CN111145306A - 图片处理方法及装置、电子设备和计算机可读存储介质 - Google Patents
图片处理方法及装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111145306A CN111145306A CN201911355380.XA CN201911355380A CN111145306A CN 111145306 A CN111145306 A CN 111145306A CN 201911355380 A CN201911355380 A CN 201911355380A CN 111145306 A CN111145306 A CN 111145306A
- Authority
- CN
- China
- Prior art keywords
- color
- picture
- distribution grid
- filling
- line drawing
- 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 17
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 101
- 239000003086 colorant Substances 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims description 50
- 238000005070 sampling Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 230000004048 modification Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 9
- 238000004040 coloring Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种图片处理方法及装置、电子设备和计算机可读存储介质,图片处理方法包括以下步骤:获取目标图片,并提取所述目标图片的线条图;确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色;将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片,其中,所述颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的。这样,通过先提线条图后颜色填充的方式来进行图片的风格转换,并基于颜色分布网格颜色填充,获得的线条图仅包括颜色分布网格中的颜色,能够使得图片颜色对比更加明显,从而使得图片的风格化更加强烈和自然,有助于提高图片风格转换效果。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种图片处理方法及装置、电子设备和计算机可读存储介质。
背景技术
不同的用户可能喜欢不同艺术风格的图片,并且可能喜欢其他图片转换为相应的艺术风格。例如,很多人喜欢漫画风格的图片,并喜欢将某些图片,例如拍摄的真实场景的图片转换为漫画风格的图片。
一种相关技术中利用滤波和优化建模的方式实现图片风格的转换,这种方式仅通过固定的数学公式建模实现图片的转换,然而这种仅通过简单公式转换的方式对于图片风格的转换效果较差。
发明内容
本发明实施例的目的在于提供一种图片处理方法及装置、电子设备和计算机可读存储介质,以提高对于图片风格转换效果。具体技术方案如下:
在本发明实施的第一方面,首先提供了一种图片处理方法,包括以下步骤:
获取目标图片,并提取所述目标图片的线条图;
确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色;
将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片,其中,所述颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的。
可选地,所述确定颜色分布网格,包括:
确定第一参考颜色,其中,所述第一参考颜色是根据参考图片中出现频率大于预设频率阈值的颜色确定的,或者所述第一参考颜色是根据对于第一参考颜色的选择输入确定的;
将确定的第一参考颜色输入颜色分布网络得到颜色分布网格,其中,所述颜色分布网络是预先训练得到的网络模型,所述颜色分布网格包括阵列排布的多个网格,每一所述网格内包括多个像素,且同一网格内的各像素的像素颜色相同。
可选地,所述确定颜色分布网格,包括:
将所述目标图片编码为颜色分布网格。
可选地,,所述确定颜色分布网格之前,还包括:
利用线条提取算法或预先训练得到的提取模型提取训练集中图片的线条图,并将所述训练集中包括的图片量化为阵列排布的多个网格,其中,所述训练集包括符合所述目标风格的多张图片;
利用第二参考颜色为所述训练集中图片的线条图填充颜色,获得第一图片集;
根据所述第一图片集和所述训练集中的图片量化得到的网格进行模型训练,获得颜色分布网络。
可选地,所述将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色之前,还包括:
根据所述训练集中的图片量化得到的网格和所述第二参考颜色为所述训练集中图片的线条图填充颜色获得第二图片集;
根据所述第一图片集和所述第二图片集进行模型训练获得颜色填充网络。
可选地,所述利用颜色填充网络根据所述颜色分布网格为所述线条图填充颜色之前,还包括:
确定所述训练集中的图片的采样像素点,并获取所述采样像素点的颜色信息和位置信息,其中,所述采样像素点用于在所述颜色填充网络的模型训练过程中模拟针对所述采样像素点所在位置的颜色调整。
可选地,所述将所述颜色分布网格和所述线条图输入上色网络为所述线条图填充颜色之后,还包括:
若接收到修改上色后的线条图的修改指令,则获取颜色调整参数,并根据所述颜色调整参数生成颜色调整掩膜;
将所述颜色调整掩膜、所述目标图片未填充颜色的线条图和所述颜色分布网格输入所述上色网络,以为所述目标图片未填充颜色的线条图填充颜色。
在本发明实施的第二方面,还提供了一种图片处理装置,包括:
第一提取模块,用于获取目标图片,并提取所述目标图片的线条图;
确定模块,用于确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色;
填充模块,用于将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片,其中,所述颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的。
在本发明实施的又一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的图片处理方法的步骤。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的图片处理方法。
本发明实施例提供的图片处理方法,获取目标图片,并提取所述目标图片的线条图;确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色;将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片,其中,所述颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的。这样,通过先提线条图后颜色填充的方式来进行图片的风格转换,并基于颜色分布网格颜色填充,这样,获得的线条图仅包括颜色分布网格中的颜色,能够使得图片颜色对比更加明显,从而使得图片的风格化更加强烈和自然,有助于提高图片风格转换效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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。
图1A为本发明实施例中图片处理方法的流程图;
图1B为本发明实施例中图片处理方法的又一流程图;
图2是本发明实施例中模型训练的流程图;
图3是本发明实施例中图片处理过程的示意图;
图4A是本发明实施例中图片处理装置的结构示意图;
图4B是本发明实施例中图片处理装置的又一结构示意图;
图4C是本发明实施例中图片处理装置的结构示意图;
图4D是本发明实施例中图片处理装置的又一结构示意图;
图4E是本发明实施例中图片处理装置的又一结构示意图;
图5是本发明实施例中电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
在本发明提供了一种图片处理方法。
如图1A所示,在一个实施例中,该图片处理方法包括以下步骤:
步骤101:获取目标图片,并提取所述目标图片的线条图。
目标图片指的是需要进行风格转换的图片,当输入目标图片后,首先将目标图片转换为线条图。线条图指的是不具有填充颜色,仅具有单色线条的图片。
实施时,可以通过DOG(Difference of Gaussian,高斯函数差分)或者FDOG(Flow-based Difference of Gaussian,基于流的高斯函数差分)等图像提取算法实现线条图的提取,也可以利用线条提取深度学习模型等预先训练得到的提取模型将输入的目标图片提取为线条图。
步骤102:确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色。
在提取了目标图片的线条图之后,进一步确定颜色填充过程中所需使用的颜色分布网格,该颜色分布网格主要影响颜色填充的风格和效果。
该颜色分布网格可以基于设定的第一参考颜色确定。
具体的,在一个可选地具体实施方式中,该步骤102具体包括:
确定第一参考颜色;
将确定的第一参考颜色输入颜色分布网络得到颜色分布网格。
在一个可选地具体实施方式中,该第一参考颜色由用户直接指定,例如,是根据对于第一参考颜色的选择输入确定的。也就是说,可以由用户选择一定数量的颜色,然后将所选择的颜色作为第一参考颜色。
在另一个可选地具体实施方式中,上述确定第一参考颜色根据参考图片中出现频率大于预设频率阈值的颜色确定的。也可以理解为,在该具体实施方式中,第一参考颜色基于参考图片设置。
例如,用户可以选择一张图片作为参考图片,然后提取该参考图片中的存在的颜色作为第一参考颜色。
实施时,可以提取该参考图片中出现过的所有颜色作为第一参考颜色,具体的,获取图像中各个像素点的颜色,然后将所有出现过的颜色的集合作为该第一参考颜色。
显然,还可以仅提取其中部分颜色作为参考颜色。例如,仅将出现频率大于预设频率阈值颜色作为参考颜色。具体的,获取图像中各个像素点的颜色,然后统计每一种颜色的像素点占全部像素点的比例,然后根据预先设定的预设频率阈值确定参考颜色,例如,将比例大于0.1%的颜色的集合作为第一参考颜色。
实施时,该预设频率阈值可以根据情况设定,其具体数值并不局限于此。
在确定了第一参考颜色之后,如图2所示,将该第一参考颜色编码为颜色分布网格,以用于为线条图填充颜色。
在另一个具体实施方式中,还可以直接以目标图片作为参考,即直接将目标图片编码为颜色分布网格,并为线条图颜色填充。通过设定不同的参考图片或参考颜色,能够实现不同风格的颜色填充,从而实现多种风格的转换。
本实施例中,获得的颜色分布网格阵列排布,例如可以包括按照M行N列排布的网格,M和N为正整数,M和N可以相等,也可以不相等。
每一网格内包括多个像素,且同一网格内的各像素的像素颜色相同,该M和N的值越大,则最终获得的图片的颜色细节也就越多,内容也就越丰富,反之,该M和N的值越小,则最终获得的图片的颜色变化也就越简洁。
步骤103:将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片。
颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的,这样,通过该颜色填充网络进行颜色填充时,获得的图片的风格也相对符合该目标风格。
这样,在确定了颜色分布网格后,基于该颜色填充网络为步骤101中所获得的线条图颜色填充,即可输出符合特定目标风格的图片。
本实施例通过先提线条图后颜色填充的方式来进行图片的风格转换,并基于颜色分布网格颜色填充,这样,获得的线条图仅包括颜色分布网格中的颜色,能够使得图片颜色对比更加明显,从而使得图片的风格化更加强烈和自然,有助于提高图片风格转换效果。
该颜色分布网络可以通过模型训练获得,在一个具体实施方式中,模型训练的过程具体可以包括:
利用线条提取算法或预先训练得到的提取模型提取训练集中图片的线条图,并将所述训练集中包括的图片量化为阵列排布的多个网格;
利用第二参考颜色为所述训练集中图片的线条图填充颜色,获得第一图片集;
根据所述第一图片集和所述训练集中的图片量化得到的网格进行模型训练,获得颜色分布网络。
如图2所示,本实施例中,首先设置一训练集,训练集包括符合目标风格的多张图片,该训练集记为A,图片的大小为W*H(W为宽度,H为高度)。
例如,如果图片处理的目的是将图片转换为漫画风格,则训练集中应当包括多张漫画风格的图片,如果图片处理的目的是将图片转换为油画风格,则训练集中应当包括多张油画风格的图片。
实施时,首先提取训练集中各图片的线条图,所使用的提取函数记为F,则所提取出来的线条图S=F(A)。
提取线条图的方法可参考相关技术,例如可以选用包括但不限于DOG、FDOG等线条图提取方法实现线条图,也可以通过预先训练得到的提取模型提取。
接下来,将所述训练集中包括的图片量化为包括M行N列共计M*N个阵列排布的网格,记网格化函数为MN,则得到的网格为R=MN(A),这里,M和N均为正整数,其可以相等,也可以不相等。
所确定的第二参考颜色为C,其对应的函数为E。应当理解的是,该第二参考颜色为进行模型训练过程中所使用的参考颜色,与上述第一参考颜色均为用来对线条图进行颜色填充的参考颜色。
例如,如果参考颜色来自用户的输入,则可以记作C=E(input),如果参考颜色是基于训练集中的图片本身生成的,则可以记作C=E(A)。
接下来,将线条图S和参考色系C输入第一生成器中获得输出的第一图片集B,记作B=G1(A)。
本实施例中的第一生成器是一个用于生成颜色分布网格的神经网络模型,通过对该第一生成器进行模型训练,并根据每次训练的结果调节第一生成器的参数,能够获得符合要求的模型,最终训练完成的第一生成器即为符合要求的颜色分布网络。
在一个具体实施方式中,通过损失函数对第一生成器进行训练,其中,为R和B的一种距离函数,为GAN(GenerativeAdversarial Network,生成对抗网络)的损失函数(loss),λ1为调节两种比例的参数。在训练过程中,不断调节损失函数的参数,直至其收敛,即获得了符合要求的颜色分布网络。
本实施例的技术方案中,通过在网络模型的训练过程中,通过使用带参考色系的神经网络模型来学习颜色分布网格,使得所获得的神经网络模型可以更容易学习到不同参考色系下的颜色分布。
本实施例中还需要通过模型训练获得为线条图颜色填充的颜色填充网络。在一个具体实施方式中,该模型训练的过程具体可以包括:
根据所述训练集中的图片量化得到的网格和所述第二参考颜色为所述训练集中图片的线条图填充颜色获得第二图片集;
根据所述第一图片集和所述第二图片集进行模型训练获得颜色填充网络。
本实施例中的颜色填充网络同样可以使用GAN网路结构进行模型训练。
请继续参阅图2,在一个具体实施方式中,将上述网格R、线条图S和参考色系C输入第二生成器中获得输出的第二图片集A’,记作A’=G2(R,S,C)。
该第二生成器可以理解为一个用于对无色的线条图进行颜色填充的神经网络模型。
在一个具体实施方式中,利用损失函数对第二生成器进行训练,其中为A和A'的一种距离函数,为GAN loss,λ为调节两种loss比例的参数。当损失函数收敛时,则第二生成器训练完成,可以认为获得了符合要求的颜色填充网络。
将训练好的第二生成器则作为颜色填充网络,将目标图片的线条图和根据参考颜色确定的颜色分布网格输入该颜色填充网络即可输出符合目标风格的图片。
进一步的,在一个可选地具体实施方式中,还包括:确定所述训练集中的图片的采样像素点,并获取所述采样像素点的颜色信息和位置信息,其中,所述采样像素点用于在所述颜色填充网络的模型训练过程中模拟针对所述采样像素点所在位置的颜色调整。
实施时,首先在训练集上确定采样像素点,采样像素点可以随机确定,像素点的信息记为矩阵D=4*W*H,其中,4代表4个通道,其中3个通道代表颜色信息,例如红、绿、蓝三种颜色的颜色信息,另一个通道代表位置信息,该位置信息具体可以是采样像素点的坐标。
实际使用过程中,用户可能对颜色填充效果不满意,此时,则可能需要对特定的位置进行修改,以调整颜色填充效果。对于上述特定的位置的选择,可能以点击所获得的图片的特定位置实现,该采样像素点则可以认为是上述选定的特定的位置,从而进一步对其进行调整。
这样,通过引入采样像素点模拟的针对所述采样像素点所在位置的颜色调整,有利于提高所获得的颜色填充网络的适用性,能够实现交互式的颜色修改,提高颜色填充效果和用户体验。
可选的,如图1B所示,在步骤103之后,还包括:
步骤104:若接收到修改上色后的线条图的修改指令,则获取颜色调整参数,并根据所述颜色调整参数生成颜色调整掩膜;
步骤105:将所述颜色调整掩膜、所述目标图片未填充颜色的线条图和所述颜色分布网格输入所述上色网络,以为所述目标图片未填充颜色的线条图填充颜色。
在完成对图片的处理之后,用户可能对图片的处理结果并不满意,需要对其做出修改,修改可能仅涉及图片的部分,也可能涉及图片的全部。
实施时,首先获取颜色调整参数,颜色调整参数具体同样可以通过用户选定的参考颜色或参考图片确定。
在获取该颜色调整参数后,将其处理成颜色调整掩膜(mask),其具体处理过程可参考相关技术,此处不做进一步限定和描述。
接下来,将颜色调整掩膜、颜色分布网格、目标图片未上色的线条图输入颜色填充网络,颜色填充网络输出的图片即为修改后的图片。
对于图片的调整可以针对全部图片,也可以仅针对图片的部分区域,具体可以根据用户的操作输入确定,例如,可以以用户框选的区域确定所需进行颜色调整的区域,相应的,所生成的颜色调整掩膜包括的颜色调整参数也就仅对应该区域,而不会对其他区域的颜色进行调整。
这一过程中,对于颜色调整掩膜对应的区域之外的区域来说,由于颜色分布网络、线条图和颜色填充网络均未发生改变,所以其颜色填充结果不会发生改变。
对于颜色调整掩膜对应的区域来说,实际上相当于根据颜色调整掩膜包括的颜色调整参数对相应的区域进行了修改。所以这一过程中,能够保持了其他区域的颜色填充结果不变,实现了有针对性的对颜色填充结果进行调整。
这样,通过以颜色调整掩膜的方式进行颜色修改,简化了对于颜色填充结果调整方式,从而实现交互式修改。
本实施例的技术方案可以概括如下。
如图3所示,实施时,首先将目标图片输入线条图提取模块301,获得目标图片的线条图,同时,需要获取为目标图片的线条图上色的颜色分布网格。
该颜色分布网格可以由不同的方式获得,例如,可以将参考颜色输入颜色分布网络302获得颜色分布网格,也可以直接将目标图片编码获得颜色分布网格。
其中,颜色分布网络302是用于根据参考颜色生成颜色分布网格的神经网络模型,可以通过模型训练获得,参考颜色可以是基于一张提供的参考图片确定的,也可以是用户输入的参考颜色。
接下来,所获得的目标图片的线条图和颜色分布网格输入颜色填充网络303,颜色填充网络303即可根据颜色分布网格对目标图片的线条图进行颜色填充,然后输出经过颜色填充,且符合目标风格的图片。
该颜色填充网络303是用于根据颜色填充的神经网络模型,同样可以通过模型训练获得。
如果对于填充结果不满意,则输入颜色调整参数,然后根据颜色调整参数生成一颜色调整掩膜,再将颜色调整掩膜、目标图片的线条图和颜色分布网格同时输入颜色填充网络303,即可获得经过调整后的图片。
应当理解的是,图3中的两个颜色填充网络303实际上为同一神经网络模型,为了更加清楚的表示处理过程,将其表示为了两个。
如图4A所示,本发明还提供了一种图片处理装置400,包括:
第一提取模块401,用于获取目标图片,并提取所述目标图片的线条图;
确定模块402,用于确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色;
第一填充模块403,用于将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片,其中,所述颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的。
可选地,所述确定模块402,包括:
第一确定子模块,用于确定第一参考颜色,其中,所述第一参考颜色是根据参考图片中出现频率大于预设频率阈值的颜色确定的,或者所述第一参考颜色是根据对于第一参考颜色的选择输入确定的;
输入子模块,用于将确定的第一参考颜色输入颜色分布网络得到颜色分布网格,其中,所述颜色分布网络是预先训练得到的网络模型,所述颜色分布网格包括阵列排布的多个网格,每一所述网格内包括多个像素,且同一网格内的各像素的像素颜色相同。
可选地,所述确定模块402,包括:
第二确定子模块,用于将所述目标图片编码为颜色分布网格。
可选地,如图4B所示,还包括:
第二提取模块404,用于利用线条提取算法或预先训练得到的提取模型提取训练集中图片的线条图,并将所述训练集中包括的图片量化为阵列排布的多个网格,其中,所述训练集包括符合所述目标风格的多张图片;
第二填充模块405,用于利用第二参考颜色为所述训练集中图片的线条图填充颜色,获得第一图片集;
第一训练模块406,用于根据所述第一图片集和所述训练集中的图片量化得到的网格进行模型训练,获得颜色分布网络。
可选地,如图4C所示,还包括:
第三填充模块407,用于根据所述训练集中的图片量化得到的网格和所述第二参考颜色为所述训练集中图片的线条图填充颜色获得第二图片集;
第二训练模块408,用于根据所述第一图片集和所述第二图片集进行模型训练获得颜色填充网络。
可选地,如图4D所示,还包括采样模块409,用于确定所述训练集中的图片的采样像素点,并获取所述采样像素点的颜色信息和位置信息,其中,所述采样像素点用于在所述颜色填充网络的模型训练过程中模拟针对所述采样像素点所在位置的颜色调整。
可选地,如图4E所示,还包括:
修改模块410,用于若接收到修改上色后的线条图的修改指令,则获取颜色调整参数,并根据所述颜色调整参数生成颜色调整掩膜;
第四填充模块411,用于将所述颜色调整掩膜、所述目标图片未填充颜色的线条图和所述颜色分布网格输入所述上色网络,以为所述目标图片未填充颜色的线条图填充颜色。
本发明实施例的图片处理装置400能够实现上述图片处理方法实施例的各个步骤,并能实现基本相同的技术效果,此处不再赘述。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器51、通信接口52、存储器53和通信总线55,其中,处理器51,通信接口52,存储器53通过通信总线54完成相互间的通信,
存储器53,用于存放计算机程序;
处理器51,用于执行存储器53上所存放的程序时,实现如下步骤:
获取目标图片,并提取所述目标图片的线条图;
确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色;
将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片,其中,所述颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的。
可选地,所述确定颜色分布网格,包括:
确定第一参考颜色,其中,所述第一参考颜色是根据参考图片中出现频率大于预设频率阈值的颜色确定的,或者所述第一参考颜色是根据对于第一参考颜色的选择输入确定的;
将确定的第一参考颜色输入颜色分布网络得到颜色分布网格,其中,所述颜色分布网络是预先训练得到的网络模型,所述颜色分布网格包括阵列排布的多个网格,每一所述网格内包括多个像素,且同一网格内的各像素的像素颜色相同。
可选地,所述确定颜色分布网格,包括:
将所述目标图片编码为颜色分布网格。
可选地,所述确定颜色分布网格之前,还包括:
利用线条提取算法或预先训练得到的提取模型提取训练集中图片的线条图,并将所述训练集中包括的图片量化为阵列排布的多个网格,其中,所述训练集包括符合所述目标风格的多张图片;
利用第二参考颜色为所述训练集中图片的线条图填充颜色,获得第一图片集;
根据所述第一图片集和所述训练集中的图片量化得到的网格进行模型训练,获得颜色分布网络。
可选地,所述将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色之前,还包括:
根据所述训练集中的图片量化得到的网格和所述第二参考颜色为所述训练集中图片的线条图填充颜色获得第二图片集;
根据所述第一图片集和所述第二图片集进行模型训练获得颜色填充网络。
可选地,所述利用颜色填充网络根据所述颜色分布网格为所述线条图填充颜色之前,还包括:
确定所述训练集中的图片的采样像素点,并获取所述采样像素点的颜色信息和位置信息,其中,所述采样像素点用于在所述颜色填充网络的模型训练过程中模拟针对所述采样像素点所在位置的颜色调整。
可选地,所述将所述颜色分布网格和所述线条图输入上色网络为所述线条图填充颜色之后,还包括:
若接收到修改上色后的线条图的修改指令,则获取颜色调整参数,并根据所述颜色调整参数生成颜色调整掩膜;
将所述颜色调整掩膜、所述目标图片未填充颜色的线条图和所述颜色分布网格输入所述上色网络,以为所述目标图片未填充颜色的线条图填充颜色。上述终端提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的图片处理方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的图片处理方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种图片处理方法,其特征在于,包括以下步骤:
获取目标图片,并提取所述目标图片的线条图;
确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色;
将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片,其中,所述颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的。
2.根据权利要求1所述的图片处理方法,其特征在于,所述确定颜色分布网格,包括:
确定第一参考颜色,其中,所述第一参考颜色是根据参考图片中出现频率大于预设频率阈值的颜色确定的,或者所述第一参考颜色是根据对于第一参考颜色的选择输入确定的;
将确定的第一参考颜色输入颜色分布网络得到颜色分布网格,其中,所述颜色分布网络是预先训练得到的网络模型,所述颜色分布网格包括阵列排布的多个网格,每一所述网格内包括多个像素,且同一网格内的各像素的像素颜色相同。
3.根据权利要求1所述的图片处理方法,其特征在于,所述确定颜色分布网格,包括:
将所述目标图片编码为颜色分布网格。
4.根据权利要求2或3所述的图片处理方法,其特征在于,所述确定颜色分布网格之前,还包括:
利用线条提取算法或预先训练得到的提取模型提取训练集中图片的线条图,并将所述训练集中包括的图片量化为阵列排布的多个网格,其中,所述训练集包括符合所述目标风格的多张图片;
利用第二参考颜色为所述训练集中图片的线条图填充颜色,获得第一图片集;
根据所述第一图片集和所述训练集中的图片量化得到的网格进行模型训练,获得颜色分布网络。
5.根据权利要求4所述的图片处理方法,其特征在于,所述将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色之前,还包括:
根据所述训练集中的图片量化得到的网格和所述第二参考颜色为所述训练集中图片的线条图填充颜色获得第二图片集;
根据所述第一图片集和所述第二图片集进行模型训练获得颜色填充网络。
6.根据权利要求5所述的图片处理方法,其特征在于,所述利用颜色填充网络根据所述颜色分布网格为所述线条图填充颜色之前,还包括:
确定所述训练集中的图片的采样像素点,并获取所述采样像素点的颜色信息和位置信息,其中,所述采样像素点用于在所述颜色填充网络的模型训练过程中模拟针对所述采样像素点所在位置的颜色调整。
7.根据权利要求1所述的图片处理方法,其特征在于,所述将所述颜色分布网格和所述线条图输入上色网络为所述线条图填充颜色之后,还包括:
若接收到修改上色后的线条图的修改指令,则获取颜色调整参数,并根据所述颜色调整参数生成颜色调整掩膜;
将所述颜色调整掩膜、所述目标图片未填充颜色的线条图和所述颜色分布网格输入所述上色网络,以为所述目标图片未填充颜色的线条图填充颜色。
8.一种图片处理装置,其特征在于,包括:
第一提取模块,用于获取目标图片,并提取所述目标图片的线条图;
确定模块,用于确定颜色分布网格,所述颜色分布网格用于为所述线条图填充颜色;
填充模块,用于将所述颜色分布网格和所述线条图输入颜色填充网络为所述线条图填充颜色,以获得符合目标风格的图片,其中,所述颜色填充网络是利用符合所述目标风格的图片通过模型训练得到的。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1至7中任一所述的图片处理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的图片处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355380.XA CN111145306A (zh) | 2019-12-25 | 2019-12-25 | 图片处理方法及装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355380.XA CN111145306A (zh) | 2019-12-25 | 2019-12-25 | 图片处理方法及装置、电子设备和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111145306A true CN111145306A (zh) | 2020-05-12 |
Family
ID=70519928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911355380.XA Pending CN111145306A (zh) | 2019-12-25 | 2019-12-25 | 图片处理方法及装置、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145306A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423887A (zh) * | 2022-08-04 | 2022-12-02 | 北京乐信圣文科技有限责任公司 | 一种针对人脸线条图片的参考性上色方法、系统、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6768488B1 (en) * | 1999-05-25 | 2004-07-27 | Nippon Telegraph And Telephone Corporation | Image filling method, apparatus and computer readable medium for reducing filling process in processing animation |
CN103914863A (zh) * | 2014-03-10 | 2014-07-09 | 西藏民族学院 | 一种彩色图像抽象化绘制方法 |
CN108492348A (zh) * | 2018-03-30 | 2018-09-04 | 北京金山安全软件有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN108615252A (zh) * | 2018-05-03 | 2018-10-02 | 苏州大学 | 基于参考图像的线稿上色模型的训练方法以及装置 |
CN109741248A (zh) * | 2018-12-29 | 2019-05-10 | 深圳美图创新科技有限公司 | 水彩风格绘制方法及装置 |
-
2019
- 2019-12-25 CN CN201911355380.XA patent/CN111145306A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6768488B1 (en) * | 1999-05-25 | 2004-07-27 | Nippon Telegraph And Telephone Corporation | Image filling method, apparatus and computer readable medium for reducing filling process in processing animation |
CN103914863A (zh) * | 2014-03-10 | 2014-07-09 | 西藏民族学院 | 一种彩色图像抽象化绘制方法 |
CN108492348A (zh) * | 2018-03-30 | 2018-09-04 | 北京金山安全软件有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN108615252A (zh) * | 2018-05-03 | 2018-10-02 | 苏州大学 | 基于参考图像的线稿上色模型的训练方法以及装置 |
CN109741248A (zh) * | 2018-12-29 | 2019-05-10 | 深圳美图创新科技有限公司 | 水彩风格绘制方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423887A (zh) * | 2022-08-04 | 2022-12-02 | 北京乐信圣文科技有限责任公司 | 一种针对人脸线条图片的参考性上色方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859288B (zh) | 基于生成对抗网络的图像上色方法及装置 | |
CN107507153B (zh) | 图像去噪方法和装置 | |
CN109997168B (zh) | 用于生成输出图像的方法和系统 | |
JP7146091B2 (ja) | ビデオへの情報埋め込み方法、コンピュータ機器及びコンピュータプログラム | |
CN107679466B (zh) | 信息输出方法和装置 | |
CN111542839B (zh) | 一种反卷积神经网络的硬件加速方法、装置和电子设备 | |
CN112771578B (zh) | 使用细分缩放和深度上缩放的图像生成 | |
Chen et al. | Naturalization module in neural networks for screen content image quality assessment | |
CN109829868B (zh) | 一种轻量级深度学习模型图像去雾方法、电子设备及介质 | |
CN113239875B (zh) | 人脸特征的获取方法、系统、装置及计算机可读存储介质 | |
TWI664853B (zh) | 視訊壓縮感測重建方法及裝置 | |
CN111353956B (zh) | 图像修复方法、装置、计算机设备及存储介质 | |
CN110853110A (zh) | 一种基于生成对抗网络的图片自动调色方法 | |
CN110717953A (zh) | 基于cnn-lstm组合模型的黑白图片的着色方法和系统 | |
JP7463186B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN115424088A (zh) | 图像处理模型训练方法以及装置 | |
CN112991493A (zh) | 基于vae-gan和混合密度网络的灰度图像着色方法 | |
Kim et al. | Deep blind image quality assessment by employing FR-IQA | |
JP2023001926A (ja) | 画像融合方法及び装置、画像融合モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN113658091A (zh) | 一种图像评价方法、存储介质及终端设备 | |
CN111145306A (zh) | 图片处理方法及装置、电子设备和计算机可读存储介质 | |
CN115082800B (zh) | 图像分割方法 | |
CN116977190A (zh) | 图像处理方法、装置、设备、存储介质及程序产品 | |
CN111382772B (zh) | 一种图像处理方法、装置及终端设备 | |
JP6892557B2 (ja) | 学習装置、画像生成装置、学習方法、画像生成方法及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |