CN113012185A - 图像处理方法、装置、计算机设备和存储介质 - Google Patents

图像处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113012185A
CN113012185A CN202110323566.8A CN202110323566A CN113012185A CN 113012185 A CN113012185 A CN 113012185A CN 202110323566 A CN202110323566 A CN 202110323566A CN 113012185 A CN113012185 A CN 113012185A
Authority
CN
China
Prior art keywords
image
target
edge
brightness
luminance
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
Application number
CN202110323566.8A
Other languages
English (en)
Other versions
CN113012185B (zh
Inventor
谢朝毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Insta360 Innovation Technology Co Ltd
Original Assignee
Insta360 Innovation Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Insta360 Innovation Technology Co Ltd filed Critical Insta360 Innovation Technology Co Ltd
Priority to CN202110323566.8A priority Critical patent/CN113012185B/zh
Publication of CN113012185A publication Critical patent/CN113012185A/zh
Priority to PCT/CN2022/082309 priority patent/WO2022199583A1/zh
Application granted granted Critical
Publication of CN113012185B publication Critical patent/CN113012185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：获取待进行风格变换的目标图像；获取所述目标图像对应的亮度通道图像；获取所述目标图像对应的目标边缘图像；对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像；获取所述目标图像对应的颜色通道图像，基于所述融合图像以及所述颜色通道图像得到所述目标图像对应的风格变换后的图像。采用本方法能够提高图像处理效果。

Description

图像处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机视觉技术领域，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。
背景技术
随着计算机视觉技术的发展，出现了图像处理技术，图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域涉及人类生活和工作的方方面面，包括航天和航空技术、生物医学工程、通信工程、工业和工程、军事和公安、文化与艺术等方面。随着图像处理技术的发展，用户对图像的风格也有了更多的要求。例如，漫画风格的图像，作为一种广为流传的艺术表现形式，受到越来越多人的喜欢。
然而，目前的图像处理方法对图像进行处理，存在图像处理效果差的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高图像处理效果的图像处理方法、装置、计算机设备和存储介质。
一种图像处理方法，所述方法包括：获取待进行风格变换的目标图像；获取所述目标图像对应的亮度通道图像；获取所述目标图像对应的目标边缘图像；对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像；获取所述目标图像对应的颜色通道图像，基于所述融合图像以及所述颜色通道图像得到所述目标图像对应的风格变换后的图像。
在其中一个实施例中，所述对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像包括：将所述亮度通道图像中各个像素点对应的亮度值进行排序，得到亮度值序列；对所述亮度值序列进行切分，得到各个亮度值范围对应的子序列；获取所述子序列对应的亮度值范围所对应的目标量化亮度值，将所述目标量化亮度值作为所述亮度通道图像中所述子序列对应的像素点的亮度值，得到量化图像。
在其中一个实施例中，所述获取所述子序列对应的亮度值范围所对应的目标量化亮度值包括：对所述子序列对应的亮度值进行统计，得到所述子序列对应的亮度值范围对应的目标统计亮度值；基于预设的统计像素值与量化亮度值的对应关系，得到所述目标统计亮度值所对应的目标量化亮度值。
在其中一个实施例中，所述将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像包括：将所述目标边缘图像中的亮度值与所述量化图像中对应位置的亮度值进行相乘，得到相乘后的亮度值；按照所述相乘后的亮度值所对应的图像位置，将所述相乘后的亮度值进行排列，得到融合图像。
在其中一个实施例中，所述获取所述目标图像对应的目标边缘图像包括：基于第一平滑方式对所述亮度通道图像进行平滑处理，得到第一平滑图像以及，基于第二平滑方式对所述亮度通道图像进行平滑处理，得到第二平滑图像；将所述第一平滑图像和第二平滑图像进行差值计算，得到差值图像；基于所述差值图像确定所述亮度通道图像对应的边缘区域；放大所述亮度通道图像中所述边缘区域的图像差别，得到目标边缘图像。
在其中一个实施例中，所述放大所述亮度通道图像中所述边缘区域的图像差别，得到目标边缘图像包括：放大所述亮度通道图像中所述边缘区域的图像差别，得到初始边缘图像；确定所述初始边缘图像对应的边缘方向；根据所述边缘方向对应的亮度值的变化速度确定所述初始边缘图像的平滑方向，根据所述平滑方向对所述初始边缘图像进行平滑处理，得到目标边缘图像。
在其中一个实施例中，所述基于所述差值图像确定所述亮度通道图像对应的边缘区域包括：将所述差值图像中，亮度值大于预设亮度阈值的区域作为所述亮度通道图像对应的边缘区域；将所述亮度通道图像中边缘区域之外的区域作为非边缘区域；所述放大所述亮度通道图像中所述边缘区域的图像差别，得到边缘图像包括：放大所述亮度通道图像中所述边缘区域的图像差别，缩小所述非边缘区域的图像差别，得到目标边缘图像。
一种图像处理装置，所述装置包括：目标图像获取模块，用于获取待进行风格变换的目标图像；亮度通道图像获取模块，用于获取所述目标图像对应的亮度通道图像；目标边缘图像得到模块，用于获取所述目标图像对应的目标边缘图像；量化图像得到模块，用于对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；融合图像得到模块，用于将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像；风格变换后的图像得到模块，用于获取所述目标图像对应的颜色通道图像，基于所述融合图像以及所述颜色通道图像得到所述目标图像对应的风格变换后的图像。
在其中一个实施例中，量化图像得到模块用于将所述亮度通道图像中各个像素点对应的亮度值进行排序，得到亮度值序列；对所述亮度值序列进行切分，得到各个亮度值范围对应的子序列；获取所述子序列对应的亮度值范围所对应的目标量化亮度值，将所述目标量化亮度值作为所述亮度通道图像中所述子序列对应的像素点的亮度值，得到量化图像。
在其中一个实施例中，量化图像得到模块用于对所述子序列对应的亮度值进行统计，得到所述子序列对应的亮度值范围对应的目标统计亮度值；基于预设的统计像素值与量化亮度值的对应关系，得到所述目标统计亮度值所对应的目标量化亮度值。
在其中一个实施例中，融合图像得到模块用于将所述目标边缘图像中的亮度值与所述量化图像中对应位置的亮度值进行相乘，得到相乘后的亮度值；按照所述相乘后的亮度值所对应的图像位置，将所述相乘后的亮度值进行排列，得到融合图像。
在其中一个实施例中，目标边缘图像得到模块用于基于第一平滑方式对所述亮度通道图像进行平滑处理，得到第一平滑图像以及，基于第二平滑方式对所述亮度通道图像进行平滑处理，得到第二平滑图像；将所述第一平滑图像和第二平滑图像进行差值计算，得到差值图像；基于所述差值图像确定所述亮度通道图像对应的边缘区域；放大所述亮度通道图像中所述边缘区域的图像差别，得到目标边缘图像。
在其中一个实施例中，目标边缘图像得到模块用于放大所述亮度通道图像中所述边缘区域的图像差别，得到初始边缘图像；确定所述初始边缘图像对应的边缘方向；根据所述边缘方向对应的亮度值的变化速度确定所述初始边缘图像的平滑方向，根据所述平滑方向对所述初始边缘图像进行平滑处理，得到目标边缘图像。
在其中一个实施例中，目标边缘图像得到模块用于将所述差值图像中，亮度值大于预设亮度阈值的区域作为所述亮度通道图像对应的边缘区域；将所述亮度通道图像中边缘区域之外的区域作为非边缘区域；放大所述亮度通道图像中所述边缘区域的图像差别，缩小所述非边缘区域的图像差别，得到目标边缘图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待进行风格变换的目标图像；获取所述目标图像对应的亮度通道图像；获取所述目标图像对应的目标边缘图像；对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像；获取所述目标图像对应的颜色通道图像，基于所述融合图像以及所述颜色通道图像得到所述目标图像对应的风格变换后的图像。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待进行风格变换的目标图像；获取所述目标图像对应的亮度通道图像；获取所述目标图像对应的目标边缘图像；对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像；获取所述目标图像对应的颜色通道图像，基于所述融合图像以及所述颜色通道图像得到所述目标图像对应的风格变换后的图像。
上述图像处理方法、装置、计算机设备和存储介质，终端能够通过获取待进行风格变换的目标图像；获取上述目标图像对应的亮度通道图像；获取目标图像对应的目标边缘图像；对上述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；将目标边缘图像和量化图像进行图像融合，得到融合图像；同时，通过获取到目标图像对应的颜色通道图像，基于上述的融合图像以及该颜色通道图像得到目标图像对应的风格变换后的图像。在上述图像处理过程，对图像的边缘进行识别的同时可以通过量化得到像素值，提高了风格变换后的图像的图像处理效果。
附图说明
图1为一个实施例中图像处理方法的应用环境图；
图2为一个实施例中图像处理方法的流程示意图；
图3为一个实施例中对亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像的流程示意图；
图4为一个实施例中获取子序列对应的亮度值范围所对应的目标量化亮度值的流程示意图；
图5为一个实施例中将目标边缘图像和量化图像进行图像融合，得到融合图像的流程示意图；
图6为一个实施例中获取目标图像对应的目标边缘图像的流程示意图；
图7为一个实施例中放大亮度通道图像中边缘区域的图像差别，得到目标边缘图像的流程示意图；
图8为一个实施例中放大亮度通道图像中边缘区域的图像差别，得到目标边缘图像的实现示意图；
图9为一个实施例中根据平滑方向对初始边缘图像进行平滑处理的实现示意图；
图10为一个实施例中图像处理装置的结构框图；
图11为一个实施例中图像平滑方向示意图；
图12为一个实施例中图像平滑处理后的第一平滑图；
图13为一个实施例中图像平滑处理后的第二平滑图；
图14为一个实施例中进行边缘平滑后的边缘图像；
图15为一个实施例中对待处理图像美化映射后的漫画图像；
图16为一个实施例中对待处理图像美化映射后的漫画图像进行优化后的图像；
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的图像处理方法，可以应用于如图1所示的应用环境中，具体应用到一种图像处理系统中。该图像处理系统包括终端102和图像采集设备104，其中，终端102与图像采集设备104进行连接。终端102执行一种图像处理方法，具体的，终端102获取到图像采集设备104采集的待进行风格变换的目标图像；终端102在进行图像处理过程中，获取上述目标图像对应的亮度通道图像；获取目标图像对应的目标边缘图像；对亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；将目标边缘图像和量化图像进行图像融合，得到融合图像；获取目标图像对应的颜色通道图像，基于融合图像以及颜色通道图像得到目标图像对应的风格变换后的图像。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，图像采集设备104可以但不限于是各种有图像采集功能的设备，可以位于终端104的外部，也可以位于终端104的内部。例如：图像采集设备104可以是位于终端外部的各种摄像头、扫描仪、各种相机、图像采集卡。可以理解，本申请实施例提供的图像处理方法也可以是服务器执行的。
在一个实施例中，如图2所示，提供了一种图像处理方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取待进行风格变换的目标图像。
其中，风格变换是指从一种风格的图像转换成另一种风格图像。例如，从素描风格的图像转换成漫画风格或者水彩画风格的图像等。
具体地，可以获取本地存储或者实时传输到终端上的图像作为待进行风格变换的目标图像。
在一个实施例中，当终端接收到图像处理指令后，图像处理指令中携带有待进行风格变换的目标图像的图像标识以及要变换到的图像风格，通过此图像标识，终端可以从本地存储的图像中获取到待进行风格变换的目标图像。
在一个实施例中，待进行风格变换的目标图像可以通过图像采集设备采集得到。图像采集设备与终端连接，当图像采集设备接收到终端的获取图像指令时，将采集到的实时图像或者图像采集设备本地存储的图像传输给终端，终端将接收到的图像作为待进行风格变换的目标图像进行图像处理。图像采集设备包括各种摄像头、扫描仪、各种相机、图像采集卡等。
在一个实施例中，图像采集设备可以将采集到的图像根据一定时间间隔顺序或者批量传输给终端，终端获取到图像后可以存储于本地待用，也可以在接收到图像后进行实时处理。
步骤204，获取目标图像对应的亮度通道图像。
其中，亮度通道图像是指图像处于三通道中的亮度通道的图像。三通道是指将图像中每个像素分割成三个通道的像素分量。例如，三通道包括Lab(Lab color space)通道空间、YUV(YUV color space)通道空间、HSV(HSV color space)通道空间或者RGB通道空间等，通过Lab通道空间、YUV通道空间、HSV通道空间或者RGB通道空间可以将图像进行像素分量的分解。
具体的，在终端获取到待进行风格变换的目标图像之后，可以对目标图像进行通道分析，得到需要的亮度通道图像。亮度通道图像可以是对目标图像进行灰度处理后的图像。
步骤206，获取目标图像对应的目标边缘图像。
其中，边缘识别是指识别出亮度通道图像中亮度变化明显的点。目标边缘图像是指对亮度通道图像进行边缘识别之后，得到的亮度变化明显的点组成的图像。
具体的，在对目标图像进行风格变换时，有些风格的变换需要目标图像的边缘明显，才能够达到更好的图像处理效果。例如，将目标图像变换为漫画风格的图像。需要终端在获取目标图像对应的亮度通道图像之后，获取目标图像对应的目标边缘图像。
在一个实施例中，可以利用边缘检测算法对边缘进行识别，得到目标边缘图像。例如，利用sobel(Sobel operator)算法、canny(Canny edge detector)算法或者DoG(Difference of Gaussian)算法等边缘检测算法对边缘进行识别，得到目标边缘图像。
在一个实施例中，可以通过对亮度通道图像进行不同程度的平滑处理之后得到平滑图像，利用得到的平滑图像之间的差值得到亮度通道图像的边缘区域，然后对得到的差值图像中的亮度差值进行处理得到目标边缘图像。例如，使差值图像中亮度差值小的更小，亮度差值大的更大，从而得到边缘更加突出的目标边缘图像。
在一个实施例中，可以将差值图像中的亮度差值进行处理后的图像作为初始边缘图像，再对初始边缘图像进行平滑处理后，得到目标边缘图像。通过图像的平滑算法对亮度差值进行处理后的差值图像进行平滑处理。例如，可以利用高斯模糊、中值模糊或者均值模糊等对亮度差值进行处理后的差值图像进行平滑处理。
在一个实施例中，可以通过提取初始边缘图像中边缘上的像素点的平滑方向，利用每个像素点的平滑方向上邻域内的像素点的像素值及目标像素点的像素值之间的函数关系，得到目标像素点的像素值，从而得到由目标像素点组成的目标边缘图像。
步骤208，对亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像。
其中，量化处理是指将图像中各个像素点对应的连续的像素值进行处理，对应得到不连续的像素值或者将某个像素值范围内的多个像素点的像素值对应得到一个像素值，通过量化处理，可以将大量离散取值近似为较少的离散值。例如，其中的10个像素点的像素值分别是{0，20,25，24，50，45，32，36，50，60}，对应的量化处理后得到像素值为51。
具体的，终端在得到目标图像之后，为了减少目标图像中细节纹理，减少图像处理过程中颜色的总量，可以对目标图像进行量化处理。
在一个实施例中，将亮度通道图像中各个像素点对应的亮度值按照预设的亮度值范围进行分组，再根据亮度值范围与量化亮度值之间的对应关系，得到量化处理后的量化图像。例如，亮度值范围为0-20的像素点对应的量化亮度值为0，亮度值范围为21-100的像素点对应的量化亮度值为105等，将亮度值范围为0-20的像素点的亮度值都转换为量化亮度值为0，将亮度值范围为21-100的像素点的亮度值都转换为量化亮度值为105等，得到量化亮度值的像素点组成的量化图像。其中，亮度通道图像中的像素点对应的亮度值可以切分为多个组，多个是指至少两个，每个组对应的量化亮度值不同。
在一个实施例中，可以将亮度通道图像中各个像素点对应的亮度值排序后分成N等份，得到各个等份的亮度值的统计值，根据亮度值的统计值与量化亮度值之间的对应关系，得到量化亮度值。例如，亮度通道图像中的10个像素点分别是{0，20,26，24，50，46，32，36，50，60}，将这10个像素点进行排序后得到排序序列{0，20,24，25，32，36，45，50，50，60}，将排序后的亮度值分成5等份，5等份的亮度值集合分别为{0，20}，{24，26}，{32，36}，{46，50}，{50，60}，分别得到每等份的亮度值的统计值分别是10，25，34，48，55，亮度值的统计值与量化亮度值之间的对应关系分别如下表1所示。
表1.亮度值的统计值与量化亮度值对应关系表
亮度值的统计值 量化亮度值
10 0
25 20
34 30
48 40
55 50
由表1可以得到量化亮度值，从而得到量化亮度值的像素点组成的量化图像。
步骤210，将目标边缘图像和量化图像进行图像融合，得到融合图像。
其中，图像融合是指对两幅或者两幅以上的图像进行处理后，合成为一幅新图像的图像处理过程。通过图像融合后的新图像对比于原始图像有用信息更加突出。
具体的，可以通过图像融合算法对目标边缘图像和量化图像进行图像融合，使得到的融合图像中的有用信息更加突出。
在一个实施例中，对目标边缘图像和量化图像可以采用线性融合、泊松融合、多尺度融合、加权融合或者拉普拉斯金字塔融合等的融合方法进行融合，得到融合图像。
在一个实施例中，可以采用乘积性融合算法对目标边缘图像和量化图像进行图像融合，得到融合图像。例如，目标边缘图像表示为edge,量化图像表示为quantized image，融合图像表示为dst，采用乘积性融合算法融合图像dst可以表示为公式：
dst＝edge*quantized image
步骤212，获取目标图像对应的颜色通道图像，基于融合图像以及颜色通道图像得到目标图像对应的风格变换后的图像。
其中，颜色通道图像是指图像处于三通道中的颜色通道对应的图像。颜色通道图像和亮度通道图像共同组成了目标图像。
具体的，终端在得到融合图像之后，对融合图像以及颜色通道图像组成的图像进行处理后，再进行颜色空间的转换，得到目标图像对应的风格变换后的图像。
在一个实施例中，融合图像以及颜色通道图像组成的图像为Lab颜色空间的图像，将该Lab颜色空间的图像转换为RGB颜色空间的图像，该RGB颜色空间的图像为目标图像对应的风格变换后的图像。
在一个实施例中，可以对颜色通道图像进行图像平滑处理后，得到平滑处理后颜色通道图像，基于融合图像以及平滑处理后颜色通道图像得到目标图像对应的风格变换后的图像。
上述图像处理方法中，终端能够通过获取待进行风格变换的目标图像；获取上述目标图像对应的亮度通道图像；获取目标图像对应的目标边缘图像；对上述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；将目标边缘图像和量化图像进行图像融合，得到融合图像；同时，通过获取到目标图像对应的颜色通道图像，基于上述的融合图像以及该颜色通道图像得到目标图像对应的风格变换后的图像。图像处理过程，对图像的边缘进行识别的同时可以通过量化处理去除掉过多的像素值，提高了风格变换后的图像的图像处理效果。
在一个实施例中，如图3所示，对亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像包括：
步骤302，将亮度通道图像中各个像素点对应的亮度值进行排序，得到亮度值序列。
其中，亮度值序列是指按照亮度值大小进行排列的有序的集合。可以按照亮度值从大到小的顺序进行排列组成亮度值序列，也可以按照亮度值从小到大的顺序进行排列组成亮度值序列。
具体的，亮度通道图像中各个像素点对应的亮度值有大有小，可以对这些像素点对应的亮度值进行有序的排列，得到亮度值序列。
在一个实施例中，终端可以将提取到的亮度通道图像中各个像素点对应的亮度值，利用排序算法对各个像素点对应的亮度值进行排序，得到亮度值序列。排序算法包括快速排序、插入排序、希尔排序或者归并排序等。
步骤304，对亮度值序列进行切分，得到各个亮度值范围对应的子序列。
具体的，终端在得到亮度值序列之后，可以对亮度值序列进行切分，将亮度值序列切分为各个子序列，子序列中的各个亮度值都处于子序列对应的亮度值范围内。例如，亮度值序列为{0，20,24，25，32，36，45，50，55，60}，亮度值范围分别为0-40和41-80，则亮度值范围为0-40对应的子序列为{0，20,24，25，32，36}，亮度值范围为41-80对应的子序列为{45，50，55，60}。
在一个实施例中，可以将亮度值序列进行平均切分，得到各个亮度值范围内的子序列。例如亮度值序列为{0，20,24，25，32，36，45，50，55，60，70，80}，亮度值范围分别为0-30、31-50和51-80，则对应的平均切分后的3个子序列分别为{0，20,24，25}、{32，36，45，50}和{55，60，70，80}。
在一个实施例中，可以将亮度值序列直接进行平均切分，得到切分后的子序列。
步骤306，获取子序列对应的亮度值范围所对应的目标量化亮度值，将目标量化亮度值作为亮度通道图像中子序列对应的像素点的亮度值，得到量化图像。
具体的，亮度值范围和目标量化亮度值之间存在一一对应关系，在获取到子序列后，可以根据各个序列中亮度值范围得到各个子序列对应的像素点的亮度值，得到量化图像。
在一个实施例中，亮度值范围可以使用各个子序列中像素点的亮度值的统计值表示，该统计值与目标量化亮度值存在一一对应关系，在得知亮度值的统计值的情况下，可以通过该对应关系得到相应的目标量化亮度值，将该目标量化亮度值作为子序列中各个像素点的亮度值，得到量化图像。例如，获取到的子序列对应的亮度值范围统计值分别是10，25，34，48，55，统计值分别对应的子序列分别为{0，20}，{24，26}，{32，36}，{46，50}，{50，60}。
表2.亮度值的统计值与量化亮度值对应关系表
亮度值的统计值 量化亮度值
10 0
25 20
34 30
48 40
55 50
由表2可以得到量化亮度值，将量化亮度值替代子序列中对应的像素点的亮度值，量化亮度值替代子序列中对应的像素点的亮度值之后的子序列分别为{0，0}，{20，20}，{30，30}，{40，40}，{50，50}，从而得到量化亮度值的像素点组成的量化图像。
本实施例中，通过亮度通道图像中各个像素点对应的亮度值进行排序，得到亮度值序列，对排序后的亮度值序列进行切分，得到亮度值序列的子序列，获取子序列对应的亮度值范围所对应的目标量化亮度值，得到量化图像，能够达到减少图像中颜色分量，减少图像细节。
在一个实施例中，如图4所示，获取子序列对应的亮度值范围所对应的目标量化亮度值包括：
步骤402，对子序列对应的亮度值进行统计，得到子序列对应的亮度值范围对应的目标统计亮度值。
其中，目标统计亮度值是指能够体现子序列中的亮度值整体数值情况的亮度值。例如，子序列对应的亮度值的平均值、中位数或者众数等。
具体的，可以以子序列对应的亮度值的平均值，将亮度值的平均值作为亮度值范围对应的目标统计亮度值。
步骤404，基于预设的统计像素值与量化亮度值的对应关系，得到目标统计亮度值所对应的目标量化亮度值。
具体的，统计像素值与量化亮度值之间存在一一对应关系，在得知目标统计亮度值为某个统计像素值的情况下，可以确定目标统计亮度值对应的量化亮度值，将该量化亮度值作为目标量化亮度值。例如，预设的统计像素值与量化亮度值为如表2所示的对应关系，假设目标统计亮度值为25，则对应的目标量化亮度值为20。
本实施例中，通过对子序列对应的亮度值进行统计，得到目标统计亮度值，基于预设的统计像素值与量化亮度值的对应关系，得到目标统计亮度值所对应的目标量化亮度值，能够达到准确获得目标量化亮度值的目的，以使得通过目标量化亮度值，得到量化图像。
在一个实施例中，如图5所示，将目标边缘图像和量化图像进行图像融合，得到融合图像包括：
步骤502，将目标边缘图像中的亮度值与量化图像中对应位置的亮度值进行相乘，得到相乘后的亮度值。
具体的，为了使处理后图像的效果亮度更加明显，可以通过将目标边缘图像中的亮度值与量化图像中对应位置的亮度值进行相乘，得到相乘后的亮度值作为处理后图像的亮度值。
在一个实施例中，目标边缘图像中的亮度值可以表示为edge(亮度值)，量化图像中对应位置的亮度值可以表示为quantized image(亮度值)，两者相乘之后的亮度值表示为dst(亮度值)，则dst(亮度值)可以表示为公式：
dst(亮度值)＝edge(亮度值)*quantized image(亮度值)
步骤504，按照相乘后的亮度值所对应的图像位置，将相乘后的亮度值进行排列，得到融合图像。
其中，图像位置是指具有某个亮度值的像素点在图像中的坐标位置。例如，某个像素点在目标边缘图像中的坐标位置为(x0,y0)，则在量化图像中对应位置的像素点的坐标位置(x0,y0)，相乘后的亮度值所要排列的坐标位置为(x0,y0)。
具体的，在得到相乘后的亮度值之后，将亮度值对应的像素点放置于图像位置处，形成完整图像，该完整图像为得到的融合图像。
本实施例中，通过对目标边缘图像中的亮度值与量化图像进行图像融合，减少了图像中的颜色数量，使图像的边缘更加突出，能够达到提高图像处理效果的目的。
在一个实施例中，如图6所示，获取目标图像对应的目标边缘图像包括：
步骤602，基于第一平滑方式对亮度通道图像进行平滑处理，得到第一平滑图像以及，基于第二平滑方式对亮度通道图像进行平滑处理，得到第二平滑图像。
其中，平滑方式是指对亮度通道图像进行平滑处理时所采用的方式或者方法。平滑处理是指能够降低亮度通道图像中图像噪声的处理。图像噪声是指图像中不必要的、多余的干扰信息。对亮度通道图像进行平滑处理能够提高亮度通道图像的图像质量。
在一个实施例中，可以采用图像平滑算法对应的不同的平滑参数确定不同的平滑处理方式。例如，采用高斯模糊算法对亮度通道图像进行平滑处理，利用高斯模糊算法中的高斯函数计算亮度通道图像中每个像素点的权重，根据每个像素点的权重得到高斯模糊算法处理后的亮度通道图像。权重的大小取决于高斯函数中参数的大小，可以将该参数看作平滑参数。通过调节不同的平滑参数可以得到不同平滑效果的平滑图。在对亮度通道图像进行平滑处理的同时，保持亮度通道图像的边缘。
在一个实施例中，采用不同的平滑算法对同一幅亮度通道图像进行平滑处理，得到不同的平滑图像。例如，利用均值模糊算法对亮度通道图像进行平滑处理，得到第一平滑图像；同时，可以利用中值模糊算法对同一幅亮度通道图像进行平滑处理进行平滑处理，得到第二平滑图像。
步骤604，将第一平滑图像和第二平滑图像进行差值计算，得到差值图像。
其中，差值图像是指对两幅图像相同位置上的像素点的亮度值进行求差值计算后，得到的图像。
具体的，可以对第一平滑图像和第二平滑图像相同位置上的像素点进行求差值计算，将差值作为差值图像中相同位置像素点的亮度值。
步骤606，基于差值图像确定亮度通道图像对应的边缘区域。
其中，边缘区域是指亮度通道图像中亮度值变化相对较大的区域。
具体的，在得到差值图像后，因为差值图像比较于亮度通道图像的边缘区域更加明显，可以将该差值图像确定为边缘区域突出的亮度通道图像。
步骤608，放大亮度通道图像中边缘区域的图像差别，得到目标边缘图像。
具体的，可以通过色阶映射或者曲线拉伸的方法对差值图像进行处理，放大亮度通道图像中边缘区域的图像差别，得到目标边缘图像。
在一个实施例中，采用曲线拉伸差值图对差值图像进行处理，得到目标边缘图像。如图8所示，横坐标表示对差值图像中亮度值进行归一化处理后的亮度值，纵坐标表示目标边缘图像对应的亮度值，在横坐标上大于0和小于0的区域都是边缘区域，可以选取横坐标小于0时，纵坐标值对应的亮度值作为目标边缘图像中亮度值归一化之后的亮度值，通过该亮度值可以得到相应的目标边缘图像。例如，横坐标值为负轴处绝对值为0.25处对应的纵坐标值为0，则表示差值图像中亮度值为63.75的像素点映射到目标边缘图像亮度值为0。
本实施例中，通过不同平滑方式对亮度通道图像进行处理得到的两幅不同平滑效果的平滑图像，通过对两幅不同平滑效果的平滑图像进行差值计算得到差值图像，将差值图像处理后得到目标边缘图像，能够达到得到边缘明显的目标边缘图像的目的，进而提高图像处理效果。
在一个实施例中，如图7所示，放大亮度通道图像中边缘区域的图像差别，得到目标边缘图像包括：
步骤702，放大亮度通道图像中边缘区域的图像差别，得到初始边缘图像。
具体的，可以通过亮度通道图像的边缘区域进行放大处理，使得亮度通道图像中边缘更加明显，得到初始边缘图像。
在一个实施例中，初始边缘图像可以直接是两张平滑图像差值图像，也可以是差值图像进行差值放大处理后的图像。例如，对差值图像进行曲线拉伸或者色阶映射后的图像作为初始边缘图像。
步骤704，确定初始边缘图像对应的边缘方向。
其中，边缘方向是指初始边缘图像边缘的大致走向，多个边缘方向构成了初始边缘图像整体的边缘。
具体的，通过图像的边缘检测算法对初始边缘图像的边缘特征点进行提取，确定初始边缘图像对应的边缘方向。例如，可以采用sobel(Sobel operator)、canny(Cannyedge detector)或者DoG(Difference of Gaussian)等图像边缘检测算法确定初始边缘图像对应的边缘方向。
步骤706，根据边缘方向对应的亮度值的变化速度确定初始边缘图像的平滑方向，根据平滑方向对初始边缘图像进行平滑处理，得到目标边缘图像。
其中，平滑方向是指与初始边缘图像的特征点的梯度场方向垂直的方向；梯度场方向是指亮度值的变化速度最快的方向。沿着平滑方向对图像边缘进行平滑处理，能够使边缘方向的更加明显。
具体的，可以通过Sobel算法等确定初始边缘图像的梯度场方向，通过得到的初始边缘图像的梯度场方向的垂直方向确定初始边缘图像的平滑方向。
在一个实施例中，如图9所示，沿着初始边缘图像中某个像素点的平滑方向对该像素点邻域内的像素点进行加权求和，得到像素点的亮度值。例如，C点处的亮度值为沿着C点处的平滑正方向和负方向的邻域内的像素点的亮度值，得到C点处的亮度值。假设，C点处的平滑正方向邻域内有像素点A1，沿着A1的平滑方向邻域内有亮度A2，同理得到A3、B1、B2和B3，假设A1-A3的亮度值分别表示为:A1、A2和A3，A1、A2和A3对应的权重分别表示为W1、W2和W3；B1-B3的亮度值分别为B1、B2和B3，B1、B2和B3对应的权重分别为W4、W5和W6，则C点处的亮度值C可以表示为公式：
C＝(C+A1*W1+A2*W2+A3*W3+B1*W4+B2*W5+B3*W6)/(1+W1+W2+W3+W4+W5+W6)例如，当A1-A3的亮度值分别为100、120和130,权重分别为0.9、0.8和0.7；B1-B3的亮度值分别为:120、140和160，权重分别为0.9、0.8和0.7；C点亮度值80时，更新后的C点的亮度值为118。
本实施例中，通过放大亮度通道图像中边缘区域的图像差别，得到初始边缘图像，对初始边缘图像的边缘方向对应亮度值的变化速度确定初始边缘图像的平滑方向，根据平滑方向对初始边缘图像进行平滑处理，能够达到得到目标边缘图像。
在一个实施例中，基于差值图像确定亮度通道图像对应的边缘区域包括：将差值图像中，亮度值大于亮度阈值的区域作为亮度通道图像对应的边缘区域；
具体的，在差值图像中，亮度值越大的区域，是边缘区域的几率越大，为了提高边缘区域识别的准确率，在对边缘区域确定时，利用亮度阈值作为参考，将亮度值大于亮度阈值的区域作为亮度通道图像对应的边缘区域。
在一个实施例中，可以将亮度阈值取值为79，当亮度值大于亮度阈值的区域作为亮度通道图像对应的边缘区域。
将亮度通道图像中边缘区域之外的区域作为非边缘区域；
其中，非边缘区域是指在亮度通道图像中去除掉边缘区域之外的区域，在该区域中，亮度通道图像中像素点的亮度差值较小。例如，亮度通道图像的平坦区域，在该区域中，亮度通道图像中像素点的亮度差值较小。可以理解的，非边缘区域是相对于边缘区域来说的区域。
具体的，当将差值图像中，亮度值大于亮度阈值的区域作为亮度通道图像对应的边缘区域作为亮度通道图像对应的边缘区域之后，将亮度通道图像中边缘区域之外的区域作为非边缘区域。
放大亮度通道图像中边缘区域的图像差别，得到目标边缘图像包括：
放大亮度通道图像中边缘区域的图像差别，缩小非边缘区域的图像差别，得到目标边缘图像。
其中，图像差别是指亮度通道图像中因为亮度差值的大小形成的差别。
具体的，可以通过映射的方式，使图像差别大的边缘区域的亮度差值映射出来的亮度值结果更大，使图像差别小的边缘区域的亮度差值映射出来的亮度值结果更小，通过映射之后的亮度值结果，得到目标边缘图像。
在一个实施例中，可以通过色阶映射的方法，放大亮度通道图像中边缘区域的图像差别，缩小非边缘区域的图像差别，得到目标边缘图像。可以理解的，也可以在放大亮度通道图像中边缘区域的图像差别，缩小非边缘区域的图像差别之后，可以将处理后的图像进行平滑处理，得到目标边缘图像。
本实施例中，通过亮度值的判断得到亮度通道图像对应的边缘区域以及非边缘区域，并且通过放大亮度通道图像中边缘区域的图像差别，缩小非边缘区域的图像差别，能够达到准确得到目标边缘图像的目的。
在一个实施例中，以将待处理的目标图像转换成漫画图像为例，基于漫画的特点，即线条特别明显而且细节纹理比较少的特点。一方面，可以对目标图像进行边缘的提取，使得边缘明显并且平滑自然，以便使线条明显，符合漫画的特点。另一方面，对目标图像的细节进行滤除以及色阶映射，使得边缘更加明显，漫画效果更好。具体的，可以将目标图像映射到Lab颜色空间，可以将目标图像分解成处于亮度通道L的亮度通道图像和处于颜色通道ab的颜色通道图像。可以理解的，也可以将目标图像映射到YUV颜色空间或者HSV颜色空间等。可以通过以下步骤将目标图像转换成漫画图像。
将其中的亮度通道图像利用Sobel、canny或者DoG等算法对边缘进行提取，得到初始边缘图像；
在一个实施例中，图像可以分为平坦区域和边缘区域，由于平坦区域不同程度的平滑结果都一样，比如某个区域的值都是128，利用均值模糊算法，半径为3的区域和半径为7的区域得到的结果都是128，亮度值差值为0；而边缘区域则刚好相反，不同程度的平滑得到的结果差距很大，从而区分出边缘区域和平坦区域。可以通过对两张平滑图像进行差值计算得到的差值图像作为初始边缘图像。例如，可以使用高斯模糊、中值模糊、均值模糊或者其他图像平滑算法得到两张平滑图像。分别为第一平滑图像和第二平滑图像。如图12和如图13为利用高斯模糊得到的两幅平滑图像。对第一平滑图像和第二平滑图像进行差值计算得到差值图像，作为初始边缘图像。
在一个实施例中，通过曲线映射或者其他方法，将得到的差值图像进一步放大其中的亮度差值。例如色阶映射，使得差值图像中亮度值差值小的变小，差值大的变得更大。
在一个实施例中，采用曲线拉伸差值图方法，如图8所示，横坐标表示将差值图像归一化后的亮度值，纵坐标表示将差值图像进行拉伸之后得到的初始边缘图像，使得差值图像中差值图像中亮度值差值小的变小，差值大的变得更大。例如，横坐标上差值图像归一化后的亮度值为-0.25，对应的纵坐标的亮度值为0，则表示差值图像中0.25*255的亮度值在进行拉伸之后得到的初始边缘图像亮度值为0*255。
在一个实施例中，如图8所示，可以选择横坐标上差值图像归一化后的亮度值为负值，并且对应的纵坐标上的亮度值超过设定的亮度阈值时对应的图像为初始边缘图像。
对初始边缘图像进行边缘平滑得到目标边缘图像；
具体的，在得到初始边缘图像之后，由于初始边缘图像太过锐利，图像效果不理想。为了得到抽象的漫画效果，需要对初始边缘图进行平滑处理。为了勾勒轮廓，反复处理边缘，使得边缘平滑。要使图像边缘比较平滑，需要连接断裂的边缘，平滑掉比较锐利的地方，需要沿着图像边缘对其平滑操作。可以通过保边滤波算法，比如双边滤波、表面模糊或者导向滤波等方法，通过自适应的边缘方向选择得到保边效果，保边过程是在当前像素点的局部邻域范围内，将所有的像素点加权平均得到滤波结果。从而确定图像的边缘方向。
在一个实施例中，可以首先通过Sobel算法提取梯度gx,gy，其中gx表示像素点的横向梯度矩阵，gy表示像素点的纵向梯度矩阵，然后计算得到结构张量矩阵：
Figure BDA0002993702010000171
结构张量矩阵中对应的最大的特征值对应的特征向量就是相关性最强的方向。如图11所示，相关性最强的E方向可以认为是该像素点的梯度场方向。然后沿着与梯度场垂直的方向，即沿着F方向，将边缘上的点进行平滑处理，进行平滑处理的方向可以认为是平滑方向。比如可以沿着平滑方向邻域内的一个或者多个像素点，经过像素点加权求和得到当前位置的亮度值。如图14，为对初始边缘图像进行边缘平滑得到目标边缘图像的效果图。如图9所示，C点处的亮度值为沿着C点处的平滑正方向和负方向的邻域内的像素点的亮度值，得到C点处的亮度值。假设，C点处的平滑正方向邻域内有像素点A1，沿着A1的平滑方向邻域内有亮度A2，同理得到A3、B1、B2和B3，假设A1-A3的亮度值分别表示为:A1、A2和A3，A1、A2和A3对应的权重分别表示为W1、W2和W3；B1-B3的亮度值分别为B1、B2和B3，B1、B2和B3对应的权重分别为W4、W5和W6，则C点处的亮度值C可以表示为公式：C＝(C+A1*W1+A2*W2+A3*W3+B1*W4+B2*W5+B3*W6)/(1+W1+W2+W3+W4+W5+W6)。例如，当A1-A3的亮度值分别为100、120和130，权重分别为0.9、0.8和0.7；B1-B3的亮度值分别为:120、140和160，权重分别为0.9、0.8和0.7；C点亮度值80时，更新后的C点的亮度值为118。
对亮度通道图像进行色阶量化得到量化亮度通道图像；
具体的，可以将亮度通道图像中的亮度值排序后分成N等份，并将每等份中的亮度值的平均值对应映射为色阶量化值，将该色阶量化值作为每等份中的亮度值，从而得到量化亮度通道图像。例如，可以将亮度值为0到255的亮度值映射为量化值分别为{0，51，102，154，205，255}。
将目标边缘图像和量化亮度通道图像进行乘积融合得到漫画图像中的亮度通道图像；将颜色通道图像作为漫画图像中的颜色通道图像；
具体的，漫画图像中的亮度通道图像可以表示为dst(亮度通道图像)、漫画图像中的颜色通道图像表示为dst(颜色通道图像)、目标边缘图像可以表示为edge，则dst(亮度通道图像)可以表示为：
dst(亮度通道图像)＝edge*量化亮度通道图像；
dst(颜色通道图像)＝颜色通道图像；
将得到的漫画图像中的亮度通道图像和颜色通道图像转换成RGB颜色空间中的目标漫画图像；
具体的，得到的漫画图像中的亮度通道图像和颜色通道图像为Lab颜色空间的图像，将该Lab颜色空间的图像转换为RGB颜色空间中的目标漫画图像。如图15所示，为目标漫画图像的效果图。
在一个实施例中，可以对得到的目标漫画图像进行优化，通过查询LUT(Look UpTable)表，对目标漫画图像进行调整，如图16所示，可以得到图像处理效果更加艳丽的漫画效果。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图10所示，提供了一种图像处理装置1000，包括：目标图像获取模块1002、亮度通道图像获取模块1004、目标边缘图像得到模块1006、量化图像得到模块1008、融合图像得到模块1010和风格变换后的图像得到模块1012，其中：目标图像获取模块1002，用于获取待进行风格变换的目标图像；亮度通道图像获取模块1004，用于获取目标图像对应的亮度通道图像；目标边缘图像得到模块1006，用于获取目标图像对应的目标边缘图像；量化图像得到模块1008，用于对亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；融合图像得到模块1010，用于将目标边缘图像和量化图像进行图像融合，得到融合图像；风格变换后的图像得到模块1012，用于获取目标图像对应的颜色通道图像，基于融合图像以及颜色通道图像得到目标图像对应的风格变换后的图像。
在一个实施例中，量化图像得到模块1008用于将亮度通道图像中各个像素点对应的亮度值进行排序，得到亮度值序列；对亮度值序列进行切分，得到各个亮度值范围对应的子序列；获取子序列对应的亮度值范围所对应的目标量化亮度值，将目标量化亮度值作为亮度通道图像中子序列对应的像素点的亮度值，得到量化图像。
在一个实施例中，量化图像得到模块1008用于对子序列对应的亮度值进行统计，得到子序列对应的亮度值范围对应的目标统计亮度值；基于预设的统计像素值与量化亮度值的对应关系，得到目标统计亮度值所对应的目标量化亮度值。
在一个实施例中，融合图像得到模块1010用于将目标边缘图像中的亮度值与量化图像中对应位置的亮度值进行相乘，得到相乘后的亮度值；按照相乘后的亮度值所对应的图像位置，将相乘后的亮度值进行排列，得到融合图像。
在一个实施例中，目标边缘图像得到模块1006用于基于第一平滑方式对亮度通道图像进行平滑处理，得到第一平滑图像以及，基于第二平滑方式对亮度通道图像进行平滑处理，得到第二平滑图像；将第一平滑图像和第二平滑图像进行差值计算，得到差值图像；基于差值图像确定亮度通道图像对应的边缘区域；放大亮度通道图像中边缘区域的图像差别，得到目标边缘图像。
在一个实施例中，目标边缘图像得到模块1006用于放大亮度通道图像中边缘区域的图像差别，得到初始边缘图像；确定初始边缘图像对应的边缘方向；根据边缘方向对应的亮度值的变化速度确定初始边缘图像的平滑方向，根据平滑方向对初始边缘图像进行平滑处理，得到目标边缘图像。
在一个实施例中，目标边缘图像得到模块1006用于将差值图像中，亮度值大于亮度阈值的区域作为亮度通道图像对应的边缘区域；将亮度通道图像中边缘区域之外的区域作为非边缘区域；放大亮度通道图像中边缘区域的图像差别，缩小非边缘区域的图像差别，得到目标边缘图像。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图17中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
获取待进行风格变换的目标图像；
获取所述目标图像对应的亮度通道图像；
获取所述目标图像对应的目标边缘图像；
对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；
将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像；
获取所述目标图像对应的颜色通道图像，基于所述融合图像以及所述颜色通道图像得到所述目标图像对应的风格变换后的图像。
2.根据权利要求1所述的方法，其特征在于，所述对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像包括：
将所述亮度通道图像中各个像素点对应的亮度值进行排序，得到亮度值序列；
对所述亮度值序列进行切分，得到各个亮度值范围对应的子序列；
获取所述子序列对应的亮度值范围所对应的目标量化亮度值，将所述目标量化亮度值作为所述亮度通道图像中所述子序列对应的像素点的亮度值，得到量化图像。
3.根据权利要求2所述的方法，其特征在于，所述获取所述子序列对应的亮度值范围所对应的目标量化亮度值包括：
对所述子序列对应的亮度值进行统计，得到所述子序列对应的亮度值范围对应的目标统计亮度值；
基于预设的统计像素值与量化亮度值的对应关系，得到所述目标统计亮度值所对应的目标量化亮度值。
4.根据权利要求1所述的方法，其特征在于，所述将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像包括：
将所述目标边缘图像中的亮度值与所述量化图像中对应位置的亮度值进行相乘，得到相乘后的亮度值；
按照所述相乘后的亮度值所对应的图像位置，将所述相乘后的强度值进行排列，得到融合图像。
5.根据权利要求1所述的方法，其特征在于，所述获取所述目标图像对应的目标边缘图像包括：
基于第一平滑方式对所述亮度通道图像进行平滑处理，得到第一平滑图像以及，基于第二平滑方式对所述亮度通道图像进行平滑处理，得到第二平滑图像；
将所述第一平滑图像和第二平滑图像进行差值计算，得到差值图像；
基于所述差值图像确定所述亮度通道图像对应的边缘区域；
放大所述亮度通道图像中所述边缘区域的图像差别，得到目标边缘图像。
6.根据权利要求5所述的方法，其特征在于，所述放大所述亮度通道图像中所述边缘区域的图像差别，得到目标边缘图像包括：
放大所述亮度通道图像中所述边缘区域的图像差别，得到初始边缘图像；
确定所述初始边缘图像对应的边缘方向；
根据所述边缘方向对应的亮度值的变化速度确定所述初始边缘图像的平滑方向，根据所述平滑方向对所述初始边缘图像进行平滑处理，得到目标边缘图像。
7.根据权利要求5所述的方法，其特征在于，所述基于所述差值图像确定所述亮度通道图像对应的边缘区域包括：
将所述差值图像中，亮度值大于预设亮度阈值的区域作为所述亮度通道图像对应的边缘区域；
将所述亮度通道图像中边缘区域之外的区域作为非边缘区域；
所述放大所述亮度通道图像中所述边缘区域的图像差别，得到目标边缘图像包括：
放大所述亮度通道图像中所述边缘区域的图像差别，缩小所述非边缘区域的图像差别，得到目标边缘图像。
8.一种图像处理装置，其特征在于，所述装置包括：
目标图像获取模块，用于获取待进行风格变换的目标图像；
亮度通道图像获取模块，用于获取所述目标图像对应的亮度通道图像；
目标边缘图像得到模块，用于获取所述目标图像对应的目标边缘图像；
量化图像得到模块，用于对所述亮度通道图像中各个像素点对应的像素值进行量化处理，得到量化图像；
融合图像得到模块，用于将所述目标边缘图像和所述量化图像进行图像融合，得到融合图像；
风格变换后的图像得到模块，用于获取所述目标图像对应的颜色通道图像，基于所述融合图像以及所述颜色通道图像得到所述目标图像对应的风格变换后的图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110323566.8A 2021-03-26 2021-03-26 图像处理方法、装置、计算机设备和存储介质 Active CN113012185B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110323566.8A CN113012185B (zh) 2021-03-26 2021-03-26 图像处理方法、装置、计算机设备和存储介质
PCT/CN2022/082309 WO2022199583A1 (zh) 2021-03-26 2022-03-22 图像处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110323566.8A CN113012185B (zh) 2021-03-26 2021-03-26 图像处理方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113012185A true CN113012185A (zh) 2021-06-22
CN113012185B CN113012185B (zh) 2023-08-29

Family

ID=76407468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110323566.8A Active CN113012185B (zh) 2021-03-26 2021-03-26 图像处理方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN113012185B (zh)
WO (1) WO2022199583A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469876A (zh) * 2021-07-28 2021-10-01 北京达佳互联信息技术有限公司 图像风格迁移模型训练方法、图像处理方法、装置及设备
CN113610823A (zh) * 2021-08-13 2021-11-05 南京诺源医疗器械有限公司 图像处理方法、装置、电子设备及存储介质
CN114119847A (zh) * 2021-12-05 2022-03-01 北京字跳网络技术有限公司 一种图形处理方法、装置、计算机设备及存储介质
WO2022199583A1 (zh) * 2021-03-26 2022-09-29 影石创新科技股份有限公司 图像处理方法、装置、计算机设备和存储介质
WO2023056950A1 (zh) * 2021-10-09 2023-04-13 维沃移动通信有限公司 图像处理方法和电子设备

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745519A (zh) * 2022-12-06 2024-03-22 行吟信息科技(武汉)有限公司 图像处理方法及装置
CN116095245B (zh) * 2023-04-07 2023-06-23 江西财经大学 秘密信息分享方法、系统、终端及存储介质
CN116777845B (zh) * 2023-05-26 2024-02-13 浙江嘉宇工程管理有限公司 基于人工智能的建筑工地安全风险智能评估方法及系统
CN116664559B (zh) * 2023-07-28 2023-11-03 深圳市金胜电子科技有限公司 基于机器视觉的内存条损伤快速检测方法
CN116824586B (zh) * 2023-08-31 2023-12-01 山东黑猿生物科技有限公司 图像处理方法及应用该方法的黑蒜生产质量在线检测系统
CN116883392B (zh) * 2023-09-05 2023-11-17 烟台金丝猴食品科技有限公司 基于图像处理的投料控制方法及系统
CN117474820B (zh) * 2023-10-12 2024-06-18 书行科技(北京)有限公司 图像处理方法、装置、电子设备及存储介质
CN117853365B (zh) * 2024-03-04 2024-05-17 济宁职业技术学院 基于计算机图像处理的艺术成果展示方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859440A (zh) * 2010-05-31 2010-10-13 浙江捷尚视觉科技有限公司 基于块的运动区域检测方法
CN104915975A (zh) * 2015-06-03 2015-09-16 厦门美图之家科技有限公司 一种模拟蜡笔彩绘的图像处理方法和系统
CN107492110A (zh) * 2017-07-31 2017-12-19 腾讯科技（深圳）有限公司 一种图像边缘检测方法、装置和存储介质
CN110636331A (zh) * 2019-09-26 2019-12-31 北京百度网讯科技有限公司 用于处理视频的方法和装置
CN111415308A (zh) * 2020-03-13 2020-07-14 青岛海信医疗设备股份有限公司 一种超声图像处理方法和通信终端
CN112150368A (zh) * 2019-06-27 2020-12-29 北京金山云网络技术有限公司 图像处理方法、装置、电子设备及计算机可读存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2034436A1 (en) * 2007-09-06 2009-03-11 Thomson Licensing Method for non-photorealistic rendering
CN110070499A (zh) * 2019-03-14 2019-07-30 北京字节跳动网络技术有限公司 图像处理方法、装置和计算机可读存储介质
CN111986096B (zh) * 2019-05-22 2024-02-13 上海哔哩哔哩科技有限公司 基于边缘提取的漫画生成方法及漫画生成装置
CN110619614B (zh) * 2019-10-24 2023-05-16 广州酷狗计算机科技有限公司 图像处理的方法、装置、计算机设备以及存储介质
CN113012185B (zh) * 2021-03-26 2023-08-29 影石创新科技股份有限公司 图像处理方法、装置、计算机设备和存储介质
CN113870100A (zh) * 2021-10-09 2021-12-31 维沃移动通信有限公司 图像处理方法和电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859440A (zh) * 2010-05-31 2010-10-13 浙江捷尚视觉科技有限公司 基于块的运动区域检测方法
CN104915975A (zh) * 2015-06-03 2015-09-16 厦门美图之家科技有限公司 一种模拟蜡笔彩绘的图像处理方法和系统
CN107492110A (zh) * 2017-07-31 2017-12-19 腾讯科技（深圳）有限公司 一种图像边缘检测方法、装置和存储介质
CN112150368A (zh) * 2019-06-27 2020-12-29 北京金山云网络技术有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN110636331A (zh) * 2019-09-26 2019-12-31 北京百度网讯科技有限公司 用于处理视频的方法和装置
CN111415308A (zh) * 2020-03-13 2020-07-14 青岛海信医疗设备股份有限公司 一种超声图像处理方法和通信终端

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022199583A1 (zh) * 2021-03-26 2022-09-29 影石创新科技股份有限公司 图像处理方法、装置、计算机设备和存储介质
CN113469876A (zh) * 2021-07-28 2021-10-01 北京达佳互联信息技术有限公司 图像风格迁移模型训练方法、图像处理方法、装置及设备
CN113469876B (zh) * 2021-07-28 2024-01-09 北京达佳互联信息技术有限公司 图像风格迁移模型训练方法、图像处理方法、装置及设备
CN113610823A (zh) * 2021-08-13 2021-11-05 南京诺源医疗器械有限公司 图像处理方法、装置、电子设备及存储介质
CN113610823B (zh) * 2021-08-13 2023-08-22 南京诺源医疗器械有限公司 图像处理方法、装置、电子设备及存储介质
WO2023056950A1 (zh) * 2021-10-09 2023-04-13 维沃移动通信有限公司 图像处理方法和电子设备
CN114119847A (zh) * 2021-12-05 2022-03-01 北京字跳网络技术有限公司 一种图形处理方法、装置、计算机设备及存储介质
CN114119847B (zh) * 2021-12-05 2023-11-07 北京字跳网络技术有限公司 一种图形处理方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113012185B (zh) 2023-08-29
WO2022199583A1 (zh) 2022-09-29

Similar Documents

Publication Publication Date Title
CN113012185B (zh) 图像处理方法、装置、计算机设备和存储介质
Guo et al. LIME: Low-light image enhancement via illumination map estimation
Celik Two-dimensional histogram equalization and contrast enhancement
Gupta et al. Minimum mean brightness error contrast enhancement of color images using adaptive gamma correction with color preserving framework
CN113034358B (zh) 一种超分辨率图像处理方法以及相关装置
Bhandari et al. A novel fuzzy clustering-based histogram model for image contrast enhancement
CN107330439A (zh) 一种图像中物体姿态的确定方法、客户端及服务器
CN108510499B (zh) 一种基于模糊集和Otsu的图像阈值分割方法及装置
CN111383232B (zh) 抠图方法、装置、终端设备及计算机可读存储介质
US9401027B2 (en) Method and apparatus for scene segmentation from focal stack images
Liu et al. Image de-hazing from the perspective of noise filtering
CN113179421B (zh) 视频封面选择方法、装置、计算机设备和存储介质
CN106650615A (zh) 一种图像处理方法及终端
CN113034514A (zh) 天空区域分割方法、装置、计算机设备和存储介质
CN113469092A (zh) 字符识别模型生成方法、装置、计算机设备和存储介质
CN115358943A (zh) 低光图像增强方法、系统、终端以及存储介质
Kim Image enhancement using patch-based principal energy analysis
Zulkeflee et al. Detection of a new crescent moon using the Maximally Stable Extremal Regions (MSER) technique
Chaudhry et al. Multi scale entropy based adaptive fuzzy contrast image enhancement for crowd images
CN110766614B (zh) 一种无线扫描笔的图像预处理方法和系统
Singh et al. Multiscale reflection component based weakly illuminated nighttime image enhancement
Dong et al. Image enhancement via texture protection Retinex
Lai et al. Novel mean-shift based histogram equalization using textured regions
CN115082345A (zh) 图像阴影去除方法、装置、计算机设备和存储介质
CN108986052B (zh) 一种自适应的图像去光照方法和系统

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