 47
- 230000000644 propagated effect Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 129
- 238000012549 training Methods 0.000 claims description 117
- 230000006854 communication Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 13
- 210000004218 nerve net Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种改进图像风格效果的方法,应用于移动终端,包括:获取待改进图像,并测量所述待改进图像的尺寸;判断所述待改进图像的尺寸是否位于预设尺寸范围内;如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。另外,本发明还提供了一种终端设备及一种计算机可读存储介质,应用本发明实施例,可以提高从设计好的网络模型中得到图像的风格化效果,进一步提高用户的体验。
Description
技术领域
本发明涉及移动终端领域,尤其涉及一种改进图像风格效果的方法、移动终端及存储介质。
背景技术
当前的基于深度学习和神经网络的图像风格化(neural style transfer)方法可以分为循环迭代求解方法和训练一个前向传播网络来进行图像风格化转化的方法,迭代求解的方法需要对代价函数进行迭代求解,时间效率和计算效率较低。使用前向传播网络的图像风格化方法把大量的计算负荷转移到前向传播网络的训练过程,从而使得在测试,或者风格化阶段的计算负荷大大降低,仅仅需要一次网络的前向传播,避免了迭代求解方法中的反向传播等复杂步骤。
基于前向网络的图像风格化方法,一旦训练完成,其网络模型参数固定,网络特性固定。当使用训练完成的固定网络模型来风格化不同尺寸大小的图像时,最终的风格化效果将会有较大的差异,与训练时的训练图像及风格图像尺寸较相近的图像可以得到较好的风格化效果,与训练时的训练图像及风格图像尺寸相差较大的图像将会获得较差的结果。因此,现有的网络模型得到的图像风格效果不佳。
发明内容
本发明的主要目的在于提出一种改进图像风格效果的方法、移动终端及存储介质,旨在提高从设计好的网络模型中得到图像的风格化效果,进一步提高用户的体验。
为实现上述目的,本发明提出一种改进图像风格效果的方法,应用于移动终端,所述方法包括:
获取待改进图像,并测量所述待改进图像的尺寸;
判断所述待改进图像的尺寸是否位于预设尺寸范围内;
如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;
通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。
上述方案中,所述方法还包括:
基于所述待改进图像的尺寸,调整所述改进后图像的尺寸。
上述方案中,所述基于所述待改进图像的尺寸,调整所述改进后图像的尺寸的步骤,包括:
调整所述改进后图像的尺寸,使所述改进后图像的尺寸与所述待改进图像的尺寸相同。
上述方案中,预设风格的卷积神经网络的训练过程包括:
选定风格图像以及训练图像;
采用所述风格图像和所述训练图像对所述卷积神经网络进行训练;
根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功,或者,根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功。
上述方案中,所述根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功的步骤,包括:
基于代价函数,计算训练后的任意一个图像与对应的训练图像所对应第一函数值,以及,计算训练后的任意一个图像与所述风格图像所对应的第二函数值;
判断所述第一函数值和所述第二函数值的总和是否小于第一预设函数值;
如果是,确定所述卷积神经网络训练成功。
上述方案中,所述方法还包括:
如果判断所述第一函数值和所述第二函数值的总和不小于预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
上述方案中,所述根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功,包括:
将每一个第一函数值与对应权重系数的乘积求和,获得第一总和;
将每一个第二函数值与对应权重系数的乘积求和,获得第二总和;
判断所述第一总和与所述第二总和之和是否小于第二预设函数值;如果是,确定所述卷积神经网络训练成功。
上述方案中,所述方法还包括:
如果判断所述第一总和与所述第二总和之和是否小于第二预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
另外,为实现上述目的,本发明提出了一种移动终端,所述移动终端包括处理器、以及通过通信总线与处理器连接的存储器;其中,
所述存储器,用于存储改进图像风格效果的程序;
所述处理器,用于执行所述改进图像风格效果的程序,以实现以下步骤:
获取待改进图像,并测量所述待改进图像的尺寸;
判断所述待改进图像的尺寸是否位于预设尺寸范围内;
如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;
通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。
上述方案中,所述处理器用于执行改进图像风格效果的程序,以实现如下步骤:
基于所述待改进图像的尺寸,调整所述改进后图像的尺寸。
上述方案中,所述处理器用于执行改进图像风格效果的程序,以实现如下步骤:
调整所述改进后图像的尺寸,使所述改进后图像的尺寸与所述待改进图像的尺寸相同。
上述方案中,所述处理器用于执行改进图像风格效果的程序,以实现如下步骤:
选定风格图像以及训练图像;
采用所述风格图像和所述训练图像对所述卷积神经网络进行训练;
根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功,或者,根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功。
上述方案中,所述处理器用于执行改进图像风格效果的程序,以实现如下步骤:
基于代价函数,计算训练后的任意一个图像与对应的训练图像所对应第一函数值,以及,计算训练后的任意一个图像与所述风格图像所对应的第二函数值;
判断所述第一函数值和所述第二函数值的总和是否小于第一预设函数值;
如果是,确定所述卷积神经网络训练成功。
上述方案中,所述处理器用于执行改进图像风格效果的程序,以实现如下步骤:
如果判断所述第一函数值和所述第二函数值的总和不小于预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
上述方案中,所述处理器用于执行改进图像风格效果的程序,以实现如下步骤:
将每一个第一函数值与对应权重系数的乘积求和,获得第一总和;
将每一个第二函数值与对应权重系数的乘积求和,获得第二总和;
判断所述第一总和与所述第二总和之和是否小于第二预设函数值;如果是,确定所述卷积神经网络训练成功。
上述方案中,所述处理器用于执行改进图像风格效果的程序,以实现如下步骤:
如果判断所述第一总和与所述第二总和之和是否小于第二预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
为实现上述目的,本发明提出了一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以使所述一个或者多个处理器执行如下步骤:
获取待改进图像,并测量所述待改进图像的尺寸;
判断所述待改进图像的尺寸是否位于预设尺寸范围内;
如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;
通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。
因此,相较于现有技术,本发明所提出的改进图像风格效果的方法、移动终端及存储介质,通过获取待改进图像并测量待改进图像的尺寸;在判断所述待改进图像的尺寸是否位于预设尺寸范围内;如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;并通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。因此,本发明实施例中,所有待改进图像在输入卷积神经网络之前均位于同样的尺寸范围内,避免了现有技术中使用训练完成的固定网络模型来风格化不同尺寸大小的图像时,最终的风格化效果随图像尺寸的不同将会有较大的差异,与训练时的训练图像及风格图像尺寸相差较大的图像将会获得较差的结果因此,应用本发明提高的实施例,可以提高从设计好的网络模型中得到图像的风格化效果,进一步提高用户的体验。
附图说明
图1为实现本发明各个实施例中一可选的移动终端的硬件结构示意图;
图2为如图1所示的移动终端的无线通信系统示意图;
图3为本发明实施例所提供的改进图像风格效果的方法的一可选的流程示意图;
图4为本发明实施例所提供的改进图像风格效果的方法一可选应用场景示意图;
图5为本发明实施例所提供的改进图像风格效果的方法的另一可选应用场景示意图。
附图标记:
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如,本发明中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本发明的实施方式的构造也能够应用于固定类型的终端。
请参阅图1,其为实现本发明各个实施例的一种移动终端的硬件结构示意图,该移动终端100可以包括:RF(Radio Frequency,射频)单元101、WiFi模块102、音频输出单元103、A/V(音频/视频)输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、处理器110、以及电源111等部件。本领域技术人员可以理解,图1中示出的移动终端结构并不构成对移动终端的限定,移动终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图1对移动终端的各个部件进行具体的介绍:
射频单元101可用于收发信息或通话过程中,信号的接收和发送,具体的,将基站的下行信息接收后,给处理器110处理;另外,将上行的数据发送给基站。通常,射频单元101包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元101还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于GSM(Global System of Mobile communication,全球移动通讯系统)、GPRS(General Packet Radio Service,通用分组无线服务)、CDMA2000(CodeDivisionMultipleAccess 2000,码分多址2000)、WCDMA(Wideband Code DivisionMultiple Access,宽带码分多址)、TD-SCDMA(Time Division-Synchronous CodeDivision Multiple Access,时分同步码分多址)、FDD-LTE(Frequency DivisionDuplexing-Long Term Evolution,频分双工长期演进)和TDD-LTE(Time DivisionDuplexing-Long Term Evolution,分时双工长期演进)等。
WiFi属于短距离无线传输技术,移动终端通过WiFi模块102可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图1示出了WiFi模块102,但是可以理解的是,其并不属于移动终端的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
音频输出单元103可以在移动终端100处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时,将射频单元101或WiFi模块102接收的或者在存储器109中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元103还可以提供与移动终端100执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元103可以包括扬声器、蜂鸣器等等。
A/V输入单元104用于接收音频或视频信号。A/V输入单元104可以包括图形处理器(Graphics Processing Unit,GPU)1041和麦克风1042,图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元106上。经图形处理器1041处理后的图像帧可以存储在存储器109(或其它存储介质)中或者经由射频单元101或WiFi模块102进行发送。麦克风1042可以在电话通话模式、记录模式、语音识别模式等等运行模式中经由麦克风1042接收声音(音频数据),并且能够将这样的声音处理为音频数据。处理后的音频(语音)数据可以在电话通话模式的情况下转换为可经由射频单元101发送到移动通信基站的格式输出。麦克风1042可以实施各种类型的噪声消除(或抑制)算法以消除(或抑制)在接收和发送音频信号的过程中产生的噪声或者干扰。
移动终端100还包括至少一种传感器105,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板1061的亮度,接近传感器可在移动终端100移动到耳边时,关闭显示面板1061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
显示单元106用于显示由用户输入的信息或提供给用户的信息。显示单元106可包括显示面板1061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板1061。
用户输入单元107可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元107可包括触控面板1071以及其他输入设备1072。触控面板1071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1071上或在触控面板1071附近的操作),并根据预先设定的程式驱动相应的连接装置。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器110,并能接收处理器110发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1071。除了触控面板1071,用户输入单元107还可以包括其他输入设备1072。具体地,其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种,具体此处不做限定。
进一步地,触控面板1071可覆盖显示面板1061,当触控面板1071检测到在其上或附近的触摸操作后,传送给处理器110以确定触摸事件的类型,随后处理器110根据触摸事件的类型在显示面板1061上提供相应的视觉输出。虽然在图1中,触控面板1071与显示面板1061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板1071与显示面板1061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元108用作至少一个外部装置与移动终端100连接可以通过的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元108可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端100内的一个或多个元件或者可以用于在移动终端100和外部装置之间传输数据。
存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器109可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器110是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器109内的软件程序和/或模块,以及调用存储在存储器109内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器110可包括一个或多个处理单元;优选的,处理器110可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器110中。
移动终端100还可以包括给各个部件供电的电源111(比如电池),优选的,电源111可以通过电源管理系统与处理器110逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图1未示出,移动终端100还可以包括蓝牙模块等,在此不再赘述。
为了便于理解本发明实施例,下面对本发明的移动终端所基于的通信网络系统进行描述。
请参阅图2,图2为本发明实施例提供的一种通信网络系统架构图,该通信网络系统为通用移动通信技术的LTE系统,该LTE系统包括依次通讯连接的UE(User Equipment,用户设备)201,E-UTRAN(Evolved UMTS Terrestrial Radio Access Network,演进式UMTS陆地无线接入网)202,EPC(Evolved Packet Core,演进式分组核心网)203和运营商的IP业务204。
具体地,UE201可以是上述终端100,此处不再赘述。
E-UTRAN202包括eNodeB2021和其它eNodeB2022等。其中,eNodeB2021可以通过回程(backhaul)(例如X2接口)与其它eNodeB2022连接,eNodeB2021连接到EPC203,eNodeB2021可以提供UE201到EPC203的接入。
EPC203可以包括MME(Mobility Management Entity,移动性管理实体)2031,HSS(Home Subscriber Server,归属用户服务器)2032,其它MME2033,SGW(Serving Gate Way,服务网关)2034,PGW(PDN Gate Way,分组数据网络网关)2035和PCRF(Policy andCharging Rules Function,政策和资费功能实体)2036等。其中,MME2031是处理UE201和EPC203之间信令的控制节点,提供承载和连接管理。HSS2032用于提供一些寄存器来管理诸如归属位置寄存器(图中未示)之类的功能,并且保存有一些有关服务特征、数据速率等用户专用的信息。所有用户数据都可以通过SGW2034进行发送,PGW2035可以提供UE 201的IP地址分配以及其它功能,PCRF2036是业务数据流和IP承载资源的策略与计费控制策略决策点,它为策略与计费执行功能单元(图中未示)选择及提供可用的策略和计费控制决策。
IP业务204可以包括因特网、内联网、IMS(IP Multimedia Subsystem,IP多媒体子系统)或其它IP业务等。
虽然上述以LTE系统为例进行了介绍,但本领域技术人员应当知晓,本发明不仅仅适用于LTE系统,也可以适用于其他无线通信系统,例如GSM、CDMA2000、WCDMA、TD-SCDMA以及未来新的网络系统等,此处不做限定。
基于上述移动终端硬件结构以及通信网络系统,提出本发明方法各个实施例。
为解决现有技术问题,本发明实施例提出一种改进图像风格效果的方法、移动终端以及存储介质,下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。
需要说明的是,风格图像是通过艺术处理的手段将图像进行风格化,风格化是指通过滤镜置换像素和通过查找并增加图像的对比度,在选区中生成绘画或印象派的效果,它是完全模拟真实艺术手法进行创作的。具体的,滤镜包括但不限于:风、浮雕效果、扩散、拼贴、凸出、照亮边缘、查找边缘、等高线。
具体的,风格图像可以包括铅笔笔触、油画笔触、水彩笔触,或是对整体风格进行做旧或是残破,或是对造型进行夸张、变形、扭曲、幼稚化等形式。可以针对需要待处理的照片进行风格化处理,使之达到相同的风格。本发明实施例介绍了一种具体进行图像风格化处理的过程。
本发明实施例提供一种改进图像风格效果的方法,应用于移动终端,图3为实现本发明实施例所提供的根据改进图像风格效果指令的一可选的流程示意图,如图3所示,该改进图像风格效果的方法包括以下步骤:
步骤S310:获取待改进图像,并测量所述待改进图像的尺寸。
需要说明的是,图像尺寸的长度与宽度是以像素为单位的,有的是以厘米为单位。像素与分辨率像素是数码影像最基本的单位,每个像素就是一个小点,而不同颜色的点(像素)聚集起来就变成一幅照片,数码相机经常以像素作为等级分类依据,但不少人认为像素点的多少是CCD光敏单元上的感光点数量,其实这种说法并不完全正确,目前不少厂商通过特殊技术,可以在相同感光点的CCD光敏单元下产生分辨率更高的数码相片,图片分辨率越高,所需像素越多,比如:分辨率640×480的图片,大概需要31万像素,2084×1536的图片,则需要高达314万像素。分辨率可有多个数值,相机提供分辨率越多,拍摄与保存图片的弹性越高。图片分辨率和输出时的成像大小及放大比例有关,分辨率越高,成像尺寸越大,放大比例越高。总像素数是指CCD含有的总像素数。因此,本发明实施例中所说的尺寸可以是以像素数为尺寸计量单位,也可以是以厘米等长度计量单位,本发明实施例不做具体限定。
本发明实施例中,待改进图像为任意一种图像,用户可以任意选择一副图像,将其作为待改进图像。在进行风格化处理之前,先测量待改进图像的尺寸。示例性的,以像素为计量单位的尺寸来说,图像A为待改进图像,测量得到图像A的尺寸为1024*684;图像B为待改进图像,测量得到图像B的尺寸为3024*4032,当然图像A和图像B也可以以厘米进行计量图像的长和宽。
步骤S320:判断所述待改进图像的尺寸是否位于预设尺寸范围内,如果否,执行S330。
移动终端中设置有图像的预设尺寸范围,该范围可以是以像素进行表达也可以是厘米的长度单位进行表达。示例性的,预设的尺寸范围为(500-2048)*(500-3048),那么也就是说,图片的最小尺寸为:500*500,图片的最大尺寸为:2048*3048。
示例性的,以长度为单位,预设的尺寸范围为:(9-50)*(15-75),那么也就是说,图片的最小尺寸为:9*15,图片的最大尺寸为:50*75。
如上述图像A的尺寸为1024*684,由于1024位于500-3048之间,684位于500-2048之间,那么图像A位于预设尺寸范围内。对于图像B尺寸为3024*4032,3024不位于500-3048之间,4032不位于500-2048之间,那么图像B不位于预设尺寸范围内。所以对于图像B执行S330。
可以理解的是,对于位于预设尺寸范围内的图像A则执行执行图像的风格化处理,而不需要执行S330。
步骤S330:调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内。
可以理解的是,可以对图像的尺寸进行放大或者缩小,例如对于图像的像素点可以通过进行减少来达到图像的大小的目的;另外也可以通过压缩来减少图像的宽度和高度。
示例性的,对于图像B来说,其尺寸范围超过预设尺寸范围了,可以调整图像B的像素点的数量,将其直接调整为2048*3048,或者按照当前的像素点进行等比例缩小,例如缩小1.5倍,使其位于预设尺寸范围内。只要能够将待改进图像的尺寸缩放至预设尺寸范围内即可,本发明实施例不做具体限定。
另外,如果图片的尺寸过小,那么也会不位于预设范围内。示例性的,图片C的尺寸为:465*512,那么其尺寸不满足最小的尺寸为500*500,所以需要将图片C进行放大处理。因此,可知,只要图片的一个数据(不管是长度还是高度)不位于预设的尺寸范围内,那么该图片的尺寸将不属于预设范围内。
步骤S340:通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。
示例性的,本发明实施例中的卷积神经网络为VGG16模型,将调整好尺寸的待改进图像送入VGG16模型中,经过VGG16模型输出的图片就是改进后的图片,如图3所示,为进行风格化后的尺寸为1024*684的改进后图片。
相较于现有技术,本发明实施例所提出的改进图像风格效果的方法,通过获取待改进图像并测量待改进图像的尺寸;在判断所述待改进图像的尺寸是否位于预设尺寸范围内;如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;并通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。因此,本发明实施例中,所有待改进图像在输入卷积神经网络之前均位于同样的尺寸范围内,避免了现有技术中使用训练完成的固定网络模型来风格化不同尺寸大小的图像时,最终的风格化效果随图像尺寸的不同将会有较大的差异,与训练时的训练图像及风格图像尺寸相差较大的图像将会获得较差的结果因此,应用本发明提高的实施例,可以提高从设计好的网络模型中得到图像的风格化效果,进一步提高用户的体验。
可以理解的,图3的实施例中,卷积神经网络输出的待改进图像对应的改进后图像的尺寸是经过进行改进的,而与原来的图像尺寸大小不符合,可能会一定程度上影响用户的观感,为解决这一问题,本发明实施例中,所述方法还包括:基于所述待改进图像的尺寸,调整所述改进后图像的尺寸。
本发明的一种实现方式中,所述基于所述待改进图像的尺寸,调整所述改进后图像的尺寸的步骤,包括:调整所述改进后图像的尺寸,使所述改进后图像的尺寸与所述待改进图像的尺寸相同。
需要说明的是,可以将改进后的图像换来至与待改进图像相当的大小,例如长度或者宽度进行适当的调整,例如对于图像B的改进后图像的大小为2084*3982。或者直接将改进后的图片的尺寸还原至原待改进图像的尺寸大小,对于用户来说视觉上不会造成任何大小差异的变化,如图5所示,为图像B进行风格化以后得到的改进后图像,其尺寸与原尺寸相同,因此,从视觉上来说可以进一步提高用户的体验。
本发明实施例中,预设风格的卷积神经网络的训练过程包括:选定风格图像以及训练图像;采用所述风格图像和所述训练图像对所述卷积神经网络进行训练;根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功,或者,根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功。
本发明实施例提供一种具体的预设风格卷积神经网络的训练过程,及其训练结果的确定。
具体的,在本发明实施例的一种实现方式中,所述根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功的步骤,包括:基于代价函数,计算训练后的任意一个图像与对应的训练图像所对应第一函数值,以及,计算训练后的任意一个图像与所述风格图像所对应的第二函数值;判断所述第一函数值和所述第二函数值的总和是否小于第一预设函数值;如果是,确定所述卷积神经网络训练成功。如果判断所述第一函数值和所述第二函数值的总和不小于预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
本发明的另一种实现方式中,所述根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功,包括:将每一个第一函数值与对应权重系数的乘积求和,获得第一总和;将每一个第二函数值与对应权重系数的乘积求和,获得第二总和;判断所述第一总和与所述第二总和之和是否小于第二预设函数值;如果是,确定所述卷积神经网络训练成功。
如果判断所述第一总和与所述第二总和之和是否小于第二预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
本发明实施例提供了两种对卷积神经网络训练的方式,需要说明的是,代价函数(或者损失函数,英文名称:Loss Function)在机器学习中的每一种算法中都很重要,因为训练模型的过程就是优化代价函数的过程,代价函数对每个参数的偏导数就是梯度下降中提到的梯度,防止过拟合时添加的正则化项也是加在代价函数后面的。
本发明实施例中,分别计算每一个训练图像和训练该图像均所得到的代价函数的第一函数值,以及每一个训练后的图像和风格图像所对应的代价函数的第二函数值,例如训练图像为100个,风格函数为1个,那么第一函数值为100个,第二函数值也为100个,可以求着200个函数值的和,当函数值的和小于一个预设的第一预设函数值的情况下,表明训练成功,则该卷积神经网络可以正常使用,否则不能正常使用,需要继续进行训练或者进行卷积神经网络的参数调整。
而对于另一种实现方式中,可以对每一个第一函数值和第二函数值分别设置权重系数,这样权重系数乘以该函数值以后在进行求和,将得到的总和与第二预设函数值进行对比,从而判断该卷积神经网络是否可以使用。
进一步地,本发明提供了一种移动终端,请继续参阅图1,所述移动终端包括处理器110、以及通过通信总线与处理器110连接的存储器109;其中,
所述存储器109,用于存储改进图像风格效果的程序;
所述处理器110,用于执行改进图像风格效果的程序,以实现以下步骤:
获取待改进图像,并测量所述待改进图像的尺寸;
判断所述待改进图像的尺寸是否位于预设尺寸范围内;
如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;
通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。
可选地,所述处理器110,用于执行改进图像风格效果的程序,以实现以下步骤:
基于所述待改进图像的尺寸,调整所述改进后图像的尺寸。
可选地,所述处理器110,用于执行改进图像风格效果的程序,以实现以下步骤:
调整所述改进后图像的尺寸,使所述改进后图像的尺寸与所述待改进图像的尺寸相同。
可选地,所述处理器110,用于执行改进图像风格效果的程序,以实现以下步骤:
选定风格图像以及训练图像;
采用所述风格图像和所述训练图像对所述卷积神经网络进行训练;
根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功,或者,根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功。
可选地,所述处理器110,用于执行改进图像风格效果的程序,以实现以下步骤:
基于代价函数,计算训练后的任意一个图像与对应的训练图像所对应第一函数值,以及,计算训练后的任意一个图像与所述风格图像所对应的第二函数值;
判断所述第一函数值和所述第二函数值的总和是否小于第一预设函数值;
如果是,确定所述卷积神经网络训练成功。
可选地,所述处理器110,用于执行改进图像风格效果的程序,以实现以下步骤:
如果判断所述第一函数值和所述第二函数值的总和不小于预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
可选地,所述处理器110,用于执行改进图像风格效果的程序,以实现以下步骤:
将每一个第一函数值与对应权重系数的乘积求和,获得第一总和;
将每一个第二函数值与对应权重系数的乘积求和,获得第二总和;
判断所述第一总和与所述第二总和之和是否小于第二预设函数值;如果是,确定所述卷积神经网络训练成功。
可选地,所述处理器110,用于执行改进图像风格效果的程序,以实现以下步骤:
如果判断所述第一总和与所述第二总和之和是否小于第二预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
相较于现有技术,本发明实施例所提出的移动终端,通过获取待改进图像并测量待改进图像的尺寸;在判断所述待改进图像的尺寸是否位于预设尺寸范围内;如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;并通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。因此,本发明实施例中,所有待改进图像在输入卷积神经网络之前均位于同样的尺寸范围内,避免了现有技术中使用训练完成的固定网络模型来风格化不同尺寸大小的图像时,最终的风格化效果随图像尺寸的不同将会有较大的差异,与训练时的训练图像及风格图像尺寸相差较大的图像将会获得较差的结果因此,应用本发明提高的实施例,可以提高从设计好的网络模型中得到图像的风格化效果,进一步提高用户的体验。
进一步地,本发明还提供了一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现以下步骤:
获取待改进图像,并测量所述待改进图像的尺寸;
判断所述待改进图像的尺寸是否位于预设尺寸范围内;
如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;
通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。
可选地,所述一个或者多个程序还被所述一个或者多个处理器执行,以实现以下步骤:
基于所述待改进图像的尺寸,调整所述改进后图像的尺寸。
可选地,所述一个或者多个程序还被所述一个或者多个处理器执行,以实现以下步骤:
调整所述改进后图像的尺寸,使所述改进后图像的尺寸与所述待改进图像的尺寸相同。
可选地,所述一个或者多个程序还被所述一个或者多个处理器执行,以实现如下步骤:
选定风格图像以及训练图像;
采用所述风格图像和所述训练图像对所述卷积神经网络进行训练;
根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功,或者,根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功。
可选地,所述一个或者多个程序还被所述一个或者多个处理器执行,以实现如下步骤:
基于代价函数,计算训练后的任意一个图像与对应的训练图像所对应第一函数值,以及,计算训练后的任意一个图像与所述风格图像所对应的第二函数值;
判断所述第一函数值和所述第二函数值的总和是否小于第一预设函数值;
如果是,确定所述卷积神经网络训练成功。
可选地,所述一个或者多个程序还被所述一个或者多个处理器执行,以实现如下步骤:
如果判断所述第一函数值和所述第二函数值的总和不小于预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
可选地,所述一个或者多个程序还被所述一个或者多个处理器执行,以实现如下步骤:
将每一个第一函数值与对应权重系数的乘积求和,获得第一总和;
将每一个第二函数值与对应权重系数的乘积求和,获得第二总和;
判断所述第一总和与所述第二总和之和是否小于第二预设函数值;如果是,确定所述卷积神经网络训练成功。
可选地,所述一个或者多个程序还被所述一个或者多个处理器执行,以实现如下步骤:
如果判断所述第一总和与所述第二总和之和是否小于第二预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
相较于现有技术,本发明实施例所提出的存储介质,通过获取待改进图像并测量待改进图像的尺寸;在判断所述待改进图像的尺寸是否位于预设尺寸范围内;如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;并通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。因此,本发明实施例中,所有待改进图像在输入卷积神经网络之前均位于同样的尺寸范围内,避免了现有技术中使用训练完成的固定网络模型来风格化不同尺寸大小的图像时,最终的风格化效果随图像尺寸的不同将会有较大的差异,与训练时的训练图像及风格图像尺寸相差较大的图像将会获得较差的结果因此,应用本发明提高的实施例,可以提高从设计好的网络模型中得到图像的风格化效果,进一步提高用户的体验。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台移动终端(可以是手机,计算机,服务器,空调器,或者网络设备,机器人等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种改进图像风格效果的方法,应用于移动终端,其特征在于,所述方法包括:
获取待改进图像,并测量所述待改进图像的尺寸;
判断所述待改进图像的尺寸是否位于预设尺寸范围内;
如果否,调整所述待改进图像的尺寸,直至所述待改进图像调整后的尺寸位于所述预设尺寸范围内;
通过预设风格的卷积神经网络对调整后的所述待改进图像送入设计好的卷积神经网络模型,前向传播获得所述预设风格的卷积神经网络模型输出的改进后图像。
2.根据权利要求1所述的改进图像风格效果的方法,其特征在于,所述方法还包括:
基于所述待改进图像的尺寸,调整所述改进后图像的尺寸。
3.根据权利要求2所述的改进图像风格效果的方法,其特征在于,所述基于所述待改进图像的尺寸,调整所述改进后图像的尺寸的步骤,包括:
调整所述改进后图像的尺寸,使所述改进后图像的尺寸与所述待改进图像的尺寸相同。
4.根据权利要求1所述的改进图像风格效果的方法,其特征在于,预设风格的卷积神经网络的训练过程包括:
选定风格图像以及训练图像;
采用所述风格图像和所述训练图像对所述卷积神经网络进行训练;
根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功,或者,根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功。
5.根据权利要求4所述的改进图像风格效果的方法,其特征在于,所述根据所述训练图像、训练后图像以及所述风格图像和代价函数的函数值,确定卷积神经网络是否训练成功的步骤,包括:
基于代价函数,计算训练后的任意一个图像与对应的训练图像所对应第一函数值,以及,计算训练后的任意一个图像与所述风格图像所对应的第二函数值;
判断所述第一函数值和所述第二函数值的总和是否小于第一预设函数值;
如果是,确定所述卷积神经网络训练成功。
6.根据权利要求5所述的改进图像风格效果的方法,其特征在于,所述方法还包括:
如果判断所述第一函数值和所述第二函数值的总和不小于预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
7.根据权利要求5所述的改进图像风格效果的方法,其特征在于,所述根据所述训练图像、训练后图像以及所述风格图像、代价函数的函数值以及函数值对应的权重系数,确定卷积神经网络是否训练成功,包括:
将每一个第一函数值与对应权重系数的乘积求和,获得第一总和;
将每一个第二函数值与对应权重系数的乘积求和,获得第二总和;
判断所述第一总和与所述第二总和之和是否小于第二预设函数值;如果是,确定所述卷积神经网络训练成功。
8.根据权利要求7所述的改进图像风格效果的方法,其特征在于,所述方法还包括:
如果判断所述第一总和与所述第二总和之和是否小于第二预设函数值,则神经网络训练不成功,重新选取训练图像对所述卷积神经网络进行训练。
9.一种移动终端,其特征在于,所述移动终端包括处理器、以及通过通信总线与处理器连接的存储器;其中,
所述存储器,用于存储改进图像风格效果的程序;
所述处理器,用于执行所述改进图像风格效果的程序,以实现如权利要求1-8任一项所述的改进图像风格效果的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以使所述一个或者多个处理器执行如权利要求1-8任一项所述的改进图像风格效果的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711454622.1A CN108171652A (zh) | 2017-12-28 | 2017-12-28 | 一种改进图像风格效果的方法、移动终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711454622.1A CN108171652A (zh) | 2017-12-28 | 2017-12-28 | 一种改进图像风格效果的方法、移动终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171652A true CN108171652A (zh) | 2018-06-15 |
Family
ID=62519025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711454622.1A Pending CN108171652A (zh) | 2017-12-28 | 2017-12-28 | 一种改进图像风格效果的方法、移动终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171652A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197459A (zh) * | 2019-05-15 | 2019-09-03 | 北京字节跳动网络技术有限公司 | 图像风格化生成方法、装置及电子设备 |
WO2020228406A1 (zh) * | 2019-05-15 | 2020-11-19 | 北京字节跳动网络技术有限公司 | 图像风格化生成方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102481850A (zh) * | 2009-06-25 | 2012-05-30 | 雷诺三星汽车株式会社 | 用于下一代车辆的图像显示系统及其显示方法 |
CN106651766A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络的图像风格迁移方法 |
US20170139572A1 (en) * | 2015-11-17 | 2017-05-18 | Adobe Systems Incorporated | Image Color and Tone Style Transfer |
CN106778928A (zh) * | 2016-12-21 | 2017-05-31 | 广州华多网络科技有限公司 | 图像处理方法及装置 |
CN106874296A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种商品的风格识别方法及装置 |
-
2017
- 2017-12-28 CN CN201711454622.1A patent/CN108171652A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102481850A (zh) * | 2009-06-25 | 2012-05-30 | 雷诺三星汽车株式会社 | 用于下一代车辆的图像显示系统及其显示方法 |
US20170139572A1 (en) * | 2015-11-17 | 2017-05-18 | Adobe Systems Incorporated | Image Color and Tone Style Transfer |
CN106874296A (zh) * | 2015-12-14 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种商品的风格识别方法及装置 |
CN106778928A (zh) * | 2016-12-21 | 2017-05-31 | 广州华多网络科技有限公司 | 图像处理方法及装置 |
CN106651766A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络的图像风格迁移方法 |
Non-Patent Citations (1)
Title |
---|
LEON A. GATYS 等: "Image Style Transfer Using Convolutional Neural Networks", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197459A (zh) * | 2019-05-15 | 2019-09-03 | 北京字节跳动网络技术有限公司 | 图像风格化生成方法、装置及电子设备 |
WO2020228406A1 (zh) * | 2019-05-15 | 2020-11-19 | 北京字节跳动网络技术有限公司 | 图像风格化生成方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145347A (zh) | 一种应用灰度发布方法、设备及存储介质 | |
CN107093418A (zh) | 一种屏幕显示方法、计算机设备及存储介质 | |
CN107508994A (zh) | 触摸屏报点率处理方法、终端及计算机可读存储介质 | |
CN107682627A (zh) | 一种拍摄参数设置方法、移动终端及计算机可读存储介质 | |
CN107566635A (zh) | 屏幕亮度设置方法、移动终端和计算机可读存储介质 | |
CN107256530A (zh) | 图片水印的添加方法、移动终端及可读存储介质 | |
CN107944022A (zh) | 图片分类方法、移动终端及计算机可读存储介质 | |
CN107493426A (zh) | 一种信息采集方法、设备和计算机可读存储介质 | |
CN107333056A (zh) | 运动物体的图像处理方法、装置及计算机可读存储介质 | |
CN106953684A (zh) | 一种搜星的方法、移动终端以及计算机可读存储介质 | |
CN108682040A (zh) | 一种素描图像生成方法、终端及计算机可读存储介质 | |
CN109300099A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN107273035A (zh) | 应用程序推荐方法及移动终端 | |
CN108184052A (zh) | 一种视频录制的方法、移动终端及计算机可读存储介质 | |
CN107295270A (zh) | 一种图像亮度值的确定方法、装置、终端和计算机可读存储介质 | |
CN108172161A (zh) | 基于柔性屏的显示方法、移动终端及计算机可读存储介质 | |
CN107404618A (zh) | 一种拍摄方法及终端 | |
CN108196777A (zh) | 一种柔性屏应用方法、设备及计算机可读存储介质 | |
CN107124531A (zh) | 一种图像处理方法及移动终端 | |
CN108600325A (zh) | 一种推送内容的确定方法、服务器和计算机可读存储介质 | |
CN108459799A (zh) | 一种图片的处理方法、移动终端及计算机可读存储介质 | |
CN107506163A (zh) | 调整屏幕显示的方法、终端及计算机可读存储介质 | |
CN108182664A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN108182668A (zh) | 一种放大图像处理方法、终端及计算机可读存储介质 | |
CN107613206A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |