CN114399454A - 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
- CN114399454A CN114399454A CN202210057041.9A CN202210057041A CN114399454A CN 114399454 A CN114399454 A CN 114399454A CN 202210057041 A CN202210057041 A CN 202210057041A CN 114399454 A CN114399454 A CN 114399454A
- Authority
- CN
- China
- Prior art keywords
- image
- foreground
- sample
- processing
- foreground image
- 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 101
- 238000003672 processing method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 238000007670 refining Methods 0.000 claims abstract description 8
- 239000000523 sample Substances 0.000 claims description 135
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 239000013074 reference sample Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 12
- 238000003058 natural language processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质,属于图像处理技术领域。该方法包括:获取待处理的原始图像;通过预先训练的抠图模型的骨干网络对原始图像进行初步抠图处理,得到初始前景图;通过抠图模型的微调网络对初始前景图的边缘区域进行局部细化处理,得到目标前景图;通过预先训练的图像重构模型对目标前景图进行超分辨率重构处理,得到标准前景图,其中,标准前景图的分辨率高于目标前景图的分辨率;对标准前景图和预设的背景图进行图像融合,得到目标图像。本申请实施例能够提高抠图后的目标图像的图像质量。
Description
技术领域
本申请涉及图像处理技术领域,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
目前,许多方法常常依赖于蒙版数据集来学习抠图,例如上下文感知抠图、索引抠图、基于采样的抠图和基于不透明度传播的抠图等等。这些方法的性能取决于标记的质量,往往会使得抠图后的图像质量较低。因此,如何提供一种图像处理方法,能够提高抠图后的图像质量,成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种图像处理方法、装置、电子设备及存储介质,旨在提高抠图后的目标图像的图像质量。
为实现上述目的,本申请实施例的第一方面提出了一种图像处理方法,所述方法包括:
获取待处理的原始图像;
通过预先训练的抠图模型的骨干网络对所述原始图像进行初步抠图处理,得到初始前景图;
通过所述抠图模型的微调网络对所述初始前景图的边缘区域进行局部细化处理,得到目标前景图;
通过预先训练的图像重构模型对所述目标前景图进行超分辨率重构处理,得到标准前景图,其中,所述标准前景图的分辨率高于所述目标前景图的分辨率;
对所述标准前景图和预设的背景图进行图像融合,得到目标图像。
在一些实施例,所述通过预设的抠图模型的骨干网络对所述原始图像进行初步抠图处理,得到初始前景图,包括:
对所述原始图像进行卷积处理,得到原始图像矩阵;
对所述原始图像矩阵进行特征提取,得到预测前景值;
根据所述预测前景值对所述原始图像进行初步抠图处理,得到所述初始前景图。
在一些实施例,所述通过所述抠图模型的微调网络对所述初始前景图的边缘区域进行局部细化处理,得到目标前景图,包括:
获取所述初始前景图中每一像素点的边缘预测值;
根据所述边缘预测值和预设的边缘预测阈值的大小关系,确定所述初始前景图的边缘像素点;
对所述初始前景图的边缘像素点进行过滤处理,得到所述目标前景图。
在一些实施例,所述通过预先训练的图像重构模型对所述目标前景图进行超分辨率重构处理,得到标准前景图,包括:
通过所述图像重构模型的生成网络对目标前景图进行超分辨率重构处理,得到中间前景图;
通过所述图像重构模型的判别网络和预设的参考前景图对所述中间前景图进行优化处理,得到标准前景图。
在一些实施例,所述对所述标准前景图和预设的背景图进行图像融合,得到目标图像
,包括:
对所述标准前景图进行特征提取,得到前景特征值,并对所述背景图进行特征提取,得到背景特征值;
根据所述前景特征值和所述背景特征值对预设的通道位图进行异或计算,得到目标通道位图;
根据所述目标通道位图对所述标准前景图和所述背景图进行图像融合,得到目标图像。
在一些实施例,在所述通过预设的抠图模型的骨干网络对所述原始图像进行初步抠图处理,得到初始前景图之前,所述方法还包括预先训练所述抠图模型,具体包括:
获取样本图像,其中,所述样本图像的分辨率低于预设的参考图像的分辨率;
将所述样本图像输入至所述抠图模型中;
通过所述骨干网络对所述样本图像进行卷积处理,得到样本图像矩阵,并对所述样本图像矩阵进行特征提取,得到样本预测前景值;
通过所述骨干网络和所述样本预测前景值对所述样本图像进行初步抠图处理,得到样本前景图;
通过所述微调网络获取所述样本前景图中每一样本像素点的样本边缘预测值;
根据所述样本边缘预测值和预设的边缘预测阈值的大小关系,确定样本边缘像素点的个数;
根据所述样本边缘像素点的个数对所述抠图模型的损失函数进行优化,以更新所述抠图模型。
在一些实施例,在所述通过预先训练的图像重构模型对所述目标前景图进行超分辨率重构处理,得到标准前景图之前,所述方法还包括预先训练所述图像重构模型,具体包括:
获取样本图像,其中,所述样本图像的分辨率低于预设的参考图像的分辨率;
对所述样本图像进行初步抠图处理和局部细化处理,得到样本前景图;
将所述样本前景图输入至初始模型中;
通过所述初始模型的生成网络对所述样本前景图进行超分辨率重构处理,生成与所述样本前景图对应的样本中间前景图,所述样本中间前景图的分辨率高于所述样本前景图;
通过所述初始模型的判别网络对所述样本中间前景图和参考样本前景图进行相似度计算,得到相似概率值;
根据所述相似概率值对所述初始模型的损失函数进行优化,以更新所述初始模型,得到所述图像重构模型。
为实现上述目的,本申请实施例的第二方面提出了一种图像处理装置,所述装置包括:
原始图像获取模块,用于获取待处理的原始图像;
初步抠图模块,用于通过预设的抠图模型的骨干网络对所述原始图像进行初始抠图处理,得到初始前景图;
局部细化模块,用于通过所述抠图模型的微调网络对所述初始前景图的边缘区域进行局部细化处理,得到目标前景图;
超分辨率重构模块,用于通过预先训练的图像重构模型对所述目标前景图进行超分辨率重构处理,得到标准前景图,其中,所述标准前景图的分辨率高于所述目标前景图的分辨率;
图像融合模块,用于对所述标准前景图和预设的背景图进行图像融合,得到目标图像。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的图像处理方法、装置、电子设备及存储介质,其通过获取待处理的原始图像;通过预先训练的抠图模型的骨干网络对原始图像进行初步抠图处理,得到初始前景图;通过抠图模型的微调网络对初始前景图的边缘区域进行局部细化处理,得到目标前景图,这样一来,通过抠图模型能够得到抠图效果较好的前景图像。进而,通过预先训练的图像重构模型对目标前景图进行超分辨率重构处理,得到标准前景图,其中,标准前景图的分辨率高于目标前景图的分辨率,能够获得更为清晰的标准前景图,从视觉效果上强化了抠图效果。最后对标准前景图和预设的背景图进行图像融合,得到目标图像,使得目标图像具有较高的分辨率,从而提高了图像质量。
附图说明
图1是本申请实施例提供的图像处理方法的流程图;
图2是本申请实施例提供的图像处理方法的另一流程图;
图3是图1中的步骤S102的流程图;
图4是图1中的步骤S103的流程图;
图5是本申请实施例提供的图像处理方法的另一流程图;
图6是图1中的步骤S104的流程图;
图7是图1中的步骤S105的流程图;
图8是本申请实施例提供的图像处理装置的结构示意图;
图9是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(artificial intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(natural language processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息图像处理、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
信息抽取(Information Extraction,NER):从自然语言文本中抽取指定类型的实体、关系、事件等事实信息,并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的,例如句子、段落、篇章,文本信息正是由一些小的具体的单位构成的,例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取,当然,文本信息抽取技术所抽取的信息可以是各种类型的信息。
电子计算机断层扫描(Computed Tomography,CT):它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查;根据所采用的射线不同可分为:X射线CT(X-CT)以及γ射线CT(γ-CT)等。
图像抠图(image matting),指的是对于一张给定的图片,网络可以自动的提取出其中的前景部分,删除背景部分。是图片增强领域的一种常用方法。
残差网络:残差网络:通过残差密集块(RDB)来充分利用原始LR图像的所有分层特征。对于一个很深的网络来说,直接提取LR空间中的每个卷积层的输出很难,可以说是不切实际的。使用残差密集块(RDB)作为RDN的构建模块。RDB包含密集连通层和带有局部残差学习(LRL)的局部特征融合(LFF)。残差密集块还支持RDB间的连续记忆。一个RDB的输出可以直接访问下一个RDB各层,从而使状态连续传递。RDB每个卷积层都可以访问所有的后续层,传递需要保留的信息。将前面的RDB与当前RDB的所有前面层的状态连接,LFF通过自适应地保存信息来提取局部密集特征。此外,LFF通过稳定更大网络的训练来实现极高的增长率。在提取多层局部密集特征后,进一步进行全局特征融合(GFF)以全局方式自适应地保留分层特征。每层都可以直接访问原始的LR输入,从而产生隐式的深层监督学习。残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。残差网络是由一系列残差块组成的。残差块分成两部分直接映射部分和残差部分。残差部分一般由两个或者三个卷积操作构成。
全连接层(fully connected layer,FC):全连接层的每一个结点都与上一层的所有结点相连,用来把前边提取到的特征综合起来。由于其全相连的特性,一般全连接层的参数也是最多的。在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中,全连接层可由卷积操作实现:对前层是全连接的全连接层可以转化为卷积核为1×1的卷积;而前层是卷积层的全连接层可以转化为卷积核为H×W的全局卷积,H和W分别为前层卷积结果的高和宽。
图像超分辨率(Image Super Resolution):图像超分辨率是指由一幅低分辨率图像或图像序列恢复出高分辨率图像。图像超分辨率技术分为超分辨率复原和超分辨率重建。超分辨率(Super-Resolution)即通过硬件或软件的方法提高原有图像的分辨率,通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。超分辨率重建的核心思想就是用时间带宽(获取同一场景的多帧图像序列)换取空间分辨率,实现时间分辨率向空间分辨率的转换。图像超分辨率是指通过利用单幅或多幅低分辨率的降质图像序列来获得相应的高分辨率图像的过程。在图像处理领域的许多实际应用中,人们往往希望获取高分辨率的像,因为高分辨率的图像意味着更高的像素密度,可以提供更丰富的高频细节信息,从而为图像的后期处理和图像信息的准确提取与利用创设良好的基础。
反向传播:反向传播的大致原理为:将训练集数据输入到神经网络的输入层,经过神经网络的隐藏层,最后达到神经网络的输出层并输出结果;由于神经网络的输出结果与实际结果有误差,则计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;在反向传播的过程中,根据误差调整各种参数的值;不断迭代上述过程,直至收敛。
异或运算:在逻辑学中,逻辑算符异或(exclusive or)是对两个运算元的一种逻辑析取类型,符号为XOR或EOR或⊕(编程语言中常用^)。但与一般的逻辑或不同,异或算符的值为真仅当两个运算元中恰有一个的值为真,而另外一个的值为非真。转化为命题,就是:“两者的值不同”或“有且仅有一个为真”。
图像融合(Image Fusion)是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测。图像融合是指将多幅图像,在经过去噪、配准等预处理后,再依据某些融合规则合成一幅图像的过程。融合图像对目标的描述更清晰和准确,更适合图像后续的处理。(多传感器图像融合(可见光图像和红外图像融合)、单一传感器多聚焦图像融合)。
图像融合需要遵守的3个基本原则:
1)融合后图像要含有所有源图像的明显突出信息;
2)融合后图像不能加入任何的人为信息;
3)对源图像中不感兴趣的信息,如噪声要尽可能多地抑制其出现在融合图像中。
按照信息提取的层次从低到高的原则可划分为3类:像素级图像融合、特征级图像融合和决策级图像融合。
像素级融合依据一定的融合规则直接对源图像基于像素的特征进行融合,最后生成一幅融合图像的过程。它保留源图像的原始信息最多、融合准确性最高,但该类方法也存在着信息量最大、对硬件设备和配准的要求较高、计算时间长和实时处理差等缺点。
特征级图像融合是首先对源图像进行简单的预处理,再通过一定模型对源图像的角点、边缘、形状等特征信息进行提取,并通过合适的融合规则进行选取,再依据一定的融合规则对这些特征信息进行选取和融合,最后生成一幅融合图像的过程。该类融合方法融合的对象是源图像的特征信息,所以对图像配准环节的要求没有像素级融合要求的严格。同时,该类方法提取了源图像的特征信息,对图像的细节信息进行了压缩,增强其自身实时处理能力,并尽最大可能为决策分析提供所需要的特征信息。相对于前一级图像融合方法,特征级图像融合方法的精度一般。
决策级图像是在进行融合之前,每一源图像都已独立地完成了分类、识别等自身的决策任务,融合过程是通过对前面每一独立决策结果进行综合分析,从而生成全局最优决策并依此形成融合图像的过程。这种融合方法具有灵活度高、通信量小、实时性最好、容错能力强、抗干扰能力强等优点。但是决策级图像融合需要首先对各个图像分别进行决策判断,导致最终融合前的处理任务太多、前期的预处理代价高。
传统的非基于学习的抠图算法需要手动标记三色图,并求解三色图的未知区域中的α蒙版。目前,许多方法常常依赖于蒙版数据集来学习抠图,例如上下文感知抠图、索引抠图、基于采样的抠图和基于不透明度传播的抠图等等。这些方法的性能取决于标记的质量,往往会使得抠图后的图像质量较低。因此,如何提供一种图像处理方法,能够提高抠图后的图像质量,成为了亟待解决的技术问题。
基于此,本申请实施例提供了一种图像处理方法、装置、电子设备及存储介质,旨在提高抠图后的目标图像的图像质量。
本申请实施例提供的图像处理方法、装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的图像处理方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的图像处理方法,涉及人工智能技术领域。本申请实施例提供的图像处理方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、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;软件可以是实现图像处理方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
图1是本申请实施例提供的图像处理方法的一个可选的流程图,图1中的方法可以包括但不限于包括步骤S101至步骤S105。
步骤S101,获取待处理的原始图像;
步骤S102,通过预先训练的抠图模型的骨干网络对原始图像进行初步抠图处理,得到初始前景图;
步骤S103,通过抠图模型的微调网络对初始前景图的边缘区域进行局部细化处理,得到目标前景图;
步骤S104,通过预先训练的图像重构模型对目标前景图进行超分辨率重构处理,得到标准前景图,其中,标准前景图的分辨率高于目标前景图的分辨率;
步骤S105,对标准前景图和预设的背景图进行图像融合,得到目标图像。
本申请实施例所示意的步骤S101至步骤S105中,通过预先训练的抠图模型的骨干网络对原始图像进行初步抠图处理,得到初始前景图;通过抠图模型的微调网络对初始前景图的边缘区域进行局部细化处理,得到目标前景图,这样一来,通过抠图模型能够得到抠图效果较好的前景图像。进而,通过预先训练的图像重构模型对目标前景图进行超分辨率重构处理,得到标准前景图,其中,标准前景图的分辨率高于目标前景图的分辨率,能够获得更为清晰的标准前景图,从视觉效果上强化了抠图效果。最后对标准前景图和预设的背景图进行图像融合,得到目标图像,使得目标图像具有较高的分辨率,从而提高了图像质量。
在一些实施例的步骤S101中,待处理的原始图像可以为三维图像;在一些实施例,该三维图像可以是通过计算机断层扫描(Computed Tomo-graphy,-CT),在另一项实施例,该三维图像还可以是通过核磁共振成像(Magnetic Resonance Imaging,MRI)得来。
在一些医学应用场景中,上述的待处理的原始图像可以为医学影像,原始图像包含的对象所属类型为病灶,即机体上发生病变的部分。医学影像是指为了医疗或医学研究,以非侵入方式取得的内部组织,比如,CT(Computed Tomography,电子计算机断层扫描)、MRI(Magnetic Resonance Imaging,磁共振成像)、US(ultrasonic,超声)、X光图像以及光学摄影灯由医学仪器生成的图像。
请参阅图2,在一些实施例中,在步骤S102之前,该图像处理方法还包括预先训练抠图模型,具体包括但不限于包括步骤S201至步骤S207:
步骤S201,获取样本图像,其中,样本图像的分辨率低于预设的参考图像的分辨率;
步骤S202,将样本图像输入至抠图模型中;
步骤S203,通过骨干网络对样本图像进行卷积处理,得到样本图像矩阵,并对样本图像矩阵进行特征提取,得到样本预测前景值;
步骤S204,通过骨干网络和样本预测前景值对样本图像进行初步抠图处理,得到样本前景图;
步骤S205,通过微调网络获取样本前景图中每一样本像素点的样本边缘预测值;
步骤S206,根据样本边缘预测值和预设的边缘预测阈值的大小关系,确定样本边缘像素点的个数;
步骤S207,根据样本边缘像素点的个数对抠图模型的损失函数进行优化,以更新抠图模型。
具体地,在步骤S201中,可以通过计算机断层扫描(Computed Tomo-graphy,CT)或者核磁共振成像(Magnetic Resonance Imaging,MRI)得到样本图像,其中该样本图像的分辨率低于预设的参考图像的分辨率,即样本图像为低分辨率图像。
进一步地,执行步骤S202,将样本图像输入至抠图模型中。
需要说明的是,该抠图模型可以包括已开源的抠图网络Background Matting V2,该抠图模型主要由两部分组成,即骨干网络和微调网络,其中,骨干网络为经过调整变形的残差网络,该骨干网络包括3个卷积层(即第一卷积层、第二卷积层以及第三卷积层),每一卷积层的卷积核大小设置为3×3,骨干网络包含六个输入通道。
进一步地,执行步骤S203和S204,通过骨干网络的第一卷积层对样本图像进行卷积处理,可以得到一个与样本图像大小相等的样本图像矩阵,该样本图像矩阵的矩阵值包含0和1,其中,0表示背景,1表示前景。通过第二卷积层对样本图像矩阵进行特征提取,获取所有数值为1的矩阵值,将这些数值为1的矩阵值纳入同一集合,该集合内的矩阵值即为样本预测前景值。通过骨干网络的第三卷积层在原始图像上抠取出预测前景值为1的像素值,这些像素值构成的图像即为样本前景图。
进一步地,执行步骤S205和S206,由于通过主干网络对样本图像进行初步抠图处理时,可以计算得到每一样本像素点的样本边缘预测信息,因而,可以获取样本边缘预测信息中包含的样本边缘预测值,通过样本边缘预测值来识别出该样本像素点属于边缘的程度。通过预先设置边缘预测阈值,将样本边缘预测值与边缘预测阈值进比对,从而对样本前景图的边缘区域的样本像素点进行筛选。若样本边缘预测值小于或者等于边缘预测阈值,则表明该样本像素点属于样本前景图;若样本边缘预测值大于边缘预测阈值,则表明该样本像素点不属于样本前景图,将该样本像素点作为样本边缘像素点,从而统计确定出样本边缘像素点的个数。
最后,执行步骤S207,将样本边缘像素点的个数与预设的样本边缘像素点个数阈值进行比对,计算抠图模型的模型损失,并将模型损失进行反向传播,例如,可以根据损失函数进行反向传播,以通过优化损失函数更新抠图模型,主要为更新抠图模型的内部参数(也即损失参数)。可以理解的是,反向传播原理可以应用常规的反向传播原理,本申请实施例不做限定。通过不断地重复上述过程,直至样本边缘像素点的个数小于或者等于样本边缘像素点个数阈值,或者迭代次数满足预设次数,完成对抠图模型的损失函数进行优化,停止更新抠图模型。
请参阅图3,在一些实施例中,步骤S102可以包括但不限于包括步骤S301至步骤S303:
步骤S301,对原始图像进行卷积处理,得到原始图像矩阵;
步骤S302,对原始图像矩阵进行特征提取,得到预测前景值;
步骤S303,根据预测前景值对原始图像进行初步抠图处理,得到初始前景图。
具体地,在步骤S301中,将原始图像输入至抠图模型中,通过抠图模型的骨干网络的第一卷积层对原始图像进行卷积处理,可以得到一个与原始图像大小相等的原始图像矩阵,该原始图像矩阵的矩阵值包含0和1,其中,0表示背景,1表示前景。需要说明的是,此处的大小相等指的是原始图像矩阵的宽度和高度均与原始图像的宽度和高度相同。
在步骤S302中,通过第二卷积层对原始图像矩阵进行特征提取,获取所有数值为1的矩阵值,将这些数值为1的矩阵值纳入同一集合,该集合内的矩阵值即为预测前景值。
在步骤S303中,通过骨干网络的第三卷积层在原始图像上抠取出预测前景值为1的像素值,这些像素值构成的图像即为初始前景图,从而实现对原始图像的初步抠图处理,得到初始前景图。
请参阅图4,在一些实施例中,步骤S103可以包括但不限于包括步骤S401至步骤S403:
步骤S401,获取初始前景图中每一像素点的边缘预测值;
步骤S402,根据边缘预测值和预设的边缘预测阈值的大小关系,确定初始前景图的边缘像素点;
步骤S403,对初始前景图的边缘像素点进行过滤处理,得到目标前景图。
具体地,为了提高抠图精度,需要对初始前景图的边缘区域难以进行抠图区分的像素点进行进一步地细致划分。首先执行步骤S401,通过主干网络对原始图像进行初步抠图处理时,可以计算得到每一像素点的边缘预测信息,因而,在对初始前景图进行局部细化处理过程中,可以获取边缘预测信息中包含的边缘预测值,通过边缘预测值来识别出该像素点属于边缘的程度。
进一步地,执行步骤S402和步骤S403,通过预先设置边缘预测阈值,将边缘预测值与边缘预测阈值进比对,从而对边缘区域的像素点进行筛选。例如,预设的边缘预测阈值可以是0.5、0.3等等。若边缘预测值小于或者等于边缘预测阈值,则表明该像素点属于初始前景图;若边缘预测值大于边缘预测阈值,则表明该像素点不属于初始前景图,将该像素点作为边缘像素点,并将该边缘像素点剔除掉,以实现对初始前景图的像素点的过滤除杂,将剩下的像素点构成的图像作为目标前景图,从而实现对初始前景图的局部细化处理,提高目标前景图的图像质量。
请参阅图5,在一些实施例中,在步骤S104之前,该图像处理方法还包括预先训练图像重构模型,具体包括但不限于包括步骤S501至步骤S506:
步骤S501,获取样本图像,其中,样本图像的分辨率低于预设的参考图像的分辨率;
步骤S502,对样本图像进行初步抠图处理和局部细化处理,得到样本前景图;
步骤S503,将样本前景图输入至初始模型中;
步骤S504,通过初始模型的生成网络对样本前景图进行超分辨率重构处理,生成与样本前景图对应的样本中间前景图,样本中间前景图的分辨率高于样本前景图;
步骤S505,通过初始模型的判别网络对样本中间前景图和参考样本前景图进行相似度计算,得到相似概率值;
步骤S506,根据相似概率值对初始模型的损失函数进行优化,以更新初始模型,得到图像重构模型。
具体地,执行步骤S501,可以通过计算机断层扫描(Computed Tomo-graphy,CT)或者核磁共振成像(Magnetic Resonance Imaging,MRI)得到样本图像,其中该样本图像的分辨率低于预设的参考图像的分辨率,即样本图像为低分辨率图像。
进一步地,执行步骤S502,通过预训练的抠图模型的骨干网络和微调网络对样本图像进行初步抠图处理和局部优化处理,得到样本前景图。该具体过程与上述对原始图像的抠图处理过程相同,此处不再赘述。
进一步地,执行步骤S503,将样本图像输入至初始模型中。
需要说明的是,该初始模型为SRGAN网络,SRGAN网络为用于超分辨率重建的生成对抗网络,SRGAN网络主要包括生成器和判别器两部分,其中,生成器主要用于将输入图像转化为高清图像,判别器主要用于判断生成的高清图像的真假,即将生成的高清图像与参考图像进行相似概率计算。
进一步地,执行步骤S504,通过生成网络中的生成函数可以将低分辨率的样本前景图转换为更高分辨率的样本中间前景图,其中,生成网络的生成函数可以表示如公式(1)所示:
其中,G()表示样本中间前景图,IHR表示高分辨率的参考前景图,ILR表示低分辨率的样本前景图,ISR表示其他损失,如感知损失等,n=1,2……,n代表每一张图像,将每一个图像的结果累加后再除以图像总数量。
进一步地,执行步骤S505,通过判别网络将样本中间前景图与参考前景图进行对比,为了使得对比差异尽可能的小,可以通过计算样本中间前景图为真的相似概率,不断地对样本中间前景图进行优化处理,使得样本中间前景图尽可能的与参考前景图相同。在进行对比时,可以通过计算参考前景图与中间前景图的MSE即均方误差来判断两者的差异性;其中,计算公式如公式(2)所示:
其中,min是指生成网络的模型损失最小,max是指判别网络的模型损失最大;D指判别网络,G指生成网络,D(G(ILR))指判别网络判断生成网络生成的样本中间前景图的真假,得到样本中间前景图为真的相似概率值,根据相似概率值不断地对样本中间前景图进行优化。
最后,执行步骤S506,根据相似概率值计算初始模型的模型损失,即loss值,再利用梯度下降法对loss值进行反向传播,将loss值反馈回初始模型,修改初始模型的模型参数,重复上述过程,直至loss值满足预设的迭代条件,其中,预设的迭代条件是可以迭代次数达到预设值,或者是损失函数的变化方差小于预设阈值。当loss值满足预设的迭代条件时可以停止反向传播,将最后的模型参数作为最终的模型参数,停止对初始模型的更新,得到图像重构模型。
通过上述过程能够得到用于将低分辨率图像进行图像重构生成高分辨率图像的图像重构模型,该图像重构模型能够实现利用超分辨率重构方式来提高图像质量的目的。
请参阅图6,在一些实施例,步骤S104还包括但不限于包括步骤S601至步骤S602:
步骤S601,通过图像重构模型的生成网络对目标前景图进行超分辨率重构处理,得到中间前景图;
步骤S602,通过图像重构模型的判别网络和预设的参考前景图对中间前景图进行优化处理,得到标准前景图。
具体地,在步骤S601中,通过生成网络中的生成函数可以将低分辨率的目标前景图转换为更高分辨率的中间前景图,其中,生成网络的生成函数可以表示如公式(3)所示:
其中,G()表示中间前景图,IHR表示高分辨率的参考前景图,ILR表示低分辨率的目标前景图图像,ISR表示其他损失,如感知损失等,n=1,2……,n代表每一张图像,将每一个图像的结果累加后再除以图像总数量。
在一些实施例的步骤S602中,通过判别网络将中间前景图与参考前景图进行对比,为了使得对比差异尽可能的小,可以通过计算中间前景图为真的概率,不断地对中间前景图进行优化处理,使得中间前景图尽可能的与参考前景图相同。在进行对比时,可以通过计算参考前景图与中间前景图的MSE即均方误差来判断两者的差异性;其中,计算公式如公式(4)所示:
其中,min是指生成网络的模型损失最小,max是指判别网络的模型损失最大;D指判别网络,G指生成网络,D(G(ILR))指判别网络判断生成网络生成的中间前景图的真假,得到中间前景图为真的相似概率值,根据相似概率值不断地对中间前景图进行优化,直至相似概率值大于或等于预设的相似概率阈值,输出标准前景图,输出的标准前景图与参考前景图的相似程度能够达到需求。
通过上述方式能够方便地对目标前景图进行超分辨率重构,使得目标前景图具有更高的分辨率,能够提高图像质量。
请参阅图7,在一些实施例中,步骤S105还可以包括但不限于包括步骤S701至步骤S703:
步骤S701,对标准前景图进行特征提取,得到前景特征值,并对背景图进行特征提取,得到背景特征值;
步骤S702,根据前景特征值和背景特征值对预设的通道位图进行异或计算,得到目标通道位图;
步骤S703,根据目标通道位图对标准前景图和背景图进行图像融合,得到目标图像。
具体地,首先执行步骤S701,通过sigmoid函数对标准前景图和背景图进行特征提取,将标准前景图的前景特征值变换到0和1之间,将背景图的背景特征值变换到0和1之间。其中,与前述的前景预测值的表示方式一致,此处将标准前景图上的像素点的前景特征值表示为1,背景图上的像素点的背景特征值表示为0。
进一步地,执行步骤S702,预先构建一个alpha通道位图,该通道位图与原始图像的大小一致,即该通道位图与原始图像的高度、宽度以及通道数量均相同。根据前景特征值和背景特征值,对该alpha通道位图进行0和1的异或计算,即在该alpha通道位图上对应每一像素点位置上标记有0或者1的数值,该数值用于指示该位置的像素点是否显示,通过这一过程能够得到目标通道位图。
最后,执行步骤S703,在对标准前景图和背景图进行图像融合时,根据目标通道位图上的标记,可以方便地确定在新的图像上是显示标准前景图的像素点还是背景图的像素点,最终得到目标图像。
本申请实施例通过获取待处理的原始图像;通过预先训练的抠图模型的骨干网络对原始图像进行初步抠图处理,得到初始前景图;通过抠图模型的微调网络对初始前景图的边缘区域进行局部细化处理,得到目标前景图,这样一来,通过抠图模型能够得到抠图效果较好的前景图像。进而,通过预先训练的图像重构模型对目标前景图进行超分辨率重构处理,得到标准前景图,其中,标准前景图的分辨率高于目标前景图的分辨率,能够获得更为清晰的标准前景图,从视觉效果上强化了抠图效果。最后对标准前景图和预设的背景图进行图像融合,得到目标图像,使得目标图像具有较高的分辨率,从而提高了图像质量。
请参阅图8,本申请实施例还提供一种图像处理装置,可以实现上述图像处理方法,该图像处理装置包括:
原始图像获取模块801,用于获取待处理的原始图像;
初步抠图模块802,用于通过预设的抠图模型的骨干网络对原始图像进行初始抠图处理,得到初始前景图;
局部细化模块803,用于通过抠图模型的微调网络对初始前景图的边缘区域进行局部细化处理,得到目标前景图;
超分辨率重构模块804,用于通过预先训练的图像重构模型对目标前景图进行超分辨率重构处理,得到标准前景图,其中,标准前景图的分辨率高于目标前景图的分辨率;
图像融合模块805,用于对标准前景图和预设的背景图进行图像融合,得到目标图像。
该图像处理装置的具体实施方式与上述图像处理方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述图像处理方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图9,图9示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器901,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器902,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器902可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器902中,并由处理器901来调用执行本申请实施例的图像处理方法;
输入/输出接口903,用于实现信息输入及输出;
通信接口904,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线905,在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息;
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述图像处理方法。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选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该处理器。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。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-7中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中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,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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上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。
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,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法包括:
获取待处理的原始图像;
通过预先训练的抠图模型的骨干网络对所述原始图像进行初步抠图处理,得到初始前景图;
通过所述抠图模型的微调网络对所述初始前景图的边缘区域进行局部细化处理,得到目标前景图;
通过预先训练的图像重构模型对所述目标前景图进行超分辨率重构处理,得到标准前景图,其中,所述标准前景图的分辨率高于所述目标前景图的分辨率;
对所述标准前景图和预设的背景图进行图像融合,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,所述通过预设的抠图模型的骨干网络对所述原始图像进行初步抠图处理,得到初始前景图,包括:
对所述原始图像进行卷积处理,得到原始图像矩阵;
对所述原始图像矩阵进行特征提取,得到预测前景值;
根据所述预测前景值对所述原始图像进行初步抠图处理,得到所述初始前景图。
3.根据权利要求1所述的图像处理方法,其特征在于,所述通过所述抠图模型的微调网络对所述初始前景图的边缘区域进行局部细化处理,得到目标前景图,包括:
获取所述初始前景图中每一像素点的边缘预测值;
根据所述边缘预测值和预设的边缘预测阈值的大小关系,确定所述初始前景图的边缘像素点;
对所述初始前景图的边缘像素点进行过滤处理,得到所述目标前景图。
4.根据权利要求1所述的图像处理方法,其特征在于,所述通过预先训练的图像重构模型对所述目标前景图进行超分辨率重构处理,得到标准前景图,包括:
通过所述图像重构模型的生成网络对目标前景图进行超分辨率重构处理,得到中间前景图;
通过所述图像重构模型的判别网络和预设的参考前景图对所述中间前景图进行优化处理,得到标准前景图。
5.根据权利要求1至4任一项所述的图像处理方法,其特征在于,所述对所述标准前景图和预设的背景图进行图像融合,得到目标图像,包括:
对所述标准前景图进行特征提取,得到前景特征值,并对所述背景图进行特征提取,得到背景特征值;
根据所述前景特征值和所述背景特征值对预设的通道位图进行异或计算,得到目标通道位图;
根据所述目标通道位图对所述标准前景图和所述背景图进行图像融合,得到目标图像。
6.根据权利要求1至4任一项所述的图像处理方法,其特征在于,在所述通过预设的抠图模型的骨干网络对所述原始图像进行初步抠图处理,得到初始前景图之前,所述方法还包括预先训练所述抠图模型,包括:
获取样本图像,其中,所述样本图像的分辨率低于预设的参考图像的分辨率;
将所述样本图像输入至所述抠图模型中;
通过所述骨干网络对所述样本图像进行卷积处理,得到样本图像矩阵,并对所述样本图像矩阵进行特征提取,得到样本预测前景值;
通过所述骨干网络和所述样本预测前景值对所述样本图像进行初步抠图处理,得到样本前景图;
通过所述微调网络获取所述样本前景图中每一样本像素点的样本边缘预测值;
根据所述样本边缘预测值和预设的边缘预测阈值的大小关系,确定样本边缘像素点的个数;
根据所述样本边缘像素点的个数对所述抠图模型的损失函数进行优化,以更新所述抠图模型。
7.根据权利要求1至4任一项所述的图像处理方法,其特征在于,在所述通过预先训练的图像重构模型对所述目标前景图进行超分辨率重构处理,得到标准前景图之前,所述方法还包括预先训练所述图像重构模型,包括:
获取样本图像,其中,所述样本图像的分辨率低于预设的参考图像的分辨率;
对所述样本图像进行初步抠图处理和局部细化处理,得到样本前景图;
将所述样本前景图输入至初始模型中;
通过所述初始模型的生成网络对所述样本前景图进行超分辨率重构处理,生成与所述样本前景图对应的样本中间前景图,所述样本中间前景图的分辨率高于所述样本前景图;
通过所述初始模型的判别网络对所述样本中间前景图和参考样本前景图进行相似度计算,得到相似概率值;
根据所述相似概率值对所述初始模型的损失函数进行优化,以更新所述初始模型,得到所述图像重构模型。
8.一种图像处理装置,其特征在于,所述装置包括:
原始图像获取模块,用于获取待处理的原始图像;
初步抠图模块,用于通过预设的抠图模型的骨干网络对所述原始图像进行初始抠图处理,得到初始前景图;
局部细化模块,用于通过所述抠图模型的微调网络对所述初始前景图的边缘区域进行局部细化处理,得到目标前景图;
超分辨率重构模块,用于通过预先训练的图像重构模型对所述目标前景图进行超分辨率重构处理,得到标准前景图,其中,所述标准前景图的分辨率高于所述目标前景图的分辨率;
图像融合模块,用于对所述标准前景图和预设的背景图进行图像融合,得到目标图像。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的图像处理方法。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的图像处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210057041.9A CN114399454A (zh) | 2022-01-18 | 2022-01-18 | 图像处理方法、装置、电子设备及存储介质 |
PCT/CN2022/090713 WO2023137914A1 (zh) | 2022-01-18 | 2022-04-29 | 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 |
---|---|---|---|
CN202210057041.9A CN114399454A (zh) | 2022-01-18 | 2022-01-18 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399454A true CN114399454A (zh) | 2022-04-26 |
Family
ID=81230568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210057041.9A Pending CN114399454A (zh) | 2022-01-18 | 2022-01-18 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114399454A (zh) |
WO (1) | WO2023137914A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820686A (zh) * | 2022-05-16 | 2022-07-29 | 北京百度网讯科技有限公司 | 抠图的方法、装置、电子设备及存储介质 |
CN115022668A (zh) * | 2022-07-21 | 2022-09-06 | 中国平安人寿保险股份有限公司 | 基于直播的视频生成方法和装置、设备、介质 |
CN116167922A (zh) * | 2023-04-24 | 2023-05-26 | 广州趣丸网络科技有限公司 | 一种抠图方法、装置、存储介质及计算机设备 |
WO2023137914A1 (zh) * | 2022-01-18 | 2023-07-27 | 平安科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN116684607A (zh) * | 2023-07-26 | 2023-09-01 | 腾讯科技(深圳)有限公司 | 图像压缩和解压缩方法、装置、电子设备及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935140B (zh) * | 2023-08-04 | 2024-04-16 | 北京邮电大学 | 基于油墨的奢侈品鉴定模型训练方法、鉴定方法及装置 |
CN117522717B (zh) * | 2024-01-03 | 2024-04-19 | 支付宝(杭州)信息技术有限公司 | 一种图像的合成方法、装置及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040151371A1 (en) * | 2003-01-30 | 2004-08-05 | Eastman Kodak Company | Method for face orientation determination in digital color images |
US20150117779A1 (en) * | 2013-10-30 | 2015-04-30 | Thomson Licensing | Method and apparatus for alpha matting |
CN110807385A (zh) * | 2019-10-24 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN112541927A (zh) * | 2020-12-18 | 2021-03-23 | Oppo广东移动通信有限公司 | 抠图模型的训练、抠图方法、装置、设备及存储介质 |
CN112598678A (zh) * | 2020-11-27 | 2021-04-02 | 努比亚技术有限公司 | 一种图像处理方法、终端及计算机可读存储介质 |
US20210166015A1 (en) * | 2019-01-10 | 2021-06-03 | Ping An Technology(Shenzhen) Co., Ltd. | Certificate image extraction method and terminal device |
CN112991377A (zh) * | 2021-04-22 | 2021-06-18 | 辽宁向日葵教育科技有限公司 | 一种基于opencv和shader融合技术的抠像算法 |
CN113052755A (zh) * | 2019-12-27 | 2021-06-29 | 杭州深绘智能科技有限公司 | 一种基于深度学习的高分辨率图像智能化抠图方法 |
CN113240701A (zh) * | 2021-06-03 | 2021-08-10 | 西北大学 | 一种非绿幕下的实时高分辨率戏曲人物抠图方法 |
WO2021164534A1 (zh) * | 2020-02-18 | 2021-08-26 | 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 |
CN113379786A (zh) * | 2021-06-30 | 2021-09-10 | 深圳市斯博科技有限公司 | 图像抠图方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399454A (zh) * | 2022-01-18 | 2022-04-26 | 平安科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-18 CN CN202210057041.9A patent/CN114399454A/zh active Pending
- 2022-04-29 WO PCT/CN2022/090713 patent/WO2023137914A1/zh unknown
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040151371A1 (en) * | 2003-01-30 | 2004-08-05 | Eastman Kodak Company | Method for face orientation determination in digital color images |
US20150117779A1 (en) * | 2013-10-30 | 2015-04-30 | Thomson Licensing | Method and apparatus for alpha matting |
US20210166015A1 (en) * | 2019-01-10 | 2021-06-03 | Ping An Technology(Shenzhen) Co., Ltd. | Certificate image extraction method and terminal device |
CN110807385A (zh) * | 2019-10-24 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN113052755A (zh) * | 2019-12-27 | 2021-06-29 | 杭州深绘智能科技有限公司 | 一种基于深度学习的高分辨率图像智能化抠图方法 |
WO2021164534A1 (zh) * | 2020-02-18 | 2021-08-26 | 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 |
CN112598678A (zh) * | 2020-11-27 | 2021-04-02 | 努比亚技术有限公司 | 一种图像处理方法、终端及计算机可读存储介质 |
CN112541927A (zh) * | 2020-12-18 | 2021-03-23 | Oppo广东移动通信有限公司 | 抠图模型的训练、抠图方法、装置、设备及存储介质 |
CN112991377A (zh) * | 2021-04-22 | 2021-06-18 | 辽宁向日葵教育科技有限公司 | 一种基于opencv和shader融合技术的抠像算法 |
CN113240701A (zh) * | 2021-06-03 | 2021-08-10 | 西北大学 | 一种非绿幕下的实时高分辨率戏曲人物抠图方法 |
CN113379786A (zh) * | 2021-06-30 | 2021-09-10 | 深圳市斯博科技有限公司 | 图像抠图方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
SHANCHUAN LIN, ET AL.: "Real-Time High-Resolution Background Matting", ARXIV:2012.07810V1 [CS.CV], 14 December 2020 (2020-12-14), pages 1 - 8 * |
冉清等: "人体前景的自动抠图算法", 计算机辅助设计与图形学学报, vol. 32, no. 02, 29 February 2020 (2020-02-29), pages 277 - 286 * |
大师兄: "人像抠图之Background Matting v2", 知乎专栏HTTPS://ZHUANLAN.ZHIHU.COM/P/381917042, 18 June 2021 (2021-06-18), pages 1 - 8 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023137914A1 (zh) * | 2022-01-18 | 2023-07-27 | 平安科技(深圳)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114820686A (zh) * | 2022-05-16 | 2022-07-29 | 北京百度网讯科技有限公司 | 抠图的方法、装置、电子设备及存储介质 |
CN114820686B (zh) * | 2022-05-16 | 2022-12-16 | 北京百度网讯科技有限公司 | 抠图的方法、装置、电子设备及存储介质 |
CN115022668A (zh) * | 2022-07-21 | 2022-09-06 | 中国平安人寿保险股份有限公司 | 基于直播的视频生成方法和装置、设备、介质 |
CN115022668B (zh) * | 2022-07-21 | 2023-08-11 | 中国平安人寿保险股份有限公司 | 基于直播的视频生成方法和装置、设备、介质 |
CN116167922A (zh) * | 2023-04-24 | 2023-05-26 | 广州趣丸网络科技有限公司 | 一种抠图方法、装置、存储介质及计算机设备 |
CN116167922B (zh) * | 2023-04-24 | 2023-07-18 | 广州趣丸网络科技有限公司 | 一种抠图方法、装置、存储介质及计算机设备 |
CN116684607A (zh) * | 2023-07-26 | 2023-09-01 | 腾讯科技(深圳)有限公司 | 图像压缩和解压缩方法、装置、电子设备及存储介质 |
CN116684607B (zh) * | 2023-07-26 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 图像压缩和解压缩方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023137914A1 (zh) | 2023-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114399454A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
US11861829B2 (en) | Deep learning based medical image detection method and related device | |
EP3961484A1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
CN111488807B (zh) | 基于图卷积网络的视频描述生成系统 | |
CN111429421B (zh) | 模型生成方法、医学图像分割方法、装置、设备及介质 | |
CN110390363A (zh) | 一种图像描述方法 | |
CN106846306A (zh) | 一种超声图像自动描述方法和系统 | |
CN112085714B (zh) | 一种肺结节检测方法、模型训练方法、装置、设备及介质 | |
US10929643B2 (en) | 3D image detection method and apparatus, electronic device, and computer readable medium | |
CN114723996A (zh) | 模型的训练方法、图像描述生成方法和装置、设备、介质 | |
CN114638960A (zh) | 模型的训练方法、图像描述生成方法和装置、设备、介质 | |
CN115239675A (zh) | 分类模型的训练方法、图像分类方法和装置、设备及介质 | |
CN111091010A (zh) | 相似度确定、网络训练、查找方法及装置和存储介质 | |
CN113688837A (zh) | 图像脱敏方法、装置、电子设备及计算机可读存储介质 | |
CN114359810A (zh) | 视频摘要生成方法、装置、电子设备及存储介质 | |
CN116129141A (zh) | 医学数据处理方法、装置、设备、介质和计算机程序产品 | |
CN114549859A (zh) | 骨龄预测方法、装置、电子设备及存储介质 | |
CN114064894A (zh) | 文本处理方法、装置、电子设备及存储介质 | |
CN115994558A (zh) | 医学影像编码网络的预训练方法、装置、设备及存储介质 | |
CN111507950B (zh) | 图像分割的方法和装置、电子设备及计算机可读存储介质 | |
CN114781393B (zh) | 图像描述生成方法和装置、电子设备及存储介质 | |
CN116433654A (zh) | 一种改进的U-Net网络实现脊柱整体分割方法 | |
CN114973285A (zh) | 图像处理方法和装置、设备、介质 | |
WO2023155305A1 (zh) | 图像重建方法、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 |