CN111476863A - 一种黑白漫画上色的方法、装置、电子设备及存储介质 - Google Patents
一种黑白漫画上色的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111476863A CN111476863A CN202010254418.0A CN202010254418A CN111476863A CN 111476863 A CN111476863 A CN 111476863A CN 202010254418 A CN202010254418 A CN 202010254418A CN 111476863 A CN111476863 A CN 111476863A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- color
- gray level
- gray
- 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
- 238000004040 coloring Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 15
- 238000009792 diffusion process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 101100545228 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) ZDS1 gene Proteins 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种黑白漫画上色的方法、装置、电子设备及存储介质,方法包括:从待上色的目标黑白漫画中提取目标线稿和目标screentone;对目标线稿进行上色,获得颜色通道的图像;将目标线稿输入至预先训练好的灰度图像生成网络模型,获取目标灰度图像;将目标灰度图像和目标screentone进行叠加,获得灰度通道的图像;将颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。本发明实施例,可以根据线稿的特征生成目标灰度图像,灰度层次较丰富和自然,对黑白漫画上色的效果较好。
Description
技术领域
本发明涉及图片自动上色的技术领域,特别是涉及一种黑白漫画上色的方法、装置、电子设备及存储介质。
背景技术
目前,阅读漫画已经成为大众娱乐的重要方式,相较于黑白漫画,彩色漫画具有更丰富的颜色信息,更强的表现力,受到大众的喜爱。但是,漫画制作者制作黑白漫画的时间相较于彩色漫画的时间较短,因此,目前急需将黑白漫画转换为彩色漫画,节省漫画制作者的时间的同时,提升漫画阅读者的阅读体验。
目前,相关技术中先使用预先训练好的颜色预测模型,对黑白漫画进行预测,预测出黑白漫画中各个区域的颜色,获得中间颜色漫画,其中,颜色预测模型为使用黑白样本漫画和对应的彩色样本漫画,训练好的生成式对抗网络中的生成网络;再将中间漫画分割为各个区域,对各个区域进行量化,获得目标颜色漫画;再采用模糊算法,例如:均值模糊算法或高斯模糊算法等,对目标黑白漫画进行处理,获得具有灰度层次的目标黑白漫画;最后将目标颜色漫画和目标黑白漫画进行融合,获得目标彩色漫画。
但是,这种采用模糊算法给黑白漫画添加灰度层次的方式,生成的灰度层次不够丰富和自然,对黑白漫画上色的效果不够好。
发明内容
本发明实施例的目的在于提供一种黑白漫画上色的方法、装置、电子设备及存储介质,以提升对黑白漫画上色的效果。具体技术方案如下:
第一方面,本发明实施例提供了一种黑白漫画上色的方法,所述方法包括:
获取待上色的目标黑白漫画;
从所述目标黑白漫画中提取目标线稿和目标屏幕色调目标screentone;
对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像;并且将所述目标线稿输入至预先训练好的灰度图像生成网络模型,获取所述灰度图像生成网络模型输出的目标灰度图像;所述灰度图像生成网络模型为:预先用多个彩色样本漫画的线稿样本和灰度样本图像训练好的神经网络;
将所述目标灰度图像和所述目标screentone进行叠加,将叠加后的图像作为灰度通道的图像;
将所述颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
可选的,所述神经网络为:生成式对抗网络中包含的生成网络。
可选的,所述生成式对抗网络,还包含:判别网络;
所述灰度图像生成网络模型的训练过程包括:
获取多个彩色样本的线稿样本和对应的灰度样本图像;
将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取所述当前生成网络输出的各个灰度构建图像;
将所述各个灰度构建图像输入到当前生成式对抗网络中的当前判别网络中,获取所述当前判别网络输出的所述各个灰度构建图像为灰度样本图像的各个当前第一预测概率值;
根据所述各个当前第一预测概率值和预设的第一损失函数,计算第一损失值;
根据所述第一损失值,调整并更新所述当前判别网络的网络参数;
根据所述各个灰度构建图像、各个灰度样本图像、所述各个当前第一预测概率值和预设的第二损失函数,计算第二损失值;
根据所述第二损失值,调整并更新所述当前生成网络的网络参数;
将各个灰度样本图像输入到当前判别网络中,获取所述当前判别网络输出的所述各个灰度样本图像为灰度样本图像的各个当前第二预测概率值;
根据所述各个当前第二预测概率值和预设的第三损失函数,计算第三损失值;
根据所述第三损失值,调整并更新所述当前判别网络的网络参数;
将迭代次数加1次,如果没达到预设的迭代次数,返回执行所述将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取所述当前生成网络输出的各个灰度构建图像的步骤,直到达到预设的迭代次数,将当前生成网络作为灰度图像生成网络模型。
可选的,所述获取多个彩色样本的线稿样本和对应的灰度样本图像的步骤,包括:
基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从所述多个彩色样本中提取线稿样本;并将所述多个彩色样本转换为灰度样本图像。
可选的,所述从所述目标黑白漫画中提取目标线稿和目标screentone的步骤,包括:
基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从所述目标黑白漫画中提取目标线稿和目标screentone。
可选的,所述对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像的步骤,包括:
获取目标线稿的各个区域的各个指定颜色;
按照所述各个指定颜色,对所述目标线稿的各个区域进行上色,将上色后的图像作为颜色通道的图像。
可选的,所述获取目标线稿的各个区域的各个指定颜色的步骤,包括:
通过LazyBrush工具,接收用户输入的目标线稿的各个区域的各个指定颜色;
所述按照所述各个指定颜色,对所述目标线稿的各个区域进行上色,将上色后的图像作为颜色通道的图像的步骤,包括:
基于LazyBrush算法,按照所述各个指定颜色,对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像。
第二方面,本发明实施例提供了一种黑白漫画上色的装置,所述装置包括:
目标黑白漫画获取单元,用于获取待上色的目标黑白漫画;
提取单元,用于从所述目标黑白漫画中提取目标线稿和目标屏幕色调目标screentone;
颜色通道的图像和目标灰度图像获取单元,用于对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像;并且将所述目标线稿输入至预先训练好的灰度图像生成网络模型,获取所述灰度图像生成网络模型输出的目标灰度图像;所述灰度图像生成网络模型为:预先用多个彩色样本漫画的线稿样本和灰度样本图像训练好的神经网络;
灰度通道的图像获取单元,用于将所述目标灰度图像和所述目标screentone进行叠加,将叠加后的图像作为灰度通道的图像;
目标彩色漫画获得单元,用于将所述颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
可选的,所述神经网络为:生成式对抗网络中包含的生成网络。
可选的,所述生成式对抗网络,还包含:判别网络;
所述装置还包括:灰度图像生成网络模型训练单元;
所述灰度图像生成网络模型训练单元,包括:
线稿样本和灰度样本图像获取模块,用于获取多个彩色样本的线稿样本和对应的灰度样本图像;
灰度构建图像获取模块,用于将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取所述当前生成网络输出的各个灰度构建图像;
当前第一预测概率值获取模块,用于将所述各个灰度构建图像输入到当前生成式对抗网络中的当前判别网络中,获取所述当前判别网络输出的所述各个灰度构建图像为灰度样本图像的各个当前第一预测概率值;
第一损失值计算模块,用于根据所述各个当前第一预测概率值和预设的第一损失函数,计算第一损失值;
第一网络参数更新模块,用于根据所述第一损失值,调整并更新所述当前判别网络的网络参数;
第二损失值计算模块,用于根据所述各个灰度构建图像、各个灰度样本图像、所述各个当前第一预测概率值和预设的第二损失函数,计算第二损失值;
第二网络参数更新模块,用于根据所述第二损失值,调整并更新所述当前生成网络的网络参数;
当前第二预测概率值获取模块,用于将各个灰度样本图像输入到当前判别网络中,获取所述当前判别网络输出的所述各个灰度样本图像为灰度样本图像的各个当前第二预测概率值;
第三损失值计算模块,用于根据所述各个当前第二预测概率值和预设的第三损失函数,计算第三损失值;
第三网络参数更新模块,用于根据所述第三损失值,调整并更新所述当前判别网络的网络参数;
灰度图像生成网络模型获取模块,用于将迭代次数加1次,如果没达到预设的迭代次数,返回执行所述将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取所述当前生成网络输出的各个灰度构建图像的步骤,直到达到预设的迭代次数,将当前生成网络作为灰度图像生成网络模型。
可选的,所述线稿样本和灰度样本图像获取模块,具体用于:
基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从所述多个彩色样本中提取线稿样本;并将所述多个彩色样本转换为灰度样本图像。
可选的,所述提取单元,具体用于
基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从所述目标黑白漫画中提取目标线稿和目标screentone。
可选的,所述颜色通道的图像和目标灰度图像获取单元对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像,包括:
指定颜色获取模块,用于获取目标线稿的各个区域的各个指定颜色;
颜色通道的图像获取模块,用于按照所述各个指定颜色,对所述目标线稿的各个区域进行上色,将上色后的图像作为颜色通道的图像。
可选的,所述指定颜色获取模块,具体用于:
通过LazyBrush工具,接收用户输入的目标线稿的各个区域的各个指定颜色;
所述颜色通道的图像获取模块,具体用于:
基于LazyBrush算法,按照所述各个指定颜色,对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像。
第三方面,本发明实施例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,实现上述任一黑白漫画上色的方法步骤。
第四方面,本发明实施例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内存储有计算机程序,所述计算机程序被处理器执行上述任一黑白漫画上色方法的步骤。
第五方面,本发明实施例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任一所述的黑白漫画上色方法。
本发明实施例提供的黑白漫画上色的方法、装置、电子设备及存储介质,先从目标黑白漫画中分离出目标线稿和目标screentone,避免了黑白漫画中的screentone的损失,同时,避免了screentone在灰度图像的生成过程中产生干扰;再使用灰度图像生成网络模型,根据目标线稿生成对应的目标灰度图像;其中的灰度图像生成网络模型,从多个彩色样本漫画的线稿样本和目标灰度样本中学习,可以根据线稿的特征生成目标灰度图像,灰度层次较丰富和自然,对黑白漫画上色的效果较好。
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1为本发明实施例提供的黑白漫画上色的方法的一种流程图;
图2为本发明实施例提供的黑白漫画上色的方法的另一种流程图;
图3为本发明实施例中所使用的灰度图像生成网络模型的训练方法的一种流程图;
图4为本发明实施例提供的一种黑白漫画上色的流程示意图;
图5为本发明实施例提供的黑白漫画上色的装置的结构示意图;
图6为本发明实施例提供的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。
为了提升对黑白漫画上色的效果,本发明实施例提供了一种黑白漫画上色的方法、装置、电子设备及存储介质。
本发明实施例所提供的黑白漫画上色的方法可以应用于任意需要对黑白漫画上色的电子设备,如:电脑或移动终端等,在此不做具体限定。为了描述方便,以下简称电子设备。
参见图1,为本发明实施例提供的黑白漫画上色的方法,如图1所示,该方法的具体处理流程可以包括:
步骤S101,获取待上色的目标黑白漫画。
步骤S102,从目标黑白漫画中提取目标线稿和目标screentone。
步骤S103,对目标线稿进行上色,将上色后的图像作为颜色通道的图像;并且将目标线稿输入至预先训练好的灰度图像生成网络模型,获取灰度图像生成网络模型输出的目标灰度图像。
其中,灰度图像生成网络模型为:预先用多个彩色样本漫画的线稿样本和灰度样本图像训练好的神经网络。
步骤S104,将目标灰度图像和目标screentone进行叠加,将叠加后的图像作为灰度通道的图像。
步骤S105,将颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
可见,应用本发明实施例,先从目标黑白漫画中分离出目标线稿和目标screentone(目标屏幕色调),避免了黑白漫画中的screentone的损失,同时,避免了screentone在灰度图像的生成过程中产生干扰;再使用灰度图像生成网络模型,根据目标线稿生成对应的目标灰度图像;其中的灰度图像生成网络模型,从多个彩色样本漫画的线稿样本和目标灰度样本中学习,可以根据线稿的特征生成目标灰度图像,灰度层次较丰富和自然,对黑白漫画上色的效果较好。
可实施的,神经网络可以为:生成式对抗网络中包含的生成网络;生成式对抗网络,还包含:判别网络。
可实施的,神经网络也可以为:预设的卷积神经网络。本发明实施例中对神经网络的类型和结构不做具体限定。
可实施的,在上述实施例中的步骤S103中对目标线稿进行上色,将上色后的图像作为颜色通道的图像的步骤,至少可以包含以下两种具体实施方式:
第一种具体实施方式可以为:获取目标线稿的各个区域的各个指定颜色;按照各个指定颜色,对目标线稿的各个区域进行上色,将上色后的图像作为颜色通道的图像。该指定颜色可以为用户输入的颜色。采用这种方式,对黑白漫画上色的较准确。
第二种具体实施方式可以为:将目标线稿输入至预先训练好的颜色预测模型,获取颜色预测模型输出的颜色通道的图像;颜色预测模型为使用线稿样本和对应的彩色样本漫画的颜色通道的图像,训练好的预设的神经网络;具体的,该预设的神经网络可以为生成式对抗网络中的生成网络,颜色预测模型的训练原理可以参照灰度图像生成网络模型的训练原理,不同之处在于颜色预测模型使用的样本为线稿样本和对应的彩色样本漫画的颜色通道的图像,模型输出的为预测的颜色通道的图像。采用这种方式,无需用户参与,节省用户的时间,但是上色一般相对不如第一种具体实施方式准确。
参见图2,为本发明实施例提供的黑白漫画上色的方法的另一种流程图,如图2所示,可以包括:
步骤S201,获取待上色的目标黑白漫画。
可实施的,漫画的构图方式有“页漫”和“条漫”等,目标黑白漫画可以为目标黑白页漫或者目标黑白条漫等漫画。
步骤S202,基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从目标黑白漫画中提取目标线稿和目标screentone。
其中,Screentone为在漫画中,用来替代阴影过渡的纹理,是对阴影过渡抽象的更具表现力的表达;Screentone也可以用来表示漫画中的特效,用来提高漫画的表现力。因此,在上色的过程中,如果Screentone信息损失或者扭曲,对黑白漫画上色的效果不好。这样,将目标线稿和目标screentone分离,对黑白漫画上色的效果较好。
可实施的,基于卡曼滤波LOG算法,具体可以使用SMLDS方法,包括:基于卡曼滤波LOG算法,先获得能去除Screentone的掩码;再基于卡曼滤波LOG算法,获得能保留线稿的掩码;将这两个掩码进行融合,获得可以从目标黑白漫画中分离线稿和screentone的目标掩码;使用该目标掩码,从目标黑白漫画中提取目标线稿和目标screentone。
步骤S203,通过LazyBrush工具,接收用户输入的目标线稿的各个区域的各个指定颜色。
例如:目标线稿包含目标人物,用户可以通过LazyBrush工具,在该目标人物的头发位置画上黑色,只需在头发位置使用LazyBrush工具中的画笔画上一条线条就可以。
步骤S204,基于LazyBrush算法,按照各个指定颜色,对目标线稿进行上色,将上色后的图像作为颜色通道的图像。
可实施的,用户点击可以触发上色功能的按钮,电子设备基于LazyBrush算法按照各个指定颜色,对目标线稿进行上色,将上色后的图像作为颜色通道的图像。
步骤S205,将目标线稿输入至预先训练好的灰度图像生成网络模型,获取灰度图像生成网络模型输出的目标灰度图像。
灰度图像生成网络模型为:预先用多个彩色样本漫画的线稿样本和灰度样本图像训练好的生成式对抗网络中的生成网络。
步骤S206,将目标灰度图像和目标screentone进行叠加,将叠加后的图像作为灰度通道的图像。
具体的叠加公式为:L=255-((255-B)+(255-T));其中,L为灰度通道的图像的各个像素点的像素值,B为目标灰度图像的各个像素点的像素值,T为目标screentone的各个像素点的像素值。
步骤S207,将颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
具体的,彩色图像用lab颜色空间模型表示出来时,有三个通道,分别为“l”、“a”和“b”通道。“l”代表灰度通道;“a”和“b”代表颜色通道,采用本实施例中的方法,获得了颜色通道的图像和灰度通道的图像,将这两个图像数据进行融合,获得目标彩色漫画。
这样,可以对黑白页漫或者黑白条漫等漫画进行上色,获得对应的彩色页漫或者彩页条漫等。
可见,应用本发明实施例,先从目标黑白漫画中分离出目标线稿和目标screentone,避免了黑白漫画中的screentone的损失,同时,避免了screentone在灰度图像的生成过程中产生干扰;再使用灰度图像生成网络模型,根据目标线稿生成对应的目标灰度图像;其中的灰度图像生成网络模型,从多个彩色样本漫画的线稿样本和目标灰度样本中学习,可以根据线稿的特征生成目标灰度图像,灰度层次较丰富和自然,对黑白漫画上色的效果较好。
而且,应用本实施例,通过LazyBrush工具,接收用户输入的目标线稿的各个区域的各个指定颜色;基于LazyBrush算法,按照各个指定颜色,对目标线稿进行上色,将上色后的图像作为颜色通道的图像。用这种用户和电子设备交互式的方法获得颜色通道的图像,上色较准确,上色的效果较好。
上述实施例中的灰度图像生成网络模型的训练流程具体可以参见图3。
如图3所示,为本发明实施例中所使用的灰度图像生成网络模型的训练方法的一种流程图,该方法的具体处理流程可以包括:
步骤S301,获取多个彩色样本的线稿样本和对应的灰度样本图像。
具体的,可以基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从多个彩色样本中提取线稿样本;并将多个彩色样本转换为灰度样本图像。
可实施的,本步骤中获得线稿样本的方法可以与步骤S202中获得目标线稿的方法相同。
步骤S302,将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取当前生成网络输出的各个灰度构建图像。
步骤S303,将各个灰度构建图像输入到当前生成式对抗网络中的当前判别网络中,获取当前判别网络输出的各个灰度构建图像为灰度样本图像的各个当前第一预测概率值。
步骤S304,根据各个当前第一预测概率值和预设的第一损失函数,计算第一损失值。
可实施的,第一损失函数具体可以为:
其中,n为输入到当前判别网络中的灰度构建图像的总个数;i为输入到当前判别网络中的灰度构建图像的序号;Pi将序号为i的灰度构建图像输入到当前判别网络中获得的当前第一预测概率值;LOSS1为第一损失函数的损失值。
可实施的,第一损失函数也可以为其他损失函数,在这里不做具体限定。
步骤S305,根据第一损失值,调整并更新当前判别网络的网络参数。
步骤S306,根据各个灰度构建图像、各个灰度样本图像、各个当前第一预测概率值和预设的第二损失函数,计算第二损失值。
可实施的,第二损失函数具体可以为:
其中,s为输入到当前生成网络中的线稿样本的总个数;m为输入到当前生成网络中的线稿样本的序号;Xm为将序号为m的线稿样本输入到当前生成网络中获得的灰度构建图像;Ym为将序号为m的线稿样本对应的的灰度样本图像;Pm为将序号为m的线稿样本输入到当前生成网络中,获得的灰度构建图像再输入到当前判别网络中获得的当前第一预测概率值;α为预设的权重值;LOSS2为第二损失函数的损失值。
步骤S307,根据第二损失值,调整并更新当前生成网络的网络参数。
步骤S308,将各个灰度样本图像输入到当前判别网络中,获取当前判别网络输出的各个灰度样本图像为灰度样本图像的各个当前第二预测概率值。
步骤S309,根据各个当前第二预测概率值和预设的第三损失函数,计算第三损失值。
可实施的,第三损失函数的公式具体为:
其中,T为输入到当前判别网络中的灰度样本图像的总个数;f为输入到当前判别网络中的灰度样本图像的序号;Pf为将序号为f的灰度样本图像输入到当前判别网络中,获得的当前第二预测概率值;LOSS3为第三损失函数的损失值。
步骤S310,根据第三损失值,调整并更新当前判别网络的网络参数。
步骤S311,将迭代次数加1次,判断是否达到预设的迭代次数。
如果判断的结果为是,即达到预设的迭代次数,则执行步骤S312;如果判断的结果为否,即没达到预设的迭代次数,则返回执行步骤S302。
步骤S312,将当前生成网络作为灰度图像生成网络模型。
可见,应用本发明实施例,用多个彩色样本漫画的线稿样本和目标灰度样本对生成式对抗网络进行训练,获得灰度图像生成网络模型,灰度图像生成网络模型学习了线稿的特征生成目标灰度图像,灰度层次较丰富和自然,对黑白漫画上色的效果较好。例如:应用本实施例,灰度图像生成网络模型学习到了眼睛对象加的灰度层次的样式,嘴巴对象加的灰度层次的样式,天空对象加的灰度层次的样式,每个对象学习到的灰度层次是不同的,应用灰度图像生成网络模型添加的灰度层次较丰富和自然。
参见图4,为本发明实施例提供的一种黑白漫画上色的流程示意图,如图4所示,包括:
先从目标黑白漫画中提取出目标线稿和目标screentone;通过LazyBrush工具,接收用户输入的目标线稿的各个区域的各个指定颜色,获得接收指定颜色后的线稿;基于LazyBrush算法,按照各个指定颜色,对目标线稿进行上色,将上色后的图像作为颜色通道的图像;
再将从目标黑白漫画中提取出的目标线稿输入至灰度图像生成网络模型,获取灰度图像生成网络模型输出的目标灰度图像;将目标灰度图像和目标screentone进行叠加,将叠加后的图像作为灰度通道的图像;
最后,将颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
可见,应用本发明实施例,先从目标黑白漫画中分离出目标线稿和目标screentone,避免了黑白漫画中的screentone的损失,同时,避免了screentone在灰度图像的生成过程中产生干扰;再使用灰度图像生成网络模型,根据目标线稿生成对应的目标灰度图像;其中的灰度图像生成网络模型,从多个彩色样本漫画的线稿样本和目标灰度样本中学习,可以根据线稿的特征生成目标灰度图像,灰度层次较丰富和自然,对黑白漫画上色的效果较好。
这样,将目标线稿和目标screentone进行分离,避免了黑白漫画中的screentone的损失,同时,避免了screentone在灰度图像的生成过程中产生干扰,后续对黑白漫画的上色效果较好。
参见图5,为本发明实施例提供的黑白漫画上色的装置的结构示意图,如图5所示,装置包括:
目标黑白漫画获取单元501,用于获取待上色的目标黑白漫画;
提取单元502,用于从目标黑白漫画中提取目标线稿和目标screentone;
颜色通道的图像和目标灰度图像获取单元503,用于对目标线稿进行上色,将上色后的图像作为颜色通道的图像;并且将目标线稿输入至预先训练好的灰度图像生成网络模型,获取灰度图像生成网络模型输出的目标灰度图像;灰度图像生成网络模型为:预先用多个彩色样本漫画的线稿样本和灰度样本图像训练好的神经网络;
灰度通道的图像获取单元504,用于将目标灰度图像和目标screentone进行叠加,将叠加后的图像作为灰度通道的图像;
目标彩色漫画获得单元505,用于将颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
可选的,神经网络为:生成式对抗网络中包含的生成网络。
可选的,生成式对抗网络,还包含:判别网络;
装置还包括:灰度图像生成网络模型训练单元;
灰度图像生成网络模型训练单元,包括:
线稿样本和灰度样本图像获取模块,用于获取多个彩色样本的线稿样本和对应的灰度样本图像;
灰度构建图像获取模块,用于将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取当前生成网络输出的各个灰度构建图像;
当前第一预测概率值获取模块,用于将各个灰度构建图像输入到当前生成式对抗网络中的当前判别网络中,获取当前判别网络输出的各个灰度构建图像为灰度样本图像的各个当前第一预测概率值;
第一损失值计算模块,用于根据各个当前第一预测概率值和预设的第一损失函数,计算第一损失值;
第一网络参数更新模块,用于根据第一损失值,调整并更新当前判别网络的网络参数;
第二损失值计算模块,用于根据各个灰度构建图像、各个灰度样本图像、各个当前第一预测概率值和预设的第二损失函数,计算第二损失值;
第二网络参数更新模块,用于根据第二损失值,调整并更新当前生成网络的网络参数;
当前第二预测概率值获取模块,用于将各个灰度样本图像输入到当前判别网络中,获取当前判别网络输出的各个灰度样本图像为灰度样本图像的各个当前第二预测概率值;
第三损失值计算模块,用于根据各个当前第二预测概率值和预设的第三损失函数,计算第三损失值;
第三网络参数更新模块,用于根据第三损失值,调整并更新当前判别网络的网络参数;
灰度图像生成网络模型获取模块,用于将迭代次数加1次,如果没达到预设的迭代次数,返回执行将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取当前生成网络输出的各个灰度构建图像的步骤,直到达到预设的迭代次数,将当前生成网络作为灰度图像生成网络模型。
可选的,线稿样本和灰度样本图像获取模块,具体用于:
基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从多个彩色样本中提取线稿样本;并将多个彩色样本转换为灰度样本图像。
可选的,提取单元,具体用于
基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从目标黑白漫画中提取目标线稿和目标screentone。
可选的,颜色通道的图像和目标灰度图像获取单元对目标线稿进行上色,将上色后的图像作为颜色通道的图像,包括:
指定颜色获取模块,用于获取目标线稿的各个区域的各个指定颜色;
颜色通道的图像获取模块,用于按照各个指定颜色,对目标线稿的各个区域进行上色,将上色后的图像作为颜色通道的图像。
可选的,指定颜色获取模块,具体用于:
通过LazyBrush工具,接收用户输入的目标线稿的各个区域的各个指定颜色;
颜色通道的图像获取模块,具体用于:
基于LazyBrush算法,按照各个指定颜色,对目标线稿进行上色,将上色后的图像作为颜色通道的图像。
可见,应用本发明实施例,先从目标黑白漫画中分离出目标线稿和目标screentone,避免了黑白漫画中的screentone的损失,同时,避免了screentone在灰度图像的生成过程中产生干扰;再使用灰度图像生成网络模型,根据目标线稿生成对应的目标灰度图像;其中的灰度图像生成网络模型,从多个彩色样本漫画的线稿样本和目标灰度样本中学习,可以根据线稿的特征生成目标灰度图像,灰度层次较丰富和自然,对黑白漫画上色的效果较好。
本发明实施例还提供了一种电子设备,如图6所示,包括处理器601、通信接口602、存储器603和通信总线604,其中,处理器601,通信接口602,存储器03通过通信总线604完成相互间的通信,
存储器603,用于存放计算机程序;
处理器601,用于执行存储器603上所存放的程序时,实现如下步骤:
获取待上色的目标黑白漫画;
从目标黑白漫画中提取目标线稿和目标screentone;
对目标线稿进行上色,将上色后的图像作为颜色通道的图像;并且将目标线稿输入至预先训练好的灰度图像生成网络模型,获取灰度图像生成网络模型输出的目标灰度图像;灰度图像生成网络模型为:预先用多个彩色样本漫画的线稿样本和灰度样本图像训练好的神经网络;
将目标灰度图像和目标screentone进行叠加,将叠加后的图像作为灰度通道的图像;
将颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
可见,应用本发明实施例,先从目标黑白漫画中分离出目标线稿和目标screentone,避免了黑白漫画中的screentone的损失,同时,避免了screentone在灰度图像的生成过程中产生干扰;再使用灰度图像生成网络模型,根据目标线稿生成对应的目标灰度图像;其中的灰度图像生成网络模型,从多个彩色样本漫画的线稿样本和目标灰度样本中学习,可以根据线稿的特征生成目标灰度图像,灰度层次较丰富和自然,对黑白漫画上色的效果较好。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,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。
通信接口用于上述电子设备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,简称NVM),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黑白漫画上色方法。
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黑白漫画上色方法。
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(Digital Subscriber Line,简称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,高密度数字视频光盘(Digital Video Disc,简称DVD))、或者半导体介质(例如固态硬盘(SolidState Disk,简称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,对于对于装置、电子设备、计算机可读存储介质及计算机程序产品等实施例而言,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)
1.一种黑白漫画上色的方法,其特征在于,所述方法包括:
获取待上色的目标黑白漫画;
从所述目标黑白漫画中提取目标线稿和目标屏幕色调目标screentone;
对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像;并且将所述目标线稿输入至预先训练好的灰度图像生成网络模型,获取所述灰度图像生成网络模型输出的目标灰度图像;所述灰度图像生成网络模型为:预先用多个彩色样本漫画的线稿样本和灰度样本图像训练好的神经网络;
将所述目标灰度图像和所述目标screentone进行叠加,将叠加后的图像作为灰度通道的图像;
将所述颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
2.根据权利要求1所述的方法,其特征在于,所述神经网络为:生成式对抗网络中包含的生成网络。
3.根据权利要求2所述的方法,其特征在于,所述生成式对抗网络,还包含:判别网络;
所述灰度图像生成网络模型的训练过程包括:
获取多个彩色样本的线稿样本和对应的灰度样本图像;
将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取所述当前生成网络输出的各个灰度构建图像;
将所述各个灰度构建图像输入到当前生成式对抗网络中的当前判别网络中,获取所述当前判别网络输出的所述各个灰度构建图像为灰度样本图像的各个当前第一预测概率值;
根据所述各个当前第一预测概率值和预设的第一损失函数,计算第一损失值;
根据所述第一损失值,调整并更新所述当前判别网络的网络参数;
根据所述各个灰度构建图像、各个灰度样本图像、所述各个当前第一预测概率值和预设的第二损失函数,计算第二损失值;
根据所述第二损失值,调整并更新所述当前生成网络的网络参数;
将各个灰度样本图像输入到当前判别网络中,获取所述当前判别网络输出的所述各个灰度样本图像为灰度样本图像的各个当前第二预测概率值;
根据所述各个当前第二预测概率值和预设的第三损失函数,计算第三损失值;
根据所述第三损失值,调整并更新所述当前判别网络的网络参数;
将迭代次数加1次,如果没达到预设的迭代次数,返回执行所述将每个彩色样本的线稿样本输入到当前生成式对抗网络中的当前生成网络中,获取所述当前生成网络输出的各个灰度构建图像的步骤,直到达到预设的迭代次数,将当前生成网络作为灰度图像生成网络模型。
4.根据权利要求3所述的方法,其特征在于,所述获取多个彩色样本的线稿样本和对应的灰度样本图像的步骤,包括:
基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从所述多个彩色样本中提取线稿样本;并将所述多个彩色样本转换为灰度样本图像。
5.根据权利要求1所述的方法,其特征在于,所述从所述目标黑白漫画中提取目标线稿和目标screentone的步骤,包括:
基于卡曼滤波LOG算法、高斯差分算子DOG或基于流的高斯差分算子FDOG,从所述目标黑白漫画中提取目标线稿和目标screentone。
6.根据权利要求1所述的方法,其特征在于,所述对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像的步骤,包括:
获取目标线稿的各个区域的各个指定颜色;
按照所述各个指定颜色,对所述目标线稿的各个区域进行上色,将上色后的图像作为颜色通道的图像。
7.根据权利要求6所述的方法,其特征在于,
所述获取目标线稿的各个区域的各个指定颜色的步骤,包括:
通过LazyBrush工具,接收用户输入的目标线稿的各个区域的各个指定颜色;
所述按照所述各个指定颜色,对所述目标线稿的各个区域进行上色,将上色后的图像作为颜色通道的图像的步骤,包括:
基于LazyBrush算法,按照所述各个指定颜色,对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像。
8.一种黑白漫画上色的装置,其特征在于,所述装置包括:
目标黑白漫画获取单元,用于获取待上色的目标黑白漫画;
提取单元,用于从所述目标黑白漫画中提取目标线稿和目标屏幕色调目标screentone;
颜色通道的图像和目标灰度图像获取单元,用于对所述目标线稿进行上色,将上色后的图像作为颜色通道的图像;并且将所述目标线稿输入至预先训练好的灰度图像生成网络模型,获取所述灰度图像生成网络模型输出的目标灰度图像;所述灰度图像生成网络模型为:预先用多个彩色样本漫画的线稿样本和灰度样本图像训练好的神经网络;
灰度通道的图像获取单元,用于将所述目标灰度图像和所述目标screentone进行叠加,将叠加后的图像作为灰度通道的图像;
目标彩色漫画获得单元,用于将所述颜色通道的图像和灰度通道的图像进行通道融合,获得目标彩色漫画。
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1-7任一所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010254418.0A CN111476863B (zh) | 2020-04-02 | 2020-04-02 | 一种黑白漫画上色的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010254418.0A CN111476863B (zh) | 2020-04-02 | 2020-04-02 | 一种黑白漫画上色的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111476863A true CN111476863A (zh) | 2020-07-31 |
CN111476863B CN111476863B (zh) | 2024-03-12 |
Family
ID=71749823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010254418.0A Active CN111476863B (zh) | 2020-04-02 | 2020-04-02 | 一种黑白漫画上色的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476863B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261349A (zh) * | 2020-10-23 | 2021-01-22 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置和电子设备 |
CN112991497A (zh) * | 2021-05-11 | 2021-06-18 | 北京邮电大学 | 一种对黑白动漫视频的着色方法、装置、存储介质及终端 |
CN113177878A (zh) * | 2021-04-28 | 2021-07-27 | 广州光锥元信息科技有限公司 | 基于图像变换实现美式漫画风格滤镜效果的方法及装置 |
CN113706647A (zh) * | 2021-07-30 | 2021-11-26 | 浪潮电子信息产业股份有限公司 | 一种图像上色方法及相关装置 |
CN117391115A (zh) * | 2023-12-06 | 2024-01-12 | 宁波邻家网络科技有限公司 | 一种基于图像色彩的二维码生成方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830912A (zh) * | 2018-05-04 | 2018-11-16 | 北京航空航天大学 | 一种深度特征对抗式学习的交互式灰度图像着色方法 |
CN109544662A (zh) * | 2018-11-29 | 2019-03-29 | 文创智慧科技(武汉)有限公司 | 一种基于SRUnet的动漫风格线稿上色方法及系统 |
CN109859288A (zh) * | 2018-12-25 | 2019-06-07 | 北京飞搜科技有限公司 | 基于生成对抗网络的图像上色方法及装置 |
CN109920018A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 |
CN110223359A (zh) * | 2019-05-27 | 2019-09-10 | 浙江大学 | 一种基于生成对抗网络的双阶段多配色线稿上色模型及其构建方法和应用 |
CN110378985A (zh) * | 2019-07-19 | 2019-10-25 | 中国传媒大学 | 一种基于gan的动漫绘画辅助创作方法 |
US20200098144A1 (en) * | 2017-05-19 | 2020-03-26 | Google Llc | Transforming grayscale images into color images using deep neural networks |
-
2020
- 2020-04-02 CN CN202010254418.0A patent/CN111476863B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200098144A1 (en) * | 2017-05-19 | 2020-03-26 | Google Llc | Transforming grayscale images into color images using deep neural networks |
CN108830912A (zh) * | 2018-05-04 | 2018-11-16 | 北京航空航天大学 | 一种深度特征对抗式学习的交互式灰度图像着色方法 |
CN109544662A (zh) * | 2018-11-29 | 2019-03-29 | 文创智慧科技(武汉)有限公司 | 一种基于SRUnet的动漫风格线稿上色方法及系统 |
CN109859288A (zh) * | 2018-12-25 | 2019-06-07 | 北京飞搜科技有限公司 | 基于生成对抗网络的图像上色方法及装置 |
CN109920018A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 基于神经网络的黑白照片色彩恢复方法、装置及存储介质 |
CN110223359A (zh) * | 2019-05-27 | 2019-09-10 | 浙江大学 | 一种基于生成对抗网络的双阶段多配色线稿上色模型及其构建方法和应用 |
CN110378985A (zh) * | 2019-07-19 | 2019-10-25 | 中国传媒大学 | 一种基于gan的动漫绘画辅助创作方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261349A (zh) * | 2020-10-23 | 2021-01-22 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置和电子设备 |
CN112261349B (zh) * | 2020-10-23 | 2023-02-21 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置和电子设备 |
CN113177878A (zh) * | 2021-04-28 | 2021-07-27 | 广州光锥元信息科技有限公司 | 基于图像变换实现美式漫画风格滤镜效果的方法及装置 |
CN113177878B (zh) * | 2021-04-28 | 2023-09-22 | 广州光锥元信息科技有限公司 | 基于图像变换实现美式漫画风格滤镜效果的方法及装置 |
CN112991497A (zh) * | 2021-05-11 | 2021-06-18 | 北京邮电大学 | 一种对黑白动漫视频的着色方法、装置、存储介质及终端 |
CN112991497B (zh) * | 2021-05-11 | 2021-10-19 | 北京邮电大学 | 一种对黑白动漫视频的着色方法、装置、存储介质及终端 |
CN113706647A (zh) * | 2021-07-30 | 2021-11-26 | 浪潮电子信息产业股份有限公司 | 一种图像上色方法及相关装置 |
CN113706647B (zh) * | 2021-07-30 | 2024-02-13 | 浪潮电子信息产业股份有限公司 | 一种图像上色方法及相关装置 |
CN117391115A (zh) * | 2023-12-06 | 2024-01-12 | 宁波邻家网络科技有限公司 | 一种基于图像色彩的二维码生成方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111476863B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476863A (zh) | 一种黑白漫画上色的方法、装置、电子设备及存储介质 | |
CN109840531B (zh) | 训练多标签分类模型的方法和装置 | |
CN108229526B (zh) | 网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN110516201B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN107784654B (zh) | 图像分割方法、装置及全卷积网络系统 | |
CN110363290B (zh) | 一种基于混合神经网络模型的图像识别方法、装置及设备 | |
US11068746B2 (en) | Image realism predictor | |
Chen et al. | Naturalization module in neural networks for screen content image quality assessment | |
CN108710893A (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN111461070B (zh) | 文本识别方法、装置、电子设备及存储介质 | |
CN112465709B (zh) | 一种图像增强方法、装置、存储介质及设备 | |
CN110782448A (zh) | 渲染图像的评价方法及装置 | |
CN113505854A (zh) | 一种人脸图像质量评价模型构建方法、装置、设备及介质 | |
CN113112511B (zh) | 试卷批改的方法、装置、存储介质及电子设备 | |
CN112348809A (zh) | 基于多任务深度学习的无参考屏幕内容图像质量评价方法 | |
CN112749696A (zh) | 一种文本检测方法及装置 | |
CN108665455B (zh) | 图像显著性预测结果的评价方法和装置 | |
CN116452469A (zh) | 一种基于深度学习的图像去雾处理方法及装置 | |
CN115953597B (zh) | 图像处理方法、装置、设备及介质 | |
CN113505844A (zh) | 标签生成方法、装置、设备、存储介质及程序产品 | |
CN112633103A (zh) | 图像处理方法、装置和电子设备 | |
CN113674383A (zh) | 生成文本图像的方法及装置 | |
CN112634382A (zh) | 一种非自然对象的图像识别、替换方法和装置 | |
CN112906819B (zh) | 图像识别方法、装置、设备及存储介质 | |
CN113343832B (zh) | 视频封面判别方法、装置、设备及计算机可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |