CN111709874B - 图像调整的方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了图像调整的方法、装置、电子设备及存储介质，涉及计算机视觉和深度学习领域。具体实现方案为：基于目标服装图像和目标人物图像，生成目标人物与目标服装的结合图像；基于目标服装图像的图像特征和结合图像的图像特征，得到目标服装图像中的目标服装的调整参数；根据调整参数和目标服装图像，得到目标服装的形变图像，形变图像作为目标服装图像的调整结果。通过上述方案，首先生成目标人物与目标服装的结合图像，其次根据结合图像和目标服装图像得到目标服装图像中的目标服装的调整参数，将调整参数作用到目标服装图像中，即可使目标服装呈现出符合目标人物的姿态、体态的形变。

Description

图像调整的方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机视觉和深度学习领域，尤其涉及图像处理领域。

背景技术

在虚拟试衣的应用场景，普遍采用以下两种方案实现目标服装与目标人物的结合，包括图像的仿射(透射)变换，将目标服装置于目标人物身上。或者利用薄板样条函数(TPS，Thin Plate Spline)在两张图像中找出N个匹配点，基于匹配点将目标服装置于目标人物身上。

但是，仿射(透射)变换不属于服装等柔性物体的形变，会导致多处位置不准确。而TPS的变换点位之间的通过插值进行形变，容易造成误差。

发明内容

本申请提供了一种图像调整的方法、装置、电子设备及存储介质。

根据本申请的一方面，提供了一种图像调整的方法，包括以下步骤：

基于目标服装图像和目标人物图像，生成目标人物与目标服装的结合图像；

基于目标服装图像的图像特征和结合图像的图像特征，得到目标服装图像中的目标服装的调整参数；

根据调整参数和目标服装图像，得到目标服装的形变图像，形变图像作为目标服装图像的调整结果。

根据本申请的另一方面，提供了一种图像调整的装置，包括：

结合图像生成模块，用于基于目标服装图像和目标人物图像，生成目标人物与目标服装的结合图像；

调整参数确定模块，用于基于目标服装图像的图像特征和结合图像的图像特征，得到目标服装图像中的目标服装的调整参数；

图像调整模块，用于根据调整参数和目标服装图像，得到目标服装的形变图像，形变图像作为目标服装图像的调整结果。

根据本申请的第三方面，本申请实施例提供一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意一项实施例所提供的方法。

根据本申请的第四方面，本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请任意一项实施例所提供的方法。

根据本申请的第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。

通过上述方案，首先生成目标人物与目标服装的结合图像，其次根据结合图像和目标服装图像得到目标服装图像中的目标服装的调整参数，将调整参数作用到目标服装图像中，即可使目标服装呈现出符合目标人物的姿态、体态的形变。由此，由于最终的目标服装符合目标人物的姿态、体态，以调整参数的方式避免了现有技术中通过插值进行形变带来的误差问题。由于调整参数无需进行计算，只需依照该调整参数进行调整即可，因此可以使最终的目标服装减少由计算带来的误差。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请第一实施例图像调整的方法的流程图；

图2是根据本申请第一实施例生成结合图像的示意图；

图3是根据本申请第一实施例得到调整参数的示意图；

图4是根据本申请第一实施例图像特征的确定方式的流程图；

图5是根据本申请第一实施例得到调整参数的流程图；

图6是根据本申请第一实施例计算特征融合计算结果的示意图；

图7是根据本申请第一实施例生成结合图像的流程图；

图8是根据本申请第一实施例得到形变图像的流程图；

图9是根据本申请第二实施例图像调整的装置的示意图；

图10是根据本申请第二实施例调整参数确定模块的示意图；

图11是根据本申请第二实施例调整参数确定模块的示意图；

图12是根据本申请第二实施例结合图像生成模块的示意图；

图13是根据本申请第二实施例图像调整模块的示意图；

图14是用来实现本申请实施例的图像调整的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

如图1所示，在一种实施方式中，提供一种图像调整的方法，包括以下步骤：

S101：基于目标服装图像和目标人物图像，生成目标人物与目标服装的结合图像。

S102：基于目标服装图像的图像特征和结合图像的图像特征，得到目标服装图像中的目标服装的调整参数。

S103：根据调整参数和目标服装图像，得到目标服装的形变图像，形变图像作为目标服装图像的调整结果。

本申请的上述实施例可以通过智能有屏设备执行，例如智能手机、手提电脑等。目标服装图像和目标人物图像可以通过拍照、访问相册或访问互联网等方式获取。

结合图2所示，步骤S101可以利用第一模型生成结合图像。第一模型可以是包括特征匹配神经网络的模型。第一模型包括两路输入，第一路输入接收目标服装图像，并提取目标服装特征。第二路输入接收目标人物图像，并提取目标人物特征。通过卷积、上采样等计算后，可以得到目标人物与目标服装的结合图像。

结合图像可以是目标人物“穿上”目标服装的效果图。即，一方面，通过提取目标人物的人体关键点和人体分割图可以得到目标人物的部位特征，例如头、颈、肩、臂等部位以及上述各部位在目标人物图像中的位置等。另一方面，可以提取目标服装的样式特征，例如长袖或短袖，圆领或V领，以及目标服装的衣领、袖口、下摆等在目标服装图像中的位置。基于所提取的特征，将目标服装与目标人物相结合，得到图2右侧所示的被目标服装覆盖的目标人物的各部位的掩膜(Mask)。Mask对应图2右侧目标人物身上的阴影线的部分。本实施例中，可以将Mask作为目标人物与目标服装的结合图像。

结合图3所示，步骤S102可以利用第二模型得到目标服装图像中的目标服装的调整参数。第二模型可以是包括特征提取网络和卷积神经网络的模型。利用第二模型中的特征提取网络可以分别提取目标服装图像和结合图像的特征，利用卷积神经网络可以将提取的特征进行卷积计算，从而可以得到目标服装图像中的目标服装的调整参数。

目标服装图像的特征可以与前述步骤S101中的特征相同。结合图像的特征可以包括目标人物被目标服装覆盖的目标人物的各部位的姿态特征、体态特征等。其中，姿态特征用于表征目标人物的姿势、动作等，体态特征用于表征目标人物的胖瘦等。利用卷积神经网络将目标服装图像的特征、结合图像的特征进行卷积计算，可以得到像素级别的调整参数。

利用像素级别的调整参数可以得到目标服装的形变图像。

像素级别的调整参数可以是形变图像中的各像素点与调整前的目标服装图像中像素点的映射关系。例如，调整后的形变图像中的第一像素点的坐标是(x1，y1)，该像素点可以对应调整前的目标服装图像中的某一像素点。例如，可以对应调整前的目标服装图像中的第m个像素点，该像素点的坐标是(x’1，y’1)。那么，调整参数可以直接表示为(x’1，y’1)。另外，调整参数也可以表示为(±xi，±yi)，xi，yi分别可以表示在图像的x轴上、在y轴上的像素单位。例如，若调整参数为(+xi，-yi)，可以表示调整后形变图像中的第一像素点对应的调整前的目标服装图像中坐标为(x1+xi，y1-yi)的像素点。

如图3最右侧的目标服装所示，利用调整参数对目标服装图像中的目标服装进行调整，得到目标服装的形变图像。形变图像作为对目标服装图像的调整结果。形变图像可以是和目标人物的姿态、体态等相吻合的目标服装。

通过上述方案，首先生成目标人物与目标服装的结合图像，其次根据结合图像和目标服装图像得到目标服装图像中的目标服装的调整参数，将调整参数作用到目标服装图像中，即可使目标服装呈现出符合目标人物的姿态、体态的形变。由此，由于最终的目标服装符合目标人物的姿态、体态，以调整参数的方式避免了现有技术中通过插值进行形变带来的误差问题。由于调整参数无需进行计算，只需依照该调整参数进行调整即可，因此可以使最终的目标服装减少由计算带来的误差。

如图4所示，在一种实施方式中，目标服装的图像特征和结合图像的图像特征的确定方式包括：

S401：确定目标服装图像的N个不同尺度的服装图层，以及结合图像的N个不同尺度的结合图层，N为正整数。

S402：提取各服装图层和各结合图层的图像特征，分别作为目标服装图像的图像特征和结合图像的图像特征。

第二模型中的特征提取网络可以是特征金字塔模型，利用特征金字塔模型提取原始图像不同尺度的图层，例如共计N个图层。目标服装图像的各个图层可以称为服装图层。结合图像的各个图层可以称为结合图层。

根据训练数据集的不同，特征金字塔模型可以对应提取不同特征。例如，利用人体姿态和人体部位数据集，可以训练特征金字塔模型提取关于人体姿态和人体各部位的特征。利用服装款式数据集，可以训练特征金字塔模块提取服装的款式，包括识别出长袖或短袖，圆领或V领等，以及识别出目标服装的衣领、袖口、下摆等在目标服装图像中的位置等特征。

在一个可选的步骤中，在后续模型精度较低的情况下，还可以预先对目标服装图像进行预处理。例如，可以对目标服装图像提取目标服装的掩膜(Mask)。通过上述步骤，可以预先将目标服装从目标服装图像中提取出来(在目标服装图像中过滤掉与目标服装无关的背景部分)。从而在后续步骤中提高目标服装参与的计算的准确度。

利用特征金字塔模型提取出的所有服装图层的特征可以作为目标服装图像的图像特征，所有结合图层的特征可以作为结合图像的图像特征。

通过上述方案，通过提取不同尺度的图层的图像特征，可以实现像素级别的特征，为后续计算调整参数提供数据精度支持。

如图5所示，在一种实施方式中，步骤S102包括：

S1021：利用目标服装图像的第i个服装图层的图层特征、结合图像的第i个结合图层的图层特征、第i-1个特征融合计算结果，进行卷积计算，得到第i个卷积计算结果。

S1022：将第i个卷积计算结果进行图像仿射变换，得到第i个特征融合计算结果。

S1023：将第N个特征融合计算结果作为目标服装的调整参数；i为正整数，i≤N。

结合图6所示，以目标服装图像和结合图像各包括4个不同尺度的图层为例。目标服装图像的4个图层的尺度由小到大依次为S4、S3、S2、S1。结合图像的4个图层的尺度由小到大依次为T4、T3、T2、T1。其中，图层S4与图层T4、图层S3与图层T3、图层S2与图层T2、图层S1与图层T1的尺度相同。并且，图层S1为与目标服装图像相同的尺度，图层T1为与结合图像相同的尺度。

首先利用第二模型中的卷积神经网络将图层S4的图层特征和图层T4的图层特征进行卷积计算，得到第1个卷积计算结果E4。图层S4相当于第1个服装图层，图层T4当于第1个结合图层。在此情况下，由于是第1个图层，因此并不存在第i-1个特征融合计算结果。即，直接利用目标服装图像的第1个服装图层的图层特征、结合图像的第1个结合图层的图层特征进行卷积计算，得到第1个卷积计算结果。

其次，将第1个卷积计算结果E4进行图像仿射变换(Warp)，得到第1个特征融合计算结果。

利用第二模型中的卷积神经网络将第1个特征融合计算结果、图层S3和图层T3进行卷积计算，得到第2个卷积计算结果E3。

将第2个卷积计算结果E3进行图像仿射变换，得到第2个特征融合计算结果。以此类推，直至计算出第4个特征融合计算结果作为目标服装的调整参数。即，将图6中最右侧的输出结果F1作为目标服装的调整参数。

该调整参数可以对应一组映射关系，对目标服装进行调整后的形变图像中的每一个像素点，均与目标服装图像中的一个像素点相对应，形成映射关系。即，形变图像中的每一个像素点均对应具有一个调整参数。该调整参数可以以坐标的形式表现。

通过上述方案，将目标服装图像和结合图像的各个图层的特征相融合，且各图层之间相互关联，从而可以达到较佳的融合效果，使最终输出的调整参数更为准确。

如图7所示，在一种实施方式中，步骤S101包括：

S1011：提取目标人物图像中的人体关键点和人体分割图。

S1012：基于人体关键点、人体分割图和目标服装图像，利用第一模型生成被目标服装覆盖的目标人物的各部位的掩膜，将掩膜作为结合图像。

可以利用关键点提取模型以及人体分割模型对目标人物图像进行预处理，以提取出目标人物图像中的人体关键点和人体分割图。

如前所述，第一模型可以是包括特征匹配神经网络的模型。利用第一模型，根据人体关键点、人体分割图和目标服装图像可以确定出目标人物“穿上”目标服装的效果图。即在目标人物的图像中确定出被目标服装覆盖的部分。以图2为例，目标服装是一件短袖圆领女士T恤，则可以确定出图2中右侧图像中的阴影部分为被目标服装覆盖的部分。该部分即为被目标服装覆盖的目标人物的各部位的Mask。

通过上述方案，可以实现确定出目标人物“穿上”目标服装的结合图像。在后续进行形变时，基于结合图像可以使目标服装呈现出符合目标人物的姿态、体态的形变。

如图8所示，在一种实施方式中，步骤S103包括：

S1031：获取形变图像中的每个像素点的调整参数，形变图像中的每个像素点均通过该像素点的调整参数建立与目标服装图像中的像素点的对应关系。

S1032：利用对应关系得到形变图像。

对于形变图像中的每个像素点，均对应一个调整参数。该调整参数可以使该像素点与目标服装图像中的一个像素点相对应。相对应所指的是形变图像中的每一个像素点都是从目标服装图像中的像素点映射得到的。利用该对应关系，可以构建出形变图像的每个像素点，从而得到目标服装的形变图像。

通过上述方案，利用每个像素点的调整参数进行调整得到形变图像。使形变图像可以和目标人物的姿态、体态等更为吻合，并且可以使目标服装呈现出符合目标人物的姿态、体态的形变。

如图9所示，在一种实施方式中，提供一种图像调整的装置，包括以下部件：

结合图像生成模块901，用于基于目标服装图像和目标人物图像，生成目标人物与目标服装的结合图像。

调整参数确定模块902，用于基于目标服装图像的图像特征和结合图像的图像特征，得到目标服装图像中的目标服装的调整参数。

图像调整模块903，用于根据调整参数和目标服装图像，得到目标服装的形变图像，形变图像作为目标服装图像的调整结果。

如图10所示，在一种实施方式中，调整参数确定模块902，包括：

图层确定子模块9021，用于确定目标服装图像的N个不同尺度的服装图层，以及结合图像的N个不同尺度的结合图层，N为正整数。

图像特征提取子模块9022，用于提取各服装图层和各结合图层的图像特征，分别作为目标服装图像的图像特征和结合图像的图像特征。

如图11所示，在一种实施方式中，调整参数确定模块902，还包括：

卷积计算子模块9023，用于利用目标服装图像的第i个服装图层的图层特征、结合图像的第i个结合图层的图层特征、第i-1个特征融合计算结果，进行卷积计算，得到第i个卷积计算结果。

特征融合计算子模块9024，用于将第i个卷积计算结果进行图像仿射变换，得到第i个特征融合计算结果。

调整参数确定执行子模块9025，用于将第N个特征融合计算结果作为目标服装的调整参数；i为正整数，i≤N。

如图12所示，在一种实施方式中，结合图像生成模块901，包括：

目标人物特征提取子模块9011，用于提取目标人物图像中的人体关键点和人体分割图。

结合图像生成执行子模块9012，用于基于人体关键点、人体分割图和目标服装图像，利用第一模型生成被目标服装覆盖的目标人物的各部位的掩膜，将掩膜作为结合图像。

如图13所示，在一种实施方式中，图像调整模块903，包括：

调整参数获取子模块9031，用于获取形变图像中的每个像素点的调整参数，形变图像中的每个像素点均通过该像素点的调整参数建立与目标服装图像中的像素点的对应关系。

图像调整执行子模块9032，用于利用对应关系得到形变图像。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

如图14所示，是根据本申请实施例的图像调整的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图14所示，该电子设备包括：一个或多个处理器1410、存储器1420，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图14中以一个处理器1410为例。

存储器1420即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的图像调整的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图像调整的方法。

存储器1420作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像调整的方法对应的程序指令/模块(例如，附图9所示的结合图像生成模块901、调整参数确定模块902和图像调整模块903)。处理器1410通过运行存储在存储器1420中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像调整的方法。

存储器1420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据图像调整的方法的电子设备的使用所创建的数据等。此外，存储器1420可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1420可选包括相对于处理器1410远程设置的存储器，这些远程存储器可以通过网络连接至图像调整的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

图像调整的方法的电子设备还可以包括：输入装置1430和输出装置1440。处理器1410、存储器1420、输入装置1430和输出装置1440可以通过总线或者其他方式连接，图14中以通过总线连接为例。

输入装置1430可接收输入的数字或字符信息，以及产生与图像调整的方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1440可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (4)

1.一种图像调整的方法，包括：

基于目标服装图像和目标人物图像，生成目标人物与目标服装的结合图像；

基于所述目标服装图像的图像特征和所述结合图像的图像特征，得到所述目标服装图像中的所述目标服装的调整参数；

根据所述调整参数和所述目标服装图像，得到目标服装的形变图像，所述形变图像作为所述目标服装图像的调整结果；

所述基于目标服装图像和目标人物图像，生成目标人物与目标服装的结合图像，包括：

利用关键点提取模型以及人体分割模型对目标人物图像进行预处理，提取所述目标人物图像中的人体关键点和人体分割图；

基于所述人体关键点、所述人体分割图和所述目标服装图像，利用第一模型生成被所述目标服装覆盖的目标人物的各部位的掩膜，将所述掩膜作为所述结合图像，所述第一模型是包括特征匹配神经网络的模型；

所述目标服装的图像特征和所述结合图像的图像特征的确定方式，包括：

确定所述目标服装图像的N个不同尺度的服装图层，以及所述结合图像的N个不同尺度的结合图层，N为正整数；

提取各所述服装图层和各所述结合图层的图像特征，分别作为所述目标服装图像的图像特征和所述结合图像的图像特征；

其中，所述基于所述目标服装图像的图像特征和所述结合图像的图像特征，得到所述目标服装图像中的所述目标服装的调整参数，包括：

利用目标服装图像的第i个服装图层的图层特征、结合图像的第i个结合图层的图层特征、第i-1个特征融合计算结果，进行卷积计算，得到第i个卷积计算结果；

将所述第i个卷积计算结果进行图像仿射变换，得到第i个特征融合计算结果；

将第N个特征融合计算结果作为所述目标服装的调整参数；所述i为正整数，i≤N；

所述根据所述调整参数和所述目标服装图像，得到目标服装的形变图像，包括：

获取所述形变图像中的每个像素点的调整参数，所述形变图像中的每个像素点均通过该像素点的调整参数建立与所述目标服装图像中的像素点的对应关系；其中，对于所述形变图像中的每个像素点，均对应一个调整参数；

利用所述对应关系构建出所述形变图像的每个像素点，得到所述形变图像；其中，所述形变图像和目标人物的姿态以及体态吻合。

2.一种图像调整的装置，包括：

结合图像生成模块，用于基于目标服装图像和目标人物图像，生成目标人物与目标服装的结合图像；

调整参数确定模块，用于基于所述目标服装图像的图像特征和所述结合图像的图像特征，得到所述目标服装图像中的所述目标服装的调整参数；

图像调整模块，用于根据所述调整参数和所述目标服装图像，得到目标服装的形变图像，所述形变图像作为所述目标服装图像的调整结果；

所述结合图像生成模块，包括：

目标人物特征提取子模块，用于利用关键点提取模型以及人体分割模型对目标人物图像进行预处理，提取所述目标人物图像中的人体关键点和人体分割图；其中，所述形变图像和目标人物的姿态以及体态吻合；

结合图像生成执行子模块，用于基于所述人体关键点、所述人体分割图和所述目标服装图像，利用第一模型生成被所述目标服装覆盖的目标人物的各部位的掩膜，将所述掩膜作为所述结合图像，所述第一模型是包括特征匹配神经网络的模型；

所述调整参数确定模块，包括：

图层确定子模块，用于确定所述目标服装图像的N个不同尺度的服装图层，以及所述结合图像的N个不同尺度的结合图层，N为正整数；

图像特征提取子模块，用于提取各所述服装图层和各所述结合图层的图像特征，分别作为所述目标服装图像的图像特征和所述结合图像的图像特征；

所述调整参数确定模块，还包括：

卷积计算子模块，用于利用目标服装图像的第i个服装图层的图层特征、结合图像的第i个结合图层的图层特征、第i-1个特征融合计算结果，进行卷积计算，得到第i个卷积计算结果；

特征融合计算子模块，用于将所述第i个卷积计算结果进行图像仿射变换，得到第i个特征融合计算结果；

调整参数确定执行子模块，用于将第N个特征融合计算结果作为所述目标服装的调整参数；所述i为正整数，i≤N；

其中，所述图像调整模块，包括：

调整参数获取子模块，用于获取所述形变图像中的每个像素点的调整参数，所述形变图像中的每个像素点均通过该像素点的调整参数建立与所述目标服装图像中的像素点的对应关系；其中，对于所述形变图像中的每个像素点，均对应一个调整参数；

图像调整执行子模块，用于利用所述对应关系构建出所述形变图像的每个像素点，得到所述形变图像。

3.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1所述的方法。

4.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1所述的方法。