CN109615593A - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109615593A CN109615593A CN201811444495.1A CN201811444495A CN109615593A CN 109615593 A CN109615593 A CN 109615593A CN 201811444495 A CN201811444495 A CN 201811444495A CN 109615593 A CN109615593 A CN 109615593A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- target
- sample
- target signature
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 238000000605 extraction Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 102
- 238000000034 method Methods 0.000 claims description 46
- 238000012937 correction Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 description 29
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 239000011521 glass Substances 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:对待处理的第一图像和第二图像进行光流提取,获得第一图像与第二图像之间的光流信息;根据光流信息调整第二目标对象的姿态,获得第三图像;对第三图像和第一图像进行图像融合,获得第四图像。根据本公开的实施例的图像处理方法,通过第一图像与第二图像之间的光流信息调整第二图像中第二目标对象的姿态,并将调整后的第三图像与第一图像进行融合处理,可使第一目标对象的姿态和第二目标对象的姿态匹配,减小将图像融合的误差。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
在相关技术中,可将一幅图像中的对象A(例如人或动物)的某个特征(例如,胡子、眼镜等)通过像素移动等方式映射给另一幅图像中的对象B,使对象B具有与对象A相同的特征,但对象A和对象B的体型、脸型、动作、表情等偏差,会使特征的映射出现较大的误差,造成图像失真。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像处理方法,包括:
对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息;
根据所述光流信息调整所述第二图像中第二目标对象的姿态,获得调整后的第三图像,其中,所述第三图像中第二目标对象的姿态与所述第一图像中第一目标对象的姿态匹配;
对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像。
根据本公开的实施例的图像处理方法,通过第一图像与第二图像之间的光流信息调整第二图像中第二目标对象的姿态,并将调整后的第三图像与第一图像进行融合处理,可使第一目标对象的姿态和第二目标对象的姿态匹配,减小将图像融合的误差。
在一种可能的实现方式中,所述第一图像中包括不具有目标特征的第一目标对象,第二图像中包括具有目标特征的第二目标对象,所述第四图像中包括具有目标特征的第一目标对象。
在一种可能的实现方式中,对所述第三图像和所述第一图像进行融合处理,获得融合后的第四图像,包括:
对所述第三图像和所述第一图像进行特征融合,获得第五图像,所述第五图像中包括具有目标特征的第一目标对象;
对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像,其中,所述第四图像中第一区域的色彩与第二区域的色彩匹配,其中,所述第二区域为所述第四图像中除所述第一区域以外的区域。
通过这种方式,可通过选择像素点的方式进行特征融合,提高特征融合的准确性,减少图像失真。
在一种可能的实现方式中,对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像,包括:
获取所述第五图像中的第一区域与第二区域之间的外观残差信息;
根据所述外观残差信息,对所述第五图像中的第一区域进行色彩修正,获得所述第四图像。
通过这种方式,可通过外观残差信息对第一区域进行色彩修正,使第四图像的第一区域和第二区域的色彩匹配,提高图像质量。
在一种可能的实现方式中,所述方法还包括:
去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
在一种可能的实现方式中,所述方法利用图像处理网络实现,所述图像处理网络至少包括光流提取网络,
对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息,包括:
将所述第一图像和所述第二图像输入所述光流提取网络进行光流提取,获得所述光流信息。
在一种可能的实现方式中,所述图像处理网络还包括图像融合网络,
其中,对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像,包括:
将所述第三图像和所述第一图像输入所述图像融合网络进行图像融合,获得所述第四图像。
在一种可能的实现方式中,所述图像融合网络包括特征提取子网络以及特征融合子网络,
其中,将所述第三图像和所述第一图像输入所述图像融合网络进行图像融合,获得所述第四图像,包括:
通过所述特征提取子网络确定第三图像中第二目标对象的目标特征所在的目标区域;
通过所述特征融合子网络对所述目标区域与所述第一图像进行融合处理,获得所述第四图像。
在一种可能的实现方式中,所述图像融合网络包括特征提取子网络、特征融合子网络以及色彩修正子网络,
其中,将所述第三图像和所述第一图像输入所述图像融合网络进行图像融合,获得所述第四图像,包括:
通过所述特征提取子网络确定第三图像中第二目标对象的目标特征所在的目标区域;
通过所述特征融合子网络对所述目标区域与所述第一图像进行融合处理,获得第五图像;
通过所述色彩修正子网络对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像。
在一种可能的实现方式中,所述方法还利用特征去除网络实现,
其中,去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像,包括:
通过所述特征去除网络去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
在一种可能的实现方式中,所述方法还包括:
根据训练集中的多个第一样本图像和多个第二样本图像对所述图像处理网络及所述特征去除网络进行训练,
其中,第一样本图像包括不具有目标特征的第一样本对象,第二样本图像包括具有一个或多个特征的第二样本对象以及目标特征的标注信息。
在一种可能的实现方式中,根据训练集中的多个第一样本图像和多个第二样本图像对所述图像处理网络及所述特征去除网络进行训练,包括:
通过所述图像处理网络对所述第一样本图像和第二样本图像进行处理,获得第三样本图像,其中,第三样本图像包括具有目标特征的第一样本对象;
通过特征去除网络对第三样本图像进行处理,获得第四样本图像;
根据第四样本图像、第一样本图像以及目标特征的标注信息,确定所述图像处理网络和所述特征去除网络的第一网络损失;
根据所述第一网络损失,对图像处理网络和特征去除网络的网络参数进行调整。
在一种可能的实现方式中,根据训练集中的多个第一样本图像和多个第二样本图像对所述图像处理网络及所述特征去除网络进行训练,包括:
通过特征去除网络对第二样本图像进行处理,获得第五样本图像;
通过图像处理网络对所述第五样本图像和所述第二样本图像进行处理,获得第六样本图像;
根据第六样本图像、第二样本图像以及目标特征的标注信息,确定图像处理网络和特征去除网络的第二网络损失;
根据所述第二网络损失,对图像处理网络和特征去除网络的网络参数进行调整。
通过这种方式,可通过较少的样本进行轮换训练,并可在多个特征中筛选出目标特征,减小了人工标注的工作量,提高训练效率。
在一种可能的实现方式中,所述标注信息用于表征第二样本对象的一个或多个特征中是否包括目标特征的参数。
根据本公开的一方面,提供了一种图像处理装置,包括:
光流提取模块,用于对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息;
调整模块,用于根据所述光流信息调整所述第二图像中第二目标对象的姿态,获得调整后的第三图像,其中,所述第三图像中第二目标对象的姿态与所述第一图像中第一目标对象的姿态匹配;
融合模块,用于对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像。
在一种可能的实现方式中,所述第一图像中包括不具有目标特征的第一目标对象,第二图像中包括具有目标特征的第二目标对象,所述第四图像中包括具有目标特征的第一目标对象。
在一种可能的实现方式中,所述融合模块被进一步配置为:
对所述第三图像和所述第一图像进行特征融合,获得第五图像,所述第五图像中包括具有目标特征的第一目标对象;
对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像,其中,所述第四图像中第一区域的色彩与第二区域的色彩匹配,其中,所述第二区域为所述第四图像中除所述第一区域以外的区域。
在一种可能的实现方式中,所述融合模块被进一步配置为:
获取所述第五图像中的第一区域与第二区域之间的外观残差信息;
根据所述外观残差信息,对所述第五图像中的第一区域进行色彩修正,获得所述第四图像。
在一种可能的实现方式中,所述装置还包括:
去除模块,用于去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
在一种可能的实现方式中,所述装置包括图像处理网络,所述图像处理网络至少包括光流提取网络,
其中,所述光流提取模块被进一步配置为:
将所述第一图像和所述第二图像输入所述光流提取网络进行光流提取,获得所述光流信息。
在一种可能的实现方式中,所述图像处理网络还包括图像融合网络,
其中,所述融合模块被进一步配置为:
将所述第三图像和所述第一图像输入所述图像融合网络进行图像融合,获得所述第四图像。
在一种可能的实现方式中,所述图像融合网络包括特征提取子网络以及特征融合子网络,
其中,所述融合模块被进一步配置为:
通过所述特征提取子网络确定第三图像中第二目标对象的目标特征所在的目标区域;
通过所述特征融合子网络对所述目标区域与所述第一图像进行融合处理,获得所述第四图像。
在一种可能的实现方式中,所述图像融合网络包括特征提取子网络、特征融合子网络以及色彩修正子网络,
其中,所述融合模块被进一步配置为:
通过所述特征提取子网络确定第三图像中第二目标对象的目标特征所在的目标区域;
通过所述特征融合子网络对所述目标区域与所述第一图像进行融合处理,获得第五图像;
通过所述色彩修正子网络对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像。
在一种可能的实现方式中,所述装置还包括特征去除网络,
其中,所述去除模块被进一步配置为:
通过所述特征去除网络去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
在一种可能的实现方式中,所述装置还包括:
训练模块,用于根据训练集中的多个第一样本图像和多个第二样本图像对所述图像处理网络及所述特征去除网络进行训练,
其中,第一样本图像包括不具有目标特征的第一样本对象,第二样本图像包括具有一个或多个特征的第二样本对象以及目标特征的标注信息。
在一种可能的实现方式中,所述训练模块被进一步配置为:
通过所述图像处理网络对所述第一样本图像和第二样本图像进行处理,获得第三样本图像,其中,第三样本图像包括具有目标特征的第一样本对象;
通过特征去除网络对第三样本图像进行处理,获得第四样本图像;
根据第四样本图像、第一样本图像以及目标特征的标注信息,确定所述图像处理网络和所述特征去除网络的第一网络损失;
根据所述第一网络损失,对图像处理网络和特征去除网络的网络参数进行调整。
在一种可能的实现方式中,所述训练模块被进一步配置为:
通过特征去除网络对第二样本图像进行处理,获得第五样本图像;
通过图像处理网络对所述第五样本图像和所述第二样本图像进行处理,获得第六样本图像;
根据第六样本图像、第二样本图像以及目标特征的标注信息,确定图像处理网络和特征去除网络的第二网络损失;
根据所述第二网络损失,对图像处理网络和特征去除网络的网络参数进行调整。
在一种可能的实现方式中,所述标注信息用于表征第二样本对象的一个或多个特征中是否包括目标特征的参数。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图;
图2示出根据本公开实施例的图像处理方法的流程图;
图3示出根据本公开实施例的图像处理方法的流程图;
图4A和图4B示出根据本公开实施例的图像处理方法的流程图;
图5示出根据本公开实施例的图像处理装置的框图;
图6示出根据本公开实施例的图像处理装置的框图;
图7示出根据本公开实施例的电子设备的框图;
图8示出根据本公开实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图。如图1所示,所述方法包括:
在步骤S11中,对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息;
在步骤S12中,根据所述光流信息调整所述第二图像中第二目标对象的姿态,获得调整后的第三图像,其中,所述第三图像中第二目标对象的姿态与所述第一图像中第一目标对象的姿态匹配;
在步骤S13中,对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像。
根据本公开的实施例的图像处理方法,通过第一图像与第二图像之间的光流信息调整第二图像中第二目标对象的姿态,并将调整后的第三图像与第一图像进行融合处理,可使第一目标对象的姿态和第二目标对象的姿态匹配,减小将图像融合的误差。
在一种可能的实现方式中,所述图像处理方法可以由终端设备执行,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,所述目标检测方法可以由服务器执行。
在一种可能的实现方式中,所述第一图像中包括不具有目标特征的第一目标对象,第二图像中包括具有目标特征的第二目标对象,所述第四图像中包括具有目标特征的第一目标对象。
在一种可能的实现方式中,在步骤S11中,所述第一图像和第二图像可以是人脸、动物或其他物品的图像,第一图像中包括第一目标对象,第一目标对象不具有目标特征,第二图像中包括第二目标对象,第二目标对象具有目标特征。在示例中,第一目标对象和第二目标对象均可以是人脸,目标特征可包括胡须,眼镜等特征,例如,第一目标对象没有胡须,第二目标对象有胡须,或者,第一目标对象不戴眼镜,第二目标对象戴眼镜等,本公开对第一目标对象、第二目标对象和目标特征的类型不作限制。
在一种可能的实现方式中,光流信息可以是用于移动第二图像中的像素点的位移向量。第一图像和第二图像之间的光流信息可表示第二图像中的像素点移动到与第一图像中匹配的像素点的位置的位移向量。所述光流信息可用于调整第二图像的像素点。在示例中,第二光流可对第二图像中的第二目标对象进行调整。
在一种可能的实现方式中,由于所述光流信息是根据第一目标对象和第二目标对象的姿态的差异来确定的,因此可在步骤S12中通过所述光流信息调整第二图像中的第二目标对象的姿态,使得第二目标对象的姿态与第一目标对象的姿态匹配,姿态可包括动作、姿势、表情等。
在示例中,第一目标对象和第二目标对象均为人脸,第一目标对象为侧脸,第二目标对象为正脸,可通过所述光流信息对第二图像中的像素点的位置进行调整,即,对第二目标对象的姿态进行调整,生成第三图像,在第三图像中,第二目标对象的姿态与第一目标对象的姿态匹配,即,第二目标对象呈现出侧脸。在示例中,由于依据光流信息调整第二图像中的像素点的位置,生成的第三图像中的第二目标对象的成像可能发生扭曲,该扭曲的第二目标对象即为姿态与第一目标对象匹配的第二目标对象。
在一种可能的实现方式中,第一图像与第二图像之间的光流信息为其中,表示对第二图像像素点的进行水平方向调整的调整分量,表示对第二图像像素点的进行竖直方向调整的调整分量,在示例中,可通过以下公式(1)调整第二图像,获得第三图像:
其中,by表示第二图像,b′y表示第三图像,y表示第二图像或第三图像中的第二目标对象具有目标特征,by(i,j)表示第二图像中的任一像素点,i表示该像素点的水平方向的坐标,j表示该像素点的竖直方向的坐标,b′y(i,j)表示第三图像中的与by(i,j)对应的像素点,N表示by(i,j)的相邻像素点组成的集合,(i′,j′)表示N中的任一像素点。
在一种可能的实现方式中,可通过公式(1)对第二图像中的多个像素点进行调整,获得第三图像。
在一种可能的实现方式中,在步骤S13中,可对第三图像与第一图像进行图像融合,即,将第三图像中的目标特征融合至第一图像中,获得第四图像,使第四图像中的第一目标对象具有所述目标特征。
在一种可能的实现方式中,还可对融合的目标特征进行色彩修正,例如,第一目标对象与第二目标对象均为人脸,而第一目标对象和第二目标对象的肤色不同,可通过色彩修正来调整目标特征所在区域的肤色。
在示例中,步骤S13可包括:对第三图像和第一图像进行特征融合,获得第五图像,所述第五图像中包括具有目标特征的第一目标对象;对第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像,其中,所述第四图像中第一区域的色彩与第二区域的色彩匹配,其中,所述第二区域为所述第四图像中除所述第一区域以外的区域。
在一种可能的实现方式中,第三图像中的第二目标对象和第一目标对象的姿态是匹配的,可确定第三图像中的目标特征所在区域,并提取该区域,以使该区域的像素点以及第一图像的其他区域的像素点组成第五图像。在示例中,可通过以下公式(2)进行特征融合处理:
其中,a表示第一图像,表示第五图像,y表示第五图像中的第一目标对象具有目标特征,a(i,j)表示第一图像中的任一像素点,表示第五图像中的与a(i,j)对应的像素点,m为用于选择第一图像和第三图像中的像素点的注意力掩码,例如,当b′y(i,j)为目标特征所在区域中的像素点时,m为0,即,选择第三图像中的目标特征所在区域中的像素点作为第五图像的对应区域的像素点,当b′y(i,j)为目标特征所在区域之外的其他区域的像素点时,m为1,即,选择第一图像的像素点为第五图像的对应区域的像素点。通过公式(2)可分别选取第一图像和第三图像中的像素点,获得第五图像。
通过这种方式,可通过选择像素点的方式进行特征融合,提高特征融合的准确性,减少图像失真。
在一种可能的实现方式中,可对第五图像中的目标特征所在的第一区域进行颜色修正,获得第四图像。在示例中,由于第一目标对象和第二目标对象的肤色不同,或者第一图像和第二图像的光照条件不同而造成图像亮度不同,因此,第五图像中的目标特征所在的第一区域(即,目标区域)和第一区域以外的第二区域(即,目标区域以外的其他区域)可存在色差,可针对该色差进行色彩修正。
在一种可能的实现方式中,对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像,包括:获取所述第五图像中的第一区域与第二区域之间的外观残差信息;根据所述外观残差信息,对所述第五图像中的第一区域进行色彩修正,获得所述第四图像。
在一种可能的实现方式中,可根据第五图像中的第一区域和第二区域的多个像素点的色度、亮度和饱和度等参数,确定第一区域和第二区域之间的色彩差异,即,外观残差信息。进一步地,可通过外观残差信息来修正第一区域中的色彩差异,使得第一区域和第二区域色彩匹配,即可获得第四图像。在示例中,可通过以下公式(3)进行色彩修正:
其中,表示第五图像中的任一像素点,ay(i,j)为第四图像中的与对应的像素点,γ为外观残差信息,α为选择调整区域的超参数,在示例中,如果为第一区域中的像素点,则α为不等于0的参数(例如,1),可对进行色彩修正。如果为第二区域中的像素点,则α为等于0,这样,可对第五图像的第一区域进行色彩修正,获得第四图像,在第四图像中,第一目标对象可具有目标特征,例如,在第一图像中第一目标对象不具有胡须,而在第四图像中,第一目标对象具有胡须,且胡须所在区域的色度、亮度等参数与第四图像中的其他区域匹配。
在一种可能的实现方式中,如果第一区域和第二区域之间的外观差异信息小于或等于差异阈值,则可不进行色彩修正,并将第五图像确定为第四图像。在示例中,第一目标对象和第二目标对象均为人脸,且第一目标对象和第二目标对象的肤色接近,则可不进行色彩修正,直接将第五图像确定为第四图像。
通过这种方式,可通过外观残差信息对第一区域进行色彩修正,使第四图像的第一区域和第二区域的色彩匹配,提高图像质量。
在一种可能的实现方式中,可将第四图像中的第一目标对象的目标特征去除。
图2示出根据本公开实施例的图像处理方法的流程图。如图2所示,所述方法还包括:
在步骤S14中,去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
在一种可能的实现方式中,可对添加的目标特征进行去除处理,例如,在第四图像中,目标特征所在区域为第一区域,可利用第一图像中的与第一区域对应的区域中的像素点来去除第四图像中的目标特征,例如,可通过第一区域确定第四图像和第一图像之间的图像残差,并通过图像残差修正第一图像,即可获得特征去除后的第六图像。
在示例中,可通过以下公式(4)去除第四图像中第一目标对象的目标特征:
a′(i,j)=ay(i,j)+γy (4)
其中,ay(i,j)为第四图像中任一像素点,a′(i,j)为第六图像中与ay(i,j)对应的像素点,γy为第四图像和第一图像之间的图像残差。可通过图像残差修正第四图像,获得第六图像。
在一种可能的实现方式中,所述方法利用图像处理网络实现,即,利用图像处理网络对第一图像和第二图像进行处理,获得第四图像。所述图像处理网络至少包括光流提取网络以及图像融合网络。
在一种可能的实现方式中,所述图像处理网络可以是用于图像处理的神经网络,例如,卷积神经网络等,本公开对图像处理网络的类型不做限制。在示例中,所述图像处理网络为深度学习神经网络,例如,具有多层级结构(即,具有多个隐含层)的深度学习神经网络,所述图像处理网络的输入层、多个隐含层和输出层的各神经元之间可进行全连接或非全连接等树型连接。将第一图像和第二图像输入所述图像处理网络,经过隐含层的处理后可输出第四图像。
在一种可能的实现方式中,所述光流提取网络可用于获取第一图像与第二图像之间的光流信息,其中,对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息,包括:将所述第一图像和所述第二图像输入所述光流提取网络进行光流提取,获得所述光流信息。所述光流信息可用于调整第二图像中的第二目标对象的姿态,获得调整后的第三图像。
在一种可能的实现方式中,所述图像融合网络可用于对第三图像和第一图像进行图像融合,其中,对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像,包括:将所述第三图像和所述第一图像输入所述图像融合网络进行图像融合,获得所述第四图像。
在一种可能的实现方式中,所述图像融合网络可包括特征提取子网络、特征融合子网络以及色彩修正子网络。在该情况下,步骤S13可包括:通过所述特征提取子网络确定第三图像中第二目标对象的目标特征所在的目标区域;通过所述特征融合子网络对所述目标区域与所述第一图像进行融合处理,获得所述第五图像;通过所述色彩修正子网络对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像。
在示例中,特征提取子网络可识别第三图像中的目标特征所在区域,并通过图像融合网络确定注意力掩码m,通过注意力掩码m可对目标区域与第一图像进行融合处理,获得第五图像。进一步地,可通过色彩修正子网络外观残差信息γ和选择调整区域的超参数α,并通过γ和α对第五图像进行色彩修正,获得第四图像。
在一种可能的实现方式中,如果第一区域和第二区域之间的外观差异信息小于或等于差异阈值,则可不进行色彩修正,则所述图像融合网络可包括特征提取子网络以及特征融合子网络。在该情况下,步骤S13可包括:通过所述特征提取子网络确定第三图像中第二目标对象的目标特征所在的目标区域;通过所述特征融合子网络对所述目标区域与所述第一图像进行融合处理,获得所述第四图像。在示例中,特征提取子网络可识别第三图像中的目标特征所在区域,并通过图像融合网络确定注意力掩码m,通过注意力掩码m可对目标区域与第一图像进行融合处理,获得第四图像。
在一种可能的实现方式中,方法还可利用特征去除网络实现特征去除处理,也即利用去除网络实现步骤S14,其中,步骤S14可包括:通过所述特征去除网络去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
在示例中,特征去除网络可去除第四图像中的第一目标对象的目标特征,例如,特征去除网络可确定第四图像和第一图像之间的图像残差γy,并根据图像残差γy对第四图像进行修正,获得特征去除后的第六图像。
在示例中,特征去除网络还可去除第二图像中的第二目标对象的目标特征,获得第七图像,在所述第七图像中,第二目标对象不具有所述目标特征。例如,在所述特征去除网络经过训练后,可识别第二目标对象的目标特征所在区域,并可确定该区域的图像残差,例如,可根据色度或亮度等信息确定图像残差,进一步地,可通过图像残差修正第二图像,以获得不具有目标特征的第七图像。
在一种可能的实现方式中,在通过图像处理网络获取第四图像以及通过特征去除网络获取第六图像之前,可对图像处理网络和特征去除网络进行训练。
图3示出根据本公开实施例的图像处理方法的流程图。如图3所示,所述方法还包括:
在步骤S15中,根据训练集中的多个第一样本图像和多个第二样本图像对所述图像处理网络及所述特征去除网络进行训练,其中,第一样本图像包括不具有目标特征的第一样本对象,第二样本图像包括具有一个或多个特征的第二样本对象以及目标特征的标注信息。
在一种可能的实现方式中,可对图像处理网络和特征去除网络共同进行训练,例如,例如,可通过图像处理网络对第一样本图像添加目标特征,并通过特征去除网络去除所述目标特征,进一步地,可根据去除目标特征后的图像与第一样本图像确定图像处理网络和特征去除网络的综合模型损失,可降低人工标注的工作量,并在样本较少的情况下取得较好的训练效果。
在一种可能的实现方式中,根据训练集中的多个第一样本图像和多个第二样本图像对所述图像处理网络及所述特征去除网络进行训练,包括:通过所述图像处理网络对所述第一样本图像和第二样本图像进行处理,获得第三样本图像,其中,第三样本图像包括具有目标特征的第一样本对象;通过特征去除网络对第三样本图像进行处理,获得第四样本图像;根据第四样本图像、第一样本图像以及目标特征的标注信息,确定所述图像处理网络和所述特征去除网络的第一网络损失;根据所述第一网络损失,对图像处理网络和特征去除网络的网络参数进行调整。
在一种可能的实现方式中,可向图像处理网络输入任一第一样本图像和任一第二样本图像,其中,第一样本图像中的第一样本对象不具有目标特征(例如,第一样本对象为人脸,目标特征为胡须,第一样本对象即为没有胡须的人脸),第二样本图像中的第二样本对象具有一个或多个特征(例如,第二样本对象为人脸,目标特征为胡须,第二样本对象可具有墨镜、眼镜、口罩等特征,也可具有胡须),所述一个或多个特征中可能包括目标特征,也可能不包括目标特征,并且,第二样本图像具有目标特征的标注信息,所述标注信息用于表征第二样本对象的一个或多个特征中是否包括目标特征的参数(例如,标注信息为0或1,0表示一个或多个特征中不包括目标特征,1表示一个或多个特征中包括目标特征)。图像处理网络可获取第一样本图像和第二样本图像之间的光流信息,以调整第二样本对象的姿态信息,使得第一样本对象和第二样本对象的姿态匹配。进一步地,可对第二样本图像的目标特征所在区域与第一样本对图像进行特征融合处理,如果目标特征所在区域与第一样本图像的色彩差异较大,还可对目标区域进行色彩修正处理,获得第三样本图像。其中,第三样本图像为图像处理网络的输出信息,第三样本图像可存在误差,例如,光流信息的误差(可导致姿态偏差)、图像失真产生的误差、目标特征选择误差等。
在一种可能的实现方式中,可通过特征去除网络对第三样本图像进行处理,以将目标特征去除,获得第四样本图像。在示例中,特征去除网络可确定第一样本图像和第三样本图像的图像残差,并基于图像残差调整第三样本图像,获得第四样本图像。其中,第四样本图像为特征去除网络的输出信息,第四样本图像可存在误差,例如,重构误差。在示例中,去除目标特征后,第一样本对象未能保持原状,则第四样本图像中的第一样本对象和第一样本图像中的第一样本对象之间的偏差为重构误差。
在一种可能的实现方式中,可根据第四样本图像、第一样本图像以及目标特征的标注信息确定图像处理网络和特征去除网络的第一网络损失。在示例中,可根据第四样本图像和第一样本图像之间的差异来确定光流信息的误差、图像失真产生的误差和重构误差,例如,第四样本图像和第一样本图像中的第一样本对象之间的姿态差异可被确定为光流信息误差,第四样本图像发生的扭曲、模糊等失真现象可被确定为图像失真产生的误差,第四样本图像中的第一样本对象和第一样本图像中的第一样本对象之间结构(例如,人脸的脸型、五官、相貌等)、色彩(例如肤色、亮度、光照等)的变化可被确定为重构误差,并可通过标注信息确定目标特征选择误差,例如,如果目标信息选择错误(即,标注信息为0),则目标特征选择误差较大,反之,目标特征选择误差较小,在训练过程中,可排除目标特征选择误差较大的特征,从一个或多个特征中确定目标特征。在示例中,还可根据上述误差,确定图像处理网络和特征去除网络的损失函数(例如交叉熵损失函数)。
在示例中,图像处理网络和特征去除网络的损失函数可根据以下公式(5)来确定:
L=Lflow+Lid+Lcls+Ladv (5)
其中,Lflow为光流信息的误差,Lid为重构误差,Lcls为标特征选择误差,Ladv为图像失真产生的误差,L为图像处理网络和特征去除网络的损失函数。在示例中,可将L确定为第一网络损失。在示例中,可对L进行正则化处理,并将正则化的L确定为第一网络损失(即,图像处理网络和特征去除网络的综合网络损失),可避免在迭代训练过程中,场景识别模型的模型参数出现过拟合的情况。
在一种可能的实现方式中,可按照使第一网络损失最小化的方向调整图像处理网络和特征去除网络的网络参数,在调整过程中,还可从一个或多个特征中筛选出目标特征(即,排除标特征选择误差较大的特征,选择特征选择误差较小的目标特征),使调整后的图像处理网络和特征去除网络具有较高的拟合优度,并能够从多个特征中确定目标特征,同时避免过拟合。在示例中,可使用梯度下降法进行第一网络损失的反向传播,以调整网络参数,例如,对于各神经元之间进行树型连接的图像处理网络和特征去除网络,可使用随机梯度下降法等方法调整网络参数,以降低调整网络参数的过程的复杂程度,提高调整网络参数的效率,并可避免调整的网络参数出现过拟合的情况。
在一种可能的实现方式中,可在满足训练条件时停止训练,获得调整后的图像处理网络和特征去除网络,训练条件可包括调整次数和模型损失的大小或敛散性等条件。可对图像处理网络和特征去除网络调整预定次数,当调整次数达到所述预定次数时,即为满足训练条件。或者,可不限制调整的次数,而在第一网络损失降低到一定程度或收敛于一定阈值内时,停止调整,获得调整后的图像处理网络和特征去除网络,并将调整后的图像处理网络用于特征融合的过程中,将调整后的特征去除网络用于特征去除的过程中。
在一种可能的实现方式中,还可首先通过特征去除网络去除第二样本图像的目标特征,并通过图像处理网络添加所述目标特征,进一步地,可通过添加目标特征后的图像与第二样本图像确定图像处理网络和特征去除网络的综合模型损失,可降低人工标注的工作量,并在样本较少的情况下取得较好的训练效果。
在一种可能的实现方式中,根据训练集中的多个第一样本图像和多个第二样本图像对所述图像处理网络及所述特征去除网络进行训练,包括:通过特征去除网络对第二样本图像进行处理,获得第五样本图像;通过图像处理网络对所述第五样本图像和所述第二样本图像进行处理,获得第六样本图像;根据第六样本图像、第二样本图像以及目标特征的标注信息,确定图像处理网络和特征去除网络的第二网络损失;根据所述第二网络损失,对图像处理网络和特征去除网络的网络参数进行调整。
在一种可能的实现方式中,可通过特征去除网络对第二样本图像进行处理,以将目标特征去除,获得第五样本图像。其中,第五样本图像为特征去除网络的输出信息,第五样本图像可存在误差,即,重构误差。
在一种可能的实现方式中,可将第五样本图像和第二样本图像输入图像处理网络,图像处理网络可将第二样本图像中的特征添加至第五样本图像中,获得第六样本图像。其中,第六样本图像为图像处理网络的输出信息,第六样本图像可存在误差,例如,光流信息的误差(可导致姿态偏差)、图像失真产生的误差、目标特征选择误差(可根据标注信息确定目标特征选择误差)等。
在一种可能的实现方式中,可根据第六样本图像、第二样本图像以及目标特征的标注信息,确定第二网络损失。在示例中,可根据公式(5)来确定图像处理网络和特征去除网络的损失函数,并对所述损失函数进行正则化处理,获得第二网络损失。
在一种可能的实现方式中,可通过随机梯度下降法将第二网络损失进行反向传播,以调整图像处理网络和特征去除网络的网络参数,并在满足训练条件时停止训练,获得调整后的图像处理网络和特征去除网络,调整后的图像处理网络可用于特征融合的过程中,调整后的特征去除网络可用于特征去除的过程中。
通过这种方式,可通过较少的样本进行轮换训练,并可在多个特征中筛选出目标特征,减小了人工标注的工作量,提高训练效率。
在一种可能的实现方式中,可仅对图像处理网络进行训练,例如,通过第一样本图像和第二样本图像对图像处理网络进行训练,并对图像处理网络的输出结果进行标注,以确定图像处理网络的网络损失,进一步地,可通过图像处理网络的网络损失调整图像处理网络的网络参数,并在图像处理网络满足训练条件时,将调整后的图像处理网络用于特征融合的过程中。
在一种可能的实现方式中,所述第一图像中包括具有目标特征的第一目标对象,第二图像中包括不具有目标特征的第二目标对象,可通过第一图像与第二图像之间的光流信息调整第二图像中的不具有目标特征的第二目标对象的姿态,从而获得第三图像,第三图像中的第二目标对象的姿态与具有目标特征的第一目标对象的姿态匹配。进一步地,可将第三图像和第一图像进行图像融合,即,将第一目标对象的目标特征融合至第三图像的第二目标对象中,从而获得包括第二目标对象的第四图像,且第四图像中的第二目标对象具有目标特征。
图4A和图4B示出根据本公开实施例的图像处理方法的流程图。如图4A所示,第一图像和第二图像均为人脸图像,第一图像的人脸较瘦,且不具有胡须(目标特征),第二图像的人脸较胖,且具有胡须,且第二图像的人脸的姿态与第一图像中的人脸不同。
在一种可能的实现方式中,可将第一图像和第二图像输入图像处理网络进行处理,图像处理网络可包括光流提取网络和图像融合网络。光流提取网络可获取第一图像与第二图像之间的光流信息,所述光流信息可调整第二图像中的人脸的姿态,使第二图像中的人脸的姿态与第一图像中的人脸的姿态匹配,获得第三图像。
在一种可能的实现方式中,可将第三图像和第一图像输入图像融合网络进行图像融合处理,以将第三图像中的目标特征与第一图像融合,获得第四图像。在示例中,图像融合网络可包括特征提取自网络、特征融合子网络以及色彩修正子网络,特征提取自网络可确定第三图像的人脸中的胡须所在的目标区域,并通过特征融合子网络确定注意力掩码m,以选取目标区域与第一图像进行融合处理,获得第五图像。色彩修正子网络可修正第五图像中的第一区域(即,目标区域)和第二区域(即,目标区域以外的其他区域)之间的外观残差信息,获得第四图像。
如图4B所示,还可将第四图像输入特征去除网络,特征去除网络可确定第四图像和第一图像之间的图像残差,并根据图像残差来去除第四图像中的目标特征,获得第六图像。第六图像中的人脸与第一图像中的人脸一致。
根据本公开的实施例的图像处理方法,通过第一图像与第二图像之间的光流信息调整第二图像中第二目标对象的姿态,可使第一目标对象的姿态和第二目标对象的姿态匹配,减小将目标特征融合到第一目标对象中的误差,且光流信息对图像分辨率不敏感,在第一图像和第二图像分辨率不一致时,不会增大图像处理的工作量。通过选择像素点的方式进行特征融合,提高特征融合的准确性,减少图像失真。还通过外观残差信息对第一区域进行色彩修正,使第四图像的第一区域和第二区域的色彩匹配,提高图像质量。进一步地,通过较少的样本进行轮换训练,并可在多个特征中筛选出目标特征,减小了人工标注的工作量,提高训练效率。
图5示出根据本公开实施例的图像处理装置的框图。如图5所示,所述装置包括:
光流提取模块11,用于对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息;
调整模块12,用于根据所述光流信息调整所述第二图像中第二目标对象的姿态,获得调整后的第三图像,其中,所述第三图像中第二目标对象的姿态与所述第一图像中第一目标对象的姿态匹配;
融合模块13,用于对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像。
在一种可能的实现方式中,所述第一图像中包括不具有目标特征的第一目标对象,第二图像中包括具有目标特征的第二目标对象,所述第四图像中包括具有目标特征的第一目标对象。
在一种可能的实现方式中,所述融合模块被进一步配置为:
对所述第三图像和所述第一图像进行特征融合,获得第五图像,所述第五图像中包括具有目标特征的第一目标对象;
对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像,其中,所述第四图像中第一区域的色彩与第二区域的色彩匹配,其中,所述第二区域为所述第四图像中除所述第一区域以外的区域。
在一种可能的实现方式中,所述融合模块被进一步配置为:
获取所述第五图像中的第一区域与第二区域之间的外观残差信息;
根据所述外观残差信息,对所述第五图像中的第一区域进行色彩修正,获得所述第四图像。
图6示出根据本公开实施例的图像处理装置的框图。如图6所示,所述装置还包括:
去除模块14,用于去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
在一种可能的实现方式中,所述装置包括图像处理网络,所述图像处理网络至少包括光流提取网络,
其中,所述光流提取模块被进一步配置为:
将所述第一图像和所述第二图像输入所述光流提取网络进行光流提取,获得所述光流信息。
在一种可能的实现方式中,所述图像处理网络还包括图像融合网络,
其中,所述融合模块被进一步配置为:
将所述第三图像和所述第一图像输入所述图像融合网络进行图像融合,获得所述第四图像。
在一种可能的实现方式中,所述图像融合网络包括特征提取子网络以及特征融合子网络,
其中,所述融合模块被进一步配置为:
通过所述特征提取子网络确定第三图像中第二目标对象的目标特征所在的目标区域;
通过所述特征融合子网络对所述目标区域与所述第一图像进行融合处理,获得所述第四图像。
在一种可能的实现方式中,所述图像融合网络包括特征提取子网络、特征融合子网络以及色彩修正子网络,
其中,所述融合模块被进一步配置为:
通过所述特征提取子网络确定第三图像中第二目标对象的目标特征所在的目标区域;
通过所述特征融合子网络对所述目标区域与所述第一图像进行融合处理,获得第五图像;
通过所述色彩修正子网络对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像。
在一种可能的实现方式中,所述装置还包括特征去除网络,
其中,所述去除模块被进一步配置为:
通过所述特征去除网络去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
在一种可能的实现方式中,所述装置还包括:
训练模块15,用于根据训练集中的多个第一样本图像和多个第二样本图像对所述图像处理网络及所述特征去除网络进行训练,
其中,第一样本图像包括不具有目标特征的第一样本对象,第二样本图像包括具有一个或多个特征的第二样本对象以及目标特征的标注信息。
在一种可能的实现方式中,所述训练模块被进一步配置为:
通过所述图像处理网络对所述第一样本图像和第二样本图像进行处理,获得第三样本图像,其中,第三样本图像包括具有目标特征的第一样本对象;
通过特征去除网络对第三样本图像进行处理,获得第四样本图像;
根据第四样本图像、第一样本图像以及目标特征的标注信息,确定所述图像处理网络和所述特征去除网络的第一网络损失;
根据所述第一网络损失,对图像处理网络和特征去除网络的网络参数进行调整。
在一种可能的实现方式中,所述训练模块被进一步配置为:
通过特征去除网络对第二样本图像进行处理,获得第五样本图像;
通过图像处理网络对所述第五样本图像和所述第二样本图像进行处理,获得第六样本图像;
根据第六样本图像、第二样本图像以及目标特征的标注信息,确定图像处理网络和特征去除网络的第二网络损失;
根据所述第二网络损失,对图像处理网络和特征去除网络的网络参数进行调整。
在一种可能的实现方式中,所述标注信息用于表征第二样本对象的一个或多个特征中是否包括目标特征的参数。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了三维模型构建装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息;
根据所述光流信息调整所述第二图像中第二目标对象的姿态,获得调整后的第三图像,其中,所述第三图像中第二目标对象的姿态与所述第一图像中第一目标对象的姿态匹配;
对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像。
2.根据权利要求1所述的方法,其特征在于,所述第一图像中包括不具有目标特征的第一目标对象,第二图像中包括具有目标特征的第二目标对象,所述第四图像中包括具有目标特征的第一目标对象。
3.根据权利要求2所述的方法,其特征在于,对所述第三图像和所述第一图像进行融合处理,获得融合后的第四图像,包括:
对所述第三图像和所述第一图像进行特征融合,获得第五图像,所述第五图像中包括具有目标特征的第一目标对象;
对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像,其中,所述第四图像中第一区域的色彩与第二区域的色彩匹配,其中,所述第二区域为所述第四图像中除所述第一区域以外的区域。
4.根据权利要求3所述的方法,其特征在于,对所述第五图像中第一目标对象的目标特征所在的第一区域进行色彩修正,获得所述第四图像,包括:
获取所述第五图像中的第一区域与第二区域之间的外观残差信息;
根据所述外观残差信息,对所述第五图像中的第一区域进行色彩修正,获得所述第四图像。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
去除所述第四图像中第一目标对象的目标特征,获得特征去除后的第六图像。
6.根据权利要求1-5中任意一项所述的方法,其特征在于,所述方法利用图像处理网络实现,所述图像处理网络至少包括光流提取网络,
对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息,包括:
将所述第一图像和所述第二图像输入所述光流提取网络进行光流提取,获得所述光流信息。
7.根据权利要求6所述的方法,其特征在于,所述图像处理网络还包括图像融合网络,
其中,对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像,包括:
将所述第三图像和所述第一图像输入所述图像融合网络进行图像融合,获得所述第四图像。
8.一种图像处理装置,其特征在于,包括:
光流提取模块,用于对待处理的第一图像和第二图像进行光流提取,获得所述第一图像与第二图像之间的光流信息;
调整模块,用于根据所述光流信息调整所述第二图像中第二目标对象的姿态,获得调整后的第三图像,其中,所述第三图像中第二目标对象的姿态与所述第一图像中第一目标对象的姿态匹配;
融合模块,用于对所述第三图像和所述第一图像进行图像融合,获得融合后的第四图像。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811444495.1A CN109615593A (zh) | 2018-11-29 | 2018-11-29 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811444495.1A CN109615593A (zh) | 2018-11-29 | 2018-11-29 | 图像处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615593A true CN109615593A (zh) | 2019-04-12 |
Family
ID=66006420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811444495.1A Pending CN109615593A (zh) | 2018-11-29 | 2018-11-29 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615593A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264455A (zh) * | 2019-06-19 | 2019-09-20 | 北京市商汤科技开发有限公司 | 图像处理、神经网络训练方法及装置、存储介质 |
CN110415258A (zh) * | 2019-07-29 | 2019-11-05 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110636373A (zh) * | 2019-10-18 | 2019-12-31 | 厦门美图之家科技有限公司 | 图像处理方法、装置及电子设备 |
CN112330530A (zh) * | 2020-10-21 | 2021-02-05 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、设备及存储介质 |
CN113506232A (zh) * | 2021-07-02 | 2021-10-15 | 清华大学 | 图像生成方法、装置、电子设备以及存储介质 |
CN113506325A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113506324A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1866292A (zh) * | 2005-05-19 | 2006-11-22 | 上海凌锐信息技术有限公司 | 一种动态眼镜试戴方法 |
CN101631189A (zh) * | 2008-07-15 | 2010-01-20 | 鸿富锦精密工业(深圳)有限公司 | 图像合成系统及方法 |
JP4622889B2 (ja) * | 2006-03-01 | 2011-02-02 | トヨタ自動車株式会社 | 画像処理装置、及び画像処理方法 |
KR101141936B1 (ko) * | 2010-10-29 | 2012-05-07 | 동명대학교산학협력단 | 광류장 기반의 손 이미지 영역 검출 방법 및 그 검출 방법에 의한 손동작 인식 방법 |
CN102509346A (zh) * | 2011-09-30 | 2012-06-20 | 北京航空航天大学 | 基于边缘保持的对象光照迁移方法 |
CN104217350A (zh) * | 2014-06-17 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 实现虚拟试戴的方法和装置 |
CN104376589A (zh) * | 2014-12-04 | 2015-02-25 | 青岛华通国有资本运营(集团)有限责任公司 | 一种替换影视剧人物的方法 |
CN105160312A (zh) * | 2015-08-27 | 2015-12-16 | 南京信息工程大学 | 基于人脸相似度匹配的明星脸装扮推荐方法 |
CN105427238A (zh) * | 2015-11-30 | 2016-03-23 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN105812754A (zh) * | 2016-05-31 | 2016-07-27 | 珠海市魅族科技有限公司 | 一种试装方法以及试装装置 |
CN106203364A (zh) * | 2016-07-14 | 2016-12-07 | 广州帕克西软件开发有限公司 | 一种3d眼镜互动试戴系统及方法 |
CN106504063A (zh) * | 2016-11-01 | 2017-03-15 | 广州增强信息科技有限公司 | 一种虚拟头发试戴视频展示系统 |
CN106530361A (zh) * | 2016-11-16 | 2017-03-22 | 上海市东方医院 | 彩色人脸图像的颜色校正方法 |
CN106599817A (zh) * | 2016-12-07 | 2017-04-26 | 腾讯科技(深圳)有限公司 | 一种人脸替换方法及装置 |
CN106611157A (zh) * | 2016-11-17 | 2017-05-03 | 中国石油大学(华东) | 一种基于光流定位和滑动窗口检测的多人姿态识别方法 |
CN106803899A (zh) * | 2015-11-26 | 2017-06-06 | 华为技术有限公司 | 合并图像的方法和装置 |
CN107330969A (zh) * | 2017-06-07 | 2017-11-07 | 深圳市易尚展示股份有限公司 | 眼镜虚拟三维试戴方法和眼镜虚拟三维试戴系统 |
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN107680071A (zh) * | 2017-10-23 | 2018-02-09 | 深圳市云之梦科技有限公司 | 一种人脸与身体融合处理的方法及系统 |
CN107845062A (zh) * | 2017-11-14 | 2018-03-27 | 北京小米移动软件有限公司 | 图像生成方法及装置 |
CN108537754A (zh) * | 2018-04-12 | 2018-09-14 | 哈尔滨工业大学 | 基于形变引导图的人脸图像复原系统 |
CN108573192A (zh) * | 2017-03-09 | 2018-09-25 | 北京京东尚科信息技术有限公司 | 匹配人脸的眼镜试戴方法和装置 |
CN108615241A (zh) * | 2018-04-28 | 2018-10-02 | 四川大学 | 一种基于光流的快速人体姿态估计方法 |
-
2018
- 2018-11-29 CN CN201811444495.1A patent/CN109615593A/zh active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1866292A (zh) * | 2005-05-19 | 2006-11-22 | 上海凌锐信息技术有限公司 | 一种动态眼镜试戴方法 |
JP4622889B2 (ja) * | 2006-03-01 | 2011-02-02 | トヨタ自動車株式会社 | 画像処理装置、及び画像処理方法 |
CN101631189A (zh) * | 2008-07-15 | 2010-01-20 | 鸿富锦精密工业(深圳)有限公司 | 图像合成系统及方法 |
KR101141936B1 (ko) * | 2010-10-29 | 2012-05-07 | 동명대학교산학협력단 | 광류장 기반의 손 이미지 영역 검출 방법 및 그 검출 방법에 의한 손동작 인식 방법 |
CN102509346A (zh) * | 2011-09-30 | 2012-06-20 | 北京航空航天大学 | 基于边缘保持的对象光照迁移方法 |
CN104217350A (zh) * | 2014-06-17 | 2014-12-17 | 北京京东尚科信息技术有限公司 | 实现虚拟试戴的方法和装置 |
CN104376589A (zh) * | 2014-12-04 | 2015-02-25 | 青岛华通国有资本运营(集团)有限责任公司 | 一种替换影视剧人物的方法 |
CN105160312A (zh) * | 2015-08-27 | 2015-12-16 | 南京信息工程大学 | 基于人脸相似度匹配的明星脸装扮推荐方法 |
CN106803899A (zh) * | 2015-11-26 | 2017-06-06 | 华为技术有限公司 | 合并图像的方法和装置 |
CN105427238A (zh) * | 2015-11-30 | 2016-03-23 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN105812754A (zh) * | 2016-05-31 | 2016-07-27 | 珠海市魅族科技有限公司 | 一种试装方法以及试装装置 |
CN106203364A (zh) * | 2016-07-14 | 2016-12-07 | 广州帕克西软件开发有限公司 | 一种3d眼镜互动试戴系统及方法 |
CN106504063A (zh) * | 2016-11-01 | 2017-03-15 | 广州增强信息科技有限公司 | 一种虚拟头发试戴视频展示系统 |
CN106530361A (zh) * | 2016-11-16 | 2017-03-22 | 上海市东方医院 | 彩色人脸图像的颜色校正方法 |
CN106611157A (zh) * | 2016-11-17 | 2017-05-03 | 中国石油大学(华东) | 一种基于光流定位和滑动窗口检测的多人姿态识别方法 |
CN106599817A (zh) * | 2016-12-07 | 2017-04-26 | 腾讯科技(深圳)有限公司 | 一种人脸替换方法及装置 |
CN108573192A (zh) * | 2017-03-09 | 2018-09-25 | 北京京东尚科信息技术有限公司 | 匹配人脸的眼镜试戴方法和装置 |
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN107330969A (zh) * | 2017-06-07 | 2017-11-07 | 深圳市易尚展示股份有限公司 | 眼镜虚拟三维试戴方法和眼镜虚拟三维试戴系统 |
CN107680071A (zh) * | 2017-10-23 | 2018-02-09 | 深圳市云之梦科技有限公司 | 一种人脸与身体融合处理的方法及系统 |
CN107845062A (zh) * | 2017-11-14 | 2018-03-27 | 北京小米移动软件有限公司 | 图像生成方法及装置 |
CN108537754A (zh) * | 2018-04-12 | 2018-09-14 | 哈尔滨工业大学 | 基于形变引导图的人脸图像复原系统 |
CN108615241A (zh) * | 2018-04-28 | 2018-10-02 | 四川大学 | 一种基于光流的快速人体姿态估计方法 |
Non-Patent Citations (9)
Title |
---|
BICKEL ET AL: "Pose-Space Animation and Transfer of Facial Details", 《THE EUROGRAPHICS ASSOCIATION》 * |
DONGDONG CHEN ET AL: "StyleBank: An Explicit Representation for Neural Image Style Transfer", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
MENGXIA YANG ET AL: "Face Image Illumination Transfer through Eye-Relit 3D Basis", 《2013 INTERNATIONAL CONFERENCE ON COMPUTER-AIDED DESIGN AND COMPUTER GRAPHICS》 * |
QIUYU LI ET AL: "Micro-expression Analysis by Fusing Deep Convolutional Neural Network and Optical Flow", 《MICRO-EXPRESSION ANALYSIS BY FUSING DEEP CONVOLUTIONAL NEURAL NETWORK AND OPTICAL FLOW》 * |
TAIHONG XIAO ET AL: "ELEGANT: Exchanging Latent Encodings with GAN for Transferring Multiple Face Attributes", 《ARXIV:1803.10562V2》 * |
WEI SHEN ET AL: "Learning Residual Images for Face Attribute Manipulation", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
卢洋等: "基于人脸姿态估计的虚拟眼镜试戴技术", 《中国光学》 * |
吕培等: "表情数据库无关的人脸表情转移", 《计算机辅助设计与图形学学报》 * |
沈兰荪等: "《中医舌象的采集与分析》", 30 April 2007 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264455A (zh) * | 2019-06-19 | 2019-09-20 | 北京市商汤科技开发有限公司 | 图像处理、神经网络训练方法及装置、存储介质 |
CN110415258A (zh) * | 2019-07-29 | 2019-11-05 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110636373A (zh) * | 2019-10-18 | 2019-12-31 | 厦门美图之家科技有限公司 | 图像处理方法、装置及电子设备 |
CN110636373B (zh) * | 2019-10-18 | 2022-02-01 | 厦门美图之家科技有限公司 | 图像处理方法、装置及电子设备 |
CN112330530A (zh) * | 2020-10-21 | 2021-02-05 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、设备及存储介质 |
CN112330530B (zh) * | 2020-10-21 | 2024-04-12 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、设备及存储介质 |
CN113506232A (zh) * | 2021-07-02 | 2021-10-15 | 清华大学 | 图像生成方法、装置、电子设备以及存储介质 |
CN113506325A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113506324A (zh) * | 2021-07-15 | 2021-10-15 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113506324B (zh) * | 2021-07-15 | 2024-04-12 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
CN113506325B (zh) * | 2021-07-15 | 2024-04-12 | 清华大学 | 图像处理方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615593A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN106339680B (zh) | 人脸关键点定位方法及装置 | |
CN105512605B (zh) | 人脸图像处理方法及装置 | |
CN109241835A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109800737A (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN105469356B (zh) | 人脸图像处理方法及装置 | |
CN109816764A (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109784255A (zh) | 神经网络训练方法及装置以及识别方法及装置 | |
CN110517185A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN106548468B (zh) | 图像清晰度的判别方法及装置 | |
CN109872297A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109618184A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN106204435A (zh) | 图像处理方法及装置 | |
CN109871883A (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN109829863A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110298310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110503023A (zh) | 活体检测方法及装置、电子设备和存储介质 | |
CN109948494A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109934275A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458218A (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109118430A (zh) | 超分辨率图像重建方法及装置、电子设备及存储介质 | |
CN110060215A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109819229A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108154465A (zh) | 图像处理方法及装置 | |
CN109711546A (zh) | 神经网络训练方法及装置、电子设备和存储介质 |
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 |