CN111784567B - 用于转换图像的方法、装置、电子设备和计算机可读介质 - Google Patents
用于转换图像的方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN111784567B CN111784567B CN202010630441.5A CN202010630441A CN111784567B CN 111784567 B CN111784567 B CN 111784567B CN 202010630441 A CN202010630441 A CN 202010630441A CN 111784567 B CN111784567 B CN 111784567B
- Authority
- CN
- China
- Prior art keywords
- image
- type
- processed
- network
- sample
- 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 64
- 238000006243 chemical reaction Methods 0.000 claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 50
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003707 image sharpening Methods 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008676 import Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于转换图像的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取待处理图像和对应上述待处理图像的类型转换信息,上述类型转换信息用于指示将上述待处理图像转换为指定类型图像;基于上述类型转换信息从上述待处理图像中提取图像特征;对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。该实施方式提高了获取转换图像的质量,加快了转换图像的效率,有利于实现对图像的实时转换。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于转换图像的方法、装置、电子设备和计算机可读介质。
背景技术
随着科技的发展,用户可以通过各种技术对图像进行处理,以达到特定的效果。例如,用户可以通过各种应用实现美颜效果、复古效果、卡通化效果等。
现有技术中,通常采用传统图像算法或深度学习图像算法来对图像进行处理。其中,传统图像算法通常使用保边滤波或图像平滑方法去除图片中的细节,获得类似卡通动画的稀疏质感。同时使用边缘提取器提取图像边缘轮廓,并贴回提取出的平滑图像,模仿卡通图像的描边。基于此方法的卡通画算法速度较快,但效果较差,无法满足现实使用场景。深度学习图像算法效果比传统算法更接近动画效果,但该方法存在较多失败样例,且因为网络参数多,计算量大,计算速度慢,无法满足实时性需求。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于转换图像的方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种用于转换图像的方法,该方法包括:获取待处理图像和对应上述待处理图像的类型转换信息,上述类型转换信息用于指示将上述待处理图像转换为指定类型图像;基于上述类型转换信息从上述待处理图像中提取图像特征;对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。
第二方面,本公开的一些实施例提供了一种用于转换图像的装置,该装置包括:信息获取单元,被配置成获取待处理图像和对应上述待处理图像的类型转换信息,上述类型转换信息用于指示将上述待处理图像转换为指定类型图像;特征提取单元,被配置成基于上述类型转换信息从上述待处理图像中提取图像特征;图像转换单元,被配置成对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储器,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述第一方面的用于转换图像的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,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上述第一方面的用于转换图像的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先获取待处理图像和对应上述待处理图像的类型转换信息;然后基于上述类型转换信息从上述待处理图像中提取图像特征,提高了获取图像特征的针对性和有效性,有利于缩短转换图像的时间,加快转换图像的过程;最后对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。如此,提高了获取转换图像的质量,加快了转换图像的效率,有利于实现对图像的实时转换。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的一些实施例的用于转换图像的方法的一个应用场景的示意图;
图2是根据本公开的用于转换图像的方法的一个实施例的流程图;
图3是根据本公开的用于转换图像的方法的另一个实施例的流程图;
图4是根据本公开的用于转换图像的方法的又一个实施例的流程图;
图5是根据本公开的用于转换图像的装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的用于转换图像的方法的一个应用场景的示意图。
用户可以通过终端设备101采集一张图像。其中,图像可以没有被终端设备101进行图像处理(即写实图像),也可以被终端设备101进行图像处理。用户通过终端设备101将图像和内容为卡通图像的类型转换信息一同发送给服务器102。其中,类型转换信息为用户想要获取图像类型(即图像风格)。服务器102获取到图像和类型转换信息后,根据类型转换信息从图像中提取图片表面特征、图片轮廓特征和图片纹理特征。之后,服务器102根据图像和提取到的各个特征对图像进行处理,得到对应该图像的卡通类型图像。最后,服务器102可以将该卡通类型图像发送给终端设备101。
继续参考图2,示出了根据本公开的用于转换图像的方法的一些实施例的流程200。该用于转换图像的方法,包括以下步骤:
步骤201,获取待处理图像和对应上述待处理图像的类型转换信息。
在一些实施例中,用于转换图像的方法的执行主体(例如图1所示的服务器102)可以通过有线连接方式或者无线连接方式从终端设备获取待处理图像和对应待处理图像的类型转换信息。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
用户通过终端设备向执行主体发送待处理图像和对应待处理图像的类型转换信息。其中,上述类型转换信息可以用于指示将上述待处理图像转换为指定类型图像。指定类型图像可以是卡通类型图像、抽象类型图像、水墨类型图像、写实类型图像等,具体根据实际需要而定。例如,用户拍摄到某一建筑物图像,该建筑物图像未经图像处理,可以认为是写实类型图像。用户为该建筑物图像设置的类型转换信息可以为卡通类型图像。即,用户需要执行主体将该建筑物图像的图像类型(或图像风格)由写实类型转换为卡通类型。
步骤202,基于上述类型转换信息从上述待处理图像中提取图像特征。
不同类型图像具有不同的图像特征。为此,执行主体可以根据类型转换信息从上述待处理图像中提取出图像特征。即,此处的图像特征即为需要转换为指定类型图像所需要的信息。
步骤203,对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。
得到图像特征后,执行主体可以基于图像特征对待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。例如,执行主体可以对图像特征进行模糊、锐化、调整对比度等处理,并将处理后的图像特征添加至上述待处理图像上,从而得到目标指定类型图像。执行主体还可以根据预先建立的图像特征转换表,直接将图像特征转换为指定类型图像需要的特征,并将该特征添加到待处理图像,进而得到目标指定类型图像。根据实际需要,执行主体还可以通过其他方式对图像特征和待处理图像进行图像处理,以得到目标指定类型图像。如此,提高了获取转换图像的质量,加快了转换图像的效率,有利于实现对图像的实时转换。
在一些实施例的一些可选的实现方式中,上述对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像,包括:将上述图像特征和待处理图像导入预先训练的图像类型转换模型,得到对应上述待处理图像的目标指定类型图像。
执行主体可以将上述图像特征和待处理图像导入预先训练的图像类型转换模型,得到对应上述待处理图像的目标指定类型图像。其中,上述图像类型转换模型可以用于表征输入的上述图像特征和待处理图像与输出的目标指定类型图像之间的对应关系。
继续参考图3,示出了根据本公开的图像类型转换模型的训练方法的一些实施例的流程300。该图像类型转换模型的训练方法,包括以下步骤:
步骤301,获取多个样本图像组合和与上述多个样本图像组合中的每个样本图像组合对应的样本指定类型图像。
在本实施例中,用于生成模型的方法的执行主体(例如图1所示的服务器102)可以通过有线连接方式或者无线连接方式从远程或者从本地获取多个样本图像组合和与上述多个样本图像组合中的每个样本图像组合对应的样本指定类型图像。其中,上述样本图像组合包括样本图像和样本图像特征,上述样本图像特征为上述样本图像中的、对应上述样本指定类型图像的特征信息。样本指定类型图像可以是技术人员根据经验,或基于样本图像特征对样本图像进行处理后得到的。
步骤302,提取预先建立的生成式对抗网络。
在本实施例中,上述执行主体可以提取预先建立的生成式对抗网络(GenerativeAdversarial Nets,GAN)。其中,生成式对抗网络包括生成网络和判别网络,生成网络可以用于利用所输入的样本图像组合生成指定类型图像,判别网络可以用于确定输入上述判别网络的图像是否是生成网络输出的图像。
需要说明的是,上述生成网络可以是用于进行图像处理的卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构)。上述判别网络可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构,其中,上述全连接层可以实现分类功能)。此外,上述判别网络也可以是用于实现分类功能的其他模型结构,例如支持向量机(Support Vector Machine,SVM)。示例性的,判别网络若判定输入的图像是上述生成网络所输出的图像(来自生成数据),则可以输出1;若判定输入的图像不是上述生成网络所输出的图像(来自真实数据,即上述样本非结构光图像),则可以输出0。需要说明的是,判别网络也可以输出其他数值,例如输出0-1之间的数值,该数值表征输入判别网络的图像来自真实数据的概率。
步骤303,利用机器学习方法,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型。
在本实施例中,基于步骤302提取的生成式对抗网络,上述执行主体可以利用机器学习方法,将多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,对生成网络和判别网络进行训练。然后,将训练后的生成网络确定为非结构光图像生成模型。
具体地,可以首先固定生成网络和判别网络中的任一网络(可称为第一网络)的参数,对未固定参数的网络(可称为第二网络)进行优化;再固定第二网络的参数,对第一网络进行改进。不断进行上述迭代,使判别网络无法区分输入的图像是否是生成网络所生成的,直至参数最终收敛。此时,上述生成网络所生成的图像与样本指定类型图像接近,上述判别网络无法准确区分真实数据和生成数据(即判别准确率接近50%),可以将此时的生成网络确定为图像生成模型。
在一些实施例的一些可选的实现方式中,上述对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型,可以包括:
第一步,执行主体可以固定生成网络的参数,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,利用机器学习方法对判别网络进行训练。
第二步,执行主体固定训练后的判别网络的参数,可以将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,利用机器学习方法、反向传播算法和梯度下降算法对生成网络进行训练。应当理解,上述机器学习方法、反向传播算法和梯度下降算法是目前广泛研究和应用的公知技术,在此不再赘述。
第三步,执行主体确定训练后的判别网络输出的判别结果的准确率,响应于确定准确率处于预设数值范围内(例如45%-55%),将最近一次训练的生成网络确定为图像类型转换模型。
在一些实施例的一些可选的实现方式中,上述对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型,可以包括:响应于确定准确率处于预设数值范围外(例如45%-55%),使用最近一次训练的生成网络和判别网络重新执行上述训练步骤。由此,生成式对抗网络训练得到的图像类型转换模型的参数不仅可以基于训练样本得到,且可以基于判别网络的反向传播而确定,不需要依赖大量的有标注的样本即可实现生成模型的训练,从而得到指定类型图像的转换模型,减少了人力成本,提高了图像处理的灵活性。
继续参考图4,示出了根据本公开的用于转换图像的方法的一些实施例的流程400。该用于转换图像的方法,包括以下步骤:
步骤401,获取待处理图像和对应上述待处理图像的类型转换信息。
其中,上述类型转换信息包括对应上述待处理图像的第一类型信息和对应上述指定类型图像的第二类型信息。即,第一类型信息用于表征待处理图像的图像类型。第二类型信息用于表征指定类型图像的图像类型。
步骤401的内容与步骤201的内容相同,此处不再一一赘述。
步骤402,响应于上述第一类型信息为写实类型信息、上述第二类型信息为卡通类型信息,从上述待处理图像中提取目标图像特征。
当用户通过终端设备上的镜头直接获取图像时,可以认为该图像为写实图像,对应的第一类型信息为写实类型信息。用户需要将该写实图像转换为卡通风格图像时,第二类型信息就为卡通类型信息。为此,执行主体可以上述待处理图像中提取目标图像特征。其中,上述目标图像特征可以包括以下至少一项:图片表面特征、图片轮廓特征、图片纹理特征。可见,目标图像特征是根据第二类型信息来确定的。
步骤403,将上述目标图像特征和待处理图像导入上述图像类型转换模型,得到对应上述待处理图像的初始指定类型图像。
执行主体可以将目标图像特征和待处理图像导入图3对应的图像类型转换模型,得到对应上述待处理图像的初始指定类型图像。即,初始指定类型图像为图像类型转换模型直接对目标图像特征和待处理图像进行处理后得到的图像。
步骤404,通过指定方法对上述初始指定类型图像进行图像处理,得到上述目标指定类型图像。
为了进一步提高图像质量,执行主体还可以通过指定方法对初始指定类型图像进一步进行图像处理,得到上述目标指定类型图像。其中,上述指定方法可以包括以下至少一项:导向滤波、图像锐化等。其中,导向滤波、图像锐化属于对图像的常规操作,此处不再一一赘述。
如此,提高了获取目标指定类型图像的图像效果,且数据处理过程简单,耗时少,有利于实现对图像的实时转换。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于转换图像的装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的用于转换图像的装置500包括:信息获取单元501、特征提取单元502和图像转换单元503。其中,信息获取单元501,被配置成获取待处理图像和对应上述待处理图像的类型转换信息,上述类型转换信息用于指示将上述待处理图像转换为指定类型图像;特征提取单元502,被配置成基于上述类型转换信息从上述待处理图像中提取图像特征;图像转换单元503,被配置成对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。
在一些实施例的可选实现方式中,上述图像转换单元503可以包括:图像转换子单元(图中未示出),被配置成将上述图像特征和待处理图像导入预先训练的图像类型转换模型,得到对应上述待处理图像的目标指定类型图像,上述图像类型转换模型用于表征输入的上述图像特征和待处理图像与输出的目标指定类型图像之间的对应关系。
在一些实施例的可选实现方式中,上述用于转换图像的装置500可以包括图像类型转换模型训练单元(图中未示出),被配置成训练图像类型转换模型,上述图像类型转换模型训练单元可以包括:样本获取子单元(图中未示出)、提取单元(图中未示出)和训练子单元(图中未示出)。其中,样本获取子单元,被配置成获取多个样本图像组合和与上述多个样本图像组合中的每个样本图像组合对应的样本指定类型图像,其中,上述样本图像组合包括样本图像和样本图像特征,上述样本图像特征为上述样本图像中的、对应上述样本指定类型图像的特征信息;提取单元,被配置成提取预先建立的生成式对抗网络,其中,上述生成式对抗网络包括生成网络和判别网络,生成网络用于利用所输入的样本图像组合生成指定类型图像,判别网络用于确定输入上述判别网络的图像是否是生成网络输出的图像;训练子单元,被配置成利用机器学习方法,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型。
在一些实施例的可选实现方式中,上述训练子单元可以包括:训练模块(图中未示出),被配置成执行如下训练步骤:固定生成网络的参数,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,利用机器学习方法对判别网络进行训练;固定训练后的判别网络的参数,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,利用机器学习方法、反向传播算法和梯度下降算法对生成网络进行训练;确定训练后的判别网络输出的判别结果的准确率,响应于确定准确率处于预设数值范围内,将最近一次训练的生成网络确定为图像类型转换模型。
在一些实施例的可选实现方式中,上述训练子单元还可以包括:确定模块(图中未示出),响应于确定准确率处于预设数值范围外,被配置成使用最近一次训练的生成网络和判别网络重新执行上述训练步骤。
在一些实施例的可选实现方式中,上述类型转换信息包括对应上述待处理图像的第一类型信息和对应上述指定类型图像的第二类型信息,以及,上述特征提取单元包括:特征提取子单元(图中未示出),响应于上述第一类型信息为写实类型信息、上述第二类型信息为卡通类型信息,被配置成从上述待处理图像中提取目标图像特征,上述目标图像特征包括以下至少一项:图片表面特征、图片轮廓特征、图片纹理特征。
在一些实施例的可选实现方式中,上述图像转换单元503可以包括:初始图像获取子单元(图中未示出)和目标图像获取子单元(图中未示出)。其中,初始图像获取子单元,被配置成将上述目标图像特征和待处理图像导入上述图像类型转换模型,得到对应上述待处理图像的初始指定类型图像;目标图像获取子单元,被配置成通过指定方法对上述初始指定类型图像进行图像处理,得到上述目标指定类型图像,其中,上述指定方法包括以下至少一项:导向滤波、图像锐化。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待处理图像和对应上述待处理图像的类型转换信息,上述类型转换信息用于指示将上述待处理图像转换为指定类型图像;基于上述类型转换信息从上述待处理图像中提取图像特征;对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括信息获取单元、特征提取单元和图像转换单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,图像转换单元还可以被描述为“用于将待处理图像转换为指定类型图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种用于转换图像的方法,包括获取待处理图像和对应上述待处理图像的类型转换信息,上述类型转换信息用于指示将上述待处理图像转换为指定类型图像;基于上述类型转换信息从上述待处理图像中提取图像特征;对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。
根据本公开的一个或多个实施例,上述对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像,包括:将上述图像特征和待处理图像导入预先训练的图像类型转换模型,得到对应上述待处理图像的目标指定类型图像,上述图像类型转换模型用于表征输入的上述图像特征和待处理图像与输出的目标指定类型图像之间的对应关系。
根据本公开的一个或多个实施例,上述图像类型转换模型通过以下步骤训练得到:获取多个样本图像组合和与上述多个样本图像组合中的每个样本图像组合对应的样本指定类型图像,其中,上述样本图像组合包括样本图像和样本图像特征,上述样本图像特征为上述样本图像中的、对应上述样本指定类型图像的特征信息;提取预先建立的生成式对抗网络,其中,上述生成式对抗网络包括生成网络和判别网络,生成网络用于利用所输入的样本图像组合生成指定类型图像,判别网络用于确定输入上述判别网络的图像是否是生成网络输出的图像;利用机器学习方法,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型。
根据本公开的一个或多个实施例,上述对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型,包括:执行如下训练步骤:固定生成网络的参数,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,利用机器学习方法对判别网络进行训练;固定训练后的判别网络的参数,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,利用机器学习方法、反向传播算法和梯度下降算法对生成网络进行训练;确定训练后的判别网络输出的判别结果的准确率,响应于确定准确率处于预设数值范围内,将最近一次训练的生成网络确定为图像类型转换模型。
根据本公开的一个或多个实施例,上述对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型,还包括:响应于确定准确率处于预设数值范围外,使用最近一次训练的生成网络和判别网络重新执行上述训练步骤。
根据本公开的一个或多个实施例,上述类型转换信息包括对应上述待处理图像的第一类型信息和对应上述指定类型图像的第二类型信息,以及,上述基于上述类型转换信息从上述待处理图像中提取图像特征,包括;响应于上述第一类型信息为写实类型信息、上述第二类型信息为卡通类型信息,从上述待处理图像中提取目标图像特征,上述目标图像特征包括以下至少一项:图片表面特征、图片轮廓特征、图片纹理特征。
根据本公开的一个或多个实施例,上述对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像,包括:将上述目标图像特征和待处理图像导入上述图像类型转换模型,得到对应上述待处理图像的初始指定类型图像;通过指定方法对上述初始指定类型图像进行图像处理,得到上述目标指定类型图像,其中,上述指定方法包括以下至少一项:导向滤波、图像锐化。
根据本公开的一个或多个实施例,提供了一种用于转换图像的装置,包括信息获取单元,被配置成获取待处理图像和对应上述待处理图像的类型转换信息,上述类型转换信息用于指示将上述待处理图像转换为指定类型图像;特征提取单元,被配置成基于上述类型转换信息从上述待处理图像中提取图像特征;图像转换单元,被配置成对上述图像特征和待处理图像进行图像处理,得到对应上述待处理图像的目标指定类型图像。
根据本公开的一个或多个实施例,上述图像转换单元包括:图像转换子单元,被配置成将上述图像特征和待处理图像导入预先训练的图像类型转换模型,得到对应上述待处理图像的目标指定类型图像,上述图像类型转换模型用于表征输入的上述图像特征和待处理图像与输出的目标指定类型图像之间的对应关系。
根据本公开的一个或多个实施例,上述装置包括图像类型转换模型训练单元,被配置成训练图像类型转换模型,上述图像类型转换模型训练单元包括:样本获取子单元,被配置成获取多个样本图像组合和与上述多个样本图像组合中的每个样本图像组合对应的样本指定类型图像,其中,上述样本图像组合包括样本图像和样本图像特征,上述样本图像特征为上述样本图像中的、对应上述样本指定类型图像的特征信息;提取单元,被配置成提取预先建立的生成式对抗网络,其中,上述生成式对抗网络包括生成网络和判别网络,生成网络用于利用所输入的样本图像组合生成指定类型图像,判别网络用于确定输入上述判别网络的图像是否是生成网络输出的图像;训练子单元,被配置成利用机器学习方法,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型。
根据本公开的一个或多个实施例,上述训练子单元包括:训练模块,被配置成执行如下训练步骤:固定生成网络的参数,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,利用机器学习方法对判别网络进行训练;固定训练后的判别网络的参数,将上述多个样本图像组合中的每个样本图像组合作为生成网络的输入,利用机器学习方法、反向传播算法和梯度下降算法对生成网络进行训练;确定训练后的判别网络输出的判别结果的准确率,响应于确定准确率处于预设数值范围内,将最近一次训练的生成网络确定为图像类型转换模型。
根据本公开的一个或多个实施例,上述训练子单元还包括:确定模块,响应于确定准确率处于预设数值范围外,被配置成使用最近一次训练的生成网络和判别网络重新执行上述训练步骤。
根据本公开的一个或多个实施例,上述类型转换信息包括对应上述待处理图像的第一类型信息和对应上述指定类型图像的第二类型信息,以及,上述特征提取单元包括;特征提取子单元,响应于上述第一类型信息为写实类型信息、上述第二类型信息为卡通类型信息,被配置成从上述待处理图像中提取目标图像特征,上述目标图像特征包括以下至少一项:图片表面特征、图片轮廓特征、图片纹理特征。
根据本公开的一个或多个实施例,上述图像转换单元包括:初始图像获取子单元,被配置成将上述目标图像特征和待处理图像导入上述图像类型转换模型,得到对应上述待处理图像的初始指定类型图像;目标图像获取子单元,被配置成通过指定方法对上述初始指定类型图像进行图像处理,得到上述目标指定类型图像,其中,上述指定方法包括以下至少一项:导向滤波、图像锐化。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种用于转换图像的方法,包括:
获取待处理图像和对应所述待处理图像的类型转换信息,所述类型转换信息用于指示将所述待处理图像转换为指定类型图像;
基于所述类型转换信息从所述待处理图像中提取图像特征,其中,所述图像特征为所述待处理图像中的转换为指定类型图像所需要的信息,所述图像特征包括以下至少一项:图片表面特征、图片轮廓特征和图片纹理特征;
对所述图像特征和待处理图像进行图像处理,得到对应所述待处理图像的目标指定类型图像;
其中,所述类型转换信息包括对应所述待处理图像的第一类型信息和对应所述指定类型图像的第二类型信息,以及
所述基于所述类型转换信息从所述待处理图像中提取图像特征,包括:
响应于所述第一类型信息为写实类型信息、所述第二类型信息为卡通类型信息,从所述待处理图像中提取图像特征;
其中,所述对所述图像特征和待处理图像进行图像处理,得到对应所述待处理图像的目标指定类型图像,包括:
将所述图像特征和待处理图像导入图像类型转换模型,得到对应所述待处理图像的初始指定类型图像;
通过指定方法对所述初始指定类型图像进行图像处理,得到所述目标指定类型图像,其中,所述指定方法包括以下至少一项:导向滤波、图像锐化;或
所述对所述图像特征和待处理图像进行图像处理,得到对应所述待处理图像的目标指定类型图像,包括:
对所述图像特征进行处理,并将处理后的图像特征添加至上述待处理图像上,得到对应所述待处理图像的目标指定类型图像,其中,所述处理包括以下至少一项:模糊、锐化和调整对比度。
2.根据权利要求1所述的方法,其中,所述图像类型转换模型用于表征输入的所述图像特征和待处理图像与输出的目标指定类型图像之间的对应关系。
3.根据权利要求2所述的方法,其中,所述图像类型转换模型通过以下步骤训练得到:
获取多个样本图像组合和与所述多个样本图像组合中的每个样本图像组合对应的样本指定类型图像,其中,所述样本图像组合包括样本图像和样本图像特征,所述样本图像特征为所述样本图像中的、对应所述样本指定类型图像的特征信息;
提取预先建立的生成式对抗网络,其中,所述生成式对抗网络包括生成网络和判别网络,生成网络用于利用所输入的样本图像组合生成指定类型图像,判别网络用于确定输入所述判别网络的图像是否是生成网络输出的图像;
利用机器学习方法,将所述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型。
4.根据权利要求3所述的方法,其中,所述对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型,包括:
执行如下训练步骤:固定生成网络的参数,将所述多个样本图像组合中的每个样本图像组合作为生成网络的输入,将生成网络输出的图像和输入生成网络的样本图像组合对应的样本指定类型图像作为判别网络的输入,利用机器学习方法对判别网络进行训练;固定训练后的判别网络的参数,将所述多个样本图像组合中的每个样本图像组合作为生成网络的输入,利用机器学习方法、反向传播算法和梯度下降算法对生成网络进行训练;确定训练后的判别网络输出的判别结果的准确率,响应于确定准确率处于预设数值范围内,将最近一次训练的生成网络确定为图像类型转换模型。
5.根据权利要求4所述的方法,其中,所述对生成网络和判别网络进行训练,将训练后的生成网络确定为图像类型转换模型,还包括:
响应于确定准确率处于预设数值范围外,使用最近一次训练的生成网络和判别网络重新执行所述训练步骤。
6.一种用于转换图像的装置,包括:
信息获取单元,被配置成获取待处理图像和对应所述待处理图像的类型转换信息,所述类型转换信息用于指示将所述待处理图像转换为指定类型图像;
特征提取单元,被配置成基于所述类型转换信息从所述待处理图像中提取图像特征,其中,所述图像特征为所述待处理图像中的转换为指定类型图像所需要的信息,所述图像特征包括以下至少一项:图片表面特征、图片轮廓特征和图片纹理特征;
图像转换单元,被配置成对所述图像特征和待处理图像进行图像处理,得到对应所述待处理图像的目标指定类型图像;
其中,所述类型转换信息包括对应所述待处理图像的第一类型信息和对应所述指定类型图像的第二类型信息,以及所述特征提取单元,被配置成:
响应于所述第一类型信息为写实类型信息、所述第二类型信息为卡通类型信息,从所述待处理图像中提取图像特征;
其中,所述图像转换单元,被配置成:
将所述图像特征和待处理图像导入图像类型转换模型,得到对应所述待处理图像的初始指定类型图像;
通过指定方法对所述初始指定类型图像进行图像处理,得到所述目标指定类型图像,其中,所述指定方法包括以下至少一项:导向滤波、图像锐化;或
所述图像转换单元,被配置成:
对所述图像特征进行处理,并将处理后的图像特征添加至上述待处理图像上,得到对应所述待处理图像的目标指定类型图像,其中,所述处理包括以下至少一项:模糊、锐化和调整对比度。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630441.5A CN111784567B (zh) | 2020-07-03 | 2020-07-03 | 用于转换图像的方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630441.5A CN111784567B (zh) | 2020-07-03 | 2020-07-03 | 用于转换图像的方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784567A CN111784567A (zh) | 2020-10-16 |
CN111784567B true CN111784567B (zh) | 2023-04-28 |
Family
ID=72758173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630441.5A Active CN111784567B (zh) | 2020-07-03 | 2020-07-03 | 用于转换图像的方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784567B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331820A (zh) * | 2021-12-29 | 2022-04-12 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685749A (zh) * | 2018-09-25 | 2019-04-26 | 平安科技(深圳)有限公司 | 图像风格转换方法、装置、设备和计算机存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135574A (zh) * | 2018-02-09 | 2019-08-16 | 北京世纪好未来教育科技有限公司 | 神经网络训练方法、图像生成方法及计算机存储介质 |
CN108460761A (zh) * | 2018-03-12 | 2018-08-28 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN109816589B (zh) * | 2019-01-30 | 2020-07-17 | 北京字节跳动网络技术有限公司 | 用于生成漫画风格转换模型的方法和装置 |
US11625576B2 (en) * | 2019-11-15 | 2023-04-11 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image style transformation |
CN111242844B (zh) * | 2020-01-19 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器和存储介质 |
-
2020
- 2020-07-03 CN CN202010630441.5A patent/CN111784567B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685749A (zh) * | 2018-09-25 | 2019-04-26 | 平安科技(深圳)有限公司 | 图像风格转换方法、装置、设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111784567A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764487B (zh) | 用于生成模型的方法和装置、用于识别信息的方法和装置 | |
CN109816589B (zh) | 用于生成漫画风格转换模型的方法和装置 | |
CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
CN108520220B (zh) | 模型生成方法和装置 | |
WO2020000879A1 (zh) | 图像识别方法和装置 | |
CN111476871B (zh) | 用于生成视频的方法和装置 | |
WO2019242222A1 (zh) | 用于生成信息的方法和装置 | |
CN110009059B (zh) | 用于生成模型的方法和装置 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN109981787B (zh) | 用于展示信息的方法和装置 | |
CN111462728A (zh) | 用于生成语音的方法、装置、电子设备和计算机可读介质 | |
WO2020029608A1 (zh) | 用于检测电极片毛刺的方法和装置 | |
CN111354345B (zh) | 生成语音模型和语音识别的方法、装置、设备以及介质 | |
CN110084317B (zh) | 用于识别图像的方法和装置 | |
WO2020093724A1 (zh) | 生成信息的方法和装置 | |
CN112434620B (zh) | 场景文字识别方法、装置、设备和计算机可读介质 | |
CN113505848A (zh) | 模型训练方法和装置 | |
CN111462727A (zh) | 用于生成语音的方法、装置、电子设备和计算机可读介质 | |
CN114372586A (zh) | 基于联合学习的物联网数据服务方法、装置、设备和介质 | |
CN111784567B (zh) | 用于转换图像的方法、装置、电子设备和计算机可读介质 | |
CN115731341A (zh) | 三维人头重建方法、装置、设备及介质 | |
CN111862081B (zh) | 图像评分方法、分数预测网络的训练方法、装置 | |
CN113468344A (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
CN110335237B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN111062914A (zh) | 用于采集脸部图像的方法、装置、电子设备和计算机可读介质 |
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 |