CN109685749B - 图像风格转换方法、装置、设备和计算机存储介质 - Google Patents
图像风格转换方法、装置、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN109685749B CN109685749B CN201811120849.7A CN201811120849A CN109685749B CN 109685749 B CN109685749 B CN 109685749B CN 201811120849 A CN201811120849 A CN 201811120849A CN 109685749 B CN109685749 B CN 109685749B
- Authority
- CN
- China
- Prior art keywords
- image
- style
- preset
- initial
- processing model
- 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.)
- Active
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006870 function Effects 0.000 claims description 31
- 238000000926 separation method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004806 packaging method and process Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 description 101
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像风格转换方法,包括以下步骤:接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像;将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息;将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型;将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像。本发明还公开了一种图像风格转换装置、设备和计算机存储介质。本发明提高图像风格转换的效率和准确性。
Description
技术领域
本发明涉及图像处理领域,尤其涉及图像风格转换方法、装置、设备和计算机存储介质。
背景技术
现实生活的应用中,存在许多不同的成像模式和相应的风格图像,有时为了特定的场景需求,经常需要进行图像风格的转变。
当前利图像风格化处理技术,能够将风格图像上的风格进行转变,使得图像能够获得更好的视觉效果。在现有技术中,是将一个给定的风格图像直接输入至一个神经网络(neural network)中,然后利用大量的内容图像作为样本图像,经过多次迭代训练得到与给定的风格图像对应的图像转换网络,利用该图像转换网络实现输入内容图像的风格转换。对于任意给定的风格图像,都需要进行成千上万次的迭代运算对神经网络进行训练,得到该风格对应的图像转换网络。在图像转换网络的训练过程中,成千上万次的迭代运算造成计算量巨大,这将会需要很长的训练时间,导致图像风格化处理效率低下,若减少迭代运算对神经网络进行训练,将会使得图像风格化不够准确。
如何可以既保证风格化处理效率,又可以保证图像风格转换的准确性成为了当前亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种图像风格转换方法、装置、设备和计算机存储介质,旨在解决当前图像风格转换的处理效率和准确性不可以兼顾的技术问题。
为实现上述目的,本发明提供图像风格转换方法,所述图像风格转换方法包括以下步骤:
接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像;
将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息;
将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型;
将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像。
可选地,所述将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息的步骤,包括:
将所述初始图像输入至预设图像分类器;
通过所述预设图像分类器的底层滤波器对所述初始图像进行滤波处理,得到所述初始图像的各部分的边缘特征和纹理特征;
通过所述预设图像分类器的中层滤波器对各所述边缘特征和各所述纹理特征进行组合,得到所述初始图像包含的图像元素;
通过所述预设图像分类器的高层滤波器对各所述图像元素进行描述,得到所述初始图像对应的图像内容信息。
可选地,所述接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像的步骤之前,包括:
按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集;
从各所述图像样本子集中抽取预设比例的图像样本,并在预设坐标系中绘制所述一次训练图像样本对应的样本特征点;
根据所述样本特征点的位置和对应的风格属性对所述预设坐标系进行区域划分,并根据区域划分情况获取对应的最近分隔函数;
以所述预设比例在各所述图像样本子集中抽取迭代训练样本,并在预设坐标系中绘制所述迭代训练图像样本对应的迭代特征点;
通过所述迭代特征点对所述最近分隔函数进行迭代调整,直至所述最近分隔函数的正确分隔率达到预设阈值,获得预设处理模型。
可选地,所述接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像的步骤之前,包括:
按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集;
针对每一个所述图像样本子集执行如下步骤:
将所述图像样本子集作为目标图像样本子集,基于所述目标图像样本子集生成初始处理模型,获取所述n个图像样本子集中去除所述目标图像样本子集的其他图像样本子集,利用所述其他图像样本子集对所述初始处理模型进行迭代训练,得到所述目标图像样本子集对应的处理子模型;
将每个所述目标图像样本子集对应的所述处理子模型进行封装,生成预设处理模型。
可选地,所述将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型的步骤,包括:
从所述参照图像中提取风格纹理特征;
将所述风格纹理特征输入至预设处理模型中,对所述预设处理模型进行一次训练,得到所述风格纹理特征对应的训练模型;
判断所述训练模型是否符合预设收敛条件,若所述训练模型符合预设收敛条件,则将所述训练模型作为图像处理模型;若所述训练模型不符合预设收敛条件,则调整所述风格纹理特征的权重,对所述训练模型进行迭代,直至所述训练模型符合预设收敛条件。
可选地,所述将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像的步骤,包括:
将所述图像内容信息输入至所述图像处理模型中,通过所述图像处理模型生成所述参照图像对应的图像模板;
将所述图像内容信息和所述图像模板进行融合,得到所述初始图像对应的目标风格图像。
可选地,所述将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像的步骤之后,包括:
将所述初始图像、所述参照图像和所述目标风格图像进行关联保存,以供用户查看。
此外,为实现上述目的,本发明还提供一种图像风格转换装置,所述图像风格转换装置包括:
获取模块,用于接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像;
内容获取模块,用于将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息;
模型训练模块,用于将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型;
风格转换模块,用于将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像。
此外,为实现上述目的,本发明还提供一种图像风格转换设备;
所述图像风格转换设备包括: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,其中:
所述计算机程序被所述处理器执行时实现如上所述的图像风格转换方法的步骤。
此外,为实现上述目的,本发明还提供计算机存储介质;
所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的图像风格转换方法的步骤。
本发明实施例提出的一种图像风格转换方法、装置、设备和计算机存储介质,通过接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像;将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息;将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型;将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像。本发明中通过多个数据处理模型实现图像风格的转换,与单个数据模型相比,减少模型的训练时间,使得图像风格转换的效率变高,多个数据处理模型实现不同的效果,使得图像风格转换的准确率更高。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图;
图2为本发明图像风格转换方法第一实施例的流程示意图;
图3为本发明图像风格转换装置一实施例的功能模块示意图。
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。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端(又叫图像风格转换设备,其中,图像风格转换设备可以是由单独的图像风格转换装置构成,也可以是由其他装置与图像风格转换装置组合形成)结构示意图。
本发明实施例终端可以固定终端,也可以是移动终端,其中,固定终端如“物联网设备”、带联网功能的智能空调、智能电灯、智能电源等等;移动终端,如带联网功能的智能音箱、自动驾驶汽车、PC(personal computer)个人计算机,智能手机、平板电脑、电子书阅读器、便携计算机等具有显示功能的终端设备。
如图1所示,该终端可以包括:处理器1001,例如中央处理器Central ProcessingUnit,CPU),网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WIFI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块;输入单元,比显示屏,触摸屏;网络接口可选除无线接口中除WiFi外,蓝牙、探针、3G/4G/5G(前面的数字表示的是蜂窝移动通信网络的代数。就是表示是第几代的网络。英文字母G表示generation)联网基站设备等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器;当然,移动终端还可配置陀螺仪、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。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,该计算机软件产品存储在一个存储介质(存储介质:又叫计算机存储介质、计算机介质、可读介质、可读存储介质、计算机可读存储介质或者直接叫介质等,如RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及计算机程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的计算机程序,并执行本发明以下实施例提供的图像风格转换方法中的步骤。
本发明一种图像风格转换方法的第一实施例中,所述图像风格转换方法包括:
接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像;
将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息;
将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型;
将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像。
在本发明第一实施实施例的步骤执行之前,需要预先训练一个预设处理模型,预设处理模型是指用于进行图像风格转换的算法,由于图像风格、数量、种类较多,要使得一个处理模型满足全部的处理会出现数据处理量较大,处理模型过拟合的现象,本申请中为了降低数据处理领有效地防止过拟合现象,构建的预设处理模型为一个基础模型,在使用预设模型时,还需要对预设处理模型进行训练,具体地,本实施例在给出了预设处理模型的训练的两种实现方式:
实现方式一:采用支持向量机建立预设处理模型,包括:
步骤S01,按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集;
为训练预设处理模型,首先要获取到预设图像样本集,该预设图像样本集中的样本数据可以是画像数据、还可以照片数据。用户可以根据转换的要求预先定义不同的风格属性,例如,梵高风格、毕加索风格、动漫风格等等,终端根据定义的风格属性,终端根据用户预先定义的风格属性,将预设图像样本集中的各图像样本按图像样本对应的风格属性进行分类,得到各类风格的图像样本子集。
本实施例中,考虑到图像数据量庞大,若要获取到各种类型的图像样本数据用于进行模型训练,则会增大工作量,因此本案可采用linear-svm(线性-支持向量机)的方式进行建模。linear-svm是一种有监督的线性分类算法;linear-svm基于几何间隔最大化原理,认为存在最大几何间隔的分类面为最优分类面,因此是考虑分类面上(局部边界线附近)的点,即linear-svm不直接依赖于数据分布,从而可在一定限度上降低过拟合的现象。
步骤S02,从各所述图像样本子集中抽取预设比例的图像样本,并在预设坐标系中绘制所述一次训练图像样本对应的样本特征点。
终端从各图像样本子集中抽取预设比例的图像样本,其中,预设比例是指预先设置的抽样比例,可以根据具体的场景灵活设置,例如,设置为0.5%;在图像样本抽取完成之后,终端根据样本图像在预设坐标系中绘制出各一次训练样本对应的样本特征点,以根据样本特征点构建最近分隔函数,又叫初始模型。
步骤S03,根据所述样本特征点的位置和对应的风格属性对所述预设坐标系进行区域划分,并根据区域划分情况获取对应的最近分隔函数;
终端根据样本属性以及样本特征点所在的位置对预设坐标系进行分区,然后根据区域的划分情况可得出若干个分隔函数,最终在这些分隔函数中确定一个最近分隔函数(初始模型);其中,在首次训练中,该最近分隔函数可以是随机确定,或者通过某些约束条件进行确定。
步骤S04,以所述预设比例在各所述图像样本子集中抽取迭代训练样本,并在预设坐标系中绘制所述迭代训练图像样本对应的迭代特征点;
终端重复地以所述预设比例在各所述图像样本子集中抽取迭代训练样本,利用这些训练样本对初始模型进行训练:即,终端在预设坐标系中绘制出各训练样本对应的训练特征点。
步骤S05,通过所述迭代特征点对所述最近分隔函数进行迭代调整,直至所述最近分隔函数的正确分隔率达到预设阈值,获得预设处理模型。
终端通过所述迭代特征点对所述最近分隔函数进行迭代调整,即,终端根据样本属性以及特征点所在的位置对预设坐标系进行分区;然后根据区域的划分情况可得出若干个分隔函数,终端根据分隔函数中调整最近分隔函数。从而对模型不断进行迭代训练,直至其对样本的正确分隔率达到预设阈值,即认为训练完成,获得预设处理模型。
本实施例中通过支持向量机建立预设处理模型,使得预设处理模型的数据处理量较少,以最终提高图像风格转换的数据处理效率。
实现方式二:采用回归分析出建立预设处理模型,包括:
步骤S06,按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集。
为训练预设处理模型,首先要获取到预设图像样本集,该预设图像样本集中的样本数据可以是画像数据、还可以照片数据。用户可以根据转换的要求预先定义不同的风格属性,例如,梵高风格、毕加索风格、动漫风格等等,终端根据定义的风格属性,终端根据用户预先定义的风格属性,将预设图像样本集中的各图像样本按图像样本对应的风格属性进行分类,得到各类风格的图像样本子集n个。
步骤S07,针对每一个所述图像样本子集执行如下步骤:将所述图像样本子集作为目标图像样本子集,基于所述目标图像样本子集生成初始处理模型,获取所述n个图像样本子集中去除所述目标图像样本子集的其他图像样本子集,利用所述其他图像样本子集对所述初始处理模型进行迭代训练,得到所述目标图像样本子集对应的处理子模型。
终端针对每一个所述图像样本子集执行如下步骤:分别将图像样本子集作为目标图像样本子集,并根据目标图像样本子集生成初始处理模型,其中,初始处理模型的是图像为f(x)关于图像特征数据的函数,建立初始处理模型是提取目标图像样本子集中的各个样本的特征数据,特征数据包括:图像纹理、图像灰度和图像色调等,根据预设模型确定图像纹理、图像灰度和图像色调与图像样本的函数关系,并将该函数关系作为初始处理模型;具体地,根据经验预先设置了一个特征数据与图像样本函数关系,在建立初始处理模型时,获取目标图像样本子集中的各个图像样本,并将各个图像样本确定参数初始值,并将确定的参数初始值赋值给函数关系,以得到初始处理模型。
在初始处理模型建立完成后,设置最大的迭代次数和收敛阈值;终端用除所述目标图像样本子集之外的其他图像样本子集对所述初始处理模型进行迭代训练,直到达到先前设置的迭代次数或已经收敛,此时,可得到最优模型参数,进而根据该最优模型参数获得到所述目标图像样本子集对应的处理子模型。
即,本实施例中终端将每一个目标图像样本子集生成初始处理模型并迭代训练生成处理子模型是采用XGBoost原理实现的,终端将图像样本中的图像作为f(x)并建立f(x)关于特征数据的初始处理模型,终端将图像纹理、图像灰度、图像色调的作为特征数据,并为各个特征数据设置相对应的权重,以生成每一个目标图像样本子集对应的初始处理模型,其中,生成的初始处理模型跟上述的特征数据相关。
在初始处理模型生成完成之后,终端利用除目标图像样本子集之外的n-1个图像样本子集对初始处理模型进行迭代训练,即,终端利用n-1个图像样本子集对初始处理模型进行迭代训练得到目标图像样本子集对应的处理子模型终端生成每一个目标图像样本子集对应的处理子模型。
步骤S08,将每个所述目标图像样本子集对应的所述处理子模型进行封装,生成预设处理模型。
终端获取每个目标图像样本子集对应的所述处理子模型,将各个处理子模型进行封装,生成预设处理模型,即,本实施例中将训练得到n个处理子模型封装为一个预设处理模型。
在本实施例中根据图像样本建立生成预设处理模型,本实施例中在预设处理模型建立时采用建立多个处理子模型的方式,有效降低了基于预设处理模型进行图像处理时产生的过拟合现象。
参照图2,本发明图像风格转换方法的第一实施例中,所述图像风格转换方法包括:
步骤S10,接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像。
用户在终端上触发图像风格的转换请求,终端接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像,例如,用户触发图像风格转换请求,终端获取图像风格转换请求中的真人自拍照片作为初始图像,获取“呐喊”作为风格参照的参照图像。
步骤S20,将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息。
终端将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息,其中,预设图像分类器是指预先训练的用于识别图像内容信息的算法,终端通过预设图像分类器处理初始图像,可以获得初始图像中包含的图像内容信息。
即,终端将所述初始图像输入至预设图像分类器;首先,终端通过所述预设图像分类器的底层滤波器对所述初始图像进行滤波处理,其中,对图像进行滤波处理是为了后续图像处理和分析,终端底层滤波器将图像划分为不同的区域,得到图像各区域的边缘特征和纹理特征;然后,通过所述预设图像分类器的中层滤波器对各所述边缘特征和各所述纹理特征进行组合,即,终端将各所述边缘特征和各所述纹理特征进行组合,可以得到初始图像包含的图像元素;最后,通过所述预设图像分类器的高层滤波器对各所述图像元素进行描述,得到所述初始图像对应的图像内容信息。
本实施例中通过预设图像分类器对初始图像进行处理,最终实现机器识别图像的目的,在图像识别完成之后,得到初始图像中包含的图像内容信息,以根据图像内容信息,进行图像风格的转换,本实施例中通过有效地进行图像内容信息的提取,减少了图像风格转换的数据处理量,同时提高实现生成初始图像对应图像内容的风格图像的准确性。
步骤S30,将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型。
终端将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,即,终端从所述参照图像中提取风格纹理特征;将所述风格纹理特征输入至预设处理模型中,对所述预设处理模型进行一次训练,得到所述风格纹理特征对应的训练模型;然后,终端将训练模型与预设收敛条件进行比对,其中,预设收敛条件是指预先设置的信息,以判断所述训练模型是否符合预设收敛条件,若所述训练模型符合预设收敛条件,则将所述训练模型作为图像处理模型;若所述训练模型不符合预设收敛条件,则调整所述风格纹理特征的权重,例如,增加风格纹理特征的权重,对所述训练模型进行迭代,直至所述训练模型符合预设收敛条件。
本实施例中将预设处理模型作为一个基准模型,并没有直接利用该预设处理模型进行风格转换,而是通过参照图像对预设处理模型进行训练,利用训练得到的图像处理模型进行图像风格的转换,减少了图像风格转换的数据处理量的同时,根据参照图像进行预设处理模型进行训练,使得得到的图像处理模型更加优化。
步骤S40,将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像。
终端将图像内容信息输入至训练得到的图像处理模型中,图像处理模型将图像内容信息进行整合,形成对应的风格图像。其中,图像处理模型得到目标风格图像的步骤包括:
步骤a,将所述图像内容信息输入至所述图像处理模型中,通过所述图像处理模型生成所述参照图像对应的图像模板;
步骤b,将所述图像内容信息和所述图像模板进行融合,得到所述初始图像对应的目标风格图像。
即,终端将图像内容信息输入至图像处理模型中,通过图像处理模型生成所述参照图像对应的图像模板,其中,图像模板是指与参照图像配色方案一致的图像模板,终端将图像内容信息融入到图像模板,生成目标风格图像。
在本实施例中与现有的图像风格转换存在较大区别,现有的图像风格转换是通过一个模型实现的,即,现有技术中的成千上万次的迭代运算造成计算量巨大,本实施例中同多个模型将图像风格转换进行分解,本发明中通过多个数据处理模型实现图像风格的转换,与单个数据模型相比,减少模型的训练时间,使得图像风格转换的效率变高,与此同时,将预设处理模型作为基准模型中,利用参照图像对所述预设处理模型进行训练,得到图像处理模型,然后将所述图像内容信息输入至图像处理模型中,得到目标风格图像,使得图像的风格转换更加准确。
进一步地,在本发明第一实施例的基础上提出了本实施例,本实施例是第一实施例中步骤S20的细化,具体地,所述步骤S20,包括:
步骤S21,将所述初始图像输入至预设图像分类器;
终端将初始图像输入至预设图像分类器,其中,预设图像分类器是指预先训练的用于识别图像信息的算法,具体的,预设图像分类器的构建方法可以结合本申请中预设识别模型构建方法,本实施例不作赘述。
步骤S22,通过所述预设图像分类器的底层滤波器对所述初始图像进行滤波处理,得到所述初始图像的各部分的边缘特征和纹理特征。
通过所述预设图像分类器的底层滤波器对所述初始图像进行滤波处理,即,图像的滤波方法很多,例如,频率域法的处理是在图像的某种变换域内,对图像的变换系数值进行运算,然后通过逆变换获得增强图像。再利用变换系数反映某些图像特征的性质进行图像滤波的方法。傅立叶变换是一种常用的变换。在傅立叶变换域频谱的直流分量正比于图像的平均亮度,噪声对应于频率较高的区域,图像实体位于频率较低的区域。得到所述初始图像的各部分的边缘特征和纹理特征。
例如,本实施例中给出了一种具体实现方式,本实施例中将初始图像装换为数据队列,即,一幅初始图像f(x,y)为M*N的阵列,处理后的图像为g(x,y)按以下函数进行初始图像的处理,进行图像去噪。
本实施例中对初始图像进行图像去噪处理,可以提高初始图像的信噪比,突出初始图像的期望区域,初始图像去噪可以较好地保存初始图像的边缘特征和纹理特征,使得图像处理更加优化。
步骤S23,通过所述预设图像分类器的中层滤波器对各所述边缘特征和各所述纹理特征进行组合,得到所述初始图像包含的图像元素。
通过所述预设图像分类器的中层滤波器对各所述边缘特征和各所述纹理特征进行组合,即,有效地对初始图像进行识别,得到所述初始图像包含的图像元素。
步骤S24,通过所述预设图像分类器的高层滤波器对各所述图像元素进行描述,得到所述初始图像对应的图像内容信息。
通过所述预设图像分类器的高层滤波器对各所述图像元素进行描述,即,终端中得到所述初始图像对应的图像内容信息
本实施例中利用预设图像分离器对初始图像进行处理,得到初始图像中包含的图像内容信息,本实施例中通过有效地进行图像内容信息的提取,减少了图像风格转换的数据处理量,同时提高实现生成初始图像对应图像内容的风格图像的准确性。
进一步地,在本发明第一实施例的基础上提出了本实施例,本实施例是第一实施例中步骤S30的细化,具体地,所述步骤S30,包括:
步骤S31,从所述参照图像中提取风格纹理特征。
终端从参照图像中提取风格纹理特征,即,终端获取参照图像的相关函数(即图像的能量谱函数)提取纹理特征,通过对图像的能量谱函数的计算,提取纹理的粗细度及方向性等特征参数。
步骤S32,将所述风格纹理特征输入至预设处理模型中,对所述预设处理模型进行一次训练,得到所述风格纹理特征对应的训练模型。
终端将所述风格纹理特征输入至预设处理模型中,通过风格纹理特征调整预设处理模型,对所述预设处理模型进行一次训练,即,得到所述风格纹理特征对应的训练模型。
步骤S33,判断所述训练模型是否符合预设收敛条件,若所述训练模型符合预设收敛条件,则将所述训练模型作为图像处理模型;若所述训练模型不符合预设收敛条件,则调整所述风格纹理特征的权重,对所述训练模型进行迭代,直至所述训练模型符合预设收敛条件。
终端判断训练得到的模型是否符合预设收敛条件,若所述训练模型符合预设收敛条件,则将所述训练模型作为图像处理模型;若所述训练模型不符合预设收敛条件,则调整所述风格纹理特征的权重,对所述训练模型进行迭代,直至所述训练模型符合预设收敛条件
本实施例中在进行图像风格处理的时候,基于参照图像进行训练得到对应的图像处理模型,然后将所述图像内容信息输入至图像处理模型中,得到目标风格图像,使得图像的风格转换更加准确。
此外,参照图3,本发明实施例还提出一种图像风格转换装置,所述图像风格转换装置包括:
获取模块10,用于接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像;
内容获取模块20,用于将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息;
模型训练模块30,用于将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型;
风格转换模块40,用于将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像。
可选地,所述内容获取模块20,包括:
输入单元,用于将所述初始图像输入至预设图像分类器;
特征获取单元,用于通过所述预设图像分类器的底层滤波器对所述初始图像进行滤波处理,得到所述初始图像的各部分的边缘特征和纹理特征;
元素确定单元,用于通过所述预设图像分类器的中层滤波器对各所述边缘特征和各所述纹理特征进行组合,得到所述初始图像包含的图像元素;
内容确定单元,用于通过所述预设图像分类器的高层滤波器对各所述图像元素进行描述,得到所述初始图像对应的图像内容信息。
可选地,所述图像风格转换装置,包括:
第一分类模块,用于按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集;
特征点确定模块,用于从各所述图像样本子集中抽取预设比例的图像样本,并在预设坐标系中绘制所述一次训练图像样本对应的样本特征点;
一次训练模块,用于根据所述样本特征点的位置和对应的风格属性对所述预设坐标系进行区域划分,并根据区域划分情况获取对应的最近分隔函数;
迭代训练模块,用于以所述预设比例在各所述图像样本子集中抽取迭代训练样本,并在预设坐标系中绘制所述迭代训练图像样本对应的迭代特征点;
模型生成模块,用于通过所述迭代特征点对所述最近分隔函数进行迭代调整,直至所述最近分隔函数的正确分隔率达到预设阈值,获得预设处理模型。
可选地,所述图像风格转换装置,包括:
第二分类模块,用于按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集;
子模型生成模块:用于针对每一个所述图像样本子集执行如下步骤:将所述图像样本子集作为目标图像样本子集,基于所述目标图像样本子集生成初始处理模型,获取所述n个图像样本子集中去除所述目标图像样本子集的其他图像样本子集,利用所述其他图像样本子集对所述初始处理模型进行迭代训练,得到所述目标图像样本子集对应的处理子模型;
封装模块,用于将每个所述目标图像样本子集对应的所述处理子模型进行封装,生成预设处理模型。
可选地,所述模型训练模块30,包括:
特征提取单元,用于从所述参照图像中提取风格纹理特征;
输入训练单元,用于将所述风格纹理特征输入至预设处理模型中,对所述预设处理模型进行一次训练,得到所述风格纹理特征对应的训练模型;
判断单元,用于判断所述训练模型是否符合预设收敛条件,若所述训练模型符合预设收敛条件,则将所述训练模型作为图像处理模型;若所述训练模型不符合预设收敛条件,则调整所述风格纹理特征的权重,对所述训练模型进行迭代,直至所述训练模型符合预设收敛条件。
可选地,所述风格转换模块40,包括:
模板生成单元,用于将所述图像内容信息输入至所述图像处理模型中,通过所述图像处理模型生成所述参照图像对应的图像模板;
融合单元,用于将所述图像内容信息和所述图像模板进行融合,得到所述初始图像对应的目标风格图像。
可选地,所述图像风格转换装置,包括:
保存模块,用于将所述初始图像、所述参照图像和所述目标风格图像进行关联保存,以供用户查看。
其中,图像风格转换装置的各个功能模块实现的步骤可参照本发明图像风格转换方法的各个实施例,此处不再赘述。
此外,本发明实施例还提出一种计算机存储介质。
所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例提供的图像风格转换方法中的操作。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来,而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序;术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中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。可以根据实际的需要选择中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)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 (9)
1.一种图像风格转换方法,其特征在于,所述图像风格转换方法包括以下步骤:
接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像;
将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息;
将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型;
将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像;
其中,所述接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像的步骤之前,包括:
按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集;
从各所述图像样本子集中抽取预设比例的图像样本,并在预设坐标系中绘制一次训练图像样本对应的样本特征点;
根据所述样本特征点的位置和对应的风格属性对所述预设坐标系进行区域划分,并根据区域划分情况获取对应的最近分隔函数;
以所述预设比例在各所述图像样本子集中抽取迭代训练样本,并在预设坐标系中绘制所述迭代训练图像样本对应的迭代特征点;
通过所述迭代特征点对所述最近分隔函数进行迭代调整,直至所述最近分隔函数的正确分隔率达到预设阈值,获得预设处理模型。
2.如权利要求1所述的图像风格转换方法,其特征在于,所述将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息的步骤,包括:
将所述初始图像输入至预设图像分类器;
通过所述预设图像分类器的底层滤波器对所述初始图像进行滤波处理,得到所述初始图像的各部分的边缘特征和纹理特征;
通过所述预设图像分类器的中层滤波器对各所述边缘特征和各所述纹理特征进行组合,得到所述初始图像包含的图像元素;
通过所述预设图像分类器的高层滤波器对各所述图像元素进行描述,得到所述初始图像对应的图像内容信息。
3.如权利要求1所述的图像风格转换方法,其特征在于,所述接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像的步骤之前,包括:
按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集;
针对每一个所述图像样本子集执行如下步骤:
将所述图像样本子集作为目标图像样本子集,基于所述目标图像样本子集生成初始处理模型,获取n个图像样本子集中去除所述目标图像样本子集的其他图像样本子集,利用所述其他图像样本子集对所述初始处理模型进行迭代训练,得到所述目标图像样本子集对应的处理子模型;
将每个所述目标图像样本子集对应的所述处理子模型进行封装,生成预设处理模型。
4.如权利要求1所述的图像风格转换方法,其特征在于,所述将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型的步骤,包括:
从所述参照图像中提取风格纹理特征;
将所述风格纹理特征输入至预设处理模型中,对所述预设处理模型进行一次训练,得到所述风格纹理特征对应的训练模型;
判断所述训练模型是否符合预设收敛条件,若所述训练模型符合预设收敛条件,则将所述训练模型作为图像处理模型;若所述训练模型不符合预设收敛条件,则调整所述风格纹理特征的权重,对所述训练模型进行迭代,直至所述训练模型符合预设收敛条件。
5.如权利要求1所述的图像风格转换方法,其特征在于,所述将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像的步骤,包括:
将所述图像内容信息输入至所述图像处理模型中,通过所述图像处理模型生成所述参照图像对应的图像模板;
将所述图像内容信息和所述图像模板进行融合,得到所述初始图像对应的目标风格图像。
6.如权利要求1所述的图像风格转换方法,其特征在于,所述将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像的步骤之后,包括:
将所述初始图像、所述参照图像和所述目标风格图像进行关联保存,以供用户查看。
7.一种图像风格转换装置,其特征在于,所述图像风格转换装置包括:
获取模块,用于接收图像风格转换请求,获取所述图像风格转换请求中待转换的初始图像和作为风格参照的参照图像;
内容获取模块,用于将所述初始图像输入至预设图像分类器中,得到所述初始图像对应的图像内容信息;
模型训练模块,用于将所述参照图像输入至预设处理模型中,对所述预设处理模型进行训练,得到所述参照图像对应风格的图像处理模型;
风格转换模块,用于将所述图像内容信息输入至所述图像处理模型中,得到所述初始图像对应的目标风格图像;
所述获取模块,还用于按图像风格转换要求预先定义风格属性,并将预设图像样本集中的各图像样本按所述图像样本的风格属性进行分类,得到各类风格的图像样本子集;从各所述图像样本子集中抽取预设比例的图像样本,并在预设坐标系中绘制一次训练图像样本对应的样本特征点;根据所述样本特征点的位置和对应的风格属性对所述预设坐标系进行区域划分,并根据区域划分情况获取对应的最近分隔函数;以所述预设比例在各所述图像样本子集中抽取迭代训练样本,并在预设坐标系中绘制所述迭代训练图像样本对应的迭代特征点;通过所述迭代特征点对所述最近分隔函数进行迭代调整,直至所述最近分隔函数的正确分隔率达到预设阈值,获得预设处理模型。
8.一种图像风格转换设备,其特征在于,所述图像风格转换设备包括: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,其中:
所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的图像风格转换方法的步骤。
9.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的图像风格转换方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811120849.7A CN109685749B (zh) | 2018-09-25 | 2018-09-25 | 图像风格转换方法、装置、设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811120849.7A CN109685749B (zh) | 2018-09-25 | 2018-09-25 | 图像风格转换方法、装置、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685749A CN109685749A (zh) | 2019-04-26 |
CN109685749B true CN109685749B (zh) | 2023-04-18 |
Family
ID=66185232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811120849.7A Active CN109685749B (zh) | 2018-09-25 | 2018-09-25 | 图像风格转换方法、装置、设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685749B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517225B (zh) * | 2019-07-19 | 2023-07-11 | 平安科技(深圳)有限公司 | Ai影像识别方法、装置、设备及存储介质 |
CN112464924A (zh) * | 2019-09-06 | 2021-03-09 | 华为技术有限公司 | 一种构建训练集的方法及装置 |
CN110599393B (zh) * | 2019-09-06 | 2023-07-25 | 深圳前海微众银行股份有限公司 | 图片风格转换方法、装置、设备及计算机可读存储介质 |
US11625576B2 (en) * | 2019-11-15 | 2023-04-11 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image style transformation |
CN111080746B (zh) * | 2019-12-10 | 2024-04-26 | 中国科学院计算技术研究所 | 图像处理方法、装置、电子设备和存储介质 |
CN111639520B (zh) * | 2020-04-14 | 2023-12-08 | 天津极豪科技有限公司 | 图像处理、模型训练方法、装置和电子设备 |
CN111784565B (zh) * | 2020-07-01 | 2021-10-29 | 北京字节跳动网络技术有限公司 | 图像处理方法、迁移模型训练方法、装置、介质及设备 |
CN111784567B (zh) * | 2020-07-03 | 2023-04-28 | 北京字节跳动网络技术有限公司 | 用于转换图像的方法、装置、电子设备和计算机可读介质 |
CN112991148B (zh) * | 2020-10-30 | 2023-08-11 | 抖音视界有限公司 | 风格图像生成方法、模型的训练方法、装置、设备及介质 |
CN113052757A (zh) * | 2021-03-08 | 2021-06-29 | Oppo广东移动通信有限公司 | 图像处理方法、装置、终端及存储介质 |
CN113703998A (zh) * | 2021-08-25 | 2021-11-26 | 深圳市慧鲤科技有限公司 | 图像转换方法、装置、电子设备及计算机可读存储介质 |
CN114004905B (zh) * | 2021-10-25 | 2024-03-29 | 北京字节跳动网络技术有限公司 | 人物风格形象图的生成方法、装置、设备及存储介质 |
CN115936972B (zh) * | 2022-09-27 | 2024-03-22 | 阿里巴巴(中国)有限公司 | 图像生成方法、遥感图像风格迁移方法以及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033965A1 (zh) * | 2014-09-05 | 2016-03-10 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
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 |
CN107277391A (zh) * | 2017-06-30 | 2017-10-20 | 北京奇虎科技有限公司 | 图像转换网络处理方法、服务器、计算设备及存储介质 |
CN107392842A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 图像风格化处理方法、装置、计算设备及计算机存储介质 |
CN108230232A (zh) * | 2016-12-21 | 2018-06-29 | 腾讯科技(深圳)有限公司 | 一种图像处理的方法以及相关装置 |
-
2018
- 2018-09-25 CN CN201811120849.7A patent/CN109685749B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033965A1 (zh) * | 2014-09-05 | 2016-03-10 | 华为技术有限公司 | 图像分类器的生成方法、图像分类方法和装置 |
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 |
CN108230232A (zh) * | 2016-12-21 | 2018-06-29 | 腾讯科技(深圳)有限公司 | 一种图像处理的方法以及相关装置 |
CN107277391A (zh) * | 2017-06-30 | 2017-10-20 | 北京奇虎科技有限公司 | 图像转换网络处理方法、服务器、计算设备及存储介质 |
CN107392842A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 图像风格化处理方法、装置、计算设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109685749A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685749B (zh) | 图像风格转换方法、装置、设备和计算机存储介质 | |
CN108121984B (zh) | 一种字符识别方法及装置 | |
CN109697416B (zh) | 一种视频数据处理方法和相关装置 | |
US8792722B2 (en) | Hand gesture detection | |
US8750573B2 (en) | Hand gesture detection | |
CN110210393A (zh) | 人脸图像的检测方法和装置 | |
RU2731370C1 (ru) | Способ распознавания живого организма и терминальное устройство | |
WO2019033569A1 (zh) | 眼球动作分析方法、装置及存储介质 | |
CN110222686B (zh) | 物体检测方法、装置、计算机设备和存储介质 | |
WO2014082496A1 (zh) | 客户端特征的识别方法、装置及存储介质 | |
CN110717806B (zh) | 产品信息推送方法、装置、设备及存储介质 | |
CN110264093B (zh) | 信用模型的建立方法、装置、设备及可读存储介质 | |
CN111984803B (zh) | 多媒体资源处理方法、装置、计算机设备及存储介质 | |
CN111080665A (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
CN113782093B (zh) | 一种基因表达填充数据的获取方法及装置、存储介质 | |
CN108615006A (zh) | 用于输出信息的方法和装置 | |
CN111126159A (zh) | 用于实时跟踪行人的方法、装置、电子设备和介质 | |
WO2022021624A1 (zh) | 模型确定方法及相关装置、终端、计算机可读存储介质、计算机程序产品 | |
CN117253110A (zh) | 一种基于扩散模型的目标检测模型泛化能力提升方法 | |
CN116993577A (zh) | 图像处理方法、装置、终端设备以及存储介质 | |
CN111476144A (zh) | 行人属性识别模型确定方法、装置及计算机可读存储介质 | |
CN111127481A (zh) | 基于tof图像联通区域的图像识别方法及装置 | |
CN114170229B (zh) | 印制电路板缺陷图像配准方法、装置、设备及存储介质 | |
CN110766631A (zh) | 人脸图像的修饰方法、装置、电子设备和计算机可读介质 | |
JP2020135485A (ja) | 拡張装置、拡張方法及び拡張プログラム |
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 |