CN111768468B - 图像填充方法、装置、设备及存储介质 - Google Patents
图像填充方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111768468B CN111768468B CN202010612374.4A CN202010612374A CN111768468B CN 111768468 B CN111768468 B CN 111768468B CN 202010612374 A CN202010612374 A CN 202010612374A CN 111768468 B CN111768468 B CN 111768468B
- Authority
- CN
- China
- Prior art keywords
- image
- filled
- contour
- edge map
- filling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 19
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005429 filling process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种图像填充方法、装置、设备及存储介质,涉及人工智能、深度学习、计算机视觉、图像填充技术领域,图像填充方法包括:对待填充图像中的实例进行轮廓检测,获得待填充图像中的实例的轮廓边缘图,轮廓边缘图中包括至少一个缺失区域;基于第一掩模,对轮廓边缘图进行轮廓补全处理,得到补全后的轮廓边缘图,其中第一掩模的感兴趣区域对应于至少一个缺失区域;基于补全后的轮廓边缘图,对待填充图像进行填充处理,得到填充后的图像。利用本申请能够实现高质量的图像填充。
Description
技术领域
本申请涉及人工智能、深度学习、计算机视觉、图像填充技术领域,具体地,涉及一种图像填充方法、装置、设备以及存储介质。
背景技术
图像填充技术有广泛的应用场景,例如图像编辑、图像修复、移除图像中的特定物体,等等。现有图像填充技术大多基于块匹配或纹理匹配的方法,使用普通的卷积神经网络处理,存在填充效果不够真实,纹理不自然,人工瑕疵明显,效率低下等问题。
发明内容
本申请提供了一种图像填充方法、装置、设备以及存储介质。
根据本申请的第一方面,提供了一种图像填充方法,包括:
对待填充图像中的实例进行轮廓检测,获得待填充图像中的实例的轮廓边缘图,轮廓边缘图中包括至少一个缺失区域;
基于第一掩模,对轮廓边缘图进行轮廓补全处理,得到补全后的轮廓边缘图,其中第一掩模的感兴趣区域对应于至少一个缺失区域;
基于补全后的轮廓边缘图,对待填充图像进行填充处理,得到填充后的图像。
根据本申请的第二方面,提供了一种图像填充装置,包括:
轮廓检测模块,用于对待填充图像中的实例进行轮廓检测,获得待填充图像中的实例的轮廓边缘图,轮廓边缘图中包括至少一个缺失区域;
轮廓补全模块,基于第一掩模,对轮廓边缘图进行轮廓补全处理,得到补全后的轮廓边缘图,其中第一掩模的感兴趣区域对应于至少一个缺失区域;
图像填充模块,用于基于补全后的轮廓边缘图,对待填充图像进行填充处理,得到填充后的图像。
根据本申请的第三方面,提供了一种电子设备,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如上所述的方法。
根据本申请的第四方面,提供了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如上所述的方法。
根据本申请的第五方面,提供了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。
本申请实施例利用补全后的轮廓边缘图进行图像填充,轮廓边缘图与缺失区域对应,填充时根据缺失区域的轮廓信息进行填充,能够对填充处理起到正则化的作用,避免因填充范围过大或过小而出现失真或瑕疵等现象,填充后的图像更加逼真。
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是一个示意性地原始图像。
图2是对图1中图像进行语义分割后的图像。
图3是对图1中图像进行实例分割后的图像。
图4是对图3中的实例分割图增加Mask处理的效果图。
图5是本申请一个实施例的图像填充方法的流程框图;
图6是本申请一个实施例的图像填充装置的结构框图;
图7是本申请一个实施例的示意性的待填充图像;
图8是本申请另一实施例的图像填充方法的逻辑过程图;
图9是对图6实施例进行图像填充处理后得到的示意性的图像;
图10是实现本申请实施例的图像填充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。
为了更清楚地描述本申请的实施例,首先对深度学习领域中图像的语义分割、实例分割以及掩模处理的相关内容进行简要描述。
关于语义分割(Semantic Segmentation):可将图像中的像素标注为对应的物体类别,同一类别物体的不同实例不进行单独分割。
关于实例分割(Instance segmentation):基于物体检测(Object Detect)的边框,对于图像中属于同一类别的多个物体,实例分割可对多个物体中的各个个体进行区别标注;相对于语义分割,实例分割的标注精度较高,语义分割可精确到同一类物体的整体外边框,实例分割可精确到各个物体本身的轮廓和边缘。
参考图1-3,其中图1是原始图像,图2是语义分割后的图像,图3是实例分割后的图像,可以看到,图1原始图像中部区域有一个桌子和多个椅子,图2的语义分割图像中桌子被标注为浅色,多个椅子(属于同一类别)全部被标注为深色,同一类别物体不加区分;与图2的语义分割不同,图3的实例分割图像中,各个椅子分别被标注为不同的颜色,并且能够对椅子不同部分的边缘和轮廓进行标注区分。
关于掩模(Mask,也可称掩码),其基本原理是用选定的图像或图形对目标图像的局部区域进行遮挡或覆盖,保留指定区域不被遮挡,由此控制对指定区域的处理,其中,将用来遮挡或覆盖目标图像的图像或图形称为掩模Mask,指定区域通常也称为“感兴趣区域”。
构建Mask图像时,可首先建立与目标图像相同大小且所有像素初始化为0的图像,即一张全黑色的图;然后将该图中的第一区域的全部像素值设置为255,也就是将第一区域全部设置为白色,这样得到一个感兴趣区域为第一区域的Mask图像。参考图4,其中左图为一个示意性的Mask图像,其左上角位置为一个标记为白色的感兴趣区域,以该Mask对中间的实例分割图进行处理可得到右图,右图中除左上角对应位置的感兴趣区域之外,其余区域被Mask覆盖遮挡。
本申请的实施例基于图像的实例分割信息,图5示出了本申请实施例的图像填充方法的流程框图,包括如下步骤:
S101,对待填充图像I_i中的实例进行轮廓检测,获得待填充图像中的实例的轮廓边缘图edge_i,轮廓边缘图edge_i中包括至少一个缺失区域;;
S102,基于第一掩模mask_i,对轮廓边缘图edge_i进行轮廓补全处理,得到补全后的轮廓边缘图edge_o,其中第一掩模mask_i的感兴趣区域对应于至少一个缺失区域;
S103,基于补全后的轮廓边缘图edge_o,对待填充图像I_i进行填充处理,得到填充后的图像I_o。
在本申请的实施例中,待填充的图像I_i是有缺失的图像,例如已将图像中希望删除的目标物去除,因此本申请实施例的待填充图像I_i不是完整的图像,图像中缺失的部分区域即是待填充的区域。
根据本申请的实施例,对于待填充图像I_i并不是使用神经网络模型直接进行填充处理,而是首先对有缺失的待填充图像做轮廓检测,可得到待填充图像中的实例的轮廓边缘图edge_i,轮廓边缘图edge_i中含有各个实例对应的轮廓边缘线,其中,由于待填充图像中有缺失,因此对该缺失的部分也会生成对应的轮廓边缘线,轮廓边缘线中部是缺失的,其余区域为图像中存在的各个实例的轮廓边缘线。
这里,待填充图像I_i中的缺失区域可以是一个,也可以是多个,因此轮廓检测处理后,轮廓边缘图edge_i中缺失部分的数目可能是一个,也可能是多个。以下以轮廓边缘图edge_i中缺失部分的数目为一个进行描述,多个的情况可做相同处理。
根据本申请的实施例,接着对有缺失的轮廓边缘图edge_i进行轮廓补全处理,由于轮廓补全处理的基础是经过轮廓检测而生成的有缺失的轮廓边缘图edge_i,而非普通的有缺失图像,也就是说,本申请实施例步骤S102中的轮廓补全处理是基于轮廓边缘图edge_i中的实例的轮廓信息进行的轮廓补全,使得补全后的轮廓边缘图edge_o中携带了缺失部分的轮廓信息,有利于强化后续步骤S103的填充效果。
具体地,轮廓补全时,基于第一掩模mask_i,对轮廓边缘图edge_i进行轮廓补全,其中第一掩模mask_i的感兴趣区域包括待填充图像中的缺失区域(即待填充区域),这使得在轮廓补全过程中可以有针对性地对缺失区域进行补全,补全后的轮廓边缘图edge_o中,缺失区域对应位置的轮廓边缘线精度较高。
最后,步骤S103基于补全后的轮廓边缘图edge_o对待填充图像I_i进行填充,这里,补全后的轮廓边缘图edge_o包含了缺失部分的轮廓信息例如轮廓边缘线,因此相当于在对待填充图像I_i做填充时系统已获得了缺失部分的轮廓信息,这部分轮廓信息能够对填充处理起到正则化的作用,使填充的像素约束在轮廓边缘线之内,避免出现明显瑕疵、失真等情况,填充后的图像更加规范和逼真,尤其适合用于对图像中实例轮廓的分界线清晰的图像进行填充处理。
与上述方法实施例相对应地,本申请实施例还提供一种图像填充装置100,参考图6,包括:
轮廓检测模块101,用于对待填充图像I_i中的实例进行轮廓检测,获得待填充图像中的实例的轮廓边缘图edge_i,轮廓边缘图edge_i中对应于该至少一个缺失区域;
轮廓补全模块102,基于第一掩模mask_i,对轮廓边缘图edge_i进行轮廓补全处理,得到补全后的轮廓边缘图edge_o,其中第一掩模mask_i的感兴趣区域包括至少一个缺失区域;
图像填充模块103,用于基于补全后的轮廓边缘图edge_o,对待填充图像I_i进行填充处理,得到填充后的图像I_o。
在本申请实施例的图像填充装置100中,轮廓检测模块101、轮廓补全模块102和图像填充模块103可以是由深度神经网络训练而生成的神经网络模型,具体地:
轮廓检测模块101是利用第一类训练数据对神经网络进行训练而生成的,第一类训练数据包括:待填充图像和对应的轮廓边缘图,其中轮廓边缘图中包括至少一个缺失区域;
轮廓补全模块102是利用第二类训练数据对神经网络进行训练而生成的,第二类训练数据包括:有缺失的轮廓边缘图和对应的补全后的轮廓边缘图;
图像填充模块103是利用第三类训练数据对神经网络进行训练而生成的,第三类训练数据包括:待填充图像与补全后的轮廓边缘图的拼接矩阵和对应的填充后的图像。
在本申请实施例中,利用前述的第一类训练数据、第二类训练数据和第三类训练数据,分别训练神经网络(例如卷积神经网络、循环神经网络或其他类型神经网络),能够分别得到可对输入的图像进行轮廓检测的神经网络模型(轮廓检测模块101)、可基于有缺失的轮廓边缘图对有缺失图像进行轮廓补全的神经网络模型(轮廓补全模块102),以及能够基于待填充图像和补全的轮廓边缘图进行图像填充的神经网络模型(图像填充模块103)。
训练完成后,可将各个神经网络模型或称模块进行逻辑连接,得到图像填充装置100。使用时,将待填充图像输入该图像填充装置中,经过各个模块处理之后,可输出填充好的图像。
在本申请实施例的图像填充装置100中,补全后的轮廓边缘图edge_o与待填充图像I_i各自对应矩阵的长宽维度相同,且图像通道数不同;图像填充装置100还包括:拼接模块,用于对补全后的轮廓边缘图edge_o的矩阵与待填充图像I_i的矩阵在通道维度上进行拼接,并将拼接后的矩阵发送给图像填充模块。
本申请实施例的图像填充装置100还包括:预处理模块,用于在轮廓检测模块101进行轮廓检测之前,将目标图像中的目标区域去除,得到待填充图像I_i,待填充图像中缺失的区域为待填充区域。
在本申请实施例的图像填充装置100中,补全后的轮廓边缘图edge_o中包括待填充图像中缺失部分的实例的轮廓信息;图像填充模块103用于基于补全后的轮廓边缘图edge_o中的缺失部分的实例的轮廓信息,对待填充图像进行填充处理。
本申请实施例的图像填充装置100中的各个模块的功能与前述方法实施例中描述的内容相对应,也就是,图像填充装置100中的各个模块可用于实现前述图像填充方法的各个步骤。以下通过具体实施例详细描述本申请实施例的实现方式。
参考图7,示意性地示出了本申请一个实施例的待填充图像I_i,为描述方便,图7中以涂色的方式将希望去除的物体标出,即海边沙滩上的一对躺椅。
根据本申请实施例的图像填充方法,可选地,预处理模块可对目标图像进行预处理:将目标图像中的目标区域去除,得到待填充图像I_i,待填充图像中缺失的区域为待填充区域。
在图7实施例中,目标原始图像为包含躺椅的海滩图片,可通过已知的图像分割技术(例如边缘分割、语义分割的方式),将躺椅从原始图片中抠除,可得到有缺失的待填充图像I_i,即缺失躺椅区域的海滩图像,缺失的区域就是待填充的区域。
图8示意性地示出了本申请实施例的图像填充方法的逻辑过程图,结合图8来看,轮廓检测模块101对有缺失的待填充图像I_i进行轮廓检测,由于海滩图像中部的躺椅已经清除,该区域缺失,则可得到一个海滩中部缺失的轮廓边缘图edge_i;
然后,轮廓补全模块102基于第一掩模mask_i,对该海滩中部缺失的轮廓边缘图edge_i进行轮廓补全,第一掩模mask_i的感兴趣区域对应于轮廓边缘图edge_i中的缺失区域。由于携带了海滩图像中其他区域的轮廓信息,例如:海、沙滩、树、树的倒影等等的轮廓边缘线,那么在轮廓补全处理时,轮廓补全模块102能够根据缺失区域的四周的轮廓信息,来对中部的缺失部分进行轮廓补全,基于此,补全的部分大致会包含以下至少一种像素:海、沙滩、树、树的倒影等,得到补全后的、完整的该海滩的轮廓边缘图edge_o。
在本申请的实施例中,可选地,补全后的轮廓边缘图edge_o与待填充图像I_i各自对应矩阵的长宽维度相同,且图像通道数不同,例如,补全后的轮廓边缘图edge_o的特征表示为三维矩阵[w,h,c1],待填充图像I_i的特征表示为三维矩阵[w,h,c2],其中,w和h分别为长和宽,c1为补全后的轮廓边缘图edge_o的通道数,c2为待填充图像I_i的通道数。
基于上述特征,根据本申请实施例的图像填充方法,可选地,可对补全后的轮廓边缘图edge_o的矩阵与待填充图像I_i的矩阵在通道维度上进行拼接,以拼接后的矩阵作为填充处理的对象。
具体地,可通过特征变换操作,将补全后的轮廓边缘图edge_o的矩阵[w,h,c1]与待填充图像I_i的矩阵[w,h,c2]在通道维度上拼接,可得到三维矩阵[w,h,c1+c2],通过这种拼接处理能够使两者的特征融合,达到强化整体填充效果的目的。
最后,图像填充模块103基于补全后的轮廓边缘图edge_o进行填充时,具体可基于补全后的轮廓边缘图edge_o中的缺失部分的轮廓信息对待填充图像I_i进行填充处理。其中,instance_o作为辅助信息包含缺失部分的轮廓信息,这部分轮廓信息能够起到正则化的作用,强化填充处理的效果。
图9示意性地示出了填充后的图像I_o,可以看到,图9中对躺椅对应区域的填充融合了沙滩和树的倒影的特征,填充效果逼真、自然。
基于以上内容,本申请的实施例先补全、恢复图像中缺失部分的轮廓信息,然后基于填充后的轮廓边缘图,来指引图像填充的过程,可尽量避免填充中容易出现的瑕疵或失真,使得图像整体呈现逼真、自然的视觉效果。
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10所示,是根据本申请实施例的图像填充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10所示,该电子设备包括:一个或多个处理器1001、存储器1002,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)上显示图形用户界面(Graphical User Interface,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10中以一个处理器1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的图像填充方法。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填充方法。
存储器1002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填充方法对应的程序指令/模块。处理器1001通过运行存储在存储器1002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填充方法。
存储器1002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搜索结果的分析处理电子设备的使用所创建的数据等。此外,存储器1002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1002可选包括相对于处理器1001远程设置的存储器,这些远程存储器可以通过网络连接至搜索结果的分析处理电子设备。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。
本申请实施例的图像填充方法对应的电子设备还可以包括:输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接,本申请图10实施例中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息,以及产生与搜索结果的分析处理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1004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(Liquid Crystal Display,LCD)、发光二极管(Light EmittingDiode,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、专用集成电路(Application Specific Integrated Circuits,ASIC)、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(programmable logic device,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(Cathode Ray Tube,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(Local Area Network,LAN)、广域网(Wide Area Network,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,本发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 (10)
1.一种图像填充方法,包括:
由轮廓检测模块对待填充图像中的实例进行轮廓检测,获得所述待填充图像中的实例的轮廓边缘图,所述轮廓边缘图中包括至少一个缺失区域,其中,所述轮廓检测模块是利用第一类训练数据对神经网络进行训练而生成的,所述第一类训练数据包括:待填充图像和对应的轮廓边缘图;
基于第一掩模,由轮廓补全模块对所述轮廓边缘图进行轮廓补全处理,得到补全后的轮廓边缘图,其中所述第一掩模的感兴趣区域对应于所述至少一个缺失区域,其中,所述轮廓补全模块是利用第二类训练数据对神经网络进行训练而生成的,所述第二类训练数据包括:有缺失的轮廓边缘图和对应的补全后的轮廓边缘图;
基于所述补全后的轮廓边缘图,由图像填充模块对所述待填充图像进行填充处理,得到填充后的图像,其中,所述图像填充模块是利用第三类训练数据对神经网络进行训练而生成的,所述第三类训练数据包括:待填充图像与补全后的轮廓边缘图的拼接矩阵和对应的填充后的图像。
2.根据权利要求1所述的方法,其中,
所述补全后的轮廓边缘图与所述待填充图像各自对应矩阵的长宽维度相同,且图像通道数不同;
在所述基于所述补全后的轮廓边缘图,对所述待填充图像进行填充处理之前,所述方法还包括:
对所述补全后的轮廓边缘图的矩阵与所述待填充图像的矩阵在通道维度上进行拼接,以拼接后的矩阵作为所述填充处理的对象。
3.根据权利要求1所述的方法,在对待填充图像进行轮廓检测之前,所述方法还包括:
将目标图像中的目标区域去除,得到待填充图像,所述待填充图像中缺失的区域为待填充区域。
4.根据权利要求1所述的方法,其中,
所述补全后的轮廓边缘图中包括所述待填充图像中缺失部分的实例的轮廓信息;
所述基于所述补全后的轮廓边缘图,对所述待填充图像进行填充处理,包括:
基于所述补全后的轮廓边缘图中的所述缺失部分的实例的轮廓信息,对所述待填充图像进行填充处理。
5.一种图像填充装置,包括:
轮廓检测模块,用于对待填充图像中的实例进行轮廓检测,获得所述待填充图像中的实例的轮廓边缘图,所述轮廓边缘图中包括至少一个缺失区域,其中,所述轮廓检测模块是利用第一类训练数据对神经网络进行训练而生成的,所述第一类训练数据包括:待填充图像和对应的轮廓边缘图;
轮廓补全模块,基于第一掩模,由对所述轮廓边缘图进行轮廓补全处理,得到补全后的轮廓边缘图,其中所述第一掩模的感兴趣区域对应于所述至少一个缺失区域,其中,所述轮廓补全模块是利用第二类训练数据对神经网络进行训练而生成的,所述第二类训练数据包括:有缺失的轮廓边缘图和对应的补全后的轮廓边缘图;
图像填充模块,用于基于所述补全后的轮廓边缘图,由对所述待填充图像进行填充处理,得到填充后的图像,其中,所述图像填充模块是利用第三类训练数据对神经网络进行训练而生成的,所述第三类训练数据包括:待填充图像与补全后的轮廓边缘图的拼接矩阵和对应的填充后的图像。
6.根据权利要求5所述的装置,其中,
所述补全后的轮廓边缘图与所述待填充图像各自对应矩阵的长宽维度相同,且图像通道数不同;
所述装置还包括:
拼接模块,用于对所述补全后的轮廓边缘图的矩阵与所述待填充图像的矩阵在通道维度上进行拼接,并将拼接后的矩阵发送给所述图像填充模块。
7.根据权利要求5所述的装置,还包括:
预处理模块,用于在所述轮廓检测模块进行轮廓检测之前,将目标图像中的目标区域去除,得到待填充图像,所述待填充图像中缺失的区域为待填充区域。
8.根据权利要求5所述的装置,其中,
所述补全后的轮廓边缘图中包括所述待填充图像中缺失部分的实例的轮廓信息;
所述图像填充模块用于基于所述补全后的轮廓边缘图中的所述缺失部分的实例的轮廓信息,对所述待填充图像进行填充处理。
9.一种电子设备,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至4中任一项所述的方法。
10.一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至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612374.4A CN111768468B (zh) | 2020-06-30 | 2020-06-30 | 图像填充方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010612374.4A CN111768468B (zh) | 2020-06-30 | 2020-06-30 | 图像填充方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111768468A CN111768468A (zh) | 2020-10-13 |
CN111768468B true CN111768468B (zh) | 2023-08-04 |
Family
ID=72724152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010612374.4A Active CN111768468B (zh) | 2020-06-30 | 2020-06-30 | 图像填充方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111768468B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215864B (zh) * | 2020-11-05 | 2022-08-30 | 腾讯科技(深圳)有限公司 | 电子地图的轮廓处理方法、装置及电子设备 |
CN112927319B (zh) * | 2021-02-25 | 2023-10-03 | 北京百度网讯科技有限公司 | 模型训练方法、图像处理方法、装置、设备及存储介质 |
CN112967356A (zh) * | 2021-03-05 | 2021-06-15 | 北京百度网讯科技有限公司 | 图像填充方法及装置、电子设备和介质 |
CN115205161B (zh) * | 2022-08-18 | 2023-02-21 | 荣耀终端有限公司 | 一种图像处理方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507216A (zh) * | 2017-08-17 | 2017-12-22 | 北京觅己科技有限公司 | 图像中局部区域的替换方法、装置及存储介质 |
CN108898647A (zh) * | 2018-06-27 | 2018-11-27 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置、移动终端以及存储介质 |
CN109146772A (zh) * | 2018-08-03 | 2019-01-04 | 深圳市飘飘宝贝有限公司 | 一种图片处理方法、终端和计算机可读存储介质 |
CN110910322A (zh) * | 2019-11-05 | 2020-03-24 | 北京奇艺世纪科技有限公司 | 图片处理方法、装置、电子设备及计算机可读存储介质 |
CN111340030A (zh) * | 2020-02-14 | 2020-06-26 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100698845B1 (ko) * | 2005-12-28 | 2007-03-22 | 삼성전자주식회사 | 인물 외형 추출 알고리즘을 이용한 영상 편집 방법 및 그장치 |
-
2020
- 2020-06-30 CN CN202010612374.4A patent/CN111768468B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507216A (zh) * | 2017-08-17 | 2017-12-22 | 北京觅己科技有限公司 | 图像中局部区域的替换方法、装置及存储介质 |
CN108898647A (zh) * | 2018-06-27 | 2018-11-27 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置、移动终端以及存储介质 |
CN109146772A (zh) * | 2018-08-03 | 2019-01-04 | 深圳市飘飘宝贝有限公司 | 一种图片处理方法、终端和计算机可读存储介质 |
CN110910322A (zh) * | 2019-11-05 | 2020-03-24 | 北京奇艺世纪科技有限公司 | 图片处理方法、装置、电子设备及计算机可读存储介质 |
CN111340030A (zh) * | 2020-02-14 | 2020-06-26 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
基于类别概率反向传播机制的弱监督语义分割;李良御;;电气技术(第04期);全文 * |
完全基于边缘信息的快速图像分割算法;钮圣;王盛;杨晶晶;陈更生;;计算机辅助设计与图形学学报(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111768468A (zh) | 2020-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768468B (zh) | 图像填充方法、装置、设备及存储介质 | |
US11880977B2 (en) | Interactive image matting using neural networks | |
US10311552B2 (en) | De-noising images using machine learning | |
CN111488925B (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
CN111783647A (zh) | 人脸融合模型的训练方法、人脸融合方法、装置及设备 | |
CN111767858B (zh) | 图像识别方法、装置、设备和计算机存储介质 | |
CN111754481B (zh) | 眼底图像识别方法、装置、设备以及存储介质 | |
CN111709873B (zh) | 图像转换模型生成器的训练方法和装置 | |
CN112634282B (zh) | 图像处理方法、装置以及电子设备 | |
US11748986B2 (en) | Method and apparatus for recognizing key identifier in video, device and storage medium | |
CN111340905B (zh) | 图像风格化方法、装置、设备和介质 | |
CN111968203B (zh) | 动画驱动方法、装置、电子设备及存储介质 | |
US11983849B2 (en) | Image filling method and apparatus, device, and storage medium | |
US11704811B2 (en) | Method and apparatus for generating background-free image, device, and medium | |
CN111768356A (zh) | 一种人脸图像融合方法、装置、电子设备及存储介质 | |
Zou et al. | Virtual restoration of the colored paintings on weathered beams in the Forbidden City using multiple deep learning algorithms | |
CN111754431B (zh) | 一种图像区域替换方法、装置、设备及存储介质 | |
CN112308051A (zh) | 文本框检测方法、装置、电子设备和计算机存储介质 | |
CN111523467B (zh) | 人脸跟踪方法和装置 | |
CN111768467B (zh) | 图像填充方法、装置、设备及存储介质 | |
CN111784799B (zh) | 图像填充方法、装置、设备及存储介质 | |
CN112508027B (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
CN116363249A (zh) | 可控图像生成方法、装置及电子设备 | |
CN111738913A (zh) | 视频填充方法、装置、设备及存储介质 | |
CN112990201A (zh) | 文本框检测方法、装置、电子设备和计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |