CN113096069A - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113096069A CN113096069A CN202110250320.2A CN202110250320A CN113096069A CN 113096069 A CN113096069 A CN 113096069A CN 202110250320 A CN202110250320 A CN 202110250320A CN 113096069 A CN113096069 A CN 113096069A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- region
- processing
- target
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 87
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 156
- 230000004927 fusion Effects 0.000 claims abstract description 44
- 238000007499 fusion processing Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 40
- 238000003709 image segmentation Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005429 filling process Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 18
- 238000000605 extraction Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000005530 etching Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000011946 reduction process Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种图像处理方法、装置、电子设备及存储介质。该图像处理方法包括:截取待处理图像中的目标区域作为区域图像;对区域图像中的前景和背景进行分割处理,得到所述区域图像的区域分割图像;对所述区域分割图像进行模糊处理,得到目标区域分割图像;根据预设图像处理方式对所述区域图像进行处理,得到目标区域图像,目标区域图像的尺寸与区域图像的尺寸相同;根据所述目标区域分割图像,对所述区域图像和所述目标区域图像进行融合处理,得到区域融合图像;将所述待处理图像中的目标区域替换为所述区域融合图像,得到目标图像。根据本公开提供的技术方案,能够避免局部区域图像融合的边界效应问题,提高图像融合效果。
Description
技术领域
本公开涉及视觉技术领域,尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
在图像处理中,通常会根据图像分割信息,从原图中截取出局部区域图像,将局部区域图像进行处理得到处理后的局部区域图像,例如得到美化后的局部区域图像。会将美化后的局部区域图像贴回原图中,实现局部区域图像融合。相关技术中,处理后的局部区域图像在贴回原图时,分割边界会出现像素过渡突兀的现象,产生边界效应问题。并且在局部区域图像中的前景处于边界时,该边界效应问题会更突出。
发明内容
本公开提供一种图像处理方法、装置、电子设备及存储介质,以至少解决相关技术中如何避免图像融合中边界效应问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种图像处理方法,包括:
截取待处理图像中的目标区域作为区域图像;
对所述区域图像中的前景和背景进行分割处理,获取所述区域图像的区域分割图像;
对所述区域分割图像进行模糊处理,得到目标区域分割图像;
根据预设图像处理方式对所述区域图像进行处理,得到目标区域图像,所述目标区域图像的尺寸与所述区域图像的尺寸相同;
根据所述目标区域分割图像,对所述区域图像和所述目标区域图像进行融合处理,得到区域融合图像;
将所述待处理图像中的目标区域替换为所述区域融合图像,得到目标图像。
在一种可能的实现方式中,所述对所述区域分割图像进行模糊处理,得到目标区域分割图像步骤包括:
对所述区域分割图像进行边界填充处理,得到第一分割图像;
对所述第一分割图像进行模糊处理,得到第二分割图像;
对所述第二分割图像进行裁剪,得到所述目标区域分割图像,所述目标区域分割图像的尺寸与所述区域分割图像的尺寸相同。
在一种可能的实现方式中,所述对所述区域分割图像进行边界填充处理,得到第一分割图像步骤之后,所述图像处理方法还包括:
对所述第一分割图像进行腐蚀处理,得到第三分割图像;
所述对所述第一分割图像进行模糊处理,得到第二分割图像步骤包括:
对所述第三分割图像进行模糊处理,得到第二分割图像。
在一种可能的实现方式中,所述根据所述目标区域分割图像,对所述区域图像和所述目标区域图像进行融合处理,得到区域融合图像步骤包括:
根据所述目标区域分割图像,从所述区域图像中提取背景图像;
根据所述目标区域分割图像,从所述目标区域图像中提取前景图像;
对所述背景图像和所述前景图像进行融合处理,得到所述区域融合图像。
在一种可能的实现方式中,所述对所述区域分割图像进行边界填充处理,得到第一分割图像步骤包括:
提取所述区域分割图像中的背景像素;
利用所述背景像素对所述区域分割图像进行边界填充处理,得到所述第一分割图像。
根据本公开实施例的第二方面,提供一种图像处理装置,包括:
截取模块,被配置为执行截取待处理图像中的目标区域作为区域图像;
区域分割图像获取模块,被配置为执行对所述区域图像中的前景和背景进行分割处理,得到所述区域图像的区域分割图像;
模糊处理模块,被配置为执行对所述区域分割图像进行模糊处理,得到目标区域分割图像;
目标区域图像获取模块,被配置为执行根据预设图像处理方式对所述区域图像进行处理,得到目标区域图像,所述目标区域图像的尺寸与所述区域图像的尺寸相同;
图像融合模块,被配置为执行根据所述目标区域分割图像,对所述区域图像和所述目标区域图像进行融合处理,得到区域融合图像;
目标图像获取模块,被配置为执行将所述待处理图像中的目标区域替换为所述区域融合图像,得到目标图像。
在一种可能的实现方式中,所述模糊处理模块包括:
第一分割图像获取单元,被配置为执行对所述区域分割图像进行边界填充处理,得到第一分割图像;
第二分割图像获取单元,被配置为执行对所述第一分割图像进行模糊处理,得到第二分割图像;
目标区域分割图像获取单元,被配置为执行对所述第二分割图像进行裁剪,得到所述目标区域分割图像,所述目标区域分割图像的尺寸与所述区域分割图像的尺寸相同。
在一种可能的实现方式中,所述模糊处理模块还包括:
图像腐蚀单元,被配置为执行对所述第一分割图像进行腐蚀处理,得到第三分割图像;
所述第二分割图像获取单元包括第二分割图像获取子单元,所述第二分割图像获取子单元,被配置为执行对所述第三分割图像进行模糊处理,得到第二分割图像。
在一种可能的实现方式中,所述图像融合模块包括:
背景提取单元,被配置为执行根据所述目标区域分割图像,从所述区域图像中提取背景图像;
前景提取单元,被配置为执行根据所述目标区域分割图像,从所述目标区域图像中提取前景图像;
图像融合单元,被配置为执行对所述背景图像和所述前景图像进行融合处理,得到所述区域融合图像。
在一种可能的实现方式中,所述第一分割图像获取单元包括:
背景像素提取子单元,被配置为执行提取所述区域分割图像中的背景像素;
第一分割图像获取子单元,被配置为执行利用所述背景像素对所述区域分割图像进行边界填充处理,得到所述第一分割图像。
根据本公开实施例的第三方面,提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如上述第一方面中任一项所述的方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行本公开实施例的第一方面中任一所述方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时,使得计算机执行本公开实施例的第一方面中任一项所述方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过对区域分割图像进行模糊处理,得到目标区域分割图像,并根据目标区域分割图像,对区域图像和目标区域图像进行融合处理,得到区域融合图像,使得区域融合图像替换待处理图像的目标区域时,避免分割边界出现突兀现象,分割边界的像素过渡平滑,避免了目标区域图像融合回待处理图像中的边界效应问题,提高图像融合效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种应用环境的示意图。
图2是根据一示例性实施例示出的图像处理方法的流程图。
图3是根据一示例性实施例示出的图像处理的流程架构示意图。
图4是根据一示例性实施例示出的图像处理方法的流程图。
图5是根据一示例性实施例示出的图像处理的流程架构示意图。
图6是根据一示例性实施例示出的图像处理方法的流程图。
图7是根据一示例性实施例示出的根据目标区域分割图像,对区域图像和目标区域图像进行融合处理,得到区域融合图像的方法流程图。
图8是根据一示例性实施例示出的图像分割模型的训练方法流程图。
图9是根据一示例性实施例示出的图像处理装置框图。
图10是根据一示例性实施例示出的一种用于图像处理的电子设备的框图。
图11是根据一示例性实施例示出的一种用于图像处理的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
请参阅图1,图1是根据一示例性实施例示出的一种应用环境的示意图,如图1所示,该应用环境可以包括服务器01和终端02。
在一个可选的实施例中,服务器01可以用于图像处理。具体的,服务器01可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
在一个可选的实施例中,终端02可以用于提供面向用户的图像处理。用户可以在终端02侧上传待处理图像,并可以获取并保存目标图像。具体的,终端02可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、智能可穿戴设备等类型的电子设备。可选的,电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
此外,需要说明的是,图1所示的仅仅是本公开提供的图像处理方法的一种应用环境。本公开对此不作限定,该图像处理方法可以由服务器01执行,或者由终端02执行,也可以由服务器01结合终端02执行,例如服务器可以将训练好的图像分割模型发送给终端02使用,由终端02执行图像处理方法。
本说明书实施例中,上述服务器01以及终端02可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
图2是根据一示例性实施例示出的图像处理方法的流程图。如图2所示,可以包括以下步骤。
在步骤S201中,截取待处理图像中的目标区域作为区域图像。
本说明书实施例中,待处理图像可以是一帧图像,该一帧图像可以是视频中的一帧图像,本公开对待处理图像不作限定。可以获取待处理图像,并可以截取待处理图像A1中的目标区域作为区域图像A2,如图3所示。其中,目标区域可以是目标对象所在区域,或者可以是待处理图像中的任意局部区域,本公开对此不作限定。目标对象可以为人脸、人像等,本公开对此不作限定。目标区域的尺寸和形状,本公开也不作限定。
在一个示例中,目标图像为人脸时,可以根据人脸关键点等参数,截取人脸所在区域作为目标区域,从而可以从待处理图像中截取目标区域作为区域图像。
在另一个实例中,可以利用目标区域提取模型从待处理图像中截取区域图像,该目标区域提取模型可以是神经网络模型,本公开对此不作限定。
以上仅仅是示例,不对本公开进行限定。
在步骤S203中,对区域图像中的前景和背景进行分割处理,获取区域图像的区域分割图像。
本说明书实施例中,可以对区域图像中的前景和背景进行分割处理,得到对应的区域分割图像M1。例如可以对区域图像的前景和背景进行提取,从而可以基于前景和背景的边界进行分割处理,得到对应的区域分割图像M1。本公开对此不作限定。其中,区域分割图像的尺寸可以与区域图像的尺寸相同。
在一种可能的实现方式中,该步骤S203可以包括以下步骤:
获取图像分割模型;
将区域图像输入图像分割模型,进行图像分割处理,得到区域分割图像。
通过图像分割模型得到区域分割图像,使得图像分割处理更加高效准确。
在步骤S205中,对区域分割图像进行模糊处理,得到目标区域分割图像。
本说明书实施例中,可以对区域分割图像进行模糊处理,得到目标区域分割图像。例如可以利用均值滤波、高斯滤波等模糊处理方式,对区域分割图像M1进行均值滤波、高斯滤波等模糊处理,得到目标区域分割图像M4,如图3所示。其中,对于模糊核的大小,可以根据实际需求设置,本公开对此不作限定。
在步骤S207中,根据预设图像处理方式对区域图像进行处理,得到目标区域图像。
实际应用中,预设图像处理方式可以包括图像美化、图像风格化等处理方式。其中,图像美化可以包括美颜、添加滤镜、图像亮度调整、图像色彩调整等;图像风格化可以包括将图像中的对象进行不同风格的转化,比如将图像中的对象转化为卡通风格、生肖风格等。本公开对预设图像处理方式不作限定。其中,目标区域图像的尺寸与区域图像的尺寸可以相同。
在步骤S209中,根据目标区域分割图像,对区域图像和目标区域图像进行融合处理,得到区域融合图像。
本说明书实施例中,可以根据目标区域分割图像M4对区域图像A2和目标区域图像A3进行融合处理,得到区域融合图像A4。本公开对融合处理的方式不作限定。
在步骤S211中,将待处理图像中的目标区域替换为区域融合图像,得到目标图像。
本说明书实施例中,可以将待处理图像中的目标区域替换为区域融合图像,得到目标图像。例如,可以利用A4替换A1中的目标区域,得到A5。
通过对区域分割图像进行模糊处理,得到目标区域分割图像,并根据目标区域分割图像,对区域图像和目标区域图像进行融合处理,得到区域融合图像,使得区域融合图像替换待处理图像的目标区域时,避免分割边界出现突兀现象,分割边界的像素过渡平滑,避免了目标区域图像融合回待处理图像中的边界效应问题,提高图像融合效果。
图4是根据一示例性实施例示出的图像处理方法的流程图。如图4所示,在一种可能的实现方式中,上述步骤S205可以包括以下步骤:
在步骤S401中,对区域分割图像进行边界填充处理,得到第一分割图像;
在步骤S403中,对第一分割图像进行模糊处理,得到第二分割图像;
在步骤S405中,对第二分割图像进行裁剪,得到目标区域分割图像,目标区域分割图像的尺寸与区域分割图像的尺寸相同。
本说明书实施例中,如图5所示,可以对区域分割图像M1进行边界填充处理,即可以对M1进行扩边(扩充边缘)处理,得到第一分割图像M2。在一个示例中,可以提取区域分割图像中的背景像素;利用背景像素对区域分割图像进行边界填充处理,得到第一分割图像。例如,可以在M1的边缘扩充像素,该扩充像素的像素值可以与M1的背景像素值相同。对于M1而言,前景像素值可以大于0;背景为黑色,背景像素值可以为0。因此,可以使扩充像素的像素值为0。本公开对边界填充的方式不作限定,可以调用OpenCV中边界填充的函数来实现边界填充,例如可以利用OpenCV中的边缘像素填充方式等。通过利用背景像素对区域分割图像进行边界填充处理,在区域图像中的前景处于区域图像的边界时,能够有效避免边界效应问题。
进一步地,如图5所示,可以对M2进行模糊处理,得到第二分割图像M3。例如,可以使用均值滤波、高斯滤波等模糊处理方式,对M2进行模糊处理,得到第二分割图像M3。其中,模糊处理的模糊核的值,可以根据实际需要设置,本公开对此不作限定。并且可以根据M1的尺寸信息,对M3进行裁剪,例如对M3进行裁边处理,可以得到目标区域分割图像M4。
通过对区域分割图像进行依次地边界填充、模糊、裁剪处理,使得得到的目标区域分割图像的边缘区域的像素值与待处理图像中目标区域的边缘像素值可以平滑过渡,不突兀,避免图像融合时的边界效应问题。
图6是根据一示例性实施例示出的图像处理方法的流程图。如图6所示,在一种可能的实现方式中,在对区域分割图像进行边界填充处理,得到第一分割图像步骤之后,即在步骤S401之后,该图像处理方法还可以包括:
在步骤S601中,对第一分割图像进行腐蚀处理,得到第三分割图像;
相应地,包括:步骤S403可以包括:
在步骤S603中,对第三分割图像进行模糊处理,得到第二分割图像。
本说明书实施例中,可以对第一分割图像M2进行腐蚀处理,得到第三分割图像M5。从而可以对M5进行模糊处理,得到第二分割图像M3。例如,可以对M2中的白色区域进行腐蚀处理,即对白色区域进行缩减处理,得到第三分割图像M5。
通过对第一分割图像进行腐蚀处理,使得第二分割图像,从而可以使得基于第二分割图像得到的目标区域分割图像用于获取目标图像时,能够进一步避免边界效应问题。
图7是根据一示例性实施例示出的根据目标区域分割图像,对区域图像和目标区域图像进行融合处理,得到区域融合图像的方法流程图。在一种可能的实现方式中,该步骤S209可以包括:
在步骤S701中,根据目标区域分割图像,从区域图像中提取背景图像;
在步骤S703中,根据目标区域分割图像,从目标区域图像中提取前景图像;
在步骤S705中,对背景图像和前景图像进行融合处理,得到区域融合图像。
本说明书实施例中,可以根据目标区域分割图像M4,从区域图像A2中提取背景图像,并从目标区域图像A3中提取前景图像。从而可以基于背景图像和前景图像,得到区域融合图像。例如可以对背景图像和前景图像进行图像融合处理,得到区域融合图像。也就是说可以将A2的背景与A3的前景进行融合,得到区域融合图像A4。
在一个示例中,当M4的像素值的范围为[0,1],其中像素值为1可以表示前景像素。可以利用下面公式(1)得到A4。
A4=A3*M4+A2*(1-M4) (1)
在另一个示例中,当M4的像素值的范围为[0,255],其中像素值为255可以表示前景像素。可以利用下面公式(2)得到A4。
A4=A3*M4/255+A2*(255-M4)/255 (2)
以上仅仅是示例,不对本公开进行限定。
通过目标区域分割图像,从区域图像中提取背景图像以及从目标区域图像中提取前景图像,实现融合处理,保证提取的背景图像的边缘像素值与提取的前景图像的边缘像素值可以平滑过渡,进而在获取目标图像时,可以避免边界效应问题。
图8是根据一示例性实施例示出的图像分割模型的训练方法流程图。该训练方法可以在步骤S203之前完成,以使得S203可以使用训练好的图像分割模型。如图8所示,在一种可能的实现方式中,该方法可以包括以下步骤:
在步骤S801中,获取样本图像和对应的分割图像标签。
本说明书实施例中,分割图像标签可以是指图像的分割图。可以从多媒体资源中获取大量图像作为样本图像,并可以获取样本图像对应的分割图作为分割图像标签。
在步骤S803中,将样本图像输入预设机器学习模型,进行图像分割学习,得到样本分割图像。
本说明书实施例中,预设机器学习模型可以为预设神经网络模型,本公开对此不作限定。可以将样本图像输入预设机器学习模型,进行图像分割学习,得到样本分割图像。
在步骤S805中,根据分割图像标签和样本分割图像,确定损失信息;
在步骤S807中,根据损失信息训练预设机器学习模型,得到图像分割模型。
实际应用中,可以根据分割图像标签和样本分割图像,确定损失信息,并可以根据损失信息训练预设机器学习模型,得到图像分割模型。例如,可以根据损失信息得到梯度信息,进行反向梯度传输以调整预设机器学习模型的参数,实现对预设机器学习模型的训练,直至损失信息满足预设条件,可以将满足预设条件时的预设机器学习模型作为图像分割模型。其中,预设条件可以是损失信息不再增加,或者损失信息小于阈值,本公开对此不作限定。
通过对预设机器学习模型进行训练得到图像分割模型,在利用图像分割模型进行图像分割时,可以提高图像分割的效率和精度。
图9是根据一示例性实施例示出的图像处理装置框图。参照图9,该装置可以包括:
截取模块901,被配置为执行截取待处理图像中的目标区域作为区域图像;
区域分割图像获取模块903,被配置为执行对所述区域图像中的前景和背景进行分割处理,得到区域图像的区域分割图像;
模糊处理模块905,被配置为执行对区域分割图像进行模糊处理,得到目标区域分割图像;
目标区域图像获取模块907,被配置为执行根据预设图像处理方式对区域图像进行处理,得到目标区域图像,目标区域图像的尺寸与区域图像的尺寸相同;
图像融合模块909,被配置为执行根据目标区域分割图像,对区域图像和目标区域图像进行融合处理,得到区域融合图像;
目标图像获取模块911,被配置为执行将待处理图像中的目标区域替换为区域融合图像,得到目标图像。
通过对区域分割图像进行模糊处理,得到目标区域分割图像,并根据目标区域分割图像,对区域图像和目标区域图像进行融合处理,得到区域融合图像,使得区域融合图像替换待处理图像的目标区域时,避免分割边界出现突兀现象,分割边界的像素过渡平滑,避免了目标区域图像融合回待处理图像中的边界效应问题,提高图像融合效果。
在一种可能的实现方式中,模糊处理模块包括:
第一分割图像获取单元,被配置为执行对区域分割图像进行边界填充处理,得到第一分割图像;
第二分割图像获取单元,被配置为执行对第一分割图像进行模糊处理,得到第二分割图像;
目标区域分割图像获取单元,被配置为执行对第二分割图像进行裁剪,得到目标区域分割图像,目标区域分割图像的尺寸与区域分割图像的尺寸相同。
在一种可能的实现方式中,模糊处理模块还包括:
图像腐蚀单元,被配置为执行对第一分割图像进行腐蚀处理,得到第三分割图像;
第二分割图像获取单元包括第二分割图像获取子单元,第二分割图像获取子单元,被配置为执行对第三分割图像进行模糊处理,得到第二分割图像。
在一种可能的实现方式中,图像融合模块包括:
背景提取单元,被配置为执行根据目标区域分割图像,从区域图像中提取背景图像;
前景提取单元,被配置为执行根据目标区域分割图像,从目标区域图像中提取前景图像;
图像融合单元,被配置为执行对背景图像和前景图像进行融合处理,得到区域融合图像。
在一种可能的实现方式中,第一分割图像获取单元可以包括:
背景像素提取子单元,被配置为执行提取区域分割图像中的背景像素;
第一分割图像获取子单元,被配置为执行利用背景像素对区域分割图像进行边界填充处理,得到第一分割图像。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种用于图像处理的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图10所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子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。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理的方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子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10中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子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。
图11是根据一示例性实施例示出的一种用于图像处理的电子设备的框图,该电子设备可以是服务器,其内部结构图可以如图11所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子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。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理的方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子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。
在示例性实施例中,还提供了一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行该指令,以实现如本公开实施例中的图像处理方法。
在示例性实施例中,还提供了一种计算机可读存储介质,当该计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行本公开实施例中的图像处理方法。计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本公开实施例中的图像处理方法。
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,该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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
截取待处理图像中的目标区域作为区域图像;
对所述区域图像中的前景和背景进行分割处理,得到所述区域图像的区域分割图像;
对所述区域分割图像进行模糊处理,得到目标区域分割图像;
根据预设图像处理方式对所述区域图像进行处理,得到目标区域图像,所述目标区域图像的尺寸与所述区域图像的尺寸相同;
根据所述目标区域分割图像,对所述区域图像和所述目标区域图像进行融合处理,得到区域融合图像;
将所述待处理图像中的目标区域替换为所述区域融合图像,得到目标图像。
2.根据权利要求1所述的图像处理方法,其特征在于,所述对所述区域分割图像进行模糊处理,得到目标区域分割图像步骤包括:
对所述区域分割图像进行边界填充处理,得到第一分割图像;
对所述第一分割图像进行模糊处理,得到第二分割图像;
对所述第二分割图像进行裁剪,得到所述目标区域分割图像,所述目标区域分割图像的尺寸与所述区域分割图像的尺寸相同。
3.根据权利要求2所述的图像处理方法,其特征在于,所述对所述区域分割图像进行边界填充处理,得到第一分割图像步骤之后,所述图像处理方法还包括:
对所述第一分割图像进行腐蚀处理,得到第三分割图像;
所述对所述第一分割图像进行模糊处理,得到第二分割图像步骤包括:
对所述第三分割图像进行模糊处理,得到第二分割图像。
4.根据权利要求1-3任一项所述的图像处理方法,其特征在于,所述根据所述目标区域分割图像,对所述区域图像和所述目标区域图像进行融合处理,得到区域融合图像步骤包括:
根据所述目标区域分割图像,从所述区域图像中提取背景图像;
根据所述目标区域分割图像,从所述目标区域图像中提取前景图像;
对所述背景图像和所述前景图像进行融合处理,得到所述区域融合图像。
5.根据权利要求2所述的图像处理方法,其特征在于,所述对所述区域分割图像进行边界填充处理,得到第一分割图像步骤包括:
提取所述区域分割图像中的背景像素;
利用所述背景像素对所述区域分割图像进行边界填充处理,得到所述第一分割图像。
6.一种图像处理装置,其特征在于,包括:
截取模块,被配置为执行截取待处理图像中的目标区域作为区域图像;
区域分割图像获取模块,被配置为执行对所述区域图像中的前景和背景进行分割处理,得到所述区域图像的区域分割图像;
模糊处理模块,被配置为执行对所述区域分割图像进行模糊处理,得到目标区域分割图像;
目标区域图像获取模块,被配置为执行根据预设图像处理方式对所述区域图像进行处理,得到目标区域图像,所述目标区域图像的尺寸与所述区域图像的尺寸相同;
图像融合模块,被配置为执行根据所述目标区域分割图像,对所述区域图像和所述目标区域图像进行融合处理,得到区域融合图像;
目标图像获取模块,被配置为执行将所述待处理图像中的目标区域替换为所述区域融合图像,得到目标图像。
7.根据权利要求6所述的图像处理装置,其特征在于,所述模糊处理模块包括:
第一分割图像获取单元,被配置为执行对所述区域分割图像进行边界填充处理,得到第一分割图像;
第二分割图像获取单元,被配置为执行对所述第一分割图像进行模糊处理,得到第二分割图像;
目标区域分割图像获取单元,被配置为执行对所述第二分割图像进行裁剪,得到所述目标区域分割图像,所述目标区域分割图像的尺寸与所述区域分割图像的尺寸相同。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至5中任一项所述的图像处理方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至5中任一项所述的图像处理方法。
10.一种计算机程序产品,包括计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1至5任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250320.2A CN113096069A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110250320.2A CN113096069A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113096069A true CN113096069A (zh) | 2021-07-09 |
Family
ID=76666774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110250320.2A Pending CN113096069A (zh) | 2021-03-08 | 2021-03-08 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096069A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781292A (zh) * | 2021-08-23 | 2021-12-10 | 北京达佳互联信息技术有限公司 | 图像处理方法和装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830780A (zh) * | 2018-05-09 | 2018-11-16 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
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 |
CN111179282A (zh) * | 2019-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
CN111583097A (zh) * | 2019-02-18 | 2020-08-25 | 北京三星通信技术研究有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN112116624A (zh) * | 2019-06-21 | 2020-12-22 | 华为技术有限公司 | 一种图像处理方法和电子设备 |
CN112446380A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 图像处理方法和装置 |
-
2021
- 2021-03-08 CN CN202110250320.2A patent/CN113096069A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830780A (zh) * | 2018-05-09 | 2018-11-16 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、电子设备、存储介质 |
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 |
CN111583097A (zh) * | 2019-02-18 | 2020-08-25 | 北京三星通信技术研究有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN112116624A (zh) * | 2019-06-21 | 2020-12-22 | 华为技术有限公司 | 一种图像处理方法和电子设备 |
CN112446380A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 图像处理方法和装置 |
CN111179282A (zh) * | 2019-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
Non-Patent Citations (1)
Title |
---|
贺向前 主编: "《Python语言程序设计及医学应用》", 中国铁道出版社, pages: 153 - 154 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781292A (zh) * | 2021-08-23 | 2021-12-10 | 北京达佳互联信息技术有限公司 | 图像处理方法和装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569721A (zh) | 识别模型训练方法、图像识别方法、装置、设备及介质 | |
CN110443140B (zh) | 文本定位的方法、装置、计算机设备及存储介质 | |
CN112308866B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111275034B (zh) | 从图像中提取文本区域的方法、装置、设备和存储介质 | |
CN111553923B (zh) | 一种图像处理方法、电子设备及计算机可读存储介质 | |
CN111383232B (zh) | 抠图方法、装置、终端设备及计算机可读存储介质 | |
CN110889824A (zh) | 一种样本生成方法、装置、电子设备及计算机可读存储介质 | |
US11978216B2 (en) | Patch-based image matting using deep learning | |
CN107547803B (zh) | 视频分割结果边缘优化处理方法、装置及计算设备 | |
CN111553362A (zh) | 一种视频处理方法、电子设备和计算机可读存储介质 | |
CN110717878A (zh) | 图像融合方法、装置、计算机设备和存储介质 | |
CN110782469A (zh) | 一种视频帧图像分割方法、装置、电子设备及存储介质 | |
CN111210487A (zh) | 图案生成方法和系统 | |
CN110796663B (zh) | 图片剪裁方法、装置、设备和存储介质 | |
CN113096069A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114222181B (zh) | 一种图像处理方法、装置、设备及介质 | |
CN114332297A (zh) | 图像的绘制方法、装置、计算机设备和存储介质 | |
CN115205202A (zh) | 视频检测方法、装置、设备及存储介质 | |
CN111489418B (zh) | 图像处理方法、装置、设备及计算机可读存储介质 | |
CN114610150A (zh) | 图像处理方法及装置 | |
CN111914850B (zh) | 图片特征提取方法、装置、服务器和介质 | |
CN114157881A (zh) | 多媒体处理方法、装置、电子设备及存储介质 | |
CN113129227A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN115423823A (zh) | 图像处理方法及其装置 | |
CN113205451B (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 |