CN114332334A - 图像处理方法、装置、存储介质及电子设备 - Google Patents
图像处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114332334A CN114332334A CN202111667025.3A CN202111667025A CN114332334A CN 114332334 A CN114332334 A CN 114332334A CN 202111667025 A CN202111667025 A CN 202111667025A CN 114332334 A CN114332334 A CN 114332334A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- image generation
- target
- training
- 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 73
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 83
- 238000000605 extraction Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本公开是关于一种图像处理方法、装置、存储介质及电子设备,涉及计算机技术领域,该方法包括:先获取针对目标对象的部分对象图像,再从部分对象图像中,提取目标对象的目标描述参数,最后,利用预训练的图像生成模型对部分对象图像以及目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像。这样,无需依赖特殊的图像采集设备,通过预设特征约束条件对图像生成模型进行约束,使得生成的图像可以避免处理过程中丢失原始数据,而导致生成的图像失真的问题,同时,可以提高生成的图像精度,进一步提高图像处理的效率。
Description
技术领域
本公开实施例涉及计算机技术领域,具体而言,涉及一种图像处理方法、装置、存储介质及电子设备。
背景技术
随着图像处理技术的快速发展,人们对立体图像越来越感兴趣,比如,立体通讯、投影等应用。但是,当前技术中,生成立体图像对采集图像的设备以及采集条件等要求极高,使得生成立体图像很难实现大规模推广应用。
相关技术中,在生成图像时,往往出现图像在处理过程中丢失原始数据,导致生成的图像失真,以及生成的图像精度较低的问题。
因此,需要提供一种新的图像处理方法及装置。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
为克服相关技术中存在的问题,本公开提供一种图像处理方法、装置、存储介质及电子设备,以至少解决相关技术中图像在处理过程中丢失原始数据,导致生成的图像失真,以及生成的图像精度较低的问题。
根据本公开的一个方面,提供一种图像处理方法,该方法包括:
获取针对目标对象的部分对象图像;
从所述部分对象图像中,提取所述目标对象的目标描述参数;
利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像。
可选的,所述从所述部分对象图像中,提取所述目标对象的目标描述参数,包括:
利用预设特征提取模型,从所述部分对象图像中提取所述目标对象的对象特征信息和对象属性信息;
根据所述对象特征信息和所述对象属性信息,确定所述目标对象的目标描述参数。
可选的,所述利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像,包括:
通过所述预训练的图像生成模型,对所述部分对象图像按照所述目标描述参数进行图像生成处理;
生成符合所述预设特征约束条件的全部对象图像。
可选的,所述方法还包括:
获取多个第一样本图像和第二样本图像;
通过预设特征提取模型对所述第一样本图像进行特征提取,得到所述第一样本图像包含的样本描述参数;
将所述样本描述参数和所述第一样本图像、所述第二样本图像作为一个训练样本对;
利用训练样本对对初始图像生成模型进行迭代训练,以获取符合所述预设特征约束条件的所述预训练的图像生成模型。
可选的,所述利用训练样本对对初始图像生成模型进行迭代训练,以获取符合所述预设特征约束条件的所述预训练的图像生成模型,包括:
利用所述初始图像生成模型,对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像;
确定所述训练图像与所述第二样本图像之间的偏差值;
若所述偏差值不符合所述预设特征约束条件,则调整所述初始图像生成模型中的训练参数,并重新执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,直至所述偏差值符合所述预设特征约束条件;
若所述偏差值符合所述预设特征约束条件,则停止执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,并将训练得到的所述初始图像生成模型确定为所述预训练的图像生成模型。
根据本公开的一个方面,提供一种图像处理装置,该装置包括:
第一获取模块,用于获取针对目标对象的部分对象图像;
第一提取模块,用于从所述部分对象图像中,提取所述目标对象的目标描述参数;
生成模块,用于利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像。
可选的,所述第一提取模块,还用于:
利用预设特征提取模型,从所述部分对象图像中提取所述目标对象的对象特征信息和对象属性信息;
根据所述对象特征信息和所述对象属性信息,确定所述目标对象的目标描述参数。
可选的,所述生成模块,还用于:
通过所述预训练的图像生成模型,对所述部分对象图像按照所述目标描述参数进行图像生成处理;
生成符合所述预设特征约束条件的全部对象图像。
可选的,所述装置还包括:
第二获取模块,用于获取多个第一样本图像和第二样本图像;
第二提取模块,用于通过预设特征提取模型对所述第一样本图像进行特征提取,得到所述第一样本图像包含的样本描述参数;
确定模块,用于将所述样本描述参数和所述第一样本图像、所述第二样本图像作为一个训练样本对;
训练模块,用于利用训练样本对对初始图像生成模型进行迭代训练,以获取符合所述预设特征约束条件的所述预训练的图像生成模型。
可选的,所述训练模块,还用于:
利用所述初始图像生成模型,对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像;
确定所述训练图像与所述第二样本图像之间的偏差值;
若所述偏差值不符合所述预设特征约束条件,则调整所述初始图像生成模型中的训练参数,并重新执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,直至所述偏差值符合所述预设特征约束条件;
若所述偏差值符合所述预设特征约束条件,则停止执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,并将训练得到的所述初始图像生成模型确定为所述预训练的图像生成模型。
根据本公开的一个方面,提供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上述任意一项所述的图像处理方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的图像处理方法。
综上所述,本发明实施例提供的图像处理方法,可以先获取针对目标对象的部分对象图像,再从部分对象图像中,提取目标对象的目标描述参数,最后,利用预训练的图像生成模型对部分对象图像以及目标描述参数进行图像处理,生成符合预设特征约束条件的全部对象图像。这样,无需依赖特殊的图像采集设备,通过预设特征约束条件对图像生成模型进行约束,使得生成的图像可以避免处理过程中丢失原始数据,而导致生成的图像失真的问题,同时,可以提高生成的图像精度,进一步提高图像处理的效率。
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。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种图像处理方法的步骤流程图;
图2是本公开实施例提供的又一种图像处理方法的步骤流程图;
图3是本公开实施例提供的另一种图像处理方法的步骤流程图
图4是本公开实施例提供的一种图像处理流程示意图;
图5是本公开实施例提供的一种图像处理装置的框图;
图6示意性示出根据本公开示例实施例的一种用于实现上述图像处理方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1是本公开实施例提供的一种图像处理方法的步骤流程图,如图1所示,该方法可以包括:
步骤S101、获取针对目标对象的部分对象图像。
本公开实施例中,目标对象可以是具体的实物,比如,可以是人、动物、树木等。部分对象图像可以是只采集到目标对象部分区域的图像,该图像可以是通过采集设备拍摄得到的图像,也可以是从网上下载的得到的图像,例如,部分对象图像可以是只包含树干的树木,也可以是只包含头肩部位的人物。具体的,获取针对目标对象的部分对象图像,可以是先确定图像中是否包含目标对象,若包含目标对象,则确定该图像中包含的目标对象是否只显示部分区域,可以将只显示部分区域的图像作为该目标对象的部分对象图像。
步骤S102、从所述部分对象图像中,提取所述目标对象的目标描述参数。
本公开实施例中,目标描述参数可以包括目标对象的特征信息和目标对象的属性信息,例如,目标对象为人物时,该目标对象的特征信息可以是面宽、头肩比等信息,该目标对象的属性信息可以是性别、年龄、种族等信息。从部分对象图像中,提取目标对象的目标描述参数,可以是利用预设图像提取模型从部分对象图像中,分别提取该目标对象的特征信息和属性信息,并将特征信息和属性信息确定为目标对象的目标描述参数。
步骤S103、利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像。
本公开实施例中,预训练的图像生成模型可以根据样本图像,对初始图像生成模型进行迭代训练得到的。通过不断的迭代训练,使得图像生成模型可以学习到基于部分对象图像和目标描述参数生成符合预设特征约束条件的全部对象图像的能力。其中,预设特征约束条件可以是预先设定的分类器,用于约束图像生成模型得到的图像与输入的图像之间的偏差值,该偏差值取值越小,表示图像生成模型得到的图像中保留输入图像的信息越多,避免在图像处理过程中由于丢失原始数据,而导致生成的图像失真的万体。具体的,预设特征约束条件可以是深度卷积神经网络(VGGNet),也可以是深度神经网络模型(GoogLeNet)。
具体的,初始图像生成模型可以是生成式对抗模型(Generative AdversarialNetworks,GAN),也可以是变分自编码器(Variational auto-encoder,VAE)。初始图像生成模型的训练过程可以包括:将样本图像和该样本图像对应的描述参数输入到初始图像生成模型中,初始图像生成模型根据描述参数对样本图像进行图像生成处理,再确定该图像生成模型生成的图像与样本图像之间的偏差值,当偏差值不符合预设特征约束条件时,对该初始图像生成模型中的参数进行调整,然后基于调整后的初始图像生成模型继续进行迭代训练,直至偏差值符合预设特征约束条件。通过不断的迭代训练,当图像生成模型生成的图像与样本图像之间的偏差值符合预设特征约束条件时,确定模型训练完成,将符合预设特征约束条件的初始图像生成模型作为预训练的图像生成模型。
综上所述,本发明实施例提供的图像处理方法,可以先获取针对目标对象的部分对象图像,再从部分对象图像中,提取目标对象的目标描述参数,最后,利用预训练的图像生成模型对部分对象图像以及目标描述参数进行图像处理,生成符合预设特征约束条件的全部对象图像。这样,无需依赖特殊的图像采集设备,通过预设特征约束条件对图像生成模型进行约束,使得生成的图像可以避免处理过程中丢失原始数据,而导致生成的图像失真的问题,同时,可以提高生成的图像精度,进一步提高图像处理的效率。
可选的,本公开实施例中上述从所述部分对象图像中,提取所述目标对象的目标描述参数的操作,如图2所示,可以具体包括:
步骤S1021、利用预设特征提取模型,从所述部分对象图像中提取所述目标对象的对象特征信息和对象属性信息。
本公开实施例中,预设特征提取模型可以是卷积神经网络(ConvolutionalNeural Network,CNN),也可以是主成分分析模型,还可以是奇异值分解模型,对此本公开不作限制。利用预设特征提取模型,从部分对象图像中提取目标对象的对象特征信息和对象属性信息,可以是先通过预设特征提取模型从部分对象图像提取参数信息,再将属于特征信息的参数信息作为对象特征信息,将属于属性信息的参数信息作为对象属性信息,从而得到目标对象的对象特征信息和对象属性信息。
步骤S1022、根据所述对象特征信息和所述对象属性信息,确定所述目标对象的目标描述参数。
示例的,对象特征信息可以有对象特征1、对象特征2、对象特征3、对象特征4,对象属性信息可以有对象属性1、对象属性2、对象属性3,则可以确定目标对象的目标描述参数可以包括:对象特征1、对象特征2、对象特征3、对象特征4和对象属性1、对象属性2、对象属性3。
可选的,本公开实施例中上述利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像的操作,如图3所示,可以具体包括:
步骤S1041、通过所述预训练的图像生成模型,对所述部分对象图像按照所述目标描述参数进行图像生成处理。
本公开实施例中,可以是利用预训练的的图像生成模型,确定目标描述参数所表征的预测图像信息,基于目标描述参数所表征的预测图像信息,在部分对象图像的基础上生成预测图像,得到部分对象图像对应的全部对象图像,从而实现对部分对象图像补全。
步骤S1042、生成符合所述预设特征约束条件的全部对象图像。
本公开实施例中,由于图像生成模型是通过预设特征约束条件进行训练得到的,因此,可以得到通过预训练的图像生成模型得到的图像也是符合预设特征约束条件的。
可选的,本公开实施例中上述图像处理方法还可以具体包括:
获取多个第一样本图像和第二样本图像;通过预设特征提取模型对所述第一样本图像进行特征提取,得到所述第一样本图像包含的样本描述参数;将所述样本描述参数和所述第一样本图像、所述第二样本图像作为一个训练样本对;利用训练样本对对初始图像生成模型进行迭代训练,以获取符合所述预设特征约束条件的所述预训练的图像生成模型。
本公开实施例中,第一样本图像可以是对样本对象只显示部分的图像,第二样本图像可以是对样本对象全部显示的图像。获取多个第一样本图像和第二样本图像,可以是先获取第二样本图像,再通过对第二样本图像截取,得到只显示部分样本对象的图像,从而获得第二样本图像对应的第一样本图像,也可以是随机获取图像,将只显示部分样本对象的图像作为第一样本图像,将显示全部样本对象的图像作为第二样本图像。其中,样本对象可以是表征具体的实物,即,可以是样本图像中显示的对象。通过预设特征提取模型对第一样本图像进行特征提取,得到第一样本图像包含的样本描述参数,可以是利用预设特征提取模型,提取第一样本图像包含的参数信息,得到第一样本图像包含的样本描述参数。
本公开实施例中,将样本描述参数和第一样本图像、第二样本图像作为一个训练样本对,可以是将样本描述参数和第一样本图像作为输入初始图像生成模型进行训练的训练样本对,而第二样本图像可以是确定利用图像生成模型生成的图像符合预设特征约束条件的训练样本对。利用训练样本对对初始图像生成模型进行迭代训练,以获取符合预设特征约束条件的预训练的图像生成模型,可以是确定该图像生成模型生成的图像与样本图像之间的偏差值,当偏差值不符合预设特征约束条件时,对该初始图像生成模型中的参数进行调整,然后基于调整后的初始图像生成模型继续进行迭代训练,直至偏差值符合预设特征约束条件。通过不断的迭代训练,当图像生成模型生成的图像与样本图像之间的偏差值符合预设特征约束条件时,确定模型训练完成,将符合预设特征约束条件的初始图像生成模型作为预训练的图像生成模型。
可选的,本公开实施例中上述利用训练样本对对初始图像生成模型进行迭代训练,以获取符合所述预设特征约束条件的所述预训练的图像生成模型的操作,可以具体包括:
利用所述初始图像生成模型,对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像;确定所述训练图像与所述第二样本图像之间的偏差值;若所述偏差值不符合所述预设特征约束条件,则调整所述初始图像生成模型中的训练参数,并重新执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,直至所述偏差值符合所述预设特征约束条件;若所述偏差值符合所述预设特征约束条件,则停止执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,并将训练得到的所述初始图像生成模型确定为所述预训练的图像生成模型。
本公开实施例中,可以是利用初始图像生成模型,对第一样本图像按照样本描述参数进行图像生成处理,可以将处理结果作为训练图像。确定训练图像与第二样本图像之间的偏差值,可以是确定训练图像与第二样本图像上同一位置处的偏差值。若偏差值不符合预设特征约束条件,则可以调整初始图像生成模型中的训练参数,使得图像生成模型的训练结果趋近于符合预设特征约束条件的方向,并重新执行对第一样本图像按照样本描述参数进行图像生成处理得到训练图像的操作,直至偏差值符合预设特征约束条件,若偏差值符合预设特征约束条件,则可以停止执行对第一样本图像按照样本描述参数进行图像生成处理得到训练图像的操作,并将训练得到的初始图像生成模型确定为预训练的图像生成模型。
示例的,图4是本公开实施例提供的一个图像处理流程示意图,如图4所示,11,输入目标图像;12,利用预设特征提取模型对目标图像进行处理;13、输出目标人特征,并根据目标人体特征确定第一特征约束条件;14、在第一特征约束条件下,通过预训练的图像生成模型对目标人体特征进行处理计算;15、输出目标图像。
图5是本公开实施例提供的一种图像处理装置,如图5所示,该装置30可以包括:
第一获取模块301,用于获取针对目标对象的部分对象图像;
第一提取模块302,用于从所述部分对象图像中,提取所述目标对象的目标描述参数;
生成模块303,用于利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像。
综上所述,本发明实施例提供的图像处理装置,可以先获取针对目标对象的部分对象图像,再从部分对象图像中,提取目标对象的目标描述参数,最后,利用预训练的图像生成模型对部分对象图像以及目标描述参数进行图像处理,生成符合预设特征约束条件的全部对象图像。这样,无需依赖特殊的图像采集设备,通过预设特征约束条件对图像生成模型进行约束,使得生成的图像可以避免处理过程中丢失原始数据,而导致生成的图像失真的问题,同时,可以提高生成的图像精度,进一步提高图像处理的效率。
可选的,所述第一提取模块302,还用于:
利用预设特征提取模型,从所述部分对象图像中提取所述目标对象的对象特征信息和对象属性信息;
根据所述对象特征信息和所述对象属性信息,确定所述目标对象的目标描述参数。
可选的,所述生成模块303,还用于:
通过所述预训练的图像生成模型,对所述部分对象图像按照所述目标描述参数进行图像生成处理;
生成符合所述预设特征约束条件的全部对象图像。
可选的,所述装置30还包括:
第二获取模块,用于获取多个第一样本图像和第二样本图像;
第二提取模块,用于通过预设特征提取模型对所述第一样本图像进行特征提取,得到所述第一样本图像包含的样本描述参数;
确定模块,用于将所述样本描述参数和所述第一样本图像、所述第二样本图像作为一个训练样本对;
训练模块,用于利用训练样本对对初始图像生成模型进行迭代训练,以获取符合所述预设特征约束条件的所述预训练的图像生成模型。
可选的,所述训练模块,还用于:
利用所述初始图像生成模型,对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像;
确定所述训练图像与所述第二样本图像之间的偏差值;
若所述偏差值不符合所述预设特征约束条件,则调整所述初始图像生成模型中的训练参数,并重新执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,直至所述偏差值符合所述预设特征约束条件;
若所述偏差值符合所述预设特征约束条件,则停止执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,并将训练得到的所述初始图像生成模型确定为所述预训练的图像生成模型。
上述图像处理装置中各模块的具体细节已经在对应的图像处理方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备400。图4显示的电子设备400仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于:上述至少一个处理单元410、上述至少一个存储单元420、连接不同系统组件(包括存储单元420和处理单元410)的总线430以及显示单元440。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元410执行,使得所述处理单元410执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元410可以执行如图1中所示的步骤101:获取针对目标对象的部分对象图像;步骤102:从所述部分对象图像中,提取所述目标对象的目标描述参数;步骤103:利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像。
存储单元420可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)4201和/或高速缓存存储单元4202,还可以进一步包括只读存储单元(ROM)4203。
存储单元420还可以包括具有一组(至少一个)程序模块4205的程序/实用工具4204,这样的程序模块4205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备500(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备400交互的设备通信,和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口450进行。并且,电子设备400还可以通过网络适配器460与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器460通过总线430与电子设备400的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本公开的其他实施例。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发明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权利要求指出。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取针对目标对象的部分对象图像;
从所述部分对象图像中,提取所述目标对象的目标描述参数;
利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像。
2.根据权利要求1所述的方法,其特征在于,所述从所述部分对象图像中,提取所述目标对象的目标描述参数,包括:
利用预设特征提取模型,从所述部分对象图像中提取所述目标对象的对象特征信息和对象属性信息;
根据所述对象特征信息和所述对象属性信息,确定所述目标对象的目标描述参数。
3.根据权利要求1所述的方法,其特征在于,所述利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像,包括:
通过所述预训练的图像生成模型,对所述部分对象图像按照所述目标描述参数进行图像生成处理;
生成符合所述预设特征约束条件的全部对象图像。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个第一样本图像和第二样本图像;
通过预设特征提取模型对所述第一样本图像进行特征提取,得到所述第一样本图像包含的样本描述参数;
将所述样本描述参数和所述第一样本图像、所述第二样本图像作为一个训练样本对;
利用训练样本对对初始图像生成模型进行迭代训练,以获取符合所述预设特征约束条件的所述预训练的图像生成模型。
5.根据权利要求4所述的方法,其特征在于,所述利用训练样本对对初始图像生成模型进行迭代训练,以获取符合所述预设特征约束条件的所述预训练的图像生成模型,包括:
利用所述初始图像生成模型,对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像;
确定所述训练图像与所述第二样本图像之间的偏差值;
若所述偏差值不符合所述预设特征约束条件,则调整所述初始图像生成模型中的训练参数,并重新执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,直至所述偏差值符合所述预设特征约束条件;
若所述偏差值符合所述预设特征约束条件,则停止执行所述对所述第一样本图像按照所述样本描述参数进行图像生成处理得到训练图像的操作,并将训练得到的所述初始图像生成模型确定为所述预训练的图像生成模型。
6.一种图像处理装置,其特征在于,所述装置包括:
第一获取模块,用于获取针对目标对象的部分对象图像;
第一提取模块,用于从所述部分对象图像中,提取所述目标对象的目标描述参数;
生成模块,用于利用预训练的图像生成模型对所述部分对象图像以及所述目标描述参数进行处理,生成符合预设特征约束条件的全部对象图像。
7.根据权利要求6所述的装置,其特征在于,所述第一提取模块,还用于:
利用预设特征提取模型,从所述部分对象图像中提取所述目标对象的对象特征信息和对象属性信息;
根据所述对象特征信息和所述对象属性信息,确定所述目标对象的目标描述参数。
8.根据权利要求7所述的装置,其特征在于,所述生成模块,还用于:
通过所述预训练的图像生成模型,对所述部分对象图像按照所述目标描述参数进行图像生成处理;
生成符合所述预设特征约束条件的全部对象图像。
9.一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1-5任一项所述的图像处理方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-5任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111667025.3A CN114332334A (zh) | 2021-12-31 | 2021-12-31 | 图像处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111667025.3A CN114332334A (zh) | 2021-12-31 | 2021-12-31 | 图像处理方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332334A true CN114332334A (zh) | 2022-04-12 |
Family
ID=81020223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111667025.3A Pending CN114332334A (zh) | 2021-12-31 | 2021-12-31 | 图像处理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332334A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255768A (zh) * | 2018-09-21 | 2019-01-22 | 深圳市中科明望通信软件有限公司 | 图像补全方法、装置、终端及计算机可读存储介质 |
CN109658346A (zh) * | 2018-11-13 | 2019-04-19 | 达闼科技(北京)有限公司 | 图像修复方法、装置、计算机可读存储介质及电子设备 |
CN110288532A (zh) * | 2019-07-01 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 生成全身图像的方法、装置、设备及计算机可读存储介质 |
CN111712832A (zh) * | 2017-12-27 | 2020-09-25 | 脸谱公司 | 使用机器学习的自动图像校正 |
CN112419179A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
WO2021068975A1 (en) * | 2019-10-12 | 2021-04-15 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image reconstruction |
-
2021
- 2021-12-31 CN CN202111667025.3A patent/CN114332334A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111712832A (zh) * | 2017-12-27 | 2020-09-25 | 脸谱公司 | 使用机器学习的自动图像校正 |
CN109255768A (zh) * | 2018-09-21 | 2019-01-22 | 深圳市中科明望通信软件有限公司 | 图像补全方法、装置、终端及计算机可读存储介质 |
CN109658346A (zh) * | 2018-11-13 | 2019-04-19 | 达闼科技(北京)有限公司 | 图像修复方法、装置、计算机可读存储介质及电子设备 |
CN110288532A (zh) * | 2019-07-01 | 2019-09-27 | 北京字节跳动网络技术有限公司 | 生成全身图像的方法、装置、设备及计算机可读存储介质 |
WO2021068975A1 (en) * | 2019-10-12 | 2021-04-15 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image reconstruction |
CN112419179A (zh) * | 2020-11-18 | 2021-02-26 | 北京字跳网络技术有限公司 | 修复图像的方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108509915B (zh) | 人脸识别模型的生成方法和装置 | |
CN106960219B (zh) | 图片识别方法及装置、计算机设备及计算机可读介质 | |
US11062090B2 (en) | Method and apparatus for mining general text content, server, and storage medium | |
CN107633218B (zh) | 用于生成图像的方法和装置 | |
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN107103903B (zh) | 基于人工智能的声学模型训练方法、装置及存储介质 | |
US11436863B2 (en) | Method and apparatus for outputting data | |
CN109034069B (zh) | 用于生成信息的方法和装置 | |
CN109564575A (zh) | 使用机器学习模型来对图像进行分类 | |
CN110298319B (zh) | 图像合成方法和装置 | |
US11822568B2 (en) | Data processing method, electronic equipment and storage medium | |
CN110349232B (zh) | 图像的生成方法、装置、存储介质和电子设备 | |
CN110363084A (zh) | 一种上课状态检测方法、装置、存储介质及电子 | |
CN109784304B (zh) | 用于标注牙齿图像的方法和装置 | |
US20200135172A1 (en) | Sample-efficient adaptive text-to-speech | |
US10970909B2 (en) | Method and apparatus for eye movement synthesis | |
EP4006909B1 (en) | Method, apparatus and device for quality control and storage medium | |
CN111199540A (zh) | 图像质量评价方法、装置、电子设备及存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN109064464B (zh) | 用于检测电池极片毛刺的方法和装置 | |
CN112101257B (zh) | 训练样本生成方法、图像处理方法、装置、设备和介质 | |
CN111260756B (zh) | 用于发送信息的方法和装置 | |
CN111144374A (zh) | 人脸表情识别方法及装置、存储介质和电子设备 | |
CN114255502B (zh) | 人脸图像生成方法及装置、人脸识别方法、设备、介质 | |
CN114332334A (zh) | 图像处理方法、装置、存储介质及电子设备 |
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 |