CN108550107A - 一种图片处理方法、图片处理装置及移动终端 - Google Patents

Abstract

本申请提供了一种图片处理方法、图片处理装置及移动终端，其中，所述方法包括：获取待处理图片；检测待处理图片中的目标物体，获得检测结果；若检测到所述待处理图片中包含一个或多个目标物体，根据所述检测结果，对各个目标物体进行框选，并将每个框选区域的图片作为子图片；获取用户输入的风格类型信息；根据风格类型信息，分别对每个子图片进行风格转换，得到与每个子图片所对应的修正子图片；将所述待处理图片中的各个子图片均替换为与各个子图片对应的修正子图片。本申请实现了仅仅对图片中的部分内容进行风格转换，且本申请所提供的技术方案可以由移动终端自动完成，不需要用户过多的参与，提高了用户体验，并且具备一定的娱乐效果。

Description

一种图片处理方法、图片处理装置及移动终端

技术领域

本申请属于计算机图像处理领域，尤其涉及一种图片处理方法、图片处理装置、移动终端及计算机可读存储介质。

背景技术

目前，很多用户都喜欢在社交公共平台分享自己所拍摄的照片，为了使自己所拍摄的照片更富有美感，用户通常都会使用修图软件对照片进行风格转换，比如将所拍摄的照片更换为油画风格、素描风格、水墨风格或者乡村风格等等，常用的修图软件有美图秀秀、光影魔术手以及Photoshop等。

但是，目前像美图秀秀以及光影魔术手之类的修图软件只能变换整张图片的风格，然而，有时用户仅仅只想更改照片中的部分内容的风格，因此，美图秀秀以及光影魔术手之类的修图软件无法满足用户的上述需求。Photoshop可以实现更改照片中的部分内容的风格，但是Photoshop操作较为复杂，并且对操作者有一定的技能要求。

发明内容

有鉴于此，本申请提供了一种图片处理方法、图片处理装置、移动终端及计算机可读存储介质，可以实现更改图片中的部分内容的风格并且操作较为简单。

本申请第一方面提供了一种图片处理方法，包括：

获取待处理图片；

检测上述待处理图片中的目标物体，获得检测结果，上述检测结果用于指示上述待处理图片中有无目标物体以及在有目标物体时各个目标物体在该待处理图片中的位置；

若检测到上述待处理图片中包含一个或多个目标物体，则：

根据上述目标物体在上述待处理图片中的位置，对各个目标物体进行框选，并将每个框选区域的图片作为子图片；

获取用户输入的风格类型信息，上述风格类型信息用于指示上述目标物体需要转换的风格类型；

根据上述风格类型信息，分别对每个子图片进行风格转换，得到与每个子图片所对应的修正子图片；

将上述待处理图片中的各个子图片均替换为与各个子图片对应的修正子图片，从而获得风格转换后的图片。

本申请第二方面提供了一种图片处理装置，包括：

获取模块，用于获取待处理图片；

检测模块，用于检测上述待处理图片中的目标物体，获得检测结果，上述检测结果用于指示上述待处理图片中有无目标物体以及在有目标物体时各个目标物体在上述待处理图片中的位置；

子图片获取模块，用于若检测到上述待处理图片中包含一个或多个目标物体，则根据上述检测模块获取的上述目标物体在上述待处理图片中的位置，对各个目标物体进行框选，并将每个框选区域的图片作为子图片；

风格获取模块，用于获取用户输入的风格类型信息，上述风格类型信息用于指示上述目标物体需要转换的风格类型；

风格转换模块，用于根据上述风格类型信息，分别对每个子图片进行风格转换，得到与每个子图片所对应的修正子图片；

替换模块，用于将上述待处理图片中的各个子图片均替换为与各个子图片对应的修正子图片，从而获得风格转换后的图片。

本申请第三方面提供了一种移动终端，包括存储器、处理器以及存储在该存储器中并可在该处理器上运行的计算机程序，其特征在于，该处理器执行上述计算机程序时实现如上述方法的步骤。

本申请第四方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如上述方法的步骤。

由上可见，本申请提供了一种图片处理方法，首先，获取待处理图片，并在上述处理图片中检测目标物体，获取检测结果，该检测结果用于指示上述待处理图片中有无目标物体以及各个目标物体在上述待处理图片中的位置；若上述检测结果指示该待处理图片中包含目标物体，则根据上述检测结果指示的各个目标物体的位置，对各个目标物体进行框选，比例利用矩形框或者圆框等等进行框选目标物体，将每个框选区域的图片作为子图片，以便于后续仅仅针对该子图片进行风格转换；其次，获取风格类型信息，该风格类型信息用于指示该目标物体需要转换的风格类型，比如，素描风格类型、油画风格类型、北欧风格类型或者乡村风格类型等，根据上述风格类型信息对上述各个子图片进行风格转换，得到风格转换后的修正子图片，该修正子图片具备与上述子图片相同的图片内容，但具有与子图片不同的图片风格；最后，将各个修正子图片替换上述待处理图片中的各个子图片，从而得到风格转换后的图片。因此，本申请所提供的技术方案，可以实现仅仅对上述待处理图片中的部分图片区域进行风格转换，并且从检测目标物体到获取子图片、对子图片进行风格转换以及更换待处理图片中的子图片，都可以由移动终端来实现，不需要用户过多的参与。综上，本申请提供的技术方案可以实现更改图片中的部分内容的风格并且操作更为简便，可以提高用户体验。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1是本申请实施例一提供的一种图片处理方法的实现流程示意图；

图2是本申请实施例一提供的卷积神经网络模型的训练过程示意图；

图3是本申请实施例一提供的判别模型的训练过程示意图；

图4是本申请实施例一提供的生成模型的训练过程示意图；

图5是本申请实施例一提供风格转换前后的显示界面示意图；

图6是本申请实施例二提供的一种图片处理装置的结构示意图；

图7是本申请实施例三提供的移动终端的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

本申请实施例提供的图片处理方法可以适用于移动终端，示例性地，上述移动终端包括但不限于：智能手机、平板电脑、智能穿戴设备等。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本申请实施例中描述的移动终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的移动终端。然而，应当理解的是，移动终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

移动终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在移动终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

为了说明本申请上述的技术方案，下面通过具体实施例来进行说明。

实施例一

下面对本申请实施例一提供的一种图片处理方法进行描述，请参阅附图1，本申请实施例一提供的图片处理方法包括：

在步骤S101中，获取待处理图片；

在本申请实施例中，上述待处理图片可以是用户通过摄像头拍摄的照片，比如，用户利用智能手机中的相机所拍摄的建筑物、风景、人物或者美食等照片；或者，可以是用户通过其他应用程序新接收的图片，比如，用户在微信中接收到的其他微信联系人所发送的图片；或者，也可以是用户从互联网上下载的图片，比如用户通过公共运营商网络在浏览器中下载的图片；或者，还可以是视频中的某一帧图片，比如，用户所观看的动画片或者电视剧中的其中一帧图片。此处对待处理图片的来源不作限定。

在步骤S102中，检测上述待处理图片中的目标物体，获得检测结果；

在本申请实施例中，上述检测结果用于指示上述待处理图片中有无目标物体以及在有目标物体时各个目标物体在上述待处理图片中的位置，比如，若用户预先设置上述目标物体为建筑物，则移动终端对上述待处理图片中的建筑物进行检测，确定该待处理图片中有无建筑物，以及若含有建筑物的话，确定各个建筑物在该待处理图片中的位置。

在本申请实施例中，若检测到待处理图片中包含目标物体，则在本申请实施例中可以用方框、圆框或者椭圆形框等对各个目标物体进行定位，若用方框对目标物体进行定位的话，则检测结果可以由方框的左上角以及右下角的坐标组成，以便可以通过左上角以及右下角的坐标寻找到目标物体；若用圆框对目标物体进行定位的话，则检测结果可以由圆框的圆心坐标以及圆半径组成，以便可以通过圆心坐标以及圆半径寻找到目标物体。此处对检测结果的表示方式不作限定。

在本申请实施例中，可以通过目前常用的目标检测算法对上述待处理图片中的目标物体进行检测，常用的目标检测算法有局部二进制模式(Local Binary Pattern，LBP)算法、定向梯度特征结合支持向量机模型以及卷积神经网络(Convolutional NeuralNetwork，CNN)模型等。其中，相比于其它目标检测算法，卷积神经网络模型可以实现对目标物体更为精准快速的检测，因此，在本申请实施例中，可选利用卷积神经网络模型检测上述待处理图片中的目标物体。其中，利用卷积神经网络模型检测目标物体时，需要事先训练卷积神经网络模型。

示例性地，上述训练后的卷积神经网络模型的训练过程可以如图2所示，包括步骤S201-S204。

在步骤S201中，预先获取各个样本图片以及各个样本图片所对应的检测结果；

训练后的卷积神经网络模型是根据数据库中的各个样本图片以及各个样本图片所对应的检测结果训练得到，其中，每一个样本图片所对应的检测结果用于指示该样本图片中有无目标物体以及各个目标物体在该样本图片中的位置。

在步骤S202中，将各个样本图片输入至卷积神经网络模型中，以使得上述卷积神经网络模型对各个样本图片中的目标物体进行检测，输出各个样本图片所对应的检测结果；

在本申请实施例中，选取某一个样本图片输入至该卷积神经网络模型，该卷积神经网络模型对该样本图片中的目标物体进行检测，确定该样本图片是否包含目标物体，若该样本图片包含目标物体时，确定各个目标物体在该样本图片中的位置，直到遍历完所有的样本图片。

在步骤S203中，根据预先获取的各个样本图片所对应的检测结果以及利用上述卷积神经网络模型输出的各个样本图片所对应的检测结果，获取该卷积神经网络模型的检测准确率；

在本申请实施例中，针对某一样本图片(为便于后续描述，称该样本图片为图片A)，若预先获取的图片A所对应的检测结果指示“图片A中包含目标物体1”，然而，若上述卷积神经网络模型的检测结果指示“图片A中未包含目标物体”，则认为该卷积神经网络模型未准确检测该图片A。

若上述卷积神经网络模型的检测结果指示“图片A包含一个目标物体2”，则可以进一步根据预先获取的图片A所对应的检测结果，获取图片A中的目标物体1所位于的图片区域；并根据该卷积神经网络模型对图片A的检测结果，获取该卷积神经网络模型所检测到的该图片A中目标物体2的图片区域；根据目标物体1的图片区域以及目标物体2的图片区域，计算目标物体1与目标物体2的交并比(Intersection over Union，IOU)值；若该IOU值大于预设的IOU阈值，则认为该卷积神经网络模型准确检测该图片A，否则，认为未准确检测该图片A。

若上述卷积神经网络模型的检测结果指示“图片A包含两个目标物体”，则该卷积神经网络模型对该图片A中的目标物体检测错误，也认为未准确检测该图片A。

遍历所有的样本图片，统计该卷积神经网络模型中准确检测的样本图片在所有样本图片中所占的比例，可以将该比例设置为检测准确率。

在步骤S204中，若上述检测准确率小于预设的检测阈值，则调整上述卷积神经网络模型的参数，并通过参数调整后的卷积神经网络模型继续对各个样本图片进行检测，直到参数调整后的卷积神经网络模型的检测准确率大于或等于上述检测阈值，则将该卷积神经网络模型确定为训练后的卷积神经网络模型。

在本申请实施例中，若该卷积神经网络模型的检测准确率小于预设的检测阈值，则说明该卷积神经网络模型不能非常好的实现对图片中的目标物体的检测，需要重新训练该卷积神经网络模型，因此，调整该卷积神经网络模型的参数，直到检测准确率达到检测阈值为止。常用的调整参数的方法有随机梯度下降算法(Stochastic Gradient Descent，SGD)以及动力更新算法(Momentum update)等等，此处对调整参数所使用的方法不作限定。

在步骤S103中，若检测到上述待处理图片中包含一个或多个目标物体，则根据上述目标物体在上述待处理图片中的位置，对各个目标物体进行框选，并将每个框选区域的图片作为子图片；

在本申请实施例中，根据步骤S102所获得的检测结果，对各个目标物体进行框选，以便于后续可以对框选出来的子图片进行风格转换处理，由于目前大部分的图片处理模块只能处理矩形图片，因此，在本申请实施例中，为便于后续处理，可选采用矩形框对各个目标物体进行框选。

若步骤S102中的检测结果是利用方框对目标物体进行定位的，上述检测结果是由方框的左上角以及右下角的坐标组成，则可以直接根据由该左上角坐标以及该右下角坐标所构成的方框，来框选目标物体。

若步骤S102中的检测结果是利用圆框对目标物体进行定位的，上述检测结果是由该圆框的圆心坐标以及圆半径组成，则可以获取由该圆心坐标以及该圆半径所构成的圆形框的外切矩形，利用该外切矩形来框选目标物体。

在步骤S104中，获取用户输入的风格类型信息，上述风格类型信息用于指示上述目标物体需要转换的风格；

在本申请实施例中，用户可以通过点击移动终端界面上不同的控件来输入风格类型信息，比如通过点击界面上所显示的“莫奈《日出·印象》风格”、“乡村风格”或者“北欧风格”等等控件来实现来风格类型信息的输入；或者也可以通过麦克风，语音输入用户想要转换的风格类型，比如用户通过麦克风说出“梵高《星空》风格”或者“素描风格”等，来实现风格类型信息的输入。

在步骤S105中，根据上述风格类型信息，分别对每个子图片进行风格转换，得到与每个子图片所对应的修正子图片；

在本申请实施例中，可以事先训练用于风格转换的生成式对抗网络模型(Generative Adversarial Networks，GAN)，将步骤S103获取的各个子图片输入到训练好的生成式对抗网络模型中，以便该训练好的生成式对抗网络模型对各个子图片进行风格转换，生成对应的修正子图片。

其中，在本申请实施例中，可以预先训练多个生成式对抗网络模型，每一个训练好的生成式对抗网络模型用于生成具有特定风格类型的图片，比如，某个训练好的生成式对抗网络模型专门用来将输入的图片转换成“素描风格”以及，另一个训练好的生成式对抗网络模型专门用来将输入的图片转换成“油画风格”等等。因此，在这种情况下，可以在对各个子图片进行风格转换之前，首先根据用户输入的上述风格类型信息，获取与该风格类型信息对应的训练后的生成式对抗网络模型，然后将各个子图片输入至与该风格类型信息对应的训练后的生成式对抗网络模型中，获得与各个子图片对应的修正子图片。

在本申请实施例中，与上述风格类型信息对应的训练后的生成式对抗网络模型包括训练后的判别模型以及训练后的生成模型，在实际应用中，可以仅仅通过训练后的生成模型来生成具备上述风格类型信息所指示的风格类型的图片，但是需要事先训练判别模型，通过训练好的判别模型来训练生成模型，从而生成训练后的生成模型。其中，上述判别模型以及生成模型均可以为卷积神经网络模型。

示例性地，上述训练后的判别模型的训练过程可以如图3所示，包括步骤S301-S304：

在步骤S301中，预先获取各个样本图片以及各个样本图片所对应的风格类型；

训练后的判别模型是根据数据库中的各个样本图片以及各个样本图片所对应的风格类型训练得到，比如，数据库中包含4个样本图片，并且每个样本图片所对应的风格类型分别为：样本图片1对应素描风格，样本图片2对应梵高的《星空》风格，样本图片3对应法国画家德拉克罗瓦的《自由引导人民》风格以及样本图片4对应挪威画家蒙克的《呐喊》风格。为了保证最终训练好的判别模型能够准确的判别不同图片的风格类型，数据库中的需要包含尽量多的具有不同风格类型的样本图片。

在步骤S302中，分别将各个样本图片输入至判别模型中，以使该判别模型输出各个样本图片对应的风格类型；

比如，将上述数据库中的样本图片1、样本图片2、样本图片3以及样本图片4输入至判别模型中，该判别模型对该4个样本图片的风格类型进行判别，输出判别结果，比如该判别模型输出的判别结果为：样本图片1对应素描风格、样本图片2对应素描风格、样本图片3以及样本图片4也对应素描风格；

在步骤S303中，根据上述判别模型输出的各个样本图片对应的风格类型以及预先获取的各个样本图片所对应的风格类型，计算该判别模型的判别准确率；

在步骤S301以及步骤S302的例子中，由于判别模型只判别对了样本图片1的风格类型为素描风格，对于样本图片2、样本图片3以及样本图片4均判断错了风格类型，因此此时，判别模型的判别准确率为25％。

在步骤S304中，若上述判别准确率小于第一预设阈值，则调整该判别模型的参数，并通过参数调整后的判别模型继续对各个样本图片进行判别，直到参数调整后的判别模型的判别准确率大于或等于上述第一预设阈值，则将该判别模型确定为训练后的判别模型；

其中，上述第一预设阈值可以为模型训练人员预先设置的，比如可以为75％或者80％等等，若判别模型的判别准确率小于第一预设阈值，则认为该判别模型不能非常好的识别图片的风格类型，因此，需要重新调整该判别模型的参数，并通过参数调整后的判别模型继续对各个样本图片进行风格类型的判别，直到判别准确率达到第一预设阈值为止。

在获得训练后的判别模型之后，根据该训练后的判别模型来训练生成模型，从而获得训练后的生成模型，示例性地，上述训练后的生成模型的训练过程可以如图4所示，包括步骤S401-S403。

在步骤S401中，分别将各个样本图片输入至生成模型中，以使该生成模型对各个样本图片进行风格转换，生成与各个样本图片对应的指定风格类型的图片；

在本申请实施例中，用来训练生成模型的样本图片可以是步骤S301中训练判别模型的样本图片，也可以不是步骤S301中训练判别模型的样本图片，此处对此不作限定。

在本申请实施例中，需要训练多个不同的生成模型，每个训练后的生成模型专门用来生成具有某种特定风格的图片。比如训练专门生成素描风格图片的生成模型，以及专门生成油画风格图片的生成模型等等。

在本申请实施例中，在训练专门生成具有某种特定风格的图片的生成模型时，需要事先获取该种风格的图片所对应的风格特征信息，并将该风格特征信息输入至该生成模型中，以使得该生成模型根据该风格特征信息对各个输入的样本图片进行风格转换，将该风格特征信息与各个样本图片的内容信息相融合，从而将各个样本图片转换成具备某种风格的图片。

在步骤S402中，将上述生成模型生成的图片输入至上述训练后的判别模型中，以使得该训练后的判别模型判别各个生成的图片的风格类型，根据上述指定风格类型，对该训练后的判别模型的判别结果进行统计，获取该生成模型的生成正确率；

在训练初始时，即便生成模型具备了指定风格类型所对应的风格特征信息，比如素描风格所对应的风格特征信息，也不能很好的将该风格特征信息与样本图片的内容相融合，因此，需要判别该生成模型所生成的图片的风格类型是否为上述指定风格类型。

在本申请实施例中，通过训练后的判别模型来判别生成模型所生成的图片的风格类型，并对训练后的判别模型的判别结果进行统计，来获取生成模型的生成正确率。比如，若上述指定风格类型为素描风格，初始的生成模型将输入的各个样本图片转换为素描风格的图片，并将转换为的素描风格的图片输入至训练后的判别模型中，该训练后的判别模型对输入的图片的风格类型进行判别，若训练后的判别模型的判别结果指示所输入的图片均为油画风格，则认为该初始的生成模型的生成正确率为0，若训练后的判别模型的判别结果指示所输入的图片均为素描风格，则认为该生成模型的生成正确率为100％。

在步骤S403中，若上述生成模型的生成正确率小于第二预设阈值，则调整上述生成模型的参数，并通过参数调整后的生成模型继续对各个样本图片进行风格转换，直到参数调整后的生成模型的生成正确率大于或等于上述第二预设阈值，则将该生成模型确定为训练后的生成模型。

其中，上述第二预设阈值可以为模型训练人员预先设置的，比如可以为75％或者80％等等，若生成模型的生成正确率小于第二预设阈值，则认为该生成模型不能非常好的对输入图片进行风格转换，因此，需要重新调整该生成模型的参数，并通过参数调整后的生成模型继续对各个样本图片进行风格转换，直到生成正确率达到第二预设阈值为止。

在步骤S106中，将上述待处理图片中的各个子图片均替换为与各个子图片所对应的修正子图片，从而得到风格转换后的图片；

在本申请实施例中，将步骤S105所获得的经过风格转换后的修正子图片替换掉上述待处理图片中的各个子图片，从而实现将待处理图片中的目标物体进行风格转换。

为了更直观的描述本申请实施例一所提供的技术方案，下面利用附图5，对本申请实施例一进行描述。如图5所示，用户通过移动终端获取待处理图片，并可以在界面上显示该待处理图片，如界面501所示；若用户预先设置的目标物体为建筑物，预先输入的风格类型信息为“手绘风格”，则该移动终端可以在后台对该待处理图片中建筑物所在的图片区域进行框选，获得框选后的子图片502；并根据用户输入的风格类型信息，将子图片502输入到对应的训练后的生成式对抗网络模型中，以将该子图片502进行风格转换，生成具备手绘风格的修正子图片503；最后将该待处理图片中的子图片502替换为修正子图片503，并可以将该风格转换后的图片显示在显示界面中，如界面504所示。

由上可见，本申请实施例一所提供的技术方案，不仅会让目标物体转变风格，同时也会让目标物体周围的图片区域也转变风格。当目标物体在待处理图片中所占据的面积较小时，用户通常不会注意到目标物体周围的图片区域也转变了风格，因此，在这种情况下，利用上述本申请实施例一所提供的技术方案，可以取到较好的技术效果。

然而，当目标物体在待处理图片中所占据的面积较大时，变换了风格的目标物体周围的图片区域就变得格外明显，这是用户不想看到的。因此，在这种情况下，为了使用户具备更好的用户体验，可以利用图像分割算法，对子图片中的目标物体进行精确检测，获得目标物体的边缘轮廓线，比如利用图像分割算法在子图片502中获得建筑物的边缘轮廓线；然后，将该子图片中的由该边缘轮廓线组成的封闭区域内的像素点的像素值设置为零，获得置零子图片，同时，将修正子图片中的该边缘轮廓线组成的封闭区域外的像素点的像素值设置为零，获得置零修正子图片；最后，将置零子图片与置零修正子图片相加，利用相加获得的图片替换待处理图片中的子图片。通过上述技术方案，可以使得最终获得的风格转换后的图片中，只有目标物体进行了风格转换，目标物体周围的图片区域并没有进行风格转换，因此，可以具备更好的用户体验。

另外，上述最终所获得的风格转换后的图片由于包含与待处理图片具备不同风格的修正子图片，所以具备了两种不同的风格。这可能会导致风格转换后的图片中各个修正子图片与待处理图片的交界处过渡较为生硬，尤其当用户输入的风格类型信息所指示的目标物体需要转换的风格类型与待处理图片本身的风格类型差距较大时。为了改善这种情况，可以对上述风格转换后的图片中的各个修正子图片的边缘区域做模糊化处理，比如采用滤波算法、腐蚀算法或者膨胀算法等处理各个修正子图片的边缘区域，从而使得修正子图片与待处理图片的交界处更加自然，提高用户体验。其中，上述边缘区域为修正子图片与待处理图片相邻的图片区域。

此外，为了解决上述修正子图片与待处理图片的交界处过渡生硬的技术问题，还可以对各个子图片做两种以上的风格转换，比如，将子图片的中心区域部分做第一风格类型转换(该第一风格类型为用户输入的风格类型信息所指示的目标物体需要转换的风格类型，比如梵高的《向日葵》风格)，将子图片中除去中心区域的图片区域做第二风格类型转换(该第二风格类型为与第一风格类型以及待处理图片的风格类型均较为相似的风格类型)，从而利用具备第二风格类型的图片区域作为过渡，使得所获得修正子图片与待处理图片的衔接更为自然。

此外，可以利用本申请实施例一所提供的技术方案，对用户所观看的视频中的每一帧图片进行处理，将视频中的目标物体进行风格转换，这样可以增加用户观看视频时的趣味性。

本申请实施例一所提供的技术方案，可以实现将待处理图片中的目标物体进行风格转换，实现了仅仅更改图片中的部分内容的风格，并且本申请所提供的技术方案可以由移动终端自动完成，不需要用户过多的参与，因此，本申请提供的技术方案可以实现更改图片中的部分内容的风格并且操作更为简便，提高了用户体验，并且具备一定的娱乐效果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

实施例二

本申请实施例二提供了一种图片处理装置，为便于说明，仅示出与本申请相关的部分，如图6所示图片处理装置600包括，

获取模块601，用于获取待处理图片；

检测模块602，用于检测上述待处理图片中的目标物体，获得检测结果，上述检测结果用于指示上述待处理图片中有无目标物体以及在有目标物体时各个目标物体在上述待处理图片中的位置；

子图片获取模块603，用于若检测到上述待处理图片中包含一个或多个目标物体，则根据上述检测模块获取的上述目标物体在上述待处理图片中的位置，对各个目标物体进行框选，并将每个框选区域的图片作为子图片；

风格获取模块604，用于获取用户输入的风格类型信息，上述风格类型信息用于指示上述目标物体需要转换的风格类型；

风格转换模块605，用于根据上述风格类型信息，分别对每个子图片进行风格转换，得到与每个子图片所对应的修正子图片；

替换模块606，用于将上述待处理图片中的各个子图片均替换为与各个子图片对应的修正子图片，从而得到风格转换后的图片。

可选地，上述图片处理装置600还包括：

边缘获取模块，用于利用图像分割算法获取每个子图片中的目标物体的边缘轮廓线；

置零子图片模块，用于将每个子图片中的由上述目标物体边缘轮廓线组成的封闭区域内的像素点的像素值设置为零，获得与每个子图片所对应的置零子图片；

置零修正子图片模块，用于将每个修正子图片中的由上述目标物体边缘轮廓线组成的封闭区域之外的像素点的像素值设置为零，获得与每个子图片所对应的置零修正子图片；

修正子图片更新模块，用于将每个子图片所对应的置零子图片与置零修正子图片相加，并将相加得到的图片重新设置为每个子图片所对应的修正子图片。

可选地，上述图片处理装置600还包括：

模糊处理模块，用于将上述风格转换后的图片中的各个修正子图片的边缘区域做模糊化处理。

可选地，上述风格转换模块605还包括：

模型获取单元，用于根据上述风格类型信息，获取与上述风格类型信息对应的训练后的生成式对抗网络模型；

风格转换单元，用于分别将各个子图片输入至上述训练后的生成式对抗网络模型中，获得上述训练后的生成式对抗网络模型输出的与各个子图片对应的修正子图片。

可选地，上述检测模块602具体用于：

通过训练后的卷积神经网络模型检测上述待处理图片，获得检测结果。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

实施例四

图7是本申请实施例四提供的移动终端的示意图。如图7所示，该实施例的移动终端包括：处理器70、存储器71以及存储在上述存储器71中并可在上述处理器70上运行的计算机程序72。上述处理器70执行上述计算机程序72时实现上述图片处理方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，上述处理器70执行上述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至606的功能。

上述移动终端7可以是智能手机、平板电脑、智能穿戴设备等计算设备。上述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是移动终端7的示例，并不构成对移动终端7的限定，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，例如上述移动终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

上述存储器71可以是上述移动终端7的内部存储单元，例如移动终端7的硬盘或内存。上述存储器71也可以是上述移动终端7的外部存储设备，例如上述移动终端7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，上述存储器71还可以既包括上述移动终端7的内部存储单元也包括外部存储设备。上述存储器71用于存储上述计算机程序以及上述移动终端所需的其它程序和数据。上述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种图片处理方法，其特征在于，包括：

获取待处理图片；

检测所述待处理图片中的目标物体，获得检测结果，所述检测结果用于指示所述待处理图片中有无目标物体以及在有目标物体时各个目标物体在所述待处理图片中的位置；

若检测到所述待处理图片中包含一个或多个目标物体，则：

根据所述目标物体在所述待处理图片中的位置，对各个目标物体进行框选，并将每个框选区域的图片作为子图片；

获取用户输入的风格类型信息，所述风格类型信息用于指示所述目标物体需要转换的风格类型；

根据所述风格类型信息，分别对每个子图片进行风格转换，得到与每个子图片所对应的修正子图片；

将所述待处理图片中的各个子图片均替换为与各个子图片对应的修正子图片，从而获得风格转换后的图片。

2.如权利要求1所述的图片处理方法，其特征在于，所述将所述待处理图片中的各个子图片均替换为与各个子图片对应的修正子图片，从而获得风格转换后的图片的步骤之前，还包括：

利用图像分割算法获取每个子图片中的目标物体的边缘轮廓线；

将每个子图片中的由所述目标物体边缘轮廓线组成的封闭区域内的像素点的像素值设置为零，获得与每个子图片所对应的置零子图片；

将每个修正子图片中的由所述目标物体边缘轮廓线组成的封闭区域之外的像素点的像素值设置为零，获得与每个子图片所对应的置零修正子图片；

将每个子图片所对应的置零子图片与置零修正子图片相加，并将相加得到的图片重新设置为每个子图片所对应的修正子图片。

3.如权利要求2所述的图片处理方法，其特征在于，在所述将所述待处理图片中的各个子图片均替换为与各个子图片对应的修正子图片的，从而获得风格转换后的图片的步骤之后，还包括：

将所述风格转换后的图片中的各个修正子图片的边缘区域做模糊化处理。

4.如权利要求2所述的图片处理方法，其特征在于，所述根据所述风格类型信息，分别对每个子图片进行风格转换，得到每个子图片所对应的修正子图片，包括：

根据所述风格类型信息，获取与所述风格类型信息对应的训练后的生成式对抗网络模型；

分别将各个子图片输入至所述训练后的生成式对抗网络模型中，获得所述训练后的生成式对抗网络模型输出的与各个子图片对应的修正子图片。

5.如权利要求4所述的图片处理方法，其特征在于，所述训练后的生成式对抗网络模型包括训练后的判别模型以及训练后的生成模型；

所述训练后的判别模型的训练过程包括：

预先获取各个样本图片以及各个样本图片所对应的风格类型；

分别将各个样本图片输入至判别模型中，以使所述判别模型输出与各个样本图片对应的风格类型；

根据所述判别模型输出的与各个样本图片对应的风格类型以及预先获取的各个样本图片所对应的风格类型，计算获得所述判别模型的判别准确率；

若所述判别准确率小于第一预设阈值，则调整所述判别模型的参数，并通过参数调整后的判别模型继续对所述各个样本图片进行判别，直到参数调整后的判别模型的判别准确率大于或等于所述第一预设阈值，则将该判别模型确定为训练后的判别模型；

所述训练后的生成模型的训练过程包括：

分别将各个样本图片输入至生成模型中，以使所述生成模型分别对各个样本图片进行风格转换，生成与各个样本图片对应的指定风格类型的图片；

将各个生成的图片输入至所述训练后的判别模型中，以使得所述训练后的判别模型判别各个生成的图片的风格类型，根据所述指定风格类型，对所述训练后的判别模型的判别结果进行统计，获取所述生成模型的生成正确率；

若所述生成模型的生成正确率小于第二预设阈值，则调整所述生成模型的参数，并通过参数调整后的生成模型继续对各个样本图片进行风格转换，直到参数调整后的生成模型的生成正确率大于或等于所述第二预设阈值，则将该生成模型确定为训练后的生成模型。

6.如权利要求1至5中任一项所述的图片处理方法，其特征在于，所述检测所述待处理图片中的目标物体，获得检测结果，包括：

通过训练后的卷积神经网络模型检测所述待处理图片，获得检测结果。

7.如权利要求6所述的图片处理方法，其特征在于，所述训练后的卷积神经网络模型的训练过程包括：

预先获取各个样本图片以及各个样本图片对应的检测结果；

将各个样本图片输入至卷积神经网络模型中，以使得所述卷积神经网络模型对各个样本图片中的目标物体进行检测；

根据预先获取的各个样本图片的检测结果，获取所述卷积神经网络模型的检测准确率；

若所述检测准确率小于检测阈值，则调整所述卷积神经网络模型的参数，并通过参数调整后的卷积神经网络模型继续对所述各个样本图片中的目标物体进行检测，直到参数调整后的卷积神经网络模型的检测准确率大于或等于所述检测阈值，则将该卷积神经网络模型确定为训练后的卷积神经网络模型。

8.一种图片处理装置，其特征在于，包括：

获取模块，用于获取待处理图片；

检测模块，用于检测所述待处理图片中的目标物体，获得检测结果，所述检测结果用于指示所述待处理图片中有无目标物体以及在有目标物体时各个目标物体在所述待处理图片中的位置；

子图片获取模块，用于若检测到所述待处理图片中包含一个或多个目标物体，则根据所述检测模块获取的所述目标物体在所述待处理图片中的位置，对各个目标物体进行框选，并将每个框选区域的图片作为子图片；

风格获取模块，用于获取用户输入的风格类型信息，所述风格类型信息用于指示所述目标物体需要转换的风格类型；

风格转换模块，用于根据所述风格类型信息，分别对每个子图片进行风格转换，得到与每个子图片所对应的修正子图片；

替换模块，用于将所述待处理图片中的各个子图片均替换为与各个子图片对应的修正子图片，从而获得风格转换后的图片。

9.一种移动终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。