CN108961303A - 一种图像处理方法、装置、电子设备和计算机可读介质 - Google Patents
一种图像处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN108961303A CN108961303A CN201810814632.XA CN201810814632A CN108961303A CN 108961303 A CN108961303 A CN 108961303A CN 201810814632 A CN201810814632 A CN 201810814632A CN 108961303 A CN108961303 A CN 108961303A
- Authority
- CN
- China
- Prior art keywords
- multivalue
- image
- segmentation
- target object
- processed
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Abstract
本发明提供了一种图像处理方法、装置、电子设备和计算机可读介质,涉及图像处理的技术领域,该方法包括:获取包含目标对象的待处理图像,其中,目标对象为待处理图像中的前景物体;从待处理图像中分割得到目标对象的多值分割图像,其中,多值分割图像中包括:前景区域,背景区域,前景区域和背景区域的过渡区域。本发明的方法既自动快速,又能达到手动多值分割的准确度,将其生成的多值分割图输入精细抠图算法,能够得到高质量的抠图结果。
Description
技术领域
本发明涉及图像处理的技术领域,尤其是涉及一种图像处理方法、装置、电子设备和计算机可读介质。
背景技术
精细抠图(image matting)是从图像中将前景区域(foreground)与背景区域(background)进行精细分离的一种技术。与一般的图像二元分割(binary imagesegmentation)类似,精细抠图得到的结果是一幅前景物体的前景蒙版(alpha mask)。不同的是,二元分割得到前景蒙版是二值的,1(白)为前景,0(黑)为背景;而精细抠图获取的前景蒙版精确地反映了前景区域与背景区域在边缘处的半透明过渡细节,其结果是从1到0(从前景到背景)的连续过渡。
为了计算精细抠图,除了原图,通常需要用户提供一幅三值分割图(trimap)作为辅助。如图1所示,在三值分割图中,白色表示绝对前景区域,黑色表示绝对背景区域,灰色表示前背景的过渡区域,精细抠图计算只针对这一过渡区域进行。
用户如何得到上面的三值分割图是精细抠图计算过程中的“痛点”。在现有技术中,获取精细抠图所需的三值分割图的方法存在例如不准确或需要消耗用户大量的时间和精力等缺点。
发明内容
有鉴于此,本发明提供一种图像处理方法、装置、电子设备和计算机可读介质,该方法既自动快速,又能达到手动多值分割的准确度,将其生成的多值分割图输入精细抠图算法,能够得到高质量的抠图结果。
第一方面,本发明实施例提供了一种图像处理方法,包括:获取包含目标对象的待处理图像,其中,所述目标对象为所述待处理图像中的前景物体;从所述待处理图像中分割得到所述目标对象的多值分割图像,其中,所述多值分割图像中包括:前景区域,背景区域,所述前景区域和所述背景区域的过渡区域。
进一步地,从所述待处理图像分割得到所述目标对象的多值分割图像包括:将所述待处理图像输入至第一多值分割网络中进行多值分割处理,得到所述目标对象的多值分割图像。
进一步地,从所述待处理图像分割得到所述目标对象的多值分割图像包括:对所述待处理图像进行二值分割处理,得到所述目标对象的二值分割图像,其中,所述二值分割图像中包括:前景区域和背景区域;将所述二值分割图像和所述待处理图像输入至第二多值分割网络中进行多值分割处理,得到所述目标对象的多值分割图像。
进一步地,所述方法还包括:对所述多值分割图像中的过渡区域进行精细抠图处理,得到所述目标对象的精细抠图结果包括。
进一步地,对所述多值分割图像中的过渡区域进行精细抠图处理,得到所述目标对象的精细抠图结果包括:将所述多值分割图像和所述待处理图像输入至精细抠图模型中进行精细抠图处理,得到所述目标对象的精细抠图结果。
进一步地,所述方法还包括:获取包含目标对象的多个原始训练图像;对每个所述原始训练图像进行处理,得到所述目标对象的二值分割图像和所述目标对象的精细抠图结果;利用所述精细抠图结果生成所述目标对象的多值分割图像;通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的部分或全部对所述多值分割网络的原始多值分割网络进行训练;通过所述原始训练图像、所述二值分割图像和所述精细抠图结果对所述精细抠图模型的原始精细抠图模型进行训练。
进一步地,通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的部分对所述多值分割网络的原始多值分割网络进行训练包括:利用所述原始训练图像和所述多值分割图像对所述原始多值分割网络中的第一原始多值分割网络进行训练。
进一步地,通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的全部对所述多值分割网络的原始多值分割网络进行训练包括:利用所述原始训练图像、所述多值分割图像和所述二值分割图像对所述原始多值分割网络中的第二原始多值分割网络进行训练。
进一步地,利用所述精细抠图结果生成所述目标对象的多值分割图像包括:将所述精细抠图结果中的目标像素点的像素值设置为预设数值,得到所述多值分割图像,其中,所述目标像素点的像素值在第一数值和第二数值之间,且所述预设数值在第一数值和第二数值之间,所述第一数值表示像素点为白色,所述第二数值表示像素点为黑色,所述预设数值的数量至少为一个。
进一步地,所述方法还包括:按照预设比例对所述多值分割图像中的过渡区域进行扩大。
第二方面,本发明实施例提供了一种图像处理装置,包括:获取单元,用于获取包含目标对象的待处理图像,其中,所述目标对象为所述待处理图像中的前景物体;分割单元,用于从所述待处理图像中分割得到所述目标对象的多值分割图像,其中,所述多值分割图像中包括:前景区域,背景区域,所述前景区域和所述背景区域的过渡区域。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法。
第四方面,本发明实施例提供了一种计算机存储介质,其上存储有计算机程序,所述计算机运行所述计算机程序时执行上述第一方面中任一项所述的方法的步骤。
在本实施例中,首先获取包含目标对象的待处理图像;然后,利用多值分割网络从待处理图像中分割得到目标对象的多值分割图像;其中,按照该方式所生成的多值分割图像能够用于进行精细抠图处理,得到目标对象的精细抠图结果。通过上述描述可知,在本实施例中,能够根据图像内容生成多值分割图,生成的多值分割图的灰值区域能够完整地包含前景区域和背景区域的过渡区域。这种方法既自动快速,又能达到手动多值分割的准确度。本发明所提供的方法缓解现有的多值分割方法准确度且效率较低的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为现有的原始图像的前景蒙版的处理流程图;
图2是根据本发明实施例的一种电子设备的示意图;
图3是根据本发明实施例的一种图像处理方法的流程图;
图4是根据本发明实施例的一种第一多值分割网络的结构示意图;
图5是根据本发明实施例的一种待处理图像和待处理图像的多值分割图像;
图6是根据本发明实施例的一种第二多值分割网络的结构示意图;
图7是根据本发明实施例的一种精细抠图模型的结构示意图;
图8是根据本发明实施例的一种第一多值分割网络和精细抠图模型的结构示意图;
图9是根据本发明实施例的一种第二多值分割网络和精细抠图模型的结构示意图;
图10是根据本发明实施例的一种训练过程中获取多值分割图像的流程示意图;
图11是根据本发明实施例的一种图像处理装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
首先,参照图2来描述用于实现本发明实施例的电子设备100,该电子设备可以用于运行本发明各实施例的图像处理方法。
如图2所示,电子设备100包括一个或多个处理器102、一个或多个存储器104、输入装置106、输出装置108以及摄像机110,这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意,图2所示的电子设备100的组件和结构只是示例性的,而非限制性的,根据需要,所述电子设备也可以具有其他组件和结构。
所述处理器102可以采用数字信号处理器(DSP,Digital Signal Processing)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、可编程逻辑阵列(PLA,Programmable Logic Array)和ASIC(Application Specific Integrated Circuit)中的至少一种硬件形式来实现,所述处理器102可以是中央处理单元(CPU,Central ProcessingUnit)、图形处理器(GPU,Graphics Processing Unit)、嵌入式神经网络处理器(NPU,Neural-network Processing Unit)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储器104可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器102可以运行所述程序指令,以实现下文所述的本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据,例如所述应用程序使用和/或产生的各种数据等。
所述输入装置106可以是用户用来输入指令的装置,并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
所述输出装置108可以向外部(例如,用户)输出各种信息(例如,图像或声音),并且可以包括显示器、扬声器等中的一个或多个。
所述摄像机110用于进行图像采集,其中,摄像机所采集的数据经过所述图像处理方法进行处理之后得到目标对象的精细抠图结果,例如,摄像机可以拍摄用户期望的图像(例如照片、视频等),然后,将该图像经过所述图像处理方法进行处理之后得到目标对象的精细抠图结果,摄像机还可以将所拍摄的图像存储在所述存储器104中以供其它组件使用。
示例性地,用于实现根据本发明实施例的图像处理方法的电子设备可以被实现为诸如智能手机、平板电脑等智能移动终端。
实施例2:
根据本发明实施例,提供了一种图像处理方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图3是根据本发明实施例的一种图像处理方法的流程图,如图3所示,该方法包括如下步骤:
步骤S302,获取包含目标对象的待处理图像,其中,所述目标对象为所述待处理图像中的前景物体;其中,目标对象可以是人,还可以是其他前景物体,本实施例中不做具体限定。
步骤S304,从所述待处理图像中分割得到所述目标对象的多值分割图像,其中,所述多值分割图像中包括:前景区域,背景区域,所述前景区域和所述背景区域的过渡区域。
在本实施例中,多值分割图像可以是三值分割图像,或者三值分割图像以上的多值分割图像。当多值分割图像是三值分割图像时,过渡区域为同一种像素值的区域,其中,该像素值介于0至1之间。当多值分割图像是三值分割图像以上的多值分割图像时,过渡区域为多种像素值的区域,其中,该多种像素值的每种像素值均介于0至1之间。
在本实施例中,首先获取包含目标对象的待处理图像;然后,利用多值分割网络从待处理图像中分割得到目标对象的多值分割图像;其中,按照该方式所生成的多值分割图像能够用于进行精细抠图处理,得到目标对象的精细抠图结果。通过上述描述可知,在本实施例中,能够根据图像内容生成多值分割图,生成的多值分割图的灰值区域能够完整地包含前景区域和背景区域的过渡区域。这种方法既自动快速,又能达到手动多值分割的准确度。本发明所提供的方法缓解了现有的多值分割方法准确度且效率较低的技术问题。
在本实施例中,可以利用多值分割网络从待处理图像中分割得到目标对象的多值分割图像。其中,多值分割网络是一个具有编码器、解码器(encoder-decoder)结构的全卷积网络(fully convolutional neural network),根据输入要求的不同,可以训练两个的模型(即,第一多值分割网络和第二多值分割网络)。在实际使用中,两个模型的作用相同,均是为下一步的精细抠图生成多值分割结果。也即,在本实施例中,可以通过第一多值分割网络从待处理图像中分割得到目标对象的多值分割图像,或者通过第二多值分割网络从所述待处理图像中分割得到所述目标对象的多值分割图像。如图4所示的即为第一多值分割网络的结构示意图,如图6所示的即为第二多值分割网络的结构示意图。
下面将介绍上述两种多值分割网络的具体处理过程。
第一种、多值分割网络为第一多值分割网络。
基于此,上述步骤S304,从所述待处理图像分割得到所述目标对象的多值分割图像包括如下步骤:
步骤S3041,将所述待处理图像输入至第一多值分割网络中进行多值分割处理,得到所述目标对象的多值分割图像。
在本实施例中,如图4所示,可以将待处理图像作为第一多值分割网络的输入,输入至第一多值分割网络中进行处理,得到目标对象的多值分割图像。如图5所示,左侧的附图为待处理图像,右侧的附图为待处理图像的三值分割图像。
第二种、多值分割网络为第二多值分割网络。
基于此,上述步骤S304,从所述待处理图像分割得到所述目标对象的多值分割图像包括如下步骤:
步骤S3042,对所述待处理图像进行二值分割处理,得到所述目标对象的二值分割图像,其中,所述二值分割图像中包括:前景区域和背景区域;
步骤S3043,将所述二值分割图像和所述待处理图像输入至第二多值分割网络中进行多值分割处理,得到所述目标对象的多值分割图像。
基于此,在本实施例中,可以对待处理图像进行二值分割处理,从而得到待处理图像的二值分割图像。如图1中,从左边数第2幅图即为二值分割图像。在得到二值分割图像之后,如图6所示,可以将待处理图像和二值分割图像作为第二多值分割网络的输入,输入至第二多值分割网络中进行处理,得到目标对象的多值分割图像(例如,三值分割图像)。
需要说明的是,在本实施例中,多值分割图像并不限定于三值分割图像,还可以是三值分割图像以上的其他的多值分割图像,本实施例中不做具体限定。在本实施例中,可以通过改变三值分割网络的网络结构和训练数据,实现对待处理图像的多值分割,因此不仅对于精细抠图,对于在图像中分多区域进行不同处理的算法也都适用,具备很强的通用性。
通过上述描述可知,在本实施例中,结合图4和图6可以看出,对于第二多值分割网络,其输入是待处理图像的原图和二值分割图像(或者携带二元分割信息的图像);对于第一多值分割网络,其输入只是待处理图像的原图,两个多值分割网络的输出均为三值分割图像。
两个多值分割网络的网络结构相比较,第二多值分割网络由于有二元分割输入的较强提示,更容易定位三值分割中过渡区域的范围,而第一多值分割网络则需要更多的训练数据以要达到和第二多值分割网络相同的准确度。但在实际使用中,第二多值分割网络还需要用户额外提供一幅二元分割图像才能计算三值分割图像,而第一多值分割网络只需原图就能输出三值分割图像。
由于第二多值分割网络的输入中包括二值分割图像,该二值分割图像作为第二多值分割网络的参考数据,而第一多值分割网络的输入中不包括二值分割图像。因此,第一多值分割网络的复杂程度高于第二多值分割网络的复杂程度。
在本实施例中,在按照上述所描述的方式得到目标对象的多值分割图像之后,就可以对多值分割图像中的过渡区域进行精细抠图处理,进而得到目标对象的精细抠图结果。
在本实施例中,将上述步骤S302和步骤S304所生成的多值分割图输入到精细抠图算法中进行精细抠图处理,相对于现有的抠图方式,能够得到高质量的抠图结果。
在本实施例的一个可选实施方式中,对所述多值分割图像中的过渡区域进行精细抠图处理,得到所述目标对象的精细抠图结果包括如下步骤:
步骤S3061,将所述多值分割图像和所述待处理图像输入至精细抠图模型中进行精细抠图处理,得到所述目标对象的精细抠图结果。
其中,精细抠图模型是一个全卷积网络,结构与多值分割网络类似。精细抠图模型的输入为待处理图像的原图和多值分割图像,精细抠图模型的输出则是精细抠图的前景蒙版(即,精细抠图结果)。如图7所示,将多值分割图像和所述待处理图像作为精细抠图模型的输入数据,输入至精细抠图模型中进行处理,得到目标对象的精细抠图结果。
通过上述描述可知,在本实施例中,当多值分割网络为第一多值分割网络时,第一多值分割网络与精细抠图模型对待处理图像进行处理的过程可以用如图8所示的示意图来进行表示,具体过程描述如下:
首先待处理图像(A)通过第一多值分割网络(E1),得到多值分割图像(D)。接下来,待处理图像(A)与多值分割图像(D)通过精细抠图模型(F)得到最终的精细抠图结果(C)。
通过上述描述可知,在本实施例中,当多值分割网络为第二多值分割网络时,第二多值分割网络与精细抠图模型对待处理图像进行处理的过程可以用如图9所示的示意图来进行表示,具体过程描述如下:
首先待处理图像(A)和待处理图像的二值分割图像(B)通过第一多值分割网络(E1),得到多值分割图像(D)。接下来,待处理图像(A)与多值分割图像(D)通过精细抠图模型(F)得到最终的精细抠图结果(C)。
需要说明的是,在本实施例中,在通过上述精细抠图模型和多值分割网络从待处理图像中得到目标对象的精细抠图结果时,需要对精细抠图模型的原始精细抠图模型进行训练,并对多值分割网络的原始多值分割网络进行训练,具体训练过程描述如下:
首先,获取包含目标对象的多个原始训练图像;
然后,对每个所述原始训练图像进行处理,得到所述目标对象的二值分割图像和所述目标对象的精细抠图结果;
之后,利用所述精细抠图结果生成所述目标对象的多值分割图像;
可选地,利用所述精细抠图结果生成所述目标对象的多值分割图像包括:
将所述精细抠图结果中的目标像素点的像素值设置为预设数值,得到所述多值分割图像,其中,所述目标像素点的像素值在第一数值和第二数值之间,且所述预设数值在第一数值和第二数值之间,所述第一数值表示像素点为白色,所述第二数值表示像素点为黑色,所述预设数值的数量至少为一个。
接下来,通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的部分或全部对所述多值分割网络的原始多值分割网络进行训练;
最后,通过所述原始训练图像、所述二值分割图像和所述精细抠图结果对所述精细抠图模型的原始精细抠图模型进行训练。
具体地,在本实施例中,如图10所示,首先收集原始的图片(A)作为原始训练图像,其中,为了保证训练效果,图片数量通常在1000张以上。接下来,使用标注工具人工地对图片进行二元分割得到二元分割图像(B),并对图片进行精细抠图处理,得到精细抠图结果(C)。最后通过精细抠图得到的前景蒙版(或者精细抠图结果)(C)生成图像的多值分割图像(D)。
在本实施例中,从精细抠图结果(C)到多值分割图像(D)自动生成的方法是:直接将精细抠图结果(C)中像素值不为纯白(1)且不为纯黑(0)的像素点设为过渡区域的像素点,即目标像素点,其中,第一数值为1,第二数值为零。然后,将目标像素点的像素值设置为预设数值,即0到1之间的数值。
需要说明的是,如果上述多值分割图像(D)为三值分割图像,那么该目标像素点的像素值为相同的数值。如果上述多值分割图像(D)为三值分割以上的多值分割图像,那么该目标像素点的像素值为不同的数值,具体数值可以根据实际需要来进行设定。例如,如图5所示,将头发与背景区域之间的过渡区域的像素点的像素值设置为第三数值A1,将肩膀与背景区域之间的过渡区域的像素点的像素值设置为第三数值A2,其中,A1与A2不相等。
需要说明的是,在本实施例中,在得到多值分割图像之后,还可以按照预设比例对所述多值分割图像中的过渡区域进行扩大。
具体地,为了提高训练的模型(精细抠图模型的原始精细抠图模型和多值分割网络的原始多值分割网络)的鲁棒性,可以适当地将过渡区域扩大一些,扩大的面积不超过初始过渡区域面积的1/4(即,上述预设比例)。在本实施例中,预设比例并不限定为上述1/4,用户可以根据实际需要来进行设定。
接下来,将训练两个深度神经网络模型,即精细抠图模型的原始精细抠图模型和多值分割网络的原始多值分割网络。其中,可以通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的部分或全部对所述多值分割网络的原始多值分割网络进行训练;以及通过原始训练图像、二值分割图像和精细抠图结果对所述多值分割网络的原始多值分割网络和所述精细抠图模型的原始精细抠图模型进行训练。
通过上述描述可知,多值分割网络包括:第一多值分割网络和第二多值分割网络,那么第一多值分割网络的原始多值分割网络为第一原始多值分割网络,第二多值分割网络的原始多值分割网络为第二原始多值分割网络。
基于此,在一个可选的实施方式中,当原始多值分割网络为第一原始多值分割网络时,通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的部分对所述多值分割网络的原始多值分割网络进行训练包括如下步骤:
利用所述原始训练图像和所述多值分割图像对所述原始多值分割网络中的第一原始多值分割网络进行训练。
将原始训练图像和多值分割图像组成训练样本,其中,原始训练图像为第一原始多值分割网络的输入,多值分割图像为第一原始多值分割网络的输出。之后,通过该训练样本对第一原始多值分割网络进行训练。
基于此,在另一个可选的实施方式中,当原始多值分割网络为第二原始多值分割网络时,通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的全部对所述多值分割网络的原始多值分割网络进行训练包括:
利用所述原始训练图像、所述多值分割图像和所述二值分割图像对所述原始多值分割网络中的第二原始多值分割网络进行训练。
将原始训练图像、多值分割图像和二值分割图像组成训练样本,其中,原始训练图像和为二值分割图像第二原始多值分割网络的输入,多值分割图像为第二原始多值分割网络的输出。之后,通过该训练样本对第二原始多值分割网络进行训练。
通过上述描述可知,在本实施例中,提出了一种图像处理方法,该图像处理方法为一种新的基于深度学习的方法。该方法能够根据图像内容生成多值分割图像(例如,三值分割图像trimap),生成的多值分割图像的灰值区域能够完整地包含前景区域和背景区域的过渡区域,并且具备图像自适应的特点,即在过渡区域范围小的地方较窄,而在过渡区域范围大的地方较宽。这种方法既自动快速,又能达到手动三值分割的准确度,将其生成的多值分割图像用于精细抠图算法,能够得到高质量的前景蒙版(即精细抠图结果)。
实施例3:
本发明实施例还提供了一种图像处理装置,该图像处理装置主要用于执行本发明实施例上述内容所提供的图像处理方法,以下对本发明实施例提供的图像处理装置做具体介绍。
图11是根据本发明实施例的一种图像处理装置的示意图,如图11所示,该图像处理装置主要包括获取单元10和分割单元20,其中:
获取单元,用于获取包含目标对象的待处理图像,其中,所述目标对象为所述待处理图像中的前景物体;
分割单元,用于从所述待处理图像中分割得到所述目标对象的多值分割图像,其中,所述多值分割图像中包括:前景区域,背景区域,所述前景区域和所述背景区域的过渡区域。
在本实施例中,首先获取包含目标对象的待处理图像;然后,利用多值分割网络从待处理图像中分割得到目标对象的多值分割图像;其中,按照该方式所生成的多值分割图像能够用于进行精细抠图处理,得到目标对象的精细抠图结果。通过上述描述可知,在本实施例中,能够根据图像内容生成多值分割图,生成的多值分割图的灰值区域能够完整地包含前景区域和背景区域的过渡区域。这种方法既自动快速,又能达到手动多值分割的准确度。本发明所提供的方法缓解现有的多值分割方法准确度且效率较低的技术问题。
可选地,分割单元包括:第一分割单元,用于将所述待处理图像输入至第一多值分割网络中进行多值分割处理,得到所述目标对象的多值分割图像。
可选地,分割单元包括:第二分割单元,用于对所述待处理图像进行二值分割处理,得到所述目标对象的二值分割图像,其中,所述二值分割图像中包括:前景区域和背景区域;将所述二值分割图像和所述待处理图像输入至第二多值分割网络中进行多值分割处理,得到所述目标对象的多值分割图像。
可选地,所述装置还包括:抠图处理单元,用于对所述多值分割图像中的过渡区域进行精细抠图处理,得到所述目标对象的精细抠图结果。
可选地,抠图处理单元还用于:将所述多值分割图像和所述待处理图像输入至精细抠图模型中进行精细抠图处理,得到所述目标对象的精细抠图结果。
可选地,该装置还用于:获取包含目标对象的多个原始训练图像;对每个所述原始训练图像进行处理,得到所述目标对象的二值分割图像和所述目标对象的精细抠图结果;利用所述精细抠图结果生成所述目标对象的多值分割图像;通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的部分或全部对所述多值分割网络的原始多值分割网络进行训练;通过所述原始训练图像、所述二值分割图像和所述精细抠图结果对所述精细抠图模型的原始精细抠图模型进行训练。
可选地,该装置还用于:利用所述原始训练图像和所述多值分割图像对所述原始多值分割网络中的第一原始多值分割网络进行训练。
可选地,该装置还用于:利用所述原始训练图像、所述多值分割图像和所述二值分割图像对所述原始多值分割网络中的第二原始多值分割网络进行训练。
可选地,该装置还用于:将所述精细抠图结果中的目标像素点的像素值设置为预设数值,得到所述多值分割图像,其中,所述目标像素点的像素值在第一数值和第二数值之间,且所述预设数值在第一数值和第二数值之间,所述第一数值表示像素点为白色,所述第二数值表示像素点为黑色,所述预设数值的数量至少为一个。
可选地,该装置还用于:按照预设比例对所述多值分割图像中的过渡区域进行扩大。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
在本发明的另一个实施中,还提供了一种计算机存储介质,其上存储有计算机程序,所述计算机运行所述计算机程序时执行上述方法实施例1中任一项所述的方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所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,在本发明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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种图像处理方法,其特征在于,包括:
获取包含目标对象的待处理图像,其中,所述目标对象为所述待处理图像中的前景物体;
从所述待处理图像中分割得到所述目标对象的多值分割图像,其中,所述多值分割图像中包括:前景区域,背景区域,所述前景区域和所述背景区域的过渡区域。
2.根据权利要求1所述的方法,其特征在于,从所述待处理图像分割得到所述目标对象的多值分割图像包括:
将所述待处理图像输入至第一多值分割网络中进行多值分割处理,得到所述目标对象的多值分割图像。
3.根据权利要求1所述的方法,其特征在于,从所述待处理图像分割得到所述目标对象的多值分割图像包括:
对所述待处理图像进行二值分割处理,得到所述目标对象的二值分割图像,其中,所述二值分割图像中包括:前景区域和背景区域;
将所述二值分割图像和所述待处理图像输入至第二多值分割网络中进行多值分割处理,得到所述目标对象的多值分割图像。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:对所述多值分割图像中的过渡区域进行精细抠图处理,得到所述目标对象的精细抠图结果。
5.根据权利要求4所述的方法,其特征在于,对所述多值分割图像中的过渡区域进行精细抠图处理,得到所述目标对象的精细抠图结果包括:
将所述多值分割图像和所述待处理图像输入至精细抠图模型中进行精细抠图处理,得到所述目标对象的精细抠图结果。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取包含目标对象的多个原始训练图像;
对每个所述原始训练图像进行处理,得到所述目标对象的二值分割图像和所述目标对象的精细抠图结果;
利用所述精细抠图结果生成所述目标对象的多值分割图像;
通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的部分或全部对所述多值分割网络的原始多值分割网络进行训练;
通过所述原始训练图像、所述二值分割图像和所述精细抠图结果对所述精细抠图模型的原始精细抠图模型进行训练。
7.根据权利要求6所述的方法,其特征在于,通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的部分对所述多值分割网络的原始多值分割网络进行训练包括:
利用所述原始训练图像和所述多值分割图像对所述原始多值分割网络中的第一原始多值分割网络进行训练。
8.根据权利要求6所述的方法,其特征在于,通过所述原始训练图像、所述多值分割图像和所述二值分割图像中的全部对所述多值分割网络的原始多值分割网络进行训练包括:
利用所述原始训练图像、所述多值分割图像和所述二值分割图像对所述原始多值分割网络中的第二原始多值分割网络进行训练。
9.根据权利要求6所述的方法,其特征在于,利用所述精细抠图结果生成所述目标对象的多值分割图像包括:
将所述精细抠图结果中的目标像素点的像素值设置为预设数值,得到所述多值分割图像,其中,所述目标像素点的像素值在第一数值和第二数值之间,且所述预设数值在第一数值和第二数值之间,所述第一数值表示像素点为白色,所述第二数值表示像素点为黑色,所述预设数值的数量至少为一个。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
按照预设比例对所述多值分割图像中的过渡区域进行扩大。
11.一种图像处理装置,其特征在于,包括:
获取单元,用于获取包含目标对象的待处理图像,其中,所述目标对象为所述待处理图像中的前景物体;
分割单元,用于从所述待处理图像中分割得到所述目标对象的多值分割图像,其中,所述多值分割图像中包括:前景区域,背景区域,所述前景区域和所述背景区域的过渡区域。
12.一种电子设备,包括存储器、处理器及存储在所述存储器上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上述权利要求1至10中任一项所述的方法。
13.一种计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机运行所述计算机程序时执行上述权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810814632.XA CN108961303B (zh) | 2018-07-23 | 2018-07-23 | 一种图像处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810814632.XA CN108961303B (zh) | 2018-07-23 | 2018-07-23 | 一种图像处理方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108961303A true CN108961303A (zh) | 2018-12-07 |
CN108961303B CN108961303B (zh) | 2021-05-07 |
Family
ID=64464208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810814632.XA Active CN108961303B (zh) | 2018-07-23 | 2018-07-23 | 一种图像处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108961303B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829925A (zh) * | 2019-01-23 | 2019-05-31 | 清华大学深圳研究生院 | 一种在抠图任务中提取干净前景的方法及模型训练方法 |
CN110008832A (zh) * | 2019-02-27 | 2019-07-12 | 西安电子科技大学 | 基于深度学习人物图像自动分割方法、信息数据处理终端 |
CN110400323A (zh) * | 2019-07-30 | 2019-11-01 | 上海艾麒信息科技有限公司 | 一种自动抠图系统、方法以及装置 |
CN110503704A (zh) * | 2019-08-27 | 2019-11-26 | 北京迈格威科技有限公司 | 三分图的构造方法、装置和电子设备 |
CN110503657A (zh) * | 2019-08-26 | 2019-11-26 | 武汉众果科技有限公司 | 一种快速把图片进行抠图处理的方法 |
CN110599515A (zh) * | 2019-08-14 | 2019-12-20 | 北京影谱科技股份有限公司 | 一种前景对象自动分层处理方法、装置、系统及存储介质 |
CN110930296A (zh) * | 2019-11-20 | 2020-03-27 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111127486A (zh) * | 2019-12-25 | 2020-05-08 | Oppo广东移动通信有限公司 | 图像分割方法、装置、终端及存储介质 |
CN111210434A (zh) * | 2019-12-19 | 2020-05-29 | 上海艾麒信息科技有限公司 | 基于天空识别的图像替换方法及系统 |
CN111553923A (zh) * | 2019-04-01 | 2020-08-18 | 上海卫莎网络科技有限公司 | 一种图像处理方法、电子设备及计算机可读存储介质 |
CN111784564A (zh) * | 2020-06-30 | 2020-10-16 | 稿定(厦门)科技有限公司 | 自动抠图方法及系统 |
CN112149592A (zh) * | 2020-09-28 | 2020-12-29 | 上海万面智能科技有限公司 | 图像处理方法、装置以及计算机设备 |
CN112184722A (zh) * | 2020-09-15 | 2021-01-05 | 上海传英信息技术有限公司 | 图像处理方法、终端及计算机存储介质 |
CN112446380A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 图像处理方法和装置 |
CN112686131A (zh) * | 2020-12-28 | 2021-04-20 | 中国平安人寿保险股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112784842A (zh) * | 2019-11-07 | 2021-05-11 | 珠海金山办公软件有限公司 | 一种处理图像的方法、装置、计算机存储介质及终端 |
CN113973178A (zh) * | 2021-10-24 | 2022-01-25 | 云景文旅科技有限公司 | 一种旅游过程中交互拍照处理方法和装置 |
CN114820686A (zh) * | 2022-05-16 | 2022-07-29 | 北京百度网讯科技有限公司 | 抠图的方法、装置、电子设备及存储介质 |
WO2023159746A1 (zh) * | 2022-02-23 | 2023-08-31 | 平安科技(深圳)有限公司 | 基于图像分割的图像抠图方法、装置、计算机设备及介质 |
CN112184722B (zh) * | 2020-09-15 | 2024-05-03 | 上海传英信息技术有限公司 | 图像处理方法、终端及计算机存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100302376A1 (en) * | 2009-05-27 | 2010-12-02 | Pierre Benoit Boulanger | System and method for high-quality real-time foreground/background separation in tele-conferencing using self-registered color/infrared input images and closed-form natural image matting techniques |
CN103473780A (zh) * | 2013-09-22 | 2013-12-25 | 广州市幸福网络技术有限公司 | 一种人像背景抠图的方法 |
CN103714540A (zh) * | 2013-12-21 | 2014-04-09 | 浙江传媒学院 | 数字抠像处理中的基于svm的透明度估计方法 |
US8897562B2 (en) * | 2012-06-29 | 2014-11-25 | Adobe Systems Incorporated | Adaptive trimap propagation for video matting |
US9292928B2 (en) * | 2013-06-28 | 2016-03-22 | Canon Kabushiki Kaisha | Depth constrained superpixel-based depth map refinement |
CN105631880A (zh) * | 2015-12-31 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 车道线分割方法和装置 |
CN106204567A (zh) * | 2016-07-05 | 2016-12-07 | 华南理工大学 | 一种自然背景视频抠图方法 |
CN106488180A (zh) * | 2015-08-31 | 2017-03-08 | 上海悠络客电子科技有限公司 | 视频阴影检测方法 |
CN107730528A (zh) * | 2017-10-28 | 2018-02-23 | 天津大学 | 一种基于grabcut算法的交互式图像分割与融合方法 |
WO2018107825A1 (zh) * | 2016-12-13 | 2018-06-21 | 华为技术有限公司 | 抠图方法及装置 |
CN108305256A (zh) * | 2017-11-28 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 视频抠像处理方法、处理装置及计算机可读存储介质 |
-
2018
- 2018-07-23 CN CN201810814632.XA patent/CN108961303B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100302376A1 (en) * | 2009-05-27 | 2010-12-02 | Pierre Benoit Boulanger | System and method for high-quality real-time foreground/background separation in tele-conferencing using self-registered color/infrared input images and closed-form natural image matting techniques |
US8897562B2 (en) * | 2012-06-29 | 2014-11-25 | Adobe Systems Incorporated | Adaptive trimap propagation for video matting |
US9292928B2 (en) * | 2013-06-28 | 2016-03-22 | Canon Kabushiki Kaisha | Depth constrained superpixel-based depth map refinement |
CN103473780A (zh) * | 2013-09-22 | 2013-12-25 | 广州市幸福网络技术有限公司 | 一种人像背景抠图的方法 |
CN103714540A (zh) * | 2013-12-21 | 2014-04-09 | 浙江传媒学院 | 数字抠像处理中的基于svm的透明度估计方法 |
CN106488180A (zh) * | 2015-08-31 | 2017-03-08 | 上海悠络客电子科技有限公司 | 视频阴影检测方法 |
CN105631880A (zh) * | 2015-12-31 | 2016-06-01 | 百度在线网络技术(北京)有限公司 | 车道线分割方法和装置 |
CN106204567A (zh) * | 2016-07-05 | 2016-12-07 | 华南理工大学 | 一种自然背景视频抠图方法 |
WO2018107825A1 (zh) * | 2016-12-13 | 2018-06-21 | 华为技术有限公司 | 抠图方法及装置 |
CN107730528A (zh) * | 2017-10-28 | 2018-02-23 | 天津大学 | 一种基于grabcut算法的交互式图像分割与融合方法 |
CN108305256A (zh) * | 2017-11-28 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 视频抠像处理方法、处理装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
CHRISTOPH RHEMANN等: "《High resolution matting via interactive trimap segmentation》", 《2008 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829925B (zh) * | 2019-01-23 | 2020-12-25 | 清华大学深圳研究生院 | 一种在抠图任务中提取干净前景的方法及模型训练方法 |
CN109829925A (zh) * | 2019-01-23 | 2019-05-31 | 清华大学深圳研究生院 | 一种在抠图任务中提取干净前景的方法及模型训练方法 |
CN110008832A (zh) * | 2019-02-27 | 2019-07-12 | 西安电子科技大学 | 基于深度学习人物图像自动分割方法、信息数据处理终端 |
CN111553923B (zh) * | 2019-04-01 | 2024-02-23 | 上海卫莎网络科技有限公司 | 一种图像处理方法、电子设备及计算机可读存储介质 |
CN111553923A (zh) * | 2019-04-01 | 2020-08-18 | 上海卫莎网络科技有限公司 | 一种图像处理方法、电子设备及计算机可读存储介质 |
CN110400323A (zh) * | 2019-07-30 | 2019-11-01 | 上海艾麒信息科技有限公司 | 一种自动抠图系统、方法以及装置 |
CN110400323B (zh) * | 2019-07-30 | 2020-11-24 | 上海艾麒信息科技股份有限公司 | 一种自动抠图系统、方法以及装置 |
CN110599515A (zh) * | 2019-08-14 | 2019-12-20 | 北京影谱科技股份有限公司 | 一种前景对象自动分层处理方法、装置、系统及存储介质 |
CN110503657A (zh) * | 2019-08-26 | 2019-11-26 | 武汉众果科技有限公司 | 一种快速把图片进行抠图处理的方法 |
CN110503704A (zh) * | 2019-08-27 | 2019-11-26 | 北京迈格威科技有限公司 | 三分图的构造方法、装置和电子设备 |
CN112446380A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 图像处理方法和装置 |
CN112784842A (zh) * | 2019-11-07 | 2021-05-11 | 珠海金山办公软件有限公司 | 一种处理图像的方法、装置、计算机存储介质及终端 |
CN110930296A (zh) * | 2019-11-20 | 2020-03-27 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
CN110930296B (zh) * | 2019-11-20 | 2023-08-08 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111210434A (zh) * | 2019-12-19 | 2020-05-29 | 上海艾麒信息科技有限公司 | 基于天空识别的图像替换方法及系统 |
CN111127486A (zh) * | 2019-12-25 | 2020-05-08 | Oppo广东移动通信有限公司 | 图像分割方法、装置、终端及存储介质 |
CN111127486B (zh) * | 2019-12-25 | 2023-09-08 | Oppo广东移动通信有限公司 | 图像分割方法、装置、终端及存储介质 |
CN111784564A (zh) * | 2020-06-30 | 2020-10-16 | 稿定(厦门)科技有限公司 | 自动抠图方法及系统 |
CN112184722A (zh) * | 2020-09-15 | 2021-01-05 | 上海传英信息技术有限公司 | 图像处理方法、终端及计算机存储介质 |
CN112184722B (zh) * | 2020-09-15 | 2024-05-03 | 上海传英信息技术有限公司 | 图像处理方法、终端及计算机存储介质 |
CN112149592A (zh) * | 2020-09-28 | 2020-12-29 | 上海万面智能科技有限公司 | 图像处理方法、装置以及计算机设备 |
CN112686131B (zh) * | 2020-12-28 | 2023-11-24 | 中国平安人寿保险股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112686131A (zh) * | 2020-12-28 | 2021-04-20 | 中国平安人寿保险股份有限公司 | 图像处理方法、装置、设备及存储介质 |
CN113973178A (zh) * | 2021-10-24 | 2022-01-25 | 云景文旅科技有限公司 | 一种旅游过程中交互拍照处理方法和装置 |
WO2023159746A1 (zh) * | 2022-02-23 | 2023-08-31 | 平安科技(深圳)有限公司 | 基于图像分割的图像抠图方法、装置、计算机设备及介质 |
CN114820686B (zh) * | 2022-05-16 | 2022-12-16 | 北京百度网讯科技有限公司 | 抠图的方法、装置、电子设备及存储介质 |
CN114820686A (zh) * | 2022-05-16 | 2022-07-29 | 北京百度网讯科技有限公司 | 抠图的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108961303B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961303A (zh) | 一种图像处理方法、装置、电子设备和计算机可读介质 | |
CN109670558B (zh) | 使用深度学习的数字图像完成 | |
CN108694401B (zh) | 目标检测方法、装置及系统 | |
CN108446698B (zh) | 在图像中检测文本的方法、装置、介质及电子设备 | |
WO2020108358A1 (zh) | 图像修复方法、装置、计算机设备和存储介质 | |
US9396560B2 (en) | Image-based color palette generation | |
CN110929569B (zh) | 人脸识别方法、装置、设备及存储介质 | |
US9401032B1 (en) | Image-based color palette generation | |
CN107358262B (zh) | 一种高分辨率图像的分类方法及分类装置 | |
JP6355746B2 (ja) | デバイスのための画像編集技法 | |
US20190266747A1 (en) | Object detection method, device, system and storage medium | |
CN105765624B (zh) | 内容感知图像旋转 | |
CN110363753B (zh) | 图像质量评估方法、装置及电子设备 | |
CN109117760A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111008935B (zh) | 一种人脸图像增强方法、装置、系统及存储介质 | |
CN111383232A (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
CN109598250A (zh) | 特征提取方法、装置、电子设备和计算机可读介质 | |
US20230262189A1 (en) | Generating stylized images on mobile devices | |
CN110503704A (zh) | 三分图的构造方法、装置和电子设备 | |
JP2020177495A (ja) | 動画生成装置、動画生成方法、プログラム、記憶媒体 | |
CN112070137A (zh) | 训练数据集的生成方法、目标对象检测方法及相关设备 | |
CN115294055A (zh) | 图像处理方法、装置、电子设备和可读存储介质 | |
CN108960408A (zh) | 一种面向超高清分辨率图案的风格化系统及方法 | |
WO2024002064A1 (zh) | 三维模型构建方法、装置、电子设备及存储介质 | |
CN112419334A (zh) | 基于深度学习的微表面材质重建方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |