CN113962850A - 图像处理方法、计算机终端及存储介质 - Google Patents
图像处理方法、计算机终端及存储介质 Download PDFInfo
- Publication number
- CN113962850A CN113962850A CN202111166595.4A CN202111166595A CN113962850A CN 113962850 A CN113962850 A CN 113962850A CN 202111166595 A CN202111166595 A CN 202111166595A CN 113962850 A CN113962850 A CN 113962850A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- style template
- category
- preset
- 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 46
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 55
- 230000002452 interceptive effect Effects 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种图像处理方法、计算机终端及存储介质。其中，该方法包括：获取原始图像；确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。本申请解决了相关技术中待处理图像与训练数据存在差异，导致模型准确度降低的技术问题。
Description
技术领域
本申请涉及图像处理领域，具体而言，涉及一种图像处理方法、计算机终端及存储介质。
背景技术
目前，在遥感场景地面物体分割识别分类场景中，可以通过人工标注卫星图像中每个像素地面物体类别作为训练图片数据，然后将标注好的训练数据交由深度模型学习，得到地物分类模型。
但是，由于卫星硬件、图片后处理(如图1所示)、光线明暗(如图2所示)、地理区域(如图3所示)、季节的差异，待处理图像与训练数据存在差异，导致地物分类模型的分类准确度降低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种图像处理方法、计算机终端及存储介质，以至少解决相关技术中待处理图像与训练数据存在差异，导致模型准确度降低的技术问题。
根据本申请实施例的一个方面，提供了一种图像处理方法，包括：获取原始图像；确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。
根据本申请实施例的另一个方面，提供了一种图像处理方法，包括：获取地物图像；确定地物图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；基于地物图像和多个第一像素对应的目标风格模板，生成目标图像。
根据本申请实施例的另一个方面，提供了一种图像处理方法，包括：云服务器接收客户端上传的原始图像；云服务器确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；云服务器基于原始图像和多个第一像素对应的目标风格模板，生成目标图像；云服务器输出目标图像至客户端。
根据本申请实施例的一个方面，提供了一种图像处理装置，包括：获取模块，用于获取原始图像；确定模块，用于确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；生成模块用于，基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。
根据本申请实施例的一个方面，提供了一种图像处理装置，包括：获取模块，用于获取地物图像；确定模块，用于确定地物图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；生成模块，用于基于地物图像和多个第一像素对应的目标风格模板，生成目标图像。
根据本申请实施例的一个方面，提供了一种图像处理装置，设置于云服务器，包括：接收模块，用于接收客户端上传的原始图像；确定模块，用于确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；生成模块，用于基于原始图像和多个第一像素对应的目标风格模板，生成目标图像；输出模块，用于输出目标图像至客户端。
根据本申请实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述实施例中的图像处理方法。
根据本申请实施例的另一方面，还提供了一种计算机终端，包括：存储器和处理器，处理器用于运行存储器中存储的程序，其中，程序运行时执行上述实施例中的图像处理方法。
在本申请实施例中，在获取到原始图像之后，确定原始图像中多个第一像素对应的目标风格模板，并基于原始图像和多个第一像素对应的目标风格模板，生成目标图像，实现图像数据增强的目的。容易注意到的是，由于目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成，因此，目标图像可以是不同风格的图像，在采用目标图像进行模型训练，可以达到降低待处理图像与训练数据的差异，提高模型鲁棒性和精度的技术效果，进而解决了相关技术中待处理图像与训练数据存在差异，导致模型准确度降低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据现有技术的一种可选的卫星硬件、图片后处理不同对比场景下的图像的示意图；
图2是根据现有技术的一种可选的光线明暗场景下的图像的示意图；
图3是根据现有技术的一种可选的地理区域场景下的图像的示意图；
图4是根据本申请实施例的一种用于实现图像处理方法的计算机终端(或移动设备)的硬件结构框图；
图5是根据本申请实施例1的一种图像处理方法的流程图；
图6a是根据本申请实施例的一种交互界面的示意图；
图6b是根据本申请实施例的一种可选的交互界面的示意图；
图7是根据本申请实施例的一种可选的数据增强方法的示意图；
图8a是根据本申请实施例的一种可选的卫星硬件、图片后处理不同对比场景下的生成图的示意图；
图8b是根据本申请实施例的一种可选的光线明暗场景下的生成图的示意图；
图8c是根据本申请实施例的一种可选的地理区域场景下的生成图的示意图；
图9是根据本申请实施例2的一种图像处理方法的流程图；
图10是根据本申请实施例3的一种图像处理方法的流程图；
图11是根据本申请实施例的一种图像处理装置的示意图；
图12是根据本申请实施例的另一种图像处理装置的示意图；
图13是根据本申请实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请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，以便这里描述的本申请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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
AI Earth：通过AI技术分析地球，解析不同地物类型，进行自然资源，水利行业，自然灾害等问题的应用；
数据增强：主要是为了减少网络的过拟合现象，通过对训练图片进行变换可以得到泛化能力更强的网络，更好的适应应用场景；
CIELAB色彩空间：又写为L*a*b*，是国际照明委员会(缩写为CIE)在1976年定义的色彩空间。它将颜色用三个值表达示：“L*”代表感知的亮度、“a*”和“b*”代表人类视觉的四种独特颜色：红色、绿色、蓝色和黄色。CIELAB旨在作为一个感知上统一的空间，其中给定的数字变化对应于相似的感知颜色变化；虽然并不是真正的感知均匀，但在工业上仍可用于检测颜色的细微差异；
RGB色彩空间：由红绿蓝三原色的色度定义，借此可以定义出相应的色三角，生成其它颜色。
为了解决上述问题，相关技术中提供了如下方案，通过GAN(Generativeadversarial networks生成对抗网络)的生成网络学习不同卫星硬件、图片后处理、光线明暗、地理区域、季节图片间的差异，需要相同地区在不同条件下的大量图片数据，才能学习到稳定的生成网络，且网络生成图片结果不可控，需要人工参与控制质量。
实施例1
根据本申请实施例，还提供了一种图像处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图4示出了一种用于实现图像处理方法的计算机终端(或移动设备)的硬件结构框图。如图4所示，计算机终端10(或移动设备)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的图像处理方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
图4示出的硬件结构框图，不仅可以作为上述计算机终端10(或移动设备)的示例性框图，还可以作为上述服务器的示例性框图，一种可选实施例中，上述的服务器可以是本地部署的服务器或云端服务器，经由数据网络连接或电子连接到一个或多个客户端。数据网络连接可以是局域网连接、广域网连接、因特网连接，或其他类型的数据网络连接。
在上述运行环境下，本申请提供了如图5所示的图像处理方法。图5是根据本申请实施例1的一种图像处理方法的流程图。如图5所示，该方法可以包括如下步骤：
步骤S502，获取原始图像。
上述的原始图像可以是遥感图像，也可以是无人机拍摄的航拍图像，还可以是雷达图像，但不仅限于此。在自然资源场景中，原始图像可以是耕地图像、大棚图像、路网图像、建筑物图像、山川图像；在水利行业场景中，原始图像可以是水坝图像、桥梁图像、河流图像；在自然灾害应用场景中，原始图像可以是建筑物图像、山川图像、河流图像。
在一种可选的实施例中，原始图像可以由卫星或者无人机拍摄，并通过网络传输给服务器，由服务器处理，同时可以将原始图像展示给用户，如图6a所示，原始图像可以显示在图像采集区域内；在另一种可选的实施例中，原始图像可以由卫星或无人机拍摄，并由用户主动上传至服务器，由服务器处理，如图6b所示，用户可以通过点击交互界面中的“上传图像”按钮，或将原始图像直接拖入虚线框的方式完成原始图像上传至服务器的目的，而且，用户上传的图像可以显示在图像采集区域内。此处的服务器可以是部署在本地的服务器，也可以是部署在云端的服务器。
步骤S504，确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成。
上述的预设图像可以是针对不同分类任务所采集的大量图像，不同图像中相同类别对象的颜色存在差异，此处的类别不仅仅是对象本身的类别，还可以是对象所在地理位置的类别，例如，在预设图像包含的对象是地块的情况下，上述类别可以是东北耕地、西北耕地、华北耕地等，但不仅限于此。需要说明的是，预设图像可以是从互联网络中获取的带标注的图像集合，也可以是通过人工标注得到的图像集合。
上述的色彩特性可以是颜色值的平均值和方差，不同颜色在不同色彩空间中的表示方法不同，例如，在对立色空间，即CIELAB色彩空间中，颜色可以通过L*、a*、b*三个值表示；在三原色空间，即RGB色彩空间中，颜色可以通过R、G、B三个值表示。
步骤S506，基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。
上述的目标图像可以是将目标风格模板的色彩特征迁移到原始图像中所生成的图像，目标图像与原始图像包含的对象相同，但色彩风格不同，实现了针对不同类别的对象进行特别的颜色变换，如，不同卫星图风格变换、光线明暗变换、红色到黄色土地变换、黄色绿色河水变换等。
在一种可选的实施例中，可以按照预设图像中每个像素对应的不同类别，然后，对预设图像中每个像素在CIELAB色彩空间中的颜色值进行统计，得到平均值和标准差，进一步地，可以根据原始图像中每个像素在CIELAB色彩空间中的颜色值，以及每个像素对应的色彩特性，生成目标图像。最后，可以多张原始图像以及相应的目标图像进行混合后，对图像处理模型进行训练。
在一种可选的实施例中，在服务器中确定原始图像中多个第一像素对应的目标风格模板之后，可以直接展示给用户查看，如图6a所示，目标风格模板可以显示在结果反馈区域内；在另一种可选的实施例中，在服务器中确定原始图像中多个第一像素对应的目标风格模板之后，可以通过网络将目标风格模板反馈给用户的客户端，由客户端展示给用户查看，如图6b所示，目标风格模板可以显示在结果反馈区域内。进一步地，目标风格模板展示给用户之后，可以通过用户反馈来修改目标风格模板中的色彩特性，或者修改目标风格模板对应的类别，如图6a和图6b所示，用户可以在结果反馈区域内对目标风格模板进行修改，生成反馈信息，并将其上传至服务器，从而服务器可以根据用户反馈对原始图像进行色彩特性迁移。
例如，以自然资源场景中的地块分类为例进行说明，卫星、无人机或雷达采集到地物图像之后，可以将地物图像直接发送至服务器进行数据增强，也可以传输给客户端，由用户进行选择，并上传需要进行数据增强的地物图像至服务器。服务器在获取到地物图像之后，可以确定地物图像中每个像素对应的目标风格模板，并将目标风格模板包含的CIELAB色彩空间的色彩特性迁移到该地物图像上，生成相应的数据增强图像，进一步地，可以利用地物图像和数据增强图像对初始模型进行调整，得到图像处理模型，从而图像处理模型可以针对不同风格的图片进行处理，使得模型训练更加鲁棒、精度更高。在确定地物图像中每个像素对应的目标风格模板之后，服务器可以直接将目标风格模板展示给用户查看，或者，服务器将目标风格模板下发至客户端，由客户端展示给用户查看，从而用户可以看到目标风格模板是否与地物图像相匹配，并可以通过用户的反馈结果生成目标图像，提升服务器的性能。
又例如，以水利场景的河流分类过程为例进行说明，卫星、无人机或雷达采集到河流图像之后，可以将河流图像直接发送至服务器进行数据增强，也可以传输给客户端，由用户进行选择，并上传需要进行数据增强的河流图像至服务器。服务器在获取到河流图像之后，可以确定河流图像中每个像素对应的目标风格模板，并将目标风格模板包含的CIELAB色彩空间的色彩特性迁移到该河流图像上，生成相应的数据增强图像，进一步地，可以利用河流图像和数据增强图像对初始模型进行调整，得到图像处理模型，从而图像处理模型可以针对不同风格的图片进行处理，使得模型训练更加鲁棒、精度更高。在确定河流图像中每个像素对应的目标风格模板之后，服务器可以直接将目标风格模板展示给用户查看，或者，服务器将目标风格模板下发至客户端，由客户端展示给用户查看，从而用户可以看到目标风格模板是否与河流图像相匹配，并可以通过用户的反馈结果生成目标图像，提升服务器的性能。
又例如，以自然灾害场景的建筑物分类过程为例进行说明，卫星、无人机或雷达采集到建筑物图像之后，可以将建筑物图像直接发送至服务器进行数据增强，也可以传输给客户端，由用户进行选择，并上传需要进行数据增强的建筑物图像至服务器。服务器在获取到建筑物图像之后，可以确定建筑物图像中每个像素对应的目标风格模板，并将目标风格模板包含的CIELAB色彩空间的色彩特性迁移到该建筑物图像上，生成相应的数据增强图像，进一步地，可以利用建筑物图像和数据增强图像对初始模型进行调整，得到图像处理模型，从而图像处理模型可以针对不同风格的图片进行处理，使得模型训练更加鲁棒、精度更高。在确定建筑物图像中每个像素对应的目标风格模板之后，服务器可以直接将目标风格模板展示给用户查看，或者，服务器将目标风格模板下发至客户端，由客户端展示给用户查看，从而用户可以看到目标风格模板是否与建筑物图像相匹配，并可以通过用户的反馈结果生成目标图像，提升服务器的性能。
通过本申请上述实施例提供的方案，在获取到原始图像之后，确定原始图像中多个第一像素对应的目标风格模板，并基于原始图像和多个第一像素对应的目标风格模板，生成目标图像，实现图像数据增强的目的。容易注意到的是，由于目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成，因此，目标图像可以是不同风格的图像，在采用目标图像进行模型训练，可以达到降低待处理图像与训练数据的差异，提高模型鲁棒性和精度的技术效果，进而解决了相关技术中待处理图像与训练数据存在差异，导致模型准确度降低的技术问题。
本申请上述实施例中，确定原始图像中多个第一像素对应的目标风格模板包括：确定每个像素对应的第一类别，其中，第一类别用于表征该第一像素对应的目标对象的类别；将第一类别与至少一个预设风格模板对应的第二类别进行比较；获取与第一类别相同的第二类别对应的预设风格模板，得到每个像素对应的目标风格模板。
在一种可选的实施例中，为了能够对不同类别对象的图像进行色彩迁移，可以预先获取大量不同区域、不同类别对象的图像，并基于获取到的图像生成不同类别对应的预设风格模板。另外，由于原始图像的不同区域中可以包含不同类别的对象，而不同类别的对象往往具有不同的色彩特性，因此，可以基于获取到的图像中每个像素的色彩只，生成预设风格模板，进一步地，可以针对每个像素对应的第一类别，确定每个像素进行色彩迁移所使用的目标风格模板。
本申请上述实施例中，该方法还包括：获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
上述的类别可以是人工方式对预设图像中每个区域包含的对象进行标注得到，也可以是公开数据集中已经携带的类别。
在一种可选的实施例中，由于不同类别的预设对象的颜色变换方式不同，为了准确生成与预设图像风格相似的目标图像，可以按照每个第二像素对应的第二类别，对相同类别的所有预设图像中所有第二像素的色彩进行统计，也即，可以对预设图像集合中相同类别的所有第二像素在CIELAB色彩空间的第一颜色值进行统计，从而可以得到相应类别对应的色彩特性，也即统计后的所有训练样本的第一颜色值的平均值和比标准差。最后，基于每个类别对应的色彩特征，可以生成响应的预设风格模板。
本申请上述实施例中，基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性包括：将多个预设图像从三原色空间转换为对立色空间，得到多个第一转换图像；基于每个第一转换图像中每个像素对应的类别，对每个像素的第一颜色值进行统计处理，得到每个类别对应的色彩特性。
在一种可选的实施例中，可以采用如下方式从RGB色彩空间转换为CIELAB色彩空间：首先，按照如下公式将RGB色彩空间转换为XYZ空间：
其中，RGB表示预设图像中每个像素点的R值、G值和B值。
然后按照如下公式将XYZ空间转换为CIELAB色彩空间：
其中，Xn、Yn和Zn是预先设定的常数，可以均为1，也可以根据实际需要进行调整。
在转换完毕之后，可以根据类别标签，统计每张图像中每个类别的所有像素的颜色值，得到在CIELAB空间的均值
和标准差
本申请上述实施例中，基于原始图像和多个第一像素对应的目标风格模板，生成目标图像包括：将原始图像从三原色空间转换为对立色空间，得到第二转换图像；基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像；将第三转换图像从对立色空间转换为三原色空间，得到目标图像。
在一种可选的实施例中，原始图像的转换过程可以采用上述实施例中的相关技术方案，在此不做赘述。在确定出不同类别对应的色彩特性之后，可以基于第二转换图像中每个像素对应的类别，选择相同类别的色彩特性，并基于选取出的色彩特性生成第二转换图像，具体地，可以首先基于第二转换图像中每个像素的颜色值，确定每个的目标色彩特性，然后结合每个像素的颜色值和选取出色彩特性生成第三转换图像中每个像素的颜色值。
最后可以采用如下方式从CIELAB色彩空间转换为RGB色彩空间：首先，按照如下公式将CIELAB色彩空间转换为XYZ空间：
然后按照如下公式将XYZ空间转换为RGB色彩空间：
本申请上述实施例中，色彩特性包括：第一平均值和第一标准差，基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像包括：基于第二转换图像中每个类别对应的像素的第二颜色值，得到第二颜色值的第二平均值和第二标准差；获取第一标准差与第二标准差的比值，得到目标比值；获取原始值与第二平均值之差，得到目标差值；获取差值与第一比值的乘积，得到目标乘积；获取目标乘积与第一平均值之和，得到第三转换图像中每个像素的第三颜色值。
在一种可选的实施例中，在基于第二转换图像对应的类别标签，选取出相同类别的色彩特性，也即，选取出第一平均值
和第一标准差
之后，首先对第二转换图像中每个类别对应的像素的第二颜色值
进行统计，得到第二平均值
和第二标准差
然后采用如下公式得到第三转换图像中每个像素的第三颜色值L′**a′**b′*：
本申请上述实施例中，在确定原始图像中多个第一像素对应的目标风格模板之后，该方法还包括：输出多个第一像素对应的目标风格模板；接收多个第一像素对应的反馈信息，其中，反馈信息通过对目标风格模板或目标风格模板对应的类别进行修改得到；基于原始图像和多个第一像素对应的反馈信息，生成目标图像。
为了确保目标图像的多样性，在一种可选的实施例中，服务器可以直接将多个第一像素对应的目标风格模板展示给用户查看，也即，将多个第一像素对应的目标风格模板展示在交互界面上，在另一种可选的实施例中，服务器可以通过网络将多个第一像素对应的目标风格模板下发给客户端，由客户端展示给用户查看，也即，将多个第一像素对应的目标风格模板展示在交互界面上。进一步地，目标风格模板可以由用户进行确认，如果用户确认无需调整，则可以反馈确认信息，服务器直接根据目标风格模板生成目标图像；如果用户确认需要调整，则用户可以在交互界面上对目标风格模板进行调整，或对目标模板对应的类别进行调整，得到相应的反馈信息，并将反馈信息反馈给服务器，则服务器可以基于反馈信息生成目标图像，达到提高目标图像多样性，提升服务器的性能的效果。
本申请上述实施例中，确定原始图像中多个第一像素对应的目标风格模板包括：在交互界面中显示多个预设风格模板；获取在交互界面中选中的预设风格模板，得到多个第一像素对应的目标风格模板。
在一种可选的实施例中，为了确保目标图像更加满足用户需求，服务器可以直接将所有的预设风格模板展示给用户查看，也即，将所有的预设风格模板展示在交互界面上，由用户进行选择，并将用户选中的预设风格模板作为最终的目标风格模板。在另一种可选的实施例中，服务器可以通过网络将所有的预设风格模板下发给客户端，由客户端展示给用户查看，也即，将所有的预设风格模板展示在交互界面上，由用户进行选择，并将用户选中的预设风格模板作为最终的目标风格模板。
本申请上述实施例中，在基于原始图像和多个第一像素对应的目标风格模板，生成目标图像之后，该方法还包括：获取在交互界面中选中的目标任务，其中，目标任务包括如下至少之一：目标检测任务、目标分割任务、目标识别任务和目标分类任务；获取目标任务对应的初始模型；利用目标图像对初始模型进行训练，生成目标任务对应的目标处理模型；输出目标处理模型。
在一种可选的实施例中，用户可以在当前界面中选择当前需要执行的目标任务，在选择完目标任务之后，可以根据选择的目标任务构建初始模型，并利用目标图像对初始模型进行训练，得到最终用于执行目标任务的目标处理模型，该目标处理模型可以部署在云端，也可以下发至客户端，从而可以利用目标处理模型对待处理图像进行处理，得到相应的处理结果，该处理结果可以展示在交互界面中供用户查看。进一步地，在用户选择完目标任务之后，可以弹出提示框，提示用户选择需要进行训练的初始模型，并提供原始图像进行数据增强以及初始模型训练，在目标处理模型训练完成之后，可以提醒用户，目标处理模型已经训练完成，可以进行后续图像处理流程。
下面结合图7对本申请一种优选的实施例进行详细说明，如图7所示，整个处理流程可以分为模板生成流程和图片生成流程，其中，模板生成流程如下：将输入图像由RGB色彩空间转换为CIELAB色彩空间，然后根据人工标注的类别，统计每张图像每个类别所有像素，在CIELAB色彩空间的均值和标准差，生成色彩风格模板。图片生成流程如下：将输入图像由RGB色彩空间转换为CIELAB色彩空间，得到CIELAB训练图像，然后通过模板生成对应色彩风格的图像，得到按模板生成的CIELAB色彩风格图像，最后将生成的新图像由CIELAB色彩空间转换为RGB色彩空间，得到按模板生成的色彩风格RGB图像。最终可以通过按模板生成的色彩风格RGB图像进行模型训练。
例如，对于如图1所示的两张图像，可以基于左侧所示的图像进行模板生成，并将色彩特性迁移到右侧所示的图像上，从而生成与左侧所示的图像相似风格的图像，如图8a所示。对于如图2所示的两张图像，可以基于左侧所示的图像进行模板生成，并将色彩特性迁移到右侧所示的图像上，从而生成与左侧所示的图像相似风格的图像，如图8b所示。对于如图3所示的两张图像，可以基于左侧所示的图像进行模板生成，并将色彩特性迁移到右侧所示的图像上，从而生成与左侧所示的图像相似风格的图像，如图8c所示。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例，还提供了一种图像处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图9是根据本申请实施例2的一种图像处理方法的流程图。如图9所示，该方法可以包括如下步骤：
步骤S902，获取地物图像。
步骤S904，确定地物图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成。
步骤S906，基于地物图像和多个第一像素对应的目标风格模板，生成目标图像。
本申请上述实施例中，在基于地物图像和多个第一像素对应的目标风格模板，生成目标图之后，该方法还包括：获取在交互界面中选中的目标任务，其中，目标任务包括如下至少之一：地物检测任务、地物分割任务、地物识别任务和地物分类任务；获取目标任务对应的初始模型；利用目标图像对初始模型进行训练，生成目标任务对应的地物处理模型；输出地物处理模型。
本申请上述实施例中，确定地物图像中多个第一像素对应的目标风格模板包括：确定每个像素对应的第一类别，其中，第一类别用于表征该第一像素对应的目标对象的类别；将第一类别与至少一个预设风格模板对应的第二类别进行比较；获取与第一类别相同的第二类别对应的预设风格模板，得到每个像素对应的目标风格模板。
本申请上述实施例中，该方法还包括：获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
本申请上述实施例中，该方法还包括：获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
本申请上述实施例中，基于地物图像和多个第一像素对应的目标风格模板，生成目标图像包括：将地物图像从三原色空间转换为对立色空间，得到第二转换图像；基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像；将第三转换图像从对立色空间转换为三原色空间，得到目标图像。
本申请上述实施例中，色彩特性包括：第一平均值和第一标准差，基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像包括：基于第二转换图像中每个类别对应的像素的第二颜色值，得到第二颜色值的第二平均值和第二标准差；获取第一标准差与第二标准差的比值，得到目标比值；获取原始值与第二平均值之差，得到目标差值；获取差值与第一比值的乘积，得到目标乘积；获取目标乘积与第一平均值之和，得到第三转换图像中每个像素的第三颜色值。
本申请上述实施例中，在确定地物图像中多个第一像素对应的目标风格模板之后，该方法还包括：输出多个第一像素对应的目标风格模板；接收多个第一像素对应的反馈信息，其中，反馈信息通过对目标风格模板或目标风格模板对应的类别进行修改得到；基于地物图像和多个第一像素对应的反馈信息，生成目标图像。
本申请上述实施例中，确定地物图像中多个第一像素对应的目标风格模板包括：在交互界面中显示多个预设风格模板；获取在交互界面中选中的预设风格模板，得到多个第一像素对应的目标风格模板。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例，还提供了一种图像处理方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图10是根据本申请实施例3的一种图像处理方法的流程图。如图10所示，该方法可以包括如下步骤：
步骤S1002，云服务器接收客户端上传的原始图像。
步骤S1004，云服务器确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成。
步骤S1006，云服务器基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。
步骤S1008，云服务器输出目标图像至客户端。
本申请上述实施例中，云服务器确定原始图像中多个第一像素对应的目标风格模板包括：确定每个像素对应的第一类别，其中，第一类别用于表征该第一像素对应的目标对象的类别；将第一类别与至少一个预设风格模板对应的第二类别进行比较；获取与第一类别相同的第二类别对应的预设风格模板，得到每个像素对应的目标风格模板。
本申请上述实施例中，该方法还包括：云服务器获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；云服务器基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；云服务器基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
本申请上述实施例中，基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性包括：将多个预设图像从三原色空间转换为对立色空间，得到多个第一转换图像；基于每个第一转换图像中每个像素对应的类别，对每个像素的第一颜色值进行统计处理，得到每个类别对应的色彩特性。
本申请上述实施例中，云服务器基于原始图像和多个第一像素对应的目标风格模板，生成目标图像包括：将原始图像从三原色空间转换为对立色空间，得到第二转换图像；基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像；将第三转换图像从对立色空间转换为三原色空间，得到目标图像。
本申请上述实施例中，色彩特性包括：第一平均值和第一标准差，基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像包括：基于第二转换图像中每个类别对应的像素的第二颜色值，得到第二颜色值的第二平均值和第二标准差；获取第一标准差与第二标准差的比值，得到目标比值；获取原始值与第二平均值之差，得到目标差值；获取差值与第一比值的乘积，得到目标乘积；获取目标乘积与第一平均值之和，得到第三转换图像中每个像素的第三颜色值。
本申请上述实施例中，在云服务器确定原始图像中多个第一像素对应的目标风格模板之后，该方法还包括：云服务器输出多个第一像素对应的目标风格模板；云服务器接收多个第一像素对应的反馈信息，其中，反馈信息通过对目标风格模板或目标风格模板对应的类别进行修改得到；云服务器基于原始图像和多个第一像素对应的反馈信息，生成目标图像。
本申请上述实施例中，云服务器确定原始图像中多个第一像素对应的目标风格模板包括：在交互界面中显示多个预设风格模板；获取在交互界面中选中的预设风格模板，得到多个第一像素对应的目标风格模板。
本申请上述实施例中，在云服务器基于原始图像和多个第一像素对应的目标风格模板，生成目标图像之后，该方法还包括：云服务器获取在交互界面中选中的目标任务，其中，目标任务包括如下至少之一：目标检测任务、目标分割任务、目标识别任务和目标分类任务；云服务器获取目标任务对应的初始模型；云服务器利用目标图像对初始模型进行训练，生成目标任务对应的目标处理模型；云服务器输出目标处理模型。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图11所示，该装置1100包括：获取模块1102、确定模块1104和生成模块1106。
其中，获取模块1102用于获取原始图像；确定模块1104用于确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；生成模块1106用于基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。
此处需要说明的是，上述获取模块1102、确定模块1104和生成模块1106对应于实施例1中的步骤S502至步骤S506，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中，确定模块包括：确定单元、比较单元和第一获取单元。
其中，确定单元用于确定每个像素对应的第一类别，其中，第一类别用于表征该第一像素对应的目标对象的类别；比较单元用于将第一类别与至少一个预设风格模板对应的第二类别进行比较；第一获取单元用于获取与第一类别相同的第二类别对应的预设风格模板，得到每个像素对应的目标风格模板。
本申请上述实施例中，获取模块还用于获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；确定模块还用于基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；生成模块还用于基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
本申请上述实施例中，确定模块包括：第一转换单元和统计单元。
其中，第一转换单元用于基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性包括：将多个预设图像从三原色空间转换为对立色空间，得到多个第一转换图像；统计单元用于基于每个第一转换图像中每个像素对应的类别，对每个像素的第一颜色值进行统计处理，得到每个类别对应的色彩特性。
本申请上述实施例中，生成模块包括：第二转换单元、生成单元和第三转换单元。
其中，第二转换单元用于将原始图像从三原色空间转换为对立色空间，得到第二转换图像；生成单元用于基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像；第三转换单元用于将第三转换图像从对立色空间转换为三原色空间，得到目标图像。
本申请上述实施例中，色彩特性包括：第一平均值和第一标准差，生成单元还用于：基于第二转换图像中每个类别对应的像素的第二颜色值，得到第二颜色值的第二平均值和第二标准差；获取第一标准差与第二标准差的比值，得到目标比值；获取原始值与第二平均值之差，得到目标差值；获取差值与第一比值的乘积，得到目标乘积；获取目标乘积与第一平均值之和，得到第三转换图像中每个像素的第三颜色值。
本申请上述实施例中，该装置还包括：输出模块和接收模块。
其中，输出模块用于输出多个第一像素对应的目标风格模板；接收模块用于接收多个第一像素对应的反馈信息，其中，反馈信息通过对目标风格模板或目标风格模板对应的类别进行修改得到；生成模块还用于基于原始图像和多个第一像素对应的反馈信息，生成目标图像。
本申请上述实施例中，确定模块包括：显示单元和第二获取单元。
其中，显示单元用于在交互界面中显示多个预设风格模板；第二获取单元用于获取在交互界面中选中的预设风格模板，得到多个第一像素对应的目标风格模板。
本申请上述实施例中，该装置还还包括：训练模块。
其中，获取模块还用于获取在交互界面中选中的目标任务，其中，目标任务包括如下至少之一：目标检测任务、目标分割任务、目标识别任务和目标分类任务；获取模块还用于获取目标任务对应的初始模型；训练模块用于利用目标图像对初始模型进行训练，生成目标任务对应的目标处理模型；输出模块用于输出目标处理模型。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例5
根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，如图11所示，该装置1100包括：获取模块1102、确定模块1104和生成模块1106。
其中，获取模块1102用于获取地物图像；确定模块1104用于确定地物图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；生成模块1106用于基于地物图像和多个第一像素对应的目标风格模板，生成目标图像。
此处需要说明的是，上述获取模块1102、确定模块1104和生成模块1106对应于实施例2中的步骤S902至步骤S906，三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例2所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中，确定模块包括：确定单元、比较单元和第一获取单元。
其中，确定单元用于确定每个像素对应的第一类别，其中，第一类别用于表征该第一像素对应的目标对象的类别；比较单元用于将第一类别与至少一个预设风格模板对应的第二类别进行比较；第一获取单元用于获取与第一类别相同的第二类别对应的预设风格模板，得到每个像素对应的目标风格模板。
本申请上述实施例中，获取模块还用于获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；确定模块还用于基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；生成模块还用于基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
本申请上述实施例中，确定模块包括：第一转换单元和统计单元。
其中，第一转换单元用于基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性包括：将多个预设图像从三原色空间转换为对立色空间，得到多个第一转换图像；统计单元用于基于每个第一转换图像中每个像素对应的类别，对每个像素的第一颜色值进行统计处理，得到每个类别对应的色彩特性。
本申请上述实施例中，生成模块包括：第二转换单元、生成单元和第三转换单元。
其中，第二转换单元用于将地物图像从三原色空间转换为对立色空间，得到第二转换图像；生成单元用于基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像；第三转换单元用于将第三转换图像从对立色空间转换为三原色空间，得到目标图像。
本申请上述实施例中，色彩特性包括：第一平均值和第一标准差，生成单元还用于：基于第二转换图像中每个类别对应的像素的第二颜色值，得到第二颜色值的第二平均值和第二标准差；获取第一标准差与第二标准差的比值，得到目标比值；获取原始值与第二平均值之差，得到目标差值；获取差值与第一比值的乘积，得到目标乘积；获取目标乘积与第一平均值之和，得到第三转换图像中每个像素的第三颜色值。
本申请上述实施例中，该装置还包括：输出模块和接收模块。
其中，输出模块用于输出多个第一像素对应的目标风格模板；接收模块用于接收多个第一像素对应的反馈信息，其中，反馈信息通过对目标风格模板或目标风格模板对应的类别进行修改得到；生成模块还用于基于地物图像和多个第一像素对应的反馈信息，生成目标图像。
本申请上述实施例中，确定模块包括：显示单元和第二获取单元。
其中，显示单元用于在交互界面中显示多个预设风格模板；第二获取单元用于获取在交互界面中选中的预设风格模板，得到多个第一像素对应的目标风格模板。
本申请上述实施例中，该装置还还包括：训练模块。
其中，获取模块还用于获取在交互界面中选中的目标任务，其中，目标任务包括如下至少之一：地物检测任务、地物分割任务、地物识别任务和地物分类任务；获取模块还用于获取目标任务对应的初始模型；训练模块用于利用目标图像对初始模型进行训练，生成目标任务对应的地物处理模型；输出模块用于输出地物处理模型。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例6
根据本申请实施例，还提供了一种用于实施上述图像处理方法的图像处理装置，该装置部署云服务器，如图12所示，该装置1200包括：接收模块1202、确定模块1204、生成模块1206和输出模块1208。
其中，接收模块1202用于接收客户端上传的原始图像；确定模块1204用于确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；生成模块1206用于基于原始图像和多个第一像素对应的目标风格模板，生成目标图像；输出模块1208用于输出目标图像至客户端。
此处需要说明的是，上述接收模块1202、确定模块1204、生成模块1206和输出模块1208对应于实施3中的步骤S1002至步骤S1008，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例3所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端10中。
本申请上述实施例中，确定模块包括：确定单元、比较单元和第一获取单元。
其中，确定单元用于确定每个像素对应的第一类别，其中，第一类别用于表征该第一像素对应的目标对象的类别；比较单元用于将第一类别与至少一个预设风格模板对应的第二类别进行比较；第一获取单元用于获取与第一类别相同的第二类别对应的预设风格模板，得到每个像素对应的目标风格模板。
本申请上述实施例中，获取模块还用于获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；确定模块还用于基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；生成模块还用于基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
本申请上述实施例中，确定模块包括：第一转换单元和统计单元。
其中，第一转换单元用于基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性包括：将多个预设图像从三原色空间转换为对立色空间，得到多个第一转换图像；统计单元用于基于每个第一转换图像中每个像素对应的类别，对每个像素的第一颜色值进行统计处理，得到每个类别对应的色彩特性。
本申请上述实施例中，生成模块包括：第二转换单元、生成单元和第三转换单元。
其中，第二转换单元用于将原始图像从三原色空间转换为对立色空间，得到第二转换图像；生成单元用于基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像；第三转换单元用于将第三转换图像从对立色空间转换为三原色空间，得到目标图像。
本申请上述实施例中，色彩特性包括：第一平均值和第一标准差，生成单元还用于：基于第二转换图像中每个类别对应的像素的第二颜色值，得到第二颜色值的第二平均值和第二标准差；获取第一标准差与第二标准差的比值，得到目标比值；获取原始值与第二平均值之差，得到目标差值；获取差值与第一比值的乘积，得到目标乘积；获取目标乘积与第一平均值之和，得到第三转换图像中每个像素的第三颜色值。
本申请上述实施例中，该装置还包括：输出模块和接收模块。
其中，输出模块用于输出多个第一像素对应的目标风格模板；接收模块用于接收多个第一像素对应的反馈信息，其中，反馈信息通过对目标风格模板或目标风格模板对应的类别进行修改得到；生成模块还用于基于原始图像和多个第一像素对应的反馈信息，生成目标图像。
本申请上述实施例中，确定模块包括：显示单元和第二获取单元。
其中，显示单元用于在交互界面中显示多个预设风格模板；第二获取单元用于获取在交互界面中选中的预设风格模板，得到多个第一像素对应的目标风格模板。
本申请上述实施例中，该装置还还包括：训练模块。
其中，获取模块还用于获取在交互界面中选中的目标任务，其中，目标任务包括如下至少之一：目标检测任务、目标分割任务、目标识别任务和目标分类任务；获取模块还用于获取目标任务对应的初始模型；训练模块用于利用目标图像对初始模型进行训练，生成目标任务对应的目标处理模型；输出模块用于输出目标处理模型。
需要说明的是，本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
实施例7
本申请的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行图像处理方法中以下步骤的程序代码：获取原始图像；确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。
可选地，图13是根据本申请实施例的一种计算机终端的结构框图。如图13所示，该计算机终端A可以包括：一个或多个(图中仅示出一个)处理器1302、以及存储器1304。
其中，存储器可用于存储软件程序以及模块，如本申请实施例中的图像处理方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像处理方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取原始图像；确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。
可选的，上述处理器还可以执行如下步骤的程序代码：确定每个像素对应的第一类别，其中，第一类别用于表征该第一像素对应的目标对象的类别；将第一类别与至少一个预设风格模板对应的第二类别进行比较；获取与第一类别相同的第二类别对应的预设风格模板，得到每个像素对应的目标风格模板。
可选的，上述处理器还可以执行如下步骤的程序代码：获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
可选的，上述处理器还可以执行如下步骤的程序代码：将多个预设图像从三原色空间转换为对立色空间，得到多个第一转换图像；基于每个第一转换图像中每个像素对应的类别，对每个像素的第一颜色值进行统计处理，得到每个类别对应的色彩特性。
可选的，上述处理器还可以执行如下步骤的程序代码：将原始图像从三原色空间转换为对立色空间，得到第二转换图像；基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像；将第三转换图像从对立色空间转换为三原色空间，得到目标图像。
可选的，色彩特性包括：第一平均值和第一标准差，上述处理器还可以执行如下步骤的程序代码：基于第二转换图像中每个类别对应的像素的第二颜色值，得到第二颜色值的第二平均值和第二标准差；获取第一标准差与第二标准差的比值，得到目标比值；获取原始值与第二平均值之差，得到目标差值；获取差值与第一比值的乘积，得到目标乘积；获取目标乘积与第一平均值之和，得到第三转换图像中每个像素的第三颜色值。
可选的，上述处理器还可以执行如下步骤的程序代码：输出多个第一像素对应的目标风格模板；接收多个第一像素对应的反馈信息，其中，反馈信息通过对目标风格模板或目标风格模板对应的类别进行修改得到；基于原始图像和多个第一像素对应的反馈信息，生成目标图像。
可选的，上述处理器还可以执行如下步骤的程序代码：在交互界面中显示多个预设风格模板；获取在交互界面中选中的预设风格模板，得到多个第一像素对应的目标风格模板。
可选的，上述处理器还可以执行如下步骤的程序代码：获取在交互界面中选中的目标任务，其中，目标任务包括如下至少之一：目标检测任务、目标分割任务、目标识别任务和目标分类任务；获取目标任务对应的初始模型；利用目标图像对初始模型进行训练，生成目标任务对应的目标处理模型；输出目标处理模型。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取地物图像；确定地物图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；基于地物图像和多个第一像素对应的目标风格模板，生成目标图像。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：云服务器接收客户端上传的原始图像；云服务器确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；云服务器基于原始图像和多个第一像素对应的目标风格模板，生成目标图像；云服务器输出目标图像至客户端。
采用本申请实施例，提供了一种图像分类的方案。目标图像可以是不同风格的图像，在采用目标图像进行模型训练，可以达到降低待处理图像与训练数据的差异，提高模型鲁棒性和精度的技术效果，进而解决了相关技术中待处理图像与训练数据存在差异，导致模型准确度降低的技术问题。
本领域普通技术人员可以理解，图13所示的结构仅为示意，计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices，MID)、PAD等终端设备。图13其并不对上述电子装置的结构造成限定。例如，计算机终端A还可包括比图13中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图13所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
实施例8
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例所提供的图像处理方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取原始图像；确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；基于原始图像和多个第一像素对应的目标风格模板，生成目标图像。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：确定每个像素对应的第一类别，其中，第一类别用于表征该第一像素对应的目标对象的类别；将第一类别与至少一个预设风格模板对应的第二类别进行比较；获取与第一类别相同的第二类别对应的预设风格模板，得到每个像素对应的目标风格模板。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：获取预设图像集合，其中，预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，第二类别用于表征该第二像素对应的预设对象的类别；基于多个预设图像中所有像素点在对立色空间的第一颜色值，确定每个类别对应的色彩特性；基于每个类别对应的色彩特征，生成每个类别对应的预设风格模板。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：将多个预设图像从三原色空间转换为对立色空间，得到多个第一转换图像；基于每个第一转换图像中每个像素对应的类别，对每个像素的第一颜色值进行统计处理，得到每个类别对应的色彩特性。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：将原始图像从三原色空间转换为对立色空间，得到第二转换图像；基于第二转换图像中每个像素的第二颜色值和每个像素对应的目标风格模板，生成第三转换图像；将第三转换图像从对立色空间转换为三原色空间，得到目标图像。
可选的，色彩特性包括：第一平均值和第一标准差，上述存储介质被还设置为存储用于执行以下步骤的程序代码：基于第二转换图像中每个类别对应的像素的第二颜色值，得到第二颜色值的第二平均值和第二标准差；获取第一标准差与第二标准差的比值，得到目标比值；获取原始值与第二平均值之差，得到目标差值；获取差值与第一比值的乘积，得到目标乘积；获取目标乘积与第一平均值之和，得到第三转换图像中每个像素的第三颜色值。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：输出多个第一像素对应的目标风格模板；接收多个第一像素对应的反馈信息，其中，反馈信息通过对目标风格模板或目标风格模板对应的类别进行修改得到；基于原始图像和多个第一像素对应的反馈信息，生成目标图像。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：在交互界面中显示多个预设风格模板；获取在交互界面中选中的预设风格模板，得到多个第一像素对应的目标风格模板。
可选的，上述存储介质被还设置为存储用于执行以下步骤的程序代码：获取在交互界面中选中的目标任务，其中，目标任务包括如下至少之一：目标检测任务、目标分割任务、目标识别任务和目标分类任务；获取目标任务对应的初始模型；利用目标图像对初始模型进行训练，生成目标任务对应的目标处理模型；输出目标处理模型。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取地物图像；确定地物图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；基于地物图像和多个第一像素对应的目标风格模板，生成目标图像。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：云服务器接收客户端上传的原始图像；云服务器确定原始图像中多个第一像素对应的目标风格模板，其中，目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；云服务器基于原始图像和多个第一像素对应的目标风格模板，生成目标图像；云服务器输出目标图像至客户端。
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。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (13)
1.一种图像处理方法，其特征在于，包括：
获取原始图像；
确定所述原始图像中多个第一像素对应的目标风格模板，其中，所述目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；
基于所述原始图像和所述多个第一像素对应的目标风格模板，生成目标图像。
2.根据权利要求1所述的方法，其特征在于，确定所述原始图像中多个第一像素对应的目标风格模板包括：
确定每个像素对应的第一类别，其中，所述第一类别用于表征该第一像素对应的目标对象的类别；
将所述第一类别与至少一个预设风格模板对应的第二类别进行比较；
获取与所述第一类别相同的第二类别对应的预设风格模板，得到所述每个像素对应的目标风格模板。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取预设图像集合，其中，所述预设图像集合包括：多个预设图像，以及每个预设图像中每个第二像素对应的第二类别，所述第二类别用于表征该第二像素对应的预设对象的类别；
基于所述多个预设图像中所有像素点在所述对立色空间的第一颜色值，确定每个类别对应的色彩特性；
基于所述每个类别对应的色彩特征，生成所述每个类别对应的预设风格模板。
4.根据权利要求3所述的方法，其特征在于，基于所述多个预设图像中所有像素点在所述对立色空间的第一颜色值，确定每个类别对应的色彩特性包括：
将所述多个预设图像从三原色空间转换为所述对立色空间，得到多个第一转换图像；
基于每个第一转换图像中每个像素对应的类别，对所述每个像素的第一颜色值进行统计处理，得到所述每个类别对应的色彩特性。
5.根据权利要求1所述的方法，其特征在于，基于所述原始图像和所述多个第一像素对应的目标风格模板，生成目标图像包括：
将所述原始图像从三原色空间转换为所述对立色空间，得到第二转换图像；
基于所述第二转换图像中每个像素的第二颜色值和所述每个像素对应的目标风格模板，生成第三转换图像；
将所述第三转换图像从所述对立色空间转换为所述三原色空间，得到所述目标图像。
6.根据权利要求1所述的方法，其特征在于，在确定所述原始图像中多个第一像素对应的目标风格模板之后，所述方法还包括：
输出所述多个第一像素对应的目标风格模板；
接收所述多个第一像素对应的反馈信息，其中，所述反馈信息通过对所述目标风格模板或所述目标风格模板对应的类别进行修改得到；
基于所述原始图像和所述多个第一像素对应的反馈信息，生成所述目标图像。
7.根据权利要求1所述的方法，其特征在于，确定所述原始图像中多个第一像素对应的目标风格模板包括：
在交互界面中显示多个预设风格模板；
获取在所述交互界面中选中的预设风格模板，得到所述多个第一像素对应的目标风格模板。
8.根据权利要求1至7中任意一项所述的方法，其特征在于，在基于所述原始图像和所述多个第一像素对应的目标风格模板，生成目标图像之后，所述方法还包括：
获取在交互界面中选中的目标任务，其中，所述目标任务包括如下至少之一：目标检测任务、目标分割任务、目标识别任务和目标分类任务；
获取所述目标任务对应的初始模型；
利用所述目标图像对所述初始模型进行训练，生成所述目标任务对应的目标处理模型；
输出所述目标处理模型。
9.一种图像处理方法，其特征在于，包括：
获取地物图像；
确定所述地物图像中多个第一像素对应的目标风格模板，其中，所述目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；
基于所述地物图像和所述多个第一像素对应的目标风格模板，生成目标图像。
10.根据权利要求9所述的方法，其特征在于，在基于所述地物图像和所述多个第一像素对应的目标风格模板，生成目标图像之后，所述方法还包括：
获取在交互界面中选中的目标任务，其中，所述目标任务包括如下至少之一：地物检测任务、地物分割任务、地物识别任务和地物分类任务；
获取所述目标任务对应的初始模型；
利用所述目标图像对所述初始模型进行训练，生成所述目标任务对应的地物处理模型；
输出所述地物处理模型。
11.一种图像处理方法，其特征在于，包括：
云服务器接收客户端上传的原始图像；
所述云服务器确定所述原始图像中多个第一像素对应的目标风格模板，其中，所述目标风格模板基于预设图像中每个第二像素在对立色空间的色彩特性生成；
所述云服务器基于所述原始图像和所述多个第一像素对应的目标风格模板，生成目标图像；
所述云服务器输出所述目标图像至所述客户端。
12.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至11中任意一项所述的图像处理方法。
13.一种计算机终端，其特征在于，包括：存储器和处理器，所述处理器用于运行所述存储器中存储的程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111166595.4A CN113962850A (zh) | 2021-09-30 | 2021-09-30 | 图像处理方法、计算机终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111166595.4A CN113962850A (zh) | 2021-09-30 | 2021-09-30 | 图像处理方法、计算机终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962850A true CN113962850A (zh) | 2022-01-21 |
Family
ID=79463405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111166595.4A Pending CN113962850A (zh) | 2021-09-30 | 2021-09-30 | 图像处理方法、计算机终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962850A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205692A (zh) * | 2022-09-16 | 2022-10-18 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
-
2021
- 2021-09-30 CN CN202111166595.4A patent/CN113962850A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115205692A (zh) * | 2022-09-16 | 2022-10-18 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
| CN115205692B (zh) * | 2022-09-16 | 2022-11-29 | 成都戎星科技有限公司 | 基于生成对抗网络的典型地物要素智能识别与提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106576155B (zh) | 图像处理装置、摄像装置、图像处理方法以及程序 | |
| US11044450B2 (en) | Image white balancing | |
| CN107113367A (zh) | 具有颜色恒定性的亮度改变图像处理 | |
| CN110599554A (zh) | 人脸肤色的识别方法和装置、存储介质及电子装置 | |
| CN108024105A (zh) | 图像色彩调节方法、装置、电子设备及存储介质 | |
| US20230074060A1 (en) | Artificial-intelligence-based image processing method and apparatus, electronic device, computer-readable storage medium, and computer program product | |
| CN111164563B (zh) | 一种智能终端的图像色彩调节系统及色彩调节方法 | |
| CN113962850A (zh) | 图像处理方法、计算机终端及存储介质 | |
| US8164650B2 (en) | Image processing apparatus and method thereof | |
| CN109194942A (zh) | 一种裸眼3d视频播放方法、终端和服务器 | |
| CN113112422A (zh) | 图像处理方法、装置、电子设备、计算机可读介质 | |
| CN107622098A (zh) | 网站内容颜色的设置方法和装置、存储介质及电子装置 | |
| CN107609561A (zh) | 一种大数据图像处理方法 | |
| CN114257730A (zh) | 图像数据的处理方法、装置、存储介质及计算机设备 | |
| CN114549373A (zh) | Hdr图像生成方法、装置、电子设备及可读存储介质 | |
| CN113470051B (zh) | 图像分割方法、计算机终端及存储介质 | |
| CN115690592A (zh) | 图像处理方法和模型训练方法 | |
| CN116189009A (zh) | 遥感图像处理模型的训练方法、电子设备及存储介质 | |
| CN113435515B (zh) | 图片识别方法和装置、存储介质及电子设备 | |
| US20230394727A1 (en) | Dynamic color adjustment in augmented reality | |
| CN114359599A (zh) | 图像处理方法、存储介质及计算机终端 | |
| CN113486693A (zh) | 一种视频处理的方法及设备 | |
| Ewiak et al. | Functionality assessment of algorithms for the coloring of images in terms of increasing radiometric values of aerial photographs archives | |
| US9667709B2 (en) | Picture conversion SNS system and method, apparatus, and terminal | |
| Lin | Colour fidelity in spectral reconstruction from rgb images |
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 |