CN115272058A - 基于转换模型的图片处理方法、装置、电子设备及介质 - Google Patents
基于转换模型的图片处理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN115272058A CN115272058A CN202210935697.6A CN202210935697A CN115272058A CN 115272058 A CN115272058 A CN 115272058A CN 202210935697 A CN202210935697 A CN 202210935697A CN 115272058 A CN115272058 A CN 115272058A
- Authority
- CN
- China
- Prior art keywords
- picture
- processed
- conversion model
- queue
- inputting
- 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
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 80
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 58
- 230000015654 memory Effects 0.000 claims abstract description 48
- 239000002131 composite material Substances 0.000 claims abstract description 21
- 230000008602 contraction Effects 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 36
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 19
- 238000005516 engineering process Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000005012 migration Effects 0.000 description 10
- 238000013508 migration Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 239000000306 component Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000008030 elimination Effects 0.000 description 7
- 238000003379 elimination reaction Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/001—Model-based coding, e.g. wire frame
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例提供了一种基于转换模型的图片处理方法、装置、电子设备及介质,属于图像处理技术领域。该方法包括:获取至少一个待处理图片组,待处理图片组包括经过预处理的待加工图片与已处理的样本图片;将待加工图片和样本图片添加至任务队列的任务列表中;将任务队列输入转换模型,使得转换模型提取任务列表中的待处理图片组的图片特征,并将图片特征迁移至待加工图片中,输出合成图片;对合成图片进行收缩处理,得到与合成图片对应的目标缩略图;将目标缩略图输入至预设展示队列进行展示。本申请实施例能够按顺序处理图片,并对处理后的图片的体积进行压缩,从而节省图片处理时间以及内存资源。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种基于转换模型的图片处理方法、装置、电子设备及介质。
背景技术
在保险展业过程中,保险产品的产品介绍、产品宣传、以及业务推广变得尤为重要,因此宣传图片在保险展业过程中起着举足轻重的作用,精美的宣传图片能够吸引更多客户的注意力,从而推动保险展业的发展;但是,由于宣传图片大多出自于同一官方平台,所以导致这些图片的同质化很严重,图片样式单一、不符合宣传场景的情况时有发生,为了解决上述出现的问题,一种图像风格化迁移的技术应运而生,该技术一般需要对图像的不同区域采用不同风格化方式处理,从而便于将经过风格处理后的图像应用在更多不同的领域,由于图像风格化技术一次只能处理并展示一张图片,因此可能出现图片处理顺序混乱或者展示混乱等情况,导致用户不能按顺序处理适合用于场景的图片,要经过多次的查找翻看才能确定最终的图片,从而浪费大量时间,并且由于处理后的图片体积过大,可能会导致占用内存资源而出现系统崩溃的情况。
发明内容
本申请实施例的主要目的在于提出一种基于转换模型的图片处理方法、装置、电子设备及存储介质,能够按顺序处理图片,并对处理后的图片的体积进行压缩,从而节省图片处理时间以及内存资源。
为实现上述目的,本申请实施例的第一方面提出了一种基于转换模型的图片处理方法,所述方法包括:
获取至少一个待处理图片组,所述待处理图片组包括经过预处理的待加工图片与已处理的样本图片;
将所述待加工图片和所述样本图片添加至任务队列的任务列表中;
将所述任务队列输入所述转换模型,使得所述转换模型提取所述任务列表中的所述待处理图片组的图片特征,并将所述图片特征迁移至所述待加工图片中,输出合成图片;
对所述合成图片进行收缩处理,得到与所述合成图片对应的目标缩略图;
将所述目标缩略图输入至预设展示队列进行展示。
在一些实施例,所述获取至少一个待处理图片组,包括:
对获取到的原始图片进行尺寸调节得到所述待加工图片;
获取预设样本图集中的已处理的所述样本图片。
在一些实施例,所述图片特征包括风格特征和内容特征,所述转换模型包括卷积神经网络;所述将所述任务队列输入所述转换模型,使得所述转换模型提取所述任务列表中的所述待处理图片组的图片特征,包括:
将所述任务队列中的所述任务列表拆分成若干个子任务,其中,所述子任务包括一张所述待加工图片和一张所述样本图片;
基于所述转换模型中的所述卷积神经网络对所述子任务中的所述样本图片的图片特征进行提取,得到所述风格特征和所述内容特征。
在一些实施例,所述将所述图片特征迁移至所述待加工图片中,输出合成图片,包括:
将所述样本图片的所述风格特征和所述内容特征迁移至所述待加工图片中,生成所述合成图片。
在一些实施例,所述转换模型还包括风格损失函数和内容损失函数,所述图片处理方法还包括:
将所述合成图片输入所述风格损失函数进行计算,得到风格参数;
将所述合成图片输入所述内容损失函数进行计算,得到内容参数;
根据所述风格参数和所述内容参数对所述转换模型进行更新。
在一些实施例,所述预设展示队列包括预设展示图片;所述将所述目标缩略图输入至预设展示队列进行展示,包括:
将所述目标缩略图输入至所述预设展示队列,使得所述预设展示队列根据所述目标缩略图替换所述预设展示图片。
在一些实施例,在所述将所述目标缩略图输入至预设展示队列进行展示之后,还包括:
接收用户的编辑信息;
将所述编辑信息添加至所述目标缩略图,得到目标图片。
为实现上述目的,本申请实施例的第二方面提出了一种基于转换模型的图片处理装置,所述装置包括:
图片获取模块,用于获取至少一个待处理图片组,所述待处理图片组包括经过预处理的待加工图片与已处理的样本图片;
队列添加模块,用于将所述待加工图片和所述样本图片添加至任务队列的任务列表中;
特征提取模块,用于将所述任务队列输入所述转换模型,使得所述转换模型提取所述任务列表中的所述待处理图片组的图片特征,并将所述图片特征迁移至所述待加工图片中,输出合成图片;
图片收缩模块,用于对所述合成图片进行收缩处理,得到与所述合成图片对应的目标缩略图;
队列展示模块,用于将所述目标缩略图输入至预设展示队列进行展示。
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基于转换模型的图片处理方法。
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基于转换模型的图片处理方法。
本申请提出的基于转换模型的图片处理方法和装置、电子设备及存储介质,首先,获取至少一个待处理图片组,待处理图片组包括经过预处理的待加工图片和经过处理的已处理的样本图片,之后将待加工图片和样本图片添加至任务队列的任务列表中,便于后续按照任务队列的顺序对待加工图片进行合成,提高图片处理的效率,并将任务队列输入转换模型,使得转换模型对待处理图片组中的图片特征进行提取,从而能够将图片特征迁移到待加工图片中,输出合成图片,完成对待加工图片的处理,实现图片的特征迁移,最后对合成图片进行收缩处理,得到与合成图片对应的目标缩略图,避免图片过大,节省内存资源,将目标缩略图输入至预设展示队列进行展示,便于用户根据使用场景选择不同的照片。
附图说明
图1是本申请实施例提供的基于转换模型的图片处理方法的流程图;
图2是图1中的步骤S101的流程图;
图3是图1中的步骤S103的流程图;
图4是图1中的步骤S103的流程图;
图5是本申请另一实施例提供的基于转换模型的图片处理方法的流程图;
图6是图1中的步骤S105的流程图;
图7是本申请另一实施例提供的基于转换模型的图片处理方法的流程图;
图8是本申请实施例提供的基于转换模型的图片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。
轻量级符号数学系统(TensorFlow Lite):是一种用于设备端推断的开源深度学习框架。可帮助开发者在移动设备、嵌入式设备和物联网(Internet of Things,IoT)设备上运行TensorFlow模型,是TensorFlow的轻量级版本。此轻量级版本允许在移动和嵌入式设备上以低延迟运行模型,同时执行分类、回归等任务。目前,TensorFlow Lite通过C++API(Application Programming Interface,应用程序接口)支持Android和iOS。此外,TensorFlow Lite有一个解释器,可以使用Android神经网络API在支持它的Android设备上进行硬件加速。在不支持的设备上,TensorFlow Lite默认由CPU执行。在本文中,我们将重点介绍在Android应用程序中部署TensorFlow Lite。TensorFlow Lite并非旨在训练模型。因此,通常的做法是通过TensorFlow在高功率机器上训练模型,然后将训练好的模型转换为TensorFlow Lite(.tflite格式)。
信息抽取(Information Extraction):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。
图像描述(Image Caption)为图像生成自然语言描述,并利用所生成的描述帮助应用程序理解图像视觉场景中表达的语义。例如,图像描述可以将图像检索转换为文本检索,用于对图像进行分类并改善图像检索结果。人们通常只需快速浏览一下即可描述图像视觉场景的细节,而自动为图像添加描述则是一项全面而艰巨的计算机视觉任务,需要将图像中包含的复杂信息转换为自然语言描述。与普通的计算机视觉任务相比,图像字幕不仅需要从图像中识别对象,而且还需要将识别出的对象与自然语义相关联并以自然语言进行描述。因此,图像描述需要人们提取图像的深层特征,与语义特征关联并转换用于生成描述。
任务队列(Task Queue):任务队列是指能够实现任务在多线程间安全传递的先入先出的队列,并且排队就是任务队列,在JavaScript中涉及到同步任务和异步任务。同步任务指的是,在主线程上排队执行的任务,只有前一个任务执行完毕,后一个任务才会执行;异步任务指的是不进入主线程、而进入任务队列的任务,只有当主线程上的所有同步任务执行完毕之后,主线程才会读取任务队列,开始执行异步任务。
卷积神经网络(Convolutional Neural Networks,CNN):是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。
公共子表达式消去(Common Subexpression Elimination):公共子表达式消除是一个普遍应用于各种编译器的经典优化技术,他的含义是:如果一个表达式E已经计算过了,并且从先前的计算到现在E中所有变量的值都没有发生变化,那么E的这次出现就成为了公共子表达式。对于这种表达式,没有必要花时间再对他进行计算,只需要直接用前面计算过的表达式结果代替E就可以了。如果这种优化仅限于程序的基本块内,便称为局部公共子表达式消除(Local Common Subexpression Elimination),如果这种优化范围涵盖了多个基本块,那就称为全局公共子表达式消除(Global Common SubexpressionElimination)。
常量折叠(Constant Folding):常数折叠是编译器最佳化技术,被使用在现代的编译器中。进阶的常数传播形式,或称之为稀疏有条件的常量传播,可以更精确地传播常数及无缝的移除无用的程式码。
损失函数(Loss Function):或称代价函数(cost function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中,损失函数通常作为学习准则与优化问题相联系,即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计(parametric estimation),在宏观经济学中被用于风险管理(risk management)和决策,在控制理论中被应用于最优控制理论(optimal control theory)。
基于此,本申请实施例提供了一种基于转换模型的图片处理方法和装置、电子设备及存储介质,能够按顺序处理图片,并对处理后的图片的体积进行压缩,从而节省图片处理时间以及内存资源。
本申请实施例提供的基于转换模型的图片处理方法和装置、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基于转换模型的图片处理方法。
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基于转换模型的图片处理方法,涉及人工智能技术领域。本申请实施例提供的基于转换模型的图片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;软件可以是实现基于转换模型的图片处理方法的应用等,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基于转换模型的图片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,获取至少一个待处理图片组;
需要说明的是,待处理图片组包括经过预处理的待加工图片与已处理的样本图片。
可以理解的是,已处理的样本图片可以为图片库中的经过艺术加工处理的图片或者个人相册中的图片,本实施例不做具体限制。
步骤S102,将待加工图片和样本图片添加至任务队列的任务列表中;
可以理解的是,任务队列的任务列表可存储多张待加工图片以及样本图片,便于后续对待加工图片的处理。
步骤S103,将任务队列输入转换模型,使得转换模型提取任务列表中的待处理图片组的图片特征,并将图片特征迁移至待加工图片中,输出合成图片;
步骤S104,对合成图片进行收缩处理,得到与合成图片对应的目标缩略图;
步骤S105,将目标缩略图输入至预设展示队列进行展示。
本申请实施例所示意的步骤S101至步骤S105,首先,获取至少一个待处理图片组,待处理图片组包括经过预处理的待加工图片和经过处理的已处理的样本图片,之后将待加工图片和样本图片添加至任务队列的任务列表中,便于后续按照任务队列的顺序对待加工图片进行合成,提高图片处理的效率,并将任务队列输入转换模型,使得转换模型对待处理图片组中的图片特征进行提取,从而能够将图片特征迁移到待加工图片中,输出合成图片,完成对待加工图片的处理,实现图片的特征迁移,最后对合成图片进行收缩处理,得到与合成图片对应的目标缩略图,避免图片过大,节省内存资源,将目标缩略图输入至预设展示队列进行展示,便于用户根据使用场景选择不同的照片。
在一些实施例的步骤S101中,获取至少一个待处理图片组,并且待处理图片组包括经过预处理的待加工图片与已处理的样本图片,便于后续将样本图片中的图片信息迁移至待加工图片中。
需要说明的是,经过预处理的待加工图片尺寸一致,格式统一,已处理的样本图片为已经处理好的艺术照片。
在一些实施例的步骤S102中,将待加工图片和样本图片添加至任务队列的任务列表中,便于按照顺序依次加工待处理图片组,防止图片处理的过程中发生混乱,提高图片处理的效率。
需要说明的是,任务队列的任务列表中包括多种类型的图片组列表,任务列表中待处理图片组可以根据进入队列的时间、进入队列的顺序或者图片组的缓急程度进行排列,不同类型的待处理图片组存放在不同的图片组列表中,其中,待处理图片组的类型包括但不限于包括可爱型、严肃型、商务型或者休闲型等,本实施例不做具体限制。
在一些实施例的步骤S103中,将任务队列输入转换模型,使得转换模型提取任务列表中的待处理图片组的图片特征,并将图片特征迁移至待加工图片中,输出合成图片,从而完成对图片特征的迁移,能够按照用户的需求进行图片合成,增加图片类别的多样性。
需要说明的是,转换模型为包括TensorFlow Lite的模型,其中,分布式TensorFlow的核心组件包括:分发中心、执行器、内核应用和最底端的设备层或者网络层;分发中心从输入的数据流图中剪取子图,即本实施例中任务列表中的待处理图片组中的经过预处理的待加工图片与已处理的样本图片,将其划分为操作片段并启动执行器;分发中心处理数据流图时会进行预设定的操作优化,包括公共子表达式消去、常量折叠等,最后执行器负责图操作在进程和设备中的运行、收发其它执行器的结果。分布式TensorFlow拥有参数器以汇总和更新其它执行器返回的模型参数。执行器在调度本地设备时会选择进行并行计算和图形处理器(Graphics Processing Unit,GPU)加速;内核应用负责单一的图操作,包括数学计算、数组操作、控制流和状态管理操作;内核应用使用Eigen执行张量的并行计算、cuDNN库等执行GPU加速、gemmlowp执行低数值精度计算,此外用户可以在内核应用中注册额外的内核以提升基础操作,例如激励函数和其梯度计算的运行效率。
在一些实施例的步骤S104中,对合成图片进行收缩处理,得到与合成图片对应的目标缩略图,从而节省内存资源,便于向用户展示。
需要说明的是,对合成图片进行收缩处理,得到合成图片的目标缩略图,收缩的尺寸可以根据用户的要求自行调节,本实施例不做具体限制。
可以理解的是,由于正常合成图片占用内存空间较大,因此需要对合成图片进行压缩,从而得到与之对应的目标缩略图,其中,收缩的尺寸可以根据用户的需要自行决定,本实施例不做具体限制。
在一些实施例的步骤S105中,将目标缩略图输入至预设展示队列进行展示,便于用户在预设展示队列中挑选需要的目标缩略图进行使用。
需要说明的是,预设展示队列展示有各个已经完成风格迁移的图片的缩略图,还有正在加载中的提示缩略图。
请参阅图2,在一些实施例中,步骤S101可以包括但不限于包括步骤S201至步骤S202:
步骤S201,对获取到的原始图片进行尺寸调节得到待加工图片;
步骤S202,获取预设样本图集中的已处理的样本图片。
在一些实施例的步骤S201中,对获取到的原始图片进行尺寸调节,得到待加工图片,从而实现待加工图片尺寸的统一,便于后续对待加工图片统一处理,提高对图片的处理效率。
需要说明的是,本实施例中尺寸调节可以为对原始图片的尺寸按照预设比例进行放大或者缩小,或者为对原始图片进行压缩处理、分块处理,例如,原始图片的尺寸为长度40厘米、宽度20厘米,任务队列中能容纳的图片的长度为20厘米、宽度为10厘米,则此时需要对原始图片进行收缩处理,将原始图片缩小为原来的0.5倍,得到待加工图片;或者原始图片的像素大小为2200*1400,但是任务队列中要求的像素大小为1500*800,则需要对原始图片进行压缩处理,得到压缩后的待加工图片,本实施例不做具体限制。
在一些实施例的步骤S202中,获取预设样本图集中的已处理的样本图片,便于后续通过样本图片对待加工图片进行风格迁移,从而实现对待加工图片的处理,得到用户需要的合成图片。
可以理解的是,预设样本图集中包括用户想要的图片类型,其中,预设样本图集可以为线上图集、手机相册或者线上图库等,本实施例不做具体限制。
请参阅图3,在一些实施例中,步骤S103可以包括但不限于包括步骤S301至步骤S302:
需要说明的是,图片特征包括风格特征和内容特征,转换模型包括卷积神经网络。
步骤S301,将任务队列中的任务列表拆分成若干个子任务;
需要说明的是,子任务包括一张待加工图片和一张样本图片。
步骤S302,基于转换模型中的卷积神经网络对子任务中的样本图片的图片特征进行提取,得到风格特征和内容特征。
在一些实施例的步骤S301中,对任务队列中的任务列表进行拆分,得到若干个子任务,实现对子任务按顺序依次处理,有效避免内存溢出的情况。
在一些实施例的步骤S302中,基于转换模型中的卷积神经网络对子任务中的样本图片的图片特征进行提取,得到风格特征和内容特征,便于后续对待加工图片进行风格迁移。
需要说明的是,转换模型包括TensorFlow Lite的模型。
可以理解的是,卷积神经网络的低层可以提取样本图片中简单的风格特征以及提取复杂的内容特征。
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:
步骤S401,将样本图片的风格特征和内容特征迁移至待加工图片中,生成合成图片。
在一些实施例的步骤S401中,将样本图片的风格特征和内容特征迁移至待加工图片中,生成合成图片,实现对待加工图片的风格迁移。
需要说明的是,样本图片的风格特征一般指的是样本图片的纹理特征,并且对于不同风格的样本图片都要单独提取风格特征。
请参阅图5,图5是本申请另一实施例提供的基于转换模型的图片处理方法的流程图,图5中的方法可以包括但不限于包括步骤S501至步骤S503。
需要说明的是,转换模型还包括风格损失函数和内容损失函数。
步骤S501,将合成图片输入风格损失函数进行计算,得到风格参数;
步骤S502,将合成图片输入内容损失函数进行计算,得到内容参数;
步骤S503,根据风格参数和内容参数对转换模型进行更新。
在一些实施例的步骤S501中,将合成图片输入风格损失函数进行计算,得到风格参数,使得合成图片的风格与样本图片的风格基本一致,便于后续对转换模型进行更新。
在一些实施例的步骤S502中,将合成图片输入内容损失函数进行计算,得到内容参数,提高风格迁移过程中内容迁移的准确性。
需要说明的是,将合成图片输入内容损失函数进行计算,生成合成图片在卷积神经网络的高层的输出响应,并与合成图片在高层的输出响应之间的平方差损失函数进行计算,得到内容参数。
在一些实施例的步骤S503中,根据风格参数和内容参数对转换模型进行更新,从而提高对图片风格迁移的真实性。
需要说明的是,在将合成图片输入风格损失函数以及内容损失函数进行计算,得到对应的风格参数以及内容参数之前,还需要对合成图片进行初始化,其中,对合成图片进行初始化的方法包括但不限于白噪声初始化、样本图片中的风格特征初始化以及样本图片中的内容特征初始化等,进行白噪声初始化的合成图片生成的图片更有丰富性,本实施例不做具体限制。
请参阅图6,在一些实施例,步骤S105包括但不限于包括步骤S601:
需要说明的是,预设展示队列包括预设展示图片。
步骤S601,将目标缩略图输入至预设展示队列,使得预设展示队列根据目标缩略图替换预设展示图片。
在一些实施例的步骤S601中,将目标缩略图输入至预设展示队列,使得预设展示队列根据目标缩略图替换预设展示图片,实现将多个目标缩略图在同时展示,便于用户对目标缩略图进行挑选。
需要说明的是,预设展示图片可以为合成中的缩略图、上一个用户需求的缩略图或者等待合成的缩略图等,本实施例不做具体限制。
请参阅图7,图7是本申请另一实施例提供的基于转换模型的图片处理方法的流程图,图7中的方法可以包括但不限于包括步骤S701至步骤S702。
步骤S701,接收用户的编辑信息;
步骤S702,将编辑信息添加至目标缩略图,得到目标图片。
在一些实施例的步骤S701中,接收用户的编辑信息,从而能够根据用户的需求对目标缩略图进行加工。
需要说明的是,编辑信息可以为用户的二维码信息、客服代码、用户头像或者联系方式等,本实施例不做具体限制。
在一些实施例的步骤S702中,将编辑信息添加至目标缩略图,得到目标图片,实现对目标缩略图的个性化设置。
请参阅图8,本申请实施例还提供一种基于转换模型的图片处理装置,可以实现上述基于转换模型的图片处理方法,该装置包括:
图片获取模块801,用于获取至少一个待处理图片组,待处理图片组包括经过预处理的待加工图片与已处理的样本图片;
队列添加模块802,用于将待加工图片和样本图片添加至任务队列的任务列表中;
特征提取模块803,用于将任务队列输入转换模型,使得转换模型提取任务列表中的待处理图片组的图片特征,并将图片特征迁移至待加工图片中,输出合成图片;
图片收缩模块804,用于对合成图片进行收缩处理,得到与合成图片对应的目标缩略图;
队列展示模块805,用于将目标缩略图输入至预设展示队列进行展示。
该基于转换模型的图片处理装置的具体实施方式与上述基于转换模型的图片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基于转换模型的图片处理方法。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(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application SpecificIntegrated Circuit,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(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,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基于转换模型的图片处理方法;
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,以实现上述基于转换模型的图片处理方法。
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。
本申请实施例提供的基于转换模型的图片处理方法、基于转换模型的图片处理装置、电子设备及存储介质,首先,获取至少一个待处理图片组,待处理图片组包括经过预处理的待加工图片和经过处理的已处理的样本图片,之后将待加工图片和样本图片添加至任务队列的任务列表中,便于后续按照任务队列的顺序对待加工图片进行合成,提高图片处理的效率,并将任务队列输入转换模型,使得转换模型对待处理图片组中的图片特征进行提取,从而能够将图片特征迁移到待加工图片中,输出合成图片,完成对待加工图片的处理,实现图片的特征迁移,最后对合成图片进行收缩处理,得到与合成图片对应的目标缩略图,避免图片过大,节省内存资源,将目标缩略图输入至预设展示队列进行展示,便于用户根据使用场景选择不同的照片。
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。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的装置、设备、计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。
例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,例如:
ABEL(Advanced Boolean Expression Language);AHDL(Altera HardwareDescription Language);Confluence;CUPL(Cornell University ProgrammingLanguage);HDCal;以及JHDL(Java Hardware Description Language);Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware Description Language)等;目前,在本领域技术之中,相比之下更加较为常用的是VHDL(Very-High-Speed Integrated Circuit HardwareDescription Language)以及语言Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:
ARC 625D、Atmel AT91SAM、MicrochIP地址PIC18F26K20以及Silicone LabsC8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请实施例可提供为方法、系统、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。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”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示: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。
本申请实施例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实施例,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。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本申请实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于转换模型的图片处理方法,其特征在于,所述方法包括:
获取至少一个待处理图片组,所述待处理图片组包括经过预处理的待加工图片与已处理的样本图片;
将所述待加工图片和所述样本图片添加至任务队列的任务列表中;
将所述任务队列输入所述转换模型,使得所述转换模型提取所述任务列表中的所述待处理图片组的图片特征,并将所述图片特征迁移至所述待加工图片中,输出合成图片;
对所述合成图片进行收缩处理,得到与所述合成图片对应的目标缩略图;
将所述目标缩略图输入至预设展示队列进行展示。
2.根据权利要求1所述的基于转换模型的图片处理方法,其特征在于,所述获取至少一个待处理图片组,包括:
对获取到的原始图片进行尺寸调节得到所述待加工图片;
获取预设样本图集中的已处理的所述样本图片。
3.根据权利要求1所述的基于转换模型的图片处理方法,其特征在于,所述图片特征包括风格特征和内容特征,所述转换模型包括卷积神经网络;所述将所述任务队列输入所述转换模型,使得所述转换模型提取所述任务列表中的所述待处理图片组的图片特征,包括:
将所述任务队列中的所述任务列表拆分成若干个子任务,其中,所述子任务包括一张所述待加工图片和一张所述样本图片;
基于所述转换模型中的所述卷积神经网络对所述子任务中的所述样本图片的图片特征进行提取,得到所述风格特征和所述内容特征。
4.根据权利要求3所述的基于转换模型的图片处理方法,其特征在于,所述将所述图片特征迁移至所述待加工图片中,输出合成图片,包括:
将所述样本图片的所述风格特征和所述内容特征迁移至所述待加工图片中,生成所述合成图片。
5.根据权利要求1所述的基于转换模型的图片处理方法,其特征在于,所述转换模型还包括风格损失函数和内容损失函数,所述图片处理方法还包括:
将所述合成图片输入所述风格损失函数进行计算,得到风格参数;
将所述合成图片输入所述内容损失函数进行计算,得到内容参数;
根据所述风格参数和所述内容参数对所述转换模型进行更新。
6.根据权利要求1所述的基于转换模型的图片处理方法,其特征在于,所述预设展示队列包括预设展示图片;所述将所述目标缩略图输入至预设展示队列进行展示,包括:
将所述目标缩略图输入至所述预设展示队列,使得所述预设展示队列根据所述目标缩略图替换所述预设展示图片。
7.根据权利要求1所述的基于转换模型的图片处理方法,其特征在于,在所述将所述目标缩略图输入至预设展示队列进行展示之后,还包括:
接收用户的编辑信息;
将所述编辑信息添加至所述目标缩略图,得到目标图片。
8.一种基于转换模型的图片处理装置,其特征在于,所述装置包括:
图片获取模块,用于获取至少一个待处理图片组,所述待处理图片组包括经过预处理的待加工图片与已处理的样本图片;
队列添加模块,用于将所述待加工图片和所述样本图片添加至任务队列的任务列表中;
特征提取模块,用于将所述任务队列输入所述转换模型,使得所述转换模型提取所述任务列表中的所述待处理图片组的图片特征,并将所述图片特征迁移至所述待加工图片中,输出合成图片;
图片收缩模块,用于对所述合成图片进行收缩处理,得到与所述合成图片对应的目标缩略图;
队列展示模块,用于将所述目标缩略图输入至预设展示队列进行展示。
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任一项所述的基于转换模型的图片处理方法的步骤。
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中任一项所述的基于转换模型的图片处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210935697.6A CN115272058A (zh) | 2022-08-04 | 2022-08-04 | 基于转换模型的图片处理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210935697.6A CN115272058A (zh) | 2022-08-04 | 2022-08-04 | 基于转换模型的图片处理方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115272058A true CN115272058A (zh) | 2022-11-01 |
Family
ID=83749431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210935697.6A Pending CN115272058A (zh) | 2022-08-04 | 2022-08-04 | 基于转换模型的图片处理方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272058A (zh) |
-
2022
- 2022-08-04 CN CN202210935697.6A patent/CN115272058A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521070B2 (en) | Information processing device and information processing method | |
AU2019205973B2 (en) | Responsive resize | |
CN110689115A (zh) | 神经网络模型处理方法、装置、计算机设备及存储介质 | |
CN110826708B (zh) | 一种用多核处理器实现神经网络模型拆分方法及相关产品 | |
US10255711B2 (en) | System and method for providing contents by merging layers of page to which motion effect is set | |
WO2022247112A1 (zh) | 任务处理方法、装置、设备、存储介质、计算机程序及程序产品 | |
CN106056641B (zh) | 一种内容提供系统及方法 | |
CN111459501A (zh) | 基于SVG的Web组态画面存储与展示系统和方法及介质 | |
CN116452920A (zh) | 一种图像处理方法、装置、存储介质及电子设备 | |
CN115731313A (zh) | Svg格式的图片的处理方法、装置、设备、介质及产品 | |
CN111367514B (zh) | 页面卡片的开发方法和装置、计算设备和存储介质 | |
KR101968974B1 (ko) | 모션 연출이 포함된 페이지의 레이어 병합을 이용하여 컨텐츠를 제공하는 시스템 및 방법 | |
CN115272058A (zh) | 基于转换模型的图片处理方法、装置、电子设备及介质 | |
CN110312990A (zh) | 配置方法及系统 | |
CN111241031A (zh) | 一种数据计算系统、方法以及装置 | |
Lindblad et al. | NumPy, SciPy and Python image library | |
CN109144655A (zh) | 图像动态展示的方法、装置、系统及介质 | |
CN115131470A (zh) | 一种图文素材合成方法、装置、电子设备和存储介质 | |
CN114924876A (zh) | 基于分布式异构运算的声纹识别方法、装置及存储介质 | |
Marques | Image processing and computer vision in iOS | |
CN113391806A (zh) | 一种将颜色代码进行转换的方法、装置、设备和可读介质 | |
CN115953706B (zh) | 虚拟形象处理方法及装置 | |
CN115731375B (zh) | 虚拟形象的更新方法及装置 | |
US11854131B2 (en) | Content-specific-preset edits for digital images | |
CN116755714B (zh) | 深度神经网络模型的运行方法、装置、设备和存储介质 |
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 |