CN113052757A - 图像处理方法、装置、终端及存储介质 - Google Patents
图像处理方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN113052757A CN113052757A CN202110250471.8A CN202110250471A CN113052757A CN 113052757 A CN113052757 A CN 113052757A CN 202110250471 A CN202110250471 A CN 202110250471A CN 113052757 A CN113052757 A CN 113052757A
- Authority
- CN
- China
- Prior art keywords
- image
- stylized
- module
- original image
- stroke
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 134
- 230000005012 migration Effects 0.000 claims abstract description 45
- 238000013508 migration Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 244000025254 Cannabis sativa Species 0.000 description 4
- 238000010422 painting Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010428 oil painting Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例提供一种图像处理方法、装置、终端及存储介质,涉及图像处理技术领域。该方法包括:获取原始图像;获取原始图像对应的风格化类型以及笔触参数;通过图像处理模型按照笔触参数以及风格化类型,对原始图像进行风格迁移处理,得到原始图像对应的风格化图像。本申请实施例提供的技术方案,对原始图像进行风格化处理时由用户自定义选择期望的笔触类型,实现对风格迁移的精细化控制,得到的风格化图像满足个性化需求。
Description
技术领域
本申请实施例涉及图像处理技术领域,特别涉及图像处理方法、装置、终端及存储介质。
背景技术
图像风格化是指对原始图像进行风格迁移处理,在保持原始图像的内容不变的前提下,将其风格转化为与目标图像一致的风格,比如漫画风、油画风等。
相关技术中,对原始图像进行风格迁移处理的流程如下:通过风格图像与样本图像预先训练风格化模型,之后将原始图像输入上述风格化模型,由风格化模型输出原始图像对应的风格化图像。
发明内容
本申请实施例提供一种图像处理方法、装置、终端及存储介质。该技术方案包括:
一方面,本申请实施例提供一种图像处理方法,所述方法包括:
获取原始图像;
获取所述原始图像对应的风格化类型以及笔触参数,所述风格化类型用于指示对所述原始图像进行风格迁移处理所期望得到的风格类型,所述笔触参数用于指示对所述原始图像进行风格迁移处理所期望的笔触类型;
通过图像处理模型按照所述笔触参数以及所述风格化类型,对所述原始图像进行风格迁移处理,得到所述原始图像对应的风格化图像。
另一方面,本申请实施例提供一种图像处理装置,所述装置包括:
图像获取模块,用于获取原始图像;
第一获取模块,用于获取所述原始图像对应的风格化类型,所述风格化类型用于指示对所述原始图像进行风格迁移处理所期望得到的风格类型;
第二获取模块,用于获取所述原始图像对应笔触参数,所述笔触参数用于指示对所述原始图像进行风格迁移处理所期望的笔触类型;
图像处理模块,用于通过图像处理模型按照所述笔触参数以及所述风格化类型,对所述原始图像进行风格迁移处理,得到所述原始图像对应的风格化图像。
又一方面,本申请实施例提供一种终端,所述终端包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序由所述处理器加载并执行如一方面所述的图像处理方法。
又一方面,本申请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中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如一方面所述的图像处理方法。
又一方面,本申请实施例提供了一种计算机程序产品,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述图像处理方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过在对原始图像进行风格迁移处理之前,由用户基于期望采用的笔触类型设定笔触参数,通过图像处理模型按照笔触参数对原始图像进行风格迁移处理,得到具有符合用户期望的笔触类型的风格化图像,本申请实施例提供的技术方案,对原始图像进行风格化处理时由用户自定义选择期望的笔触类型,实现了对风格迁移的精细控制,得到的风格化图像满足个性化需求。
附图说明
图1是相关技术提供的风格化模型的示意图;
图2是本申请一个实施例提供的图像处理模型的结构图;
图3是本申请一个实施例提供的图像处理的示意图;
图4是本申请一个实施例提供的图像处理方法的流程图;
图5是本申请一个实施例提供的训练图像处理模型的流程图;
图6是本申请一个实施例提供的图像处理装置的框图;
图7是本申请一个实施例提供的终端的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先对相关技术涉及的风格化模型进行介绍。参考图1,风格化模型是通过样本图像对卷积神经网络(Convolutional Neural Networks,CNN)训练得到的,其包括编码器11与解码器12。
编码器11由若干个级联的卷积层构成,用于逐层提取输入图片的图像特征。解码器12也由若干个级联的卷积层组成,用于逐层将编码器11输出的图像特征还原为输出图片。
在训练风格化模型时,将输入图片、输出图片与风格图片都输入损失函数求解,并根据求解结果来更新风格化模型的模型参数,进而使风格化模型学习到对图像进行风格迁移处理的能力。
下面对本申请实施例涉及的图像处理模型进行介绍。
图像处理模块包括特征提取模块21、至少一个编码模块22、特征选择模块23以及解码模块24。
至少一个编码模块22顺次连接,且每个编码模块22均与特征选择模块23连接,每个编码模块22的输出数据既是下一编码模块22的输入数据,也是特征选择模块23的输入数据。需要说明的是,顺次连接的至少一个编码模块22中的最后一个编码模块22的输出数据仅为特征选择模块23的输入数据。特征选择模块23与解码模块24连接。特征选择模块23的输出数据也即是解码模块24的输入数据。特征提取模块21与至少一个编码模块22中的第一个编码模块22连接,特征提取模块21的输出数据也即是上述第一个编码模块22的输入数据。
特征提取模块21由若干个级联的卷积层构成,用于提取原始图像的图像特征供后续使用。
编码模块22包括卷积核为3×3,卷积步长为1×1的卷积层。编码模块22的数量基于笔触参数实际确定的,此处记为n。按照连接顺序对至少一个编码模块22进行编号,随着序号增大,编码模块22输出的编码特征分辨率不变,但感受野在逐渐增加。上述顺次连接的至少一个编码模块22组成“笔触金字塔”。
特征选择模块23用于将各个编码模块22输出的编码特征进行加权求和。可选地,特征选择模块23通过如下公式对各个编码模块22输出的编码特征进行加权求和,得到选择特征F。
解码模块24用于将特征选择模块23输出的选择特征,还原为风格化图像。
在训练图像处理模型时,将输入图片、输出图片与风格图片都输入损失函数求解,并根据求解结果来更新图像处理模型的模型参数,进而使图像处理模型学习到按照不同笔触参数对图像进行风格迁移处理的能力。需要说明的是,对应于n个编码模块22,在计算损失时需要采用n个尺度的风格图片。
相关技术中,在对原始图像进行风格迁移处理所得到的风格化图像中,笔触类型是预先设定的,较为单一。基于此,本申请实施例提供一种图像处理方法,通过在对原始图像进行风格迁移处理之前,由用户基于期望采用的笔触类型设定笔触参数,通过图像处理模型按照笔触参数对原始图像进行风格迁移处理,得到具有符合用户期望的笔触类型的风格化图像,本申请实施例提供的技术方案,对原始图像进行风格化处理时由用户自定义选择期望的笔触类型,实现了对风格迁移的精细控制,得到的风格化图像满足个性化需求。
在本申请实施例中,各步骤的执行主体为终端。可选地,终端包括完成训练的图像处理模型,该图像处理模型由终端训练得到,或者,由服务器训练得到并由终端从服务器中获取。可选地,终端中安装有具有图像处理功能的指定客户端,比如拍照客户端、美颜客户端,通过上述指定客户端来执行本申请实施例的各个步骤。在本申请实施例中,仅以各步骤的执行主体为终端进行说明。
参考图3,其示出了本申请实施例提供的图像处理的示意图。对于原始图像31,终端通过图像处理模型按照简笔画风格、第一笔触参数对其进行风格迁移处理,得到第一风格化图像32,终端通过图像处理模型按照简笔画风格、第二笔触参数对其进行风格迁移处理,得到第二风格化图像33。
图4是本申请一个实施例提供的图像处理方法的流程图。该方法包括:
步骤401,获取原始图像。
在一种可能的实现方式中,终端拍摄得到原始图像。在另一种可能的实现方式中,终端从本地存储中获取原始图像,比如从相册应用程序中获取原始他图像。在又一种可能的实现方式中,终端从网络端下载目标图像。
步骤402,获取原始图像对应的风格化类型以及笔触参数。
风格化类型用于指示对原始图像进行风格迁移处理所期望得到的风格类型。风格化类型包括且不限于:卡通、素描、油画、水墨画等等。可选地,终端显示风格化类型列表,风格化类型列表包括至少两项风格化类型,用户可以根据自身需求选择一项风格化类型,终端将被选择的风格化类型确定为原始图像对应的风格化类型。
笔触参数用于指示对原始图像进行风格迁移处理所期望的笔触类型。笔触类型包括粗犷、细腻、适中等等。可选地,终端显示有笔触参数进度条,终端接收对应于笔触参数进度条的调节信号,在调节信号消失后,终端从笔触参数进度条中获取笔触参数。
在其他可能的实现方式中,终端还可以基于原始图像中的图像元素,来自动确定笔触参数。可选地,终端保存有不同图像元素与不同笔触参数之间的对应关系,终端在识别出原始图像中的图像元素后,基于上述对应关系来获取相应的笔触参数。例如,对于天空元素,终端获取天空元素对应的笔触参数,以使得用于描绘天空元素的笔触更为粗犷,使得天空元素具有抽象的美感。再例如,对于草地元素,终端获取草地元素对应的笔触参数,以使得用于描绘天空元素的笔触更为细腻,使得草地元素能保留更多的局部细节。
本申请实施例对终端获取风格化类型以及笔触参数的顺序不作限定。在一种可能的实现方式中,终端先获取风格化类型,再获取笔触参数。在另一种可能的实现方式中,终端先获取笔触参数,再获取风格化类型。在又一种可能的实现方式中,终端同时获取笔触参数和风格化类型。
步骤403,通过图像处理模型按照笔触参数对原始图像进行风格迁移处理,得到原始图像对应的风格化图像。
图像处理模型是指预先训练的,用于将原始图像转化成不同笔触的风格化图像的模型。图像处理模型的结构可以参考图2所示实施例,此处不再赘述。图像处理模型的训练过程将在下文实施例进行讲解。风格迁移处理是指将原始图像转化为其他风格的图像。
在本申请实施例中,在对原始图像进行风格迁移处理之前,由用户基于期望采用的笔触类型设定笔触参数,之后通过图像处理模型按照笔触参数对原始图形进行风格迁移处理,得到具有符合用户期望的笔触类型的风格化图像,由于对原始图像进行风格化处理时由用户自定义选择期望的笔触类型,得到的风格化图像也更符合期望,满足用户的个性化需求。
可选地,图像处理模型包括特征选择模块、解码模块和至少一个编码模块,至少一个编码模块顺次连接,且至少一个编码模块中的每个编码模块与特征选择模块连接,特征选择模块与解码模块连接。上述步骤403包括如下子步骤:
步骤403a,基于笔触参数,获取编码模块对应的系数。
可选地,终端保存有笔触参数与编码模块对应的系数之间的对应关系。终端查询上述对应关系,即可获取各个编码模块分别对应的系数,并将上述各个编码模块分别对应的系数应用到图像处理模型中。
步骤403b,编码模块对原始图像的图像特征进行编码处理,得到编码特征。
图像处理模块还包括特征提取模块,其对原始图像进行特征提取处理,得到原始图像的图像特征。每个编码模块分别对其获取到的输入数据进行编码处理,得到编码特征。其中,第一个编码模块的输入数据是特征提取模块的输出数据,之后每一个编码模块的输入数据是前一编码模块的输出数据。
步骤403c,特征选择模块基于编码模块对应的系数以及编码特征进行特征选择处理,得到选择特征。
特征选择模块将各个编码模块对应的系数与编码特征进行加权求和,得到选择特征。可选地,特征选择模块通过如下公式对各个编码模块22输出的编码特征进行加权求和,得到选择特征F。
步骤403d,解码模块用于对选择特征进行解码处理,得到风格化图像。
解码模块用于将特征选择模块输出的选择特征,还原为风格化图像。
综上所述,本申请实施例提供的技术方案,通过在对原始图像进行风格迁移处理之前,由用户基于期望采用的笔触类型设定笔触参数,通过图像处理模型按照笔触参数对原始图像进行风格迁移处理,得到具有符合用户期望的笔触类型的风格化图像,本申请实施例提供的技术方案,对原始图像进行风格化处理时由用户自定义选择期望的笔触类型,实现了对风格迁移的精细控制,得到的风格化图像满足个性化需求。
在一种可能的实现中,对一张原始图像进行风格迁移处理时可以采用多种笔触参数,下面对该情况进行讲解。在基于图4所示实施例提供的可选实施例中,步骤402包括如下子步骤:
步骤402a,将原始图像划分为至少两个区域。
在一种可能的实现方式中,终端通过图像分割算法对原始图像进行图像分割处理,得到至少两个区域。图像分割算法包括且不限于:基于边缘的图像分割算法、基于区域的图像分割算法、基于阈值的图像分割算法、基于小波分析和小波变换的图像分割方法等。
在另一种可能的实现方式中,终端接收对应于原始图像的划分信号,基于划分信号将原始图像划分为至少两个区域。可选地,终端所显示的原始图像为可编辑状态,用户按照自身需求在原始图像中框选出某一图像元素,被框选出的区域也即是原始图像中的一个区域。示例性地,用户将原始图像划分为天空区域和草地区域。
步骤402b,获取至少两个区域分别对应的笔触参数。
可选地,对于至少两个区域中的目标区域,终端显示笔触参数进度条,接收对应于笔触参数进度条的调节信号,基于调节信号,确定目标区域对应的笔触参数。目标区域是至少两个区域中的任一区域。
在该种实现方式中,步骤403实现为:通过图像处理模型,按照区域对应的笔触参数以及风格化类型对区域进行风格迁移处理,得到风格化图像。终端通过图像处理模型,按照区域对应的笔触参数逐一对每个区域进行风格迁移处理,之后将处理结果拼接,得到风格化图像。
综上所述,本申请实施例提供的技术方案,对于原始图像中的不同区域,在对其进行风格迁移处理时采用不同的笔触参数,使得最终获得的风格化图像能最大程度保留不同图像元素的美感。
下面对图像处理模型的训练过程进行介绍。该训练过程包括如下步骤:
步骤501,获取风格图像和至少一张内容图像。
风格图像用于指示风格化类型,比如风格图像是一张梵高的画,其指示的风格化类型为油画风格。风格图像的数量基于图像处理模型所期望输出的风格化类型实际确定,本申请实施例对此不作限定。
内容图像的数量根据图像处理模型的精度要求实际确定。图像处理模型的精度要求越高,则内容图像的数量越多。在本申请实施例中,风格图像的量级为10的五次方。
步骤502,将内容图像输入图像处理模型,得到风格化图像。
步骤503,基于内容图像和风格化图像获取第一损失函数,基于风格图像和风格化图像获取第二损失函数。
可选地,第一损失函数也称为内容损失Lc,其通过如下公式来表示:
其中,Ci为内容约束层,Ic为内容图像,Fi(Ic)是指输入为内容图像时第i层的输出数据,Io是风格化图像,Fi(Io)是指输入为风格化图像时第i层的输出数据。
可选地,第二损失函数也称为风格损失Ls,其通过如下公式来表示:
其中,Si为内容约束层,Is为风格图像,Fi(Ic)是指输入为风格图像时第i层的输出数据,Io是风格化图像,Fi(Io)是指输入为风格化图像时第i层的输出数据。
步骤504,基于第一损失函数和第二损失函数,获取损失函数。
可选地,终端对第一损失函数和第二损失函数进行加权求和,得到损失函数。可选地,损失函数L通过如下公式表示。
L=αLc+βLs。
步骤505,基于损失函数调节图像处理模型的模型参数。
终端获得损失函数后,基于梯度算法更新图像处理模型的模型参数,直至图像处理模型收敛。
可选地,图像处理模型包括特征选择模块和至少一个编码模块,至少一个编码模块顺次连接,且至少一个编码模块中的每个编码模块与特征选择模块连接,特征选择模块用于将至少一个编码模块输出的编码特征进行加权求和。
在步骤505之前,该模型训练方法还包括:对于第i个编码模块,对风格图像进行预处理,得到处理后风格图像,设置第i个编码模块对应的系数为第一预设值,设置除第i个编码模块之外的其它编码模块对应的系数为第二预设值,i为正整数,且i的取值从1到n。
可选地,终端按照期望训练出的风格化类型以及笔触类型,对风格图像进行线性缩放,得到处理后风格图像,处理后风格图像用于模型训练。由于编码模块存在n个,因此需要对风格图像进行n次线性缩放,记为s1、s2、…、sn。可选地,第一预设值为1,第二预设值为0。
可选地,在该种实现方式中,步骤505实现为:基于损失函数调节第i个编码模块的模型参数。也即,在通过si进行模型训练的过程中,只调节第i个编码模块的参数,其他编码模块的模型参数保持不变。
以下为本申请装置实施例,对于装置实施例中未详细阐述的部分,参考方法实施例中公开的技术细节。
参考图6,示出了本申请一个示例性实施例提供的图像处理装置的框图。该图像处理装置通过软件、硬件或者两者的组合实现成为终端的全部或一部分。该图像处理装置包括:
图像获取模块601,用于获取原始图像。
第一获取模块602,用于获取所述原始图像对应的风格化类型,所述风格化类型用于指示对所述原始图像进行风格迁移处理所期望得到的风格类型。
第二获取模块603,用于获取所述原始图像对应笔触参数,所述笔触参数用于指示对所述原始图像进行风格迁移处理所期望的笔触类型。
图像处理模块604,用于通过图像处理模型按照所述笔触参数以及所述风格化类型,对所述原始图像进行风格迁移处理,得到所述原始图像对应的风格化图像。
综上所述,本申请实施例提供的技术方案,通过在对原始图像进行风格迁移处理之前,由用户基于期望采用的笔触类型设定笔触参数,通过图像处理模型按照笔触参数对原始图像进行风格迁移处理,得到具有符合用户期望的笔触类型的风格化图像,本申请实施例提供的技术方案,对原始图像进行风格化处理时由用户自定义选择期望的笔触类型,实现了对风格迁移的精细控制,得到的风格化图像满足个性化需求。
在基于图6所示实施例提供的可选实施例中,所述图像处理模型包括特征选择模块、解码模块和至少一个编码模块,所述至少一个编码模块顺次连接,且所述至少一个编码模块中的每个所述编码模块与所述特征选择模块连接,所述特征选择模块与所述解码模块连接;
所述图像处理模块,用于基于所述笔触参数,获取所述编码模块对应的系数;所述编码模块用于对所述原始图像的图像特征进行编码处理,得到编码特征;所述特征选择模块用于基于所述编码模块对应的系数以及所述编码特征进行特征选择处理,得到选择特征;所述解码模块用于对所述选择特征进行解码处理,得到所述风格化图像。
在基于图6所示实施例提供的可选实施例中,所述第二获取模块603,用于:
将所述原始图像划分为至少两个区域;
获取所述至少两个区域分别对应的笔触参数。
所述图像处理模块604,用于通过所述图像处理模型,按照所述区域对应的笔触参数对所述区域进行风格迁移处理,得到所述风格化图像。
可选地,所述第二获取模块603,用于:
对于所述至少两个区域中的目标区域,显示笔触参数进度条;
接收对应于所述笔触参数进度条的调节信号;
基于所述调节信号,确定所述目标区域对应的笔触参数。
可选地,所述第二获取模块603,用于:
通过图像分割算法对所述原始图像进行图像分割处理,得到所述至少两个区域;和/或,
接收对应于所述原始图像的划分信号,基于所述划分信号将所述原始图像划分为所述至少两个区域。
在基于图6所示实施例提供的可选实施例中,所述图像处理模型的训练方式如下:
获取风格图像和至少一张内容图像;
将所述内容图像输入图像处理模型,得到风格化图像;
基于所述内容图像和所述风格化图像获取第一损失函数,基于所述风格图像和所述风格化图像获取第二损失函数;
基于所述第一损失函数和所述第二损失函数,获取损失函数;
基于所述损失函数调节所述图像处理模型的模型参数。
可选地,所述图像处理模型包括特征选择模块和至少一个编码模块,所述至少一个编码模块顺次连接,且所述至少一个编码模块中的每个所述编码模块与所述特征选择模块连接,所述特征选择模块用于将所述至少一个编码模块输出的编码特征进行加权求和;
所述基于所述损失函数调节所述图像处理模型的模型参数之前,包括:
对于第i个编码模块,对所述风格图像进行预处理,得到处理后风格图像,所述处理后风格图像用于模型训练,所述i为正整数;
设置所述第i个编码模块对应的系数为第一预设值,设置除所述第i个编码模块之外的其它编码模块对应的系数为第二预设值;
所述基于所述损失函数调节所述图像处理模型的模型参数,包括:
基于所述损失函数调节所述第i个编码模块的模型参数。
图7示出了本申请一个示例性实施例提供的终端的结构方框图。本申请中的终端可以包括一个或多个如下部件:处理器710和存储器720。
处理器710可以包括一个或者多个处理核心。处理器710利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储器720内的指令、程序、代码集或指令集,以及调用存储在存储器720内的数据,执行终端的各种功能和处理数据。可选地,处理器710可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器710可集成中央处理器(CentralProcessing Unit,CPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统和应用程序等;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器710中,单独通过一块芯片进行实现。
可选地,处理器710执行存储器720中的程序指令时实现下上述各个方法实施例提供的图像处理方法。
存储器720可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。可选地,该存储器720包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器720可用于存储指令、程序、代码、代码集或指令集。存储器720可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等;存储数据区可存储根据终端的使用所创建的数据等。
上述终端的结构仅是示意性的,在实际实现时,终端可以包括更多或更少的组件,本实施例对此不作限定。
本领域技术人员可以理解,图7中示出的结构并不构成对终端700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还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中存储有计算机程序,所述计算机程序由终端的处理器加载并执行以实现上述方法实施例中的图像处理方法。
可选地,上述计算机可读存储介质可以是ROM、RAM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,该计算机程序产品包括计算机指令,该计算机指令存储在计算机可读存储介质中,终端的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该终端执行上述一方面或者一方面的各种可选实现方式中提供的图像处理方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本文中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取原始图像;
获取所述原始图像对应的风格化类型以及笔触参数,所述风格化类型用于指示对所述原始图像进行风格迁移处理所期望得到的风格类型,所述笔触参数用于指示对所述原始图像进行风格迁移处理所期望的笔触类型;
通过图像处理模型按照所述笔触参数以及所述风格化类型,对所述原始图像进行风格迁移处理,得到所述原始图像对应的风格化图像。
2.根据权利要求1所述的方法,其特征在于,所述图像处理模型包括特征选择模块、解码模块和至少一个编码模块,所述至少一个编码模块顺次连接,且所述至少一个编码模块中的每个所述编码模块与所述特征选择模块连接,所述特征选择模块与所述解码模块连接;
所述通过图像处理模型按照所述笔触参数以及所述风格化类型,对所述原始图像进行风格迁移处理,得到所述原始图像对应的风格化图像,包括:
基于所述笔触参数,获取所述编码模块对应的系数;
所述编码模块对所述原始图像的图像特征进行编码处理,得到编码特征;
所述特征选择模块基于所述编码模块对应的系数以及所述编码特征进行特征选择处理,得到选择特征;
所述解码模块对所述选择特征进行解码处理,得到所述风格化图像。
3.根据权利要求1所述的方法,其特征在于,所述获取原始图像对应的笔触参数,包括:
将所述原始图像划分为至少两个区域;
获取所述至少两个区域分别对应的笔触参数;
所述通过图像处理模型按照所述笔触参数对所述原始图像进行风格迁移处理,得到所述原始图像对应的风格化图像,包括:
通过所述图像处理模型,按照所述区域对应的笔触参数对所述区域进行风格迁移处理,得到所述风格化图像。
4.根据权利要求3所述的方法,其特征在于,所述获取所述至少两个区域分别对应的笔触参数,包括:
对于所述至少两个区域中的目标区域,显示笔触参数进度条;
接收对应于所述笔触参数进度条的调节信号;
基于所述调节信号,确定所述目标区域对应的笔触参数。
5.根据权利要求3所述的方法,其特征在于,所述将所述原始图像划分为至少两个区域,包括:
通过图像分割算法对所述原始图像进行图像分割处理,得到所述至少两个区域;和/或,
接收对应于所述原始图像的划分信号,基于所述划分信号将所述原始图像划分为所述至少两个区域。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述图像处理模型的训练方式如下:
获取风格图像和至少一张内容图像;
将所述内容图像输入图像处理模型,得到风格化图像;
基于所述内容图像和所述风格化图像获取第一损失函数,基于所述风格图像和所述风格化图像获取第二损失函数;
基于所述第一损失函数和所述第二损失函数,获取损失函数;
基于所述损失函数调节所述图像处理模型的模型参数。
7.根据权利要求6所述的方法,其特征在于,所述图像处理模型包括特征选择模块和至少一个编码模块,所述至少一个编码模块顺次连接,且所述至少一个编码模块中的每个所述编码模块与所述特征选择模块连接,所述特征选择模块用于将所述至少一个编码模块输出的编码特征进行加权求和;
所述基于所述损失函数调节所述图像处理模型的模型参数之前,包括:
对于第i个编码模块,对所述风格图像进行预处理,得到处理后风格图像,所述处理后风格图像用于模型训练,所述i为正整数;
设置所述第i个编码模块对应的系数为第一预设值,设置除所述第i个编码模块之外的其它编码模块对应的系数为第二预设值;
所述基于所述损失函数调节所述图像处理模型的模型参数,包括:
基于所述损失函数调节所述第i个编码模块的模型参数。
8.一种图像处理装置,其特征在于,所述装置包括:
图像获取模块,用于获取原始图像;
第一获取模块,用于获取所述原始图像对应的风格化类型,所述风格化类型用于指示对所述原始图像进行风格迁移处理所期望得到的风格类型;
第二获取模块,用于获取所述原始图像对应笔触参数,所述笔触参数用于指示对所述原始图像进行风格迁移处理所期望的笔触类型;
图像处理模块,用于通过图像处理模型按照所述笔触参数以及所述风格化类型,对所述原始图像进行风格迁移处理,得到所述原始图像对应的风格化图像。
9.一种终端,其特征在于,所述终端包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序由所述处理器加载并执行如权利要求1至7任一项所述的图像处理方法。
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中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250471.8A CN113052757A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250471.8A CN113052757A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052757A true CN113052757A (zh) | 2021-06-29 |
Family
ID=76510394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110250471.8A Pending CN113052757A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052757A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011123A (zh) * | 2023-05-31 | 2023-11-07 | 优酷网络技术(北京)有限公司 | 图像生成方法、设备、系统及计算机存储介质 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682420A (zh) * | 2012-03-31 | 2012-09-19 | 北京百舜华年文化传播有限公司 | 一种真实人物图像转换为卡通风格图像的方法及装置 |
CN103177430A (zh) * | 2011-12-20 | 2013-06-26 | 深圳万兴信息科技股份有限公司 | 图片处理方法、装置及视频处理方法 |
CN105719327A (zh) * | 2016-02-29 | 2016-06-29 | 北京中邮云天科技有限公司 | 一种艺术风格化图像处理方法 |
CN106651766A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络的图像风格迁移方法 |
CN107481185A (zh) * | 2017-08-24 | 2017-12-15 | 深圳市唯特视科技有限公司 | 一种基于视频图像优化的风格转换方法 |
CN107578367A (zh) * | 2017-04-25 | 2018-01-12 | 北京陌上花科技有限公司 | 一种风格化图像的生成方法及装置 |
CN107948529A (zh) * | 2017-12-28 | 2018-04-20 | 北京麒麟合盛网络技术有限公司 | 图像处理方法及装置 |
CN108961350A (zh) * | 2018-07-17 | 2018-12-07 | 北京工业大学 | 一种基于显著度匹配的画风迁移方法 |
CN108961349A (zh) * | 2018-06-29 | 2018-12-07 | 广东工业大学 | 一种风格化图像的生成方法、装置、设备及存储介质 |
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 |
CN109697690A (zh) * | 2018-11-01 | 2019-04-30 | 北京达佳互联信息技术有限公司 | 图像风格迁移方法和系统 |
CN109859096A (zh) * | 2018-12-28 | 2019-06-07 | 北京达佳互联信息技术有限公司 | 图像风格迁移方法、装置、电子设备及存储介质 |
CN109949214A (zh) * | 2019-03-26 | 2019-06-28 | 湖北工业大学 | 一种图像风格迁移方法及系统 |
CN110473141A (zh) * | 2019-08-02 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN110660018A (zh) * | 2018-09-13 | 2020-01-07 | 南京大学 | 一种面向图像的非均匀风格迁移方法 |
CN110956654A (zh) * | 2019-12-02 | 2020-04-03 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111383289A (zh) * | 2018-12-29 | 2020-07-07 | Tcl集团股份有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
CN111429388A (zh) * | 2019-01-09 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 一种图像处理方法、装置和终端设备 |
-
2021
- 2021-03-08 CN CN202110250471.8A patent/CN113052757A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177430A (zh) * | 2011-12-20 | 2013-06-26 | 深圳万兴信息科技股份有限公司 | 图片处理方法、装置及视频处理方法 |
CN102682420A (zh) * | 2012-03-31 | 2012-09-19 | 北京百舜华年文化传播有限公司 | 一种真实人物图像转换为卡通风格图像的方法及装置 |
CN105719327A (zh) * | 2016-02-29 | 2016-06-29 | 北京中邮云天科技有限公司 | 一种艺术风格化图像处理方法 |
CN106651766A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络的图像风格迁移方法 |
CN107578367A (zh) * | 2017-04-25 | 2018-01-12 | 北京陌上花科技有限公司 | 一种风格化图像的生成方法及装置 |
CN107481185A (zh) * | 2017-08-24 | 2017-12-15 | 深圳市唯特视科技有限公司 | 一种基于视频图像优化的风格转换方法 |
CN107948529A (zh) * | 2017-12-28 | 2018-04-20 | 北京麒麟合盛网络技术有限公司 | 图像处理方法及装置 |
CN108961349A (zh) * | 2018-06-29 | 2018-12-07 | 广东工业大学 | 一种风格化图像的生成方法、装置、设备及存储介质 |
CN108961350A (zh) * | 2018-07-17 | 2018-12-07 | 北京工业大学 | 一种基于显著度匹配的画风迁移方法 |
CN110660018A (zh) * | 2018-09-13 | 2020-01-07 | 南京大学 | 一种面向图像的非均匀风格迁移方法 |
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 |
CN109697690A (zh) * | 2018-11-01 | 2019-04-30 | 北京达佳互联信息技术有限公司 | 图像风格迁移方法和系统 |
CN109859096A (zh) * | 2018-12-28 | 2019-06-07 | 北京达佳互联信息技术有限公司 | 图像风格迁移方法、装置、电子设备及存储介质 |
CN111383289A (zh) * | 2018-12-29 | 2020-07-07 | Tcl集团股份有限公司 | 图像处理方法、装置、终端设备及计算机可读存储介质 |
CN111429388A (zh) * | 2019-01-09 | 2020-07-17 | 阿里巴巴集团控股有限公司 | 一种图像处理方法、装置和终端设备 |
CN109949214A (zh) * | 2019-03-26 | 2019-06-28 | 湖北工业大学 | 一种图像风格迁移方法及系统 |
CN110473141A (zh) * | 2019-08-02 | 2019-11-19 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及电子设备 |
CN110956654A (zh) * | 2019-12-02 | 2020-04-03 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
ZHENG MIAO ETC.: "Image palette: painting style transfer via brushstroke control synthesis", MULTIMED TOOLS APPL, vol. 76 * |
林星等: "主体结构保持的增强型图像风格传递方法", 模式识别与人工智能, vol. 31, no. 11 * |
赵杨;: "基于GPU加速的梵高流线风格油画实时渲染绘制算法", 电子测试, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011123A (zh) * | 2023-05-31 | 2023-11-07 | 优酷网络技术(北京)有限公司 | 图像生成方法、设备、系统及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11200638B2 (en) | Image style transform methods and apparatuses, devices and storage media | |
WO2020078236A1 (zh) | 二维码生成方法、装置、存储介质及电子设备 | |
CN111476719B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN108520247A (zh) | 对图像中的对象节点的识别方法、装置、终端及可读介质 | |
CN112288665B (zh) | 图像融合的方法、装置、存储介质及电子设备 | |
CN110909790A (zh) | 图像的风格迁移方法、装置、终端及存储介质 | |
CN111583100B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112819947A (zh) | 三维人脸的重建方法、装置、电子设备以及存储介质 | |
CN110533594B (zh) | 模型训练方法、图像重建方法、存储介质及相关设备 | |
CN111507333B (zh) | 一种图像矫正方法、装置、电子设备和存储介质 | |
CN112308866B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110598717B (zh) | 图像特征的提取方法、装置及电子设备 | |
CN112102477A (zh) | 三维模型重建方法、装置、计算机设备和存储介质 | |
CN111292334B (zh) | 一种全景图像分割方法、装置及电子设备 | |
EP4150556A1 (en) | Image super-resolution | |
CN108898549A (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN111127309A (zh) | 肖像风格迁移模型训练方法、肖像风格迁移方法以及装置 | |
US20240020810A1 (en) | UNIVERSAL STYLE TRANSFER USING MULTl-SCALE FEATURE TRANSFORM AND USER CONTROLS | |
CN116934907A (zh) | 图像生成方法、设备和存储介质 | |
WO2024131565A1 (zh) | 服装图像提取方法及其装置、设备、介质、产品 | |
CN113658326A (zh) | 三维毛发的重建方法及装置 | |
CN113592711A (zh) | 点云数据不均匀的三维重建方法、系统、设备及存储介质 | |
CN113052757A (zh) | 图像处理方法、装置、终端及存储介质 | |
CN111010605B (zh) | 一种视频画中画窗口的显示方法 | |
CN111292251B (zh) | 图像偏色校正方法、装置以及计算机存储介质 |
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 |