CN115953597A - 图像处理方法、装置、设备及介质 - Google Patents

Abstract

本公开实施例涉及一种图像处理方法、装置、设备及介质，其中该方法包括：获取线稿图；获取对线稿图中的目标部位进行上色的目标颜色；提取线稿图的线稿图特征；提取目标颜色的目标颜色特征；将目标颜色特征与线稿图特征进行特征融合，以生成融合后的线稿图特征；基于融合后的线稿图特征，生成线稿图的上色图像，其中，上色图像中的目标部位的颜色与目标颜色一致。由此，基于获取的目标颜色对线稿图中目标部位进行自动上色，降低了上色成本，提升了图片的上色效果和效率。

Description

图像处理方法、装置、设备及介质

技术领域

本公开涉及计算机应用技术领域，尤其涉及一种图像处理方法、装置、设备及介质。

背景技术

对线稿图像进行上色具有广泛的应用。例如，在创建游戏中的二次元角色时，对二次元角色进行上色，属于创建游戏角色的常见需求。

在对线稿图像进行上色时，通常由相关技术人员在拿到线稿图像后，基于具体的上色需求，采用相关应用的上色功能根据个人经验进行上色处理。

然而，上述上色处理依赖于人工，上色耗时较长，上色效率较低，且上色质量不稳定。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种图像处理方法、装置、设备及介质，实现了对图像的目标部位的自动上色，降低了上色成本，提升了图片的上色效果和效率。

本公开实施例提供了一种图像处理方法，所述方法包括：获取线稿图；获取对所述线稿图中的目标部位进行上色的目标颜色；提取所述线稿图的线稿图特征；提取所述目标颜色的目标颜色特征；将所述目标颜色特征与所述线稿图特征进行特征融合，以生成融合后的线稿图特征；基于所述融合后的线稿图特征，生成所述线稿图的上色图像，其中，所述上色图像中的所述目标部位的颜色与所述目标颜色一致。

本公开实施例还提供了一种图像处理装置，所述装置包括：第一获取模块，用于获取线稿图；第二获取模块，用于获取对所述线稿图中的目标部位进行上色的目标颜色；第一提取模块，用于提取所述线稿图的线稿图特征；第二提取模块，用于提取所述目标颜色的目标颜色特征；融合模块，用于将所述目标颜色特征与所述线稿图特征进行特征融合，以生成融合后的线稿图特征；生成模块，用于基于所述融合后的线稿图特征，生成所述线稿图的上色图像，其中，所述上色图像中的所述目标部位的颜色与所述目标颜色一致。

本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如根据本公开实施例的图像处理方法。

本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如根据本公开实施例的图像处理方法。

根据本公开实施例的技术方案与现有技术相比具有如下优点：

根据本公开实施例的图像处理方案，获取线稿图和目标部位进行上色的目标颜色后，基于线稿图和目标颜色对应的线稿图特征和目标颜色特征，对目标颜色特征和线稿图特征进行特征融合，以生成融合后的线稿图特征，基于线稿图特征生成线稿图的上色图像，其中，上色图像中的目标部位颜色即为目标颜色。由此，通过获取线稿图以及对线稿图中的目标部位进行上色的目标颜色，实现对线稿图的自动上色，在保证上色效果的基础上，降低了上色成本。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1为根据本公开实施例的一种图像处理场景示意图；

图2为根据本公开实施例的一种图像处理方法的流程示意图；

图3为根据本公开实施例的另一种图像处理场景示意图；

图4为根据本公开实施例的一种色彩空间示意图；

图5为根据本公开实施例的另一种色彩空间示意图；

图6为根据本公开实施例的另一种图像处理场景示意图；

图7为根据本公开实施例的另一种图像处理场景示意图；

图8为根据本公开实施例的另一种图像处理场景示意图；

图9为根据本公开实施例的另一种图像处理场景示意图；

图10为根据本公开实施例的另一种图像处理方法的流程示意图；

图11为根据本公开实施例的一种图像处理装置的结构示意图；

图12为根据本公开实施例的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

为了解决上述提到的人工上色，导致上色效率较低，以及与绘画经验极其相关的是对颜色的搭配、渐变及光影的理解，即使有了大概的主色调也需要花费大量时间去绘制图像的细节，并且大大限制了上色质量的问题，本公开实施例提供了一种图像处理方法。

在该方法中，基于给定的颜色自动为线稿图中的目标部位进行上色，在这个技术框架中该目标部位例如是头发、眼睛、嘴巴、面部、脖子、衣服、脖子和/或衣服等。以头发为例，如图1所示，给定头发颜色后，本方法可以自动为线稿图中的头发进行上色，上色结果中的发色与给定的头发颜色一致。

下面结合具体的实施例对该图像处理方法进行介绍。

图2为根据本公开实施例的一种图像处理方法的流程示意图，该方法可以由图像处理装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电子设备中。如图2所示，该方法包括：

步骤201，获取线稿图。

其中，线稿图可以理解为仅仅包含轮廓信息的线条图，线稿图不包含颜色填充。

步骤202，获取对线稿图中的目标部位进行上色的目标颜色。

其中，正如以上所提到的，若是线稿图中包含脸部图像，在对应的目标可以包括头发、眼睛、嘴巴、面部、脖子、衣服、脖子和衣服等中的一种或多种。

在本实施例中，为了保证上色效果，获取对线稿图中的目标部位进行上色的目标颜色，以便于进一步将线稿图中的目标部位上色成目标颜色。在本公开的一个实施例中，确定用户确定的线稿图上的目标部位，用户确定目标部位的方式包括但不限于通过触发动作在线稿图中触发对应的目标部位、通过语音或者文字输入的方式指定目标部位等，进而，获取用户确定的用户对目标部位进行上色的目标颜色。

其中，目标颜色直接决定了目标部位的上色效果，因此，目标颜色的确定与上色效果息息相关，在不同的应用场景中，获取对线稿图中的目标部位进行上色的目标颜色的方式不同，示例如下：

在一些可能的示例中，可以在色彩空间图像中的指定目标颜色。

在本示例中，获取用户输入的色域类型，其中，色域类型1可以是ProPhoto RGB色域类型，色域类型2可以是Adobe RGB色域类型，色域类型3可以是sRGB色域类型，色域类型4可以是2200Matt Paper色域类型，色域类型5可以是Horseshoe Shape of VisibleColor色域类型，其中，如图3所示，不同的色域类型包含的颜色范围不同，其中，色域类型可以是用户从显示的色域列表中选择的，其中，该色域列表中包含多个色域类型标签，根据用户选择的色域类型标签确定用户确定目标颜色的色域类型。图中的几个色域类型对应的颜色范围不完全相同(图中以灰度值的不同标识颜色的不同)，其中，如图4所示，每个色域类型用于向用户显示与色域类型对应的色彩空间图像，其中，色彩空间图像中的各个色彩采用x和y轴两个维度的坐标进行标注，即每个色彩空间图像中的每个颜色具有对应的x和y坐标值。

在本实施例中，响应于用户在色彩空间图像中确定的目标坐标，该目标坐标可以是用户触发得到的，也可以是用户在有关坐标输入编辑框中输入的等，根据目标坐标从色彩空间图像中获取对应的目标颜色。例如，用户若是确定的目标坐标为图4中的D点，则可以根据D点对应的坐标在对应的色彩空间图像中确定对应的目标颜色。

在一些可能的示例中，基于在彩色参考图中指定的参考部位确定目标颜色，由此，用户无需理解具体的颜色是什么，仅仅从直观角度在彩色参考图中选择对应的部位的颜色作为目标颜色即可。

在本实施例中，获取用户确定的彩色参考图后，对彩色参考图进行语义分割确定与目标部位对应的参考部位，其中，目标部位和参考部位可以对应于同一个部位也可以不同，如目标部位和参考部位对应于同一个部位，则可以根据语义分割结果确定与目标部位对应的参考部位，如目标部位和参考部位不对应于一个部位，则可以由用户指定参考部位等。

在本实施例中，对参考部位的像素进行平均取值，例如，将所有像素点的每个颜色通道的像素值求取平均均值，将该颜色均值作为目标颜色。

步骤203，提取与线稿图对应的线稿图特征。

步骤204，提取目标颜色的目标颜色特征。

为了便于上色效果的自然感，在本实施例中，并不是基于简单的颜色填充手段对线稿图的目标部位进行上色处理，而是在特征维度进行上色处理。

在本实施例中，提取与线稿图对应的线稿图特征，并且提取目标颜色的目标颜色特征，由此，将线稿图和目标颜色都处理到特征维度，基于特征维度进行上色处理。

其中，线稿图特征可以基于预设的编码器进行提取，将线稿图输入对应的预设的编码器，基于该预设的编码器中的卷积层对线稿图进行卷积计算，以得到线稿图特征。

同样的，目标颜色特征也可以是基于预设的编码器进行提取得到的。

其中，为了进一步便于后续上色处理，在本公开的一个实施例中，根据线稿图特征的特征维度对目标颜色进行编码，以获取与线稿图特征的特征维度一致的目标颜色特征，即保证线稿图特征和目标颜色特征在特征维度的尺寸一致，例如，若是线稿图特征为H*W*C尺寸，则得到的目标颜色特征在特征维度的尺寸也为H*W*C。

为了保证线稿图特征和目标颜色特征在特征维度的尺寸一致，可以控制线稿图特征和目标颜色特征基于同样的编码器进行编码；或者，也可以对获取到的目标颜色特征根据线稿图特征的尺寸进行上采样或者下采样处理，以便于采样后的目标颜色特征在特征维度的尺寸和线稿图特征一致。

步骤205，将目标颜色特征与线稿图特征进行特征融合，以生成融合后的线稿图特征。

在本实施例中，将目标颜色特征与线稿图特征进行特征融合，以便于生成融合后的线稿图特征，该融合后的线稿图特征不仅仅包含线图特征，还包含了目标颜色特征。

需要说明的是，在不同的应用场景下，将目标颜色特征与线稿图特征进行特征融合的方式不同，在一些可能的实施例中，如图5所示，根据预先训练的上色模型来进行特征融合，即将目标颜色特征与线稿图特征输入上色模型，以获取该上色模型输出的融合后的线稿图特征。

在另一些可能的实施例中，若是目标颜色特征与线稿图特征的特征维度一致，则可以将对应位置的目标颜色特征点与线稿图特征点进行加权平均，以获取对应的融合后的线稿图特征。

步骤206，基于融合后的线稿图特征，生成线稿图的上色图像，其中，上色图像中的目标部位的颜色与目标颜色一致。

在本公开的一个实施例中，若是获取融合后的线稿图特征，则生成线稿图的上色图像，例如，根据预设的解码器对线稿图特征进行解码，生成线稿图的上色图像，其中，上色图像中的目标部位的颜色与目标颜色一致。例如，目标部位为头发部位，目标颜色为粉红色，则可以根据粉红色对线稿的头发部位上色，得到的上色图像中头发部位为粉红色。

在本实施例中，融合后的线稿图特征仅仅是包含了目标颜色的目标颜色特征，即融合后的线稿图特征不能简单的看作是上色后的特征图，而是加入了目标部位的颜色信息后的特征图，此时并不知道每个颜色特征点上到线稿特征图的具体位置，例如，若是获取到的目标颜色特征为H*W*3，线稿图特征为H*W*C，则得到的融合后的线稿图特征为H*W*(C+3)，融合后的线稿特征中包含了目标颜色的特征，相当于被赋予了颜色信息，但是并不知道如何进行上色，因此，需要进一步根据融合后的线稿图特征进行解码处理，生成线稿图的上色图像，其中，解码处理可以根据预先学习的模型实现，该模型预先学习得到如何根据赋予了颜色特征的融合后的线稿图特征对目标部位进行上色。

在实际执行过程中，为了进一步提升上色效率，除了对目标部位进行上色，还可以根据目标颜色获取协调的其他颜色，根据其他颜色对其他部位进行上色处理。由此，进一步提升了上色效率，如图6所示，以头发为例，给定头发颜色后，还可以自动为整个线稿图上色，得到的上色图像中的发色与给定的头发颜色一致，而且会智能地给其他部位赋予协调的颜色。

在本实施例中，在获取目标颜色后，还获取与目标颜色协调的其他颜色，(其他颜色可以为多个，多个其他颜色分别和多个其他部位对应)，例如，查询预设的目标部位的对应关系，获取与目标颜色对应的其他部位的其他颜色，其他颜色与目标颜色对应的上色效果在视觉上较为协调，进而，提取其他颜色的其他颜色特征，以及对应的其他部位的其他部位线稿特征，将其他颜色特征和对应的其他部位线稿特征进行特征融合，根据融合后的特征解码可以得到上色后的其他部位。

在本实施例中，根据目标颜色特征和线稿图特征融合，根据其他颜色特征和线稿图特征融合，得到的最后的融合特征中包含了目标部位的颜色维度的特征，以及其他部位的颜色维度的特征，因此对最后的融合特征解码处理后，可以生成与线稿图对应的上色图像，从而，得到的上色图像中，目标部位和其他部位均得到了自动上色处理。

举例而言，如图7所示，在本实施例中，将线稿图A1经过进行编码处理后，得到对应的线稿图特征A2，进而，获取目标部位进行上色的目标颜色，根据目标颜色与目标部位匹配的目标颜色特征B，将目标颜色特征B与线稿图特征A2中与目标部位对应的特征点进行融合生成第一线稿图特征C1，以及将与目标颜色协调的其他颜色的其他颜色特征与稿图特征A2中其他部位对应的特征点位置进行融合生成第二线稿图特征C2。

根据C1和C2生成最后的目标融合特征C3，并对目标融合特征C3进行解码处理，生成与线稿图对应的上色图像。全程以自动化计算的方式对线稿图进行上色处理，且不但可以对目标部位进行上色，还可以对其他部位进行协调性较高的颜色的上色，提升了上色效率，保证了上色效果。

在本公开的一个实施例中，为了进一步保证上色效果，还可以在对线稿图进行上色时，进行其他显示上的增强处理。

在本公开的一个实施例中，获取对线稿图的第一显示指示，该第一显示指示可以包括对融合后的线稿图特征中的颜色的渐变方式的指示信息，进而，基于该第一显示指示，对融合后的线稿图特征中的颜色进行处理，生成渐变颜色特征，该渐变颜色特征实现了目标部位上色颜色的深浅变化，提升了显示的真实感。

在本实施例中，第一显示指示可以和融合后的线稿图特征对应的特征点位置有关，例如，识别每个特征点对应的目标部位中的位置，根据该位置确定该特征点的颜色的饱和度等，基于该饱和度来调整对应特征点的颜色特征等。

举例而言，如图8所示，当目标部位是头发时，根据第一显示指示，对融合后的线稿图特征中的颜色进行处理，生成渐变颜色特征后，线稿中的头发的颜色具有明显的深浅变化，显示效果更加真实。

在本公开的一个实施例中，响应于对线稿图的第二显示指示，对目标融合特征中的纹理进行处理，生成光影明暗特征，即线稿图上色处理后，对应部位的上色效果具有光影明暗的变化，使得上色效果更加真实。

在本实施例中，第二显示指示可以和融合后的线稿图特征对应的特征点纹理有关，例如，识别融合后的线稿图特征对应的特征点组成的初始纹理，基于第二显示指令确定光影对应的目标纹理，基于该颜色特征和位置特征调节目标纹理对应的特征点的融合特征等，使得基于调整后的融合特征进行上色处理后的图像中具有光影变化。

举例而言，如图9所示，当目标部位为头发部位时，响应于对线稿图的第二显示指示，对融合后的线稿图特征中的纹理对应的特征点进行处理，则得到的上色图像中的头发部位具有明显的光影纹理等。

综上，本公开实施例的图像处理方法，获取线稿图和目标部位进行上色的目标颜色后，基于线稿图和目标颜色对应的线稿图特征和目标颜色特征，对目标颜色特征和线稿图特征进行特征融合，以生成融合后的线稿图特征，基于线稿图特征生成线稿图的上色图像，其中，上色图像中的目标部位颜色即为目标颜色。由此，结合对线稿图中的目标部位进行上色的目标颜色即可实现对线稿图中目标部位的上色，在保证上色效果的基础上，降低了上色成本。

基于上述实施例，本公开的实施例在进行上色处理时，特征融合可以由用于基于参考颜色对线稿图进行上色的模型执行。

因此，在本公开的一个实施例中，需要训练用于基于参考颜色对线稿图进行上色的模型。下面参照具体的实施例对进行上色的模型的训练过程进行说明。

图10是根据本公开一个实施例的训练用于基于参考颜色对线稿图进行上色的模型的步骤，包括：

步骤1001，获取与样本图像对应的样本线稿图。

其中，样本图像为进行颜色填充的彩色图像，样本线稿图可以通过对样本图像进行轮廓提取得到的等。

步骤1002，提取样本线稿图的样本线稿图特征。

在本实施例中，提取样本线稿图的样本线稿图特征，即将样本线稿图处理为特征维度，其中，可以根据预设的编码器提取样本线稿图的样本线稿图特征等。

步骤1003，对样本图像进行语义分割处理，以获取样本部位。

步骤1004，对样本部位的所有像素进行平均，以获取样本颜色。

在本实施例中，对样本图像进行语义分割处理获取样本部位，该样本部位包括但不限于头发部位、眼睛部位等，进而，对样本部位的所有像素进行平均处理得到所有像素点的像素均值，将像素均值作为样本颜色。

步骤1005，提取样本颜色的样本颜色特征。

同样的，在本实施例中，将样本颜色处理为特征维度，例如，可以预先训练得到编码器，该编码器可以为卷积神经网络等，通过预设的编码器对样本颜色进行编码处理，提取对应的样本颜色特征。该样本颜色特征反应了样本颜色在特征维度的信息。

步骤1006，将样本颜色特征与线稿图特征进行特征混合，以生成融合后的样本线稿图特征。

在本实施例中，将样本颜色特征与线稿图特征进行特征混合，以生成融合后的样本线稿图特征，该样本线稿图特征中融合了样本颜色对应的特征，以及线稿了轮廓对应的特征。

在一些可能的实施例中，可以通过预设的信息融合模型根据样本线稿图特征和样本颜色特征，将样本颜色特征与样本线稿中样本部位进行融合生成样本线稿图特征。

步骤1007，对融合后的样本线稿图特征进行解码，以生成样本线稿图的样本上色图像。

在本实施例中，对融合后的样本线稿图特征进行解码，以生成样本线稿图的样本上色图像，该上色图像上的样本部位的上色颜色理论上应当和样本部位的颜色一致。

步骤1008，根据样本线稿图、样本图像和样本上色图像来训练模型的参数。

在本实施例中，根据样本线稿图、样本图像和样本上色图像来训练模型的参数，在训练过程中，由于样本线稿图是从样本图像提取得到的，因此，理论上色处理后的样本上色图像中样本部位的颜色应该与样本图像的上色效果一致。因此，在本公开的一个实施例中，根据样本上色图像和样本图像生成目标损失函数，基于样本线稿图、样本图像和样本上色图像，根据目标损失函数的反向传播，训练模型的参数。

即在计算得到目标损失函数后，以目标损失函数为约束，根据目标损失函数的反向传播训练模型参数，生成线稿上色模型，即当线稿上色模型得到的样本上色图像和样本图像的目标损失函数的损失值小于预设损失阈值时，完成对模型参数的训练。

其中，在不同的应用场景中，计算目标损失函数的算法不同，例如，可以使用如下的算法中的一个或多个来计算目标损失函数：

在一些可能的实施例中，计算彩色参考图像中每个像素和样本彩色图像中每个像素之间的像素颜色的平均绝对误差，获取重建损失函数。例如，可以将所有像素的平均绝对误差的均值作为重建损失函数等。

在一些可能的实施例中，计算彩色参考图像中每个像素和样本彩色图像中每个像素之间像素的颜色值的均方误差，获取风格损失函数。例如，可以将所有像素的平均均方误差作为风格损失函数等。

在一些可能的实施例中，根据预设的判别器模型对彩色参考图像和样本彩色图像进行处理，获取对抗损失函数，该判别器模型可以为生成式对抗网络(GAN,GenerativeAdversarial Networks)中的判别器模块等。

综上，本公开实施例的图像处理方法，基于模型训练的方式训练对线稿图进行上色的模型，以便于根据对线稿图进行上色的模型来结合目标部位的目标颜色和线稿图进行自动上色处理，无需人工参与，降低了上色的学习成本，提高了上色效率。

为了实现上述实施例，本公开还提出了一种图像处理装置。

图11为根据本公开实施例的一种图像处理装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中。如图11所示，该装置包括：第一获取模块1110、第二获取模块1120、第一提取模块1130、第二提取模块1140、融合模块1150、生成模块1160，其中，

第一获取模块1110，用于获取线稿图；

第二获取模块1120，用于获取对线稿图中的目标部位进行上色的目标颜色；

第一提取模块1130，用于提取与线稿图对应的线稿图特征；

第二提取模块1140，用于提取目标颜色的目标颜色特征；

融合模块1150，用于将目标颜色特征与线稿图特征进行特征融合，以生成融合后的线稿图特征；

生成模块1160，用于基于融合后的线稿图特征，生成线稿图的上色图像，其中，上色图像中的目标部位的颜色与目标颜色一致。

本公开实施例所提供的图像处理装置可执行本公开任意实施例所提供的图像处理方法，具备执行方法相应的功能模块和有益效果。

综上，本公开实施例的图像处理装置，获取线稿图和目标部位进行上色的目标颜色后，基于线稿图和目标颜色对应的线稿图特征和目标颜色特征，对目标颜色特征和线稿图特征进行特征融合，以生成融合后的线稿图特征，基于线稿图特征生成线稿图的上色图像，其中，上色图像中的目标部位颜色即为目标颜色。由此，结合对线稿图中的目标部位进行上色的目标颜色即可实现对线稿图中目标部位的上色，在保证上色效果的基础上，降低了上色成本。

为了实现上述实施例，本公开还提出一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述实施例中的图像处理方法。

图12为根据本公开实施例的一种电子设备的结构示意图。

下面具体参考图12，其示出了适于用来实现本公开实施例中的电子设备1200的结构示意图。本公开实施例中的电子设备1200可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图12示出的电子设备仅仅是一个示例，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12所示，电子设备1200可以包括处理装置(例如中央处理器、图形处理器等)1201，其可以根据存储在只读存储器(ROM)1202中的程序或者从存储装置1208加载到随机访问存储器(RAM)1203中的程序而执行各种适当的动作和处理。在RAM 1203中，还存储有电子设备1200操作所需的各种程序和数据。处理装置1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。

通常，以下装置可以连接至I/O接口1205：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1206；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1207；包括例如磁带、硬盘等的存储装置1208；以及通信装置1209。通信装置1209可以允许电子设备1200与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备1200，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1209从网络上被下载和安装，或者从存储装置1208被安装，或者从ROM 1202被安装。在该计算机程序被处理装置1201执行时，执行本公开实施例的图像处理方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。而在本公开中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取线稿图和目标部位进行上色的目标颜色后，基于线稿图和目标颜色对应的线稿图特征和目标颜色特征，对目标颜色特征和线稿图特征进行特征融合，以生成融合后的线稿图特征，基于线稿图特征生成线稿图的上色图像，其中，上色图像中的目标部位颜色即为目标颜色。由此，结合对线稿图中的目标部位进行上色的目标颜色即可实现对线稿图中目标部位的上色，在保证上色效果的基础上，降低了上色成本。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，本公开提供了一种图像处理方法，包括：

获取线稿图；

获取对所述线稿图中的目标部位进行上色的目标颜色；

提取所述线稿图的线稿图特征；

提取所述目标颜色的目标颜色特征；

将所述目标颜色特征与所述线稿图特征进行特征融合，以生成融合后的线稿图特征；

基于所述融合后的线稿图特征，生成所述线稿图的上色图像，其中，所述上色图像中的所述目标部位的颜色与所述目标颜色一致。

在本公开的一个实施例中，所述获取对所述线稿图中的目标部位进行上色的目标颜色，包括：

获取用户确定的所述目标部位；

获取所述用户确定的用于对所述目标部位进行上色的目标颜色。

在本公开的一个实施例中，所述提取所述目标颜色的目标颜色特征，包括：

根据所述线稿图特征的特征维度对所述目标颜色进行编码，以获取与所述线稿图特征的特征维度一致的目标颜色特征。

在本公开的一个实施例中，所述特征融合由用于基于参考颜色对线稿图进行上色的模型执行。

在本公开的一个实施例中，还包括：

训练所述用于基于参考颜色对线稿图进行上色的模型。

在本公开的一个实施例中，所述训练用于基于参考颜色对线稿图进行上色的模型，包括：

获取与样本图像对应的样本线稿图；

提取所述样本线稿图的样本线稿图特征；

对所述样本图像进行语义分割处理，以获取样本部位；

对所述样本部位的所有像素进行平均，以获取样本颜色；

提取所述样本颜色的样本颜色特征；

将所述样本颜色特征与所述线稿图特征进行特征混合，以生成融合后的样本线稿图特征；

对所述融合后的样本线稿图特征进行解码，以生成所述样本线稿图的样本上色图像；

根据所述样本线稿图、所述样本图像和所述样本上色图像来训练所述模型的参数。

在本公开的一个实施例中，所述根据所述样本线稿图、所述样本图像和所述样本上色图像来训练所述模型的参数，包括：

根据所述样本上色图像和所述样本图像生成目标损失函数；以及

基于所述样本线稿图、所述样本图像和所述样本上色图像，根据所述目标损失函数的反向传播，训练所述模型的参数。

在本公开的一个实施例中，所述根据所述样本上色图像和所述样本图像生成目标损失函数，包括：

计算所述样本上色图像中每个像素值和所述样本图像中每个像素值之间的平均绝对误差，获取重建损失函数；和/或，

计算所述样本上色图像中每个像素值和所述样本图像中每个像素值之间的均方误差，获取风格损失函数；和/或，

根据预设的判别器模型对所述样本上色图像和所述样本图像进行分类，获取对抗损失函数。

在本公开的一个实施例中，所述目标部位包括：头发、眼睛、嘴巴、面部、脖子和/或衣服。

根据本公开的一个或多个实施例，本公开提供了一种图像处理装置，包括：

第一获取模块，用于获取线稿图；

第二获取模块，用于获取对所述线稿图中的目标部位进行上色的目标颜色；

第一提取模块，用于提取所述线稿图的线稿图特征；

第二提取模块，用于提取所述目标颜色的目标颜色特征；

融合模块，用于将所述目标颜色特征与所述线稿图特征进行特征融合，以生成融合后的线稿图特征；

生成模块，用于基于所述融合后的线稿图特征，生成所述线稿图的上色图像，其中，所述上色图像中的所述目标部位的颜色与所述目标颜色一致。

在本公开的一个实施例中，所述第二获取模块，用于：

获取用户确定的所述目标部位；

获取所述用户确定的用于对所述目标部位进行上色的目标颜色。

在本公开的一个实施例中，所述第二提取模块，包括：

根据所述线稿图特征的特征维度对所述目标颜色进行编码，以获取与所述线稿图特征的特征维度一致的目标颜色特征。

在本公开的一个实施例中，所述特征融合由用于基于参考颜色对线稿图进行上色的模型执行。

在本公开的一个实施例中，还包括：训练模块，用于：

训练所述用于基于参考颜色对线稿图进行上色的模型。

在本公开的一个实施例中，所述训练模块，具体用于：

获取与样本图像对应的样本线稿图；

提取所述样本线稿图的样本线稿图特征；

对所述样本图像进行语义分割处理，以获取样本部位；

对所述样本部位的所有像素进行平均，以获取样本颜色；

提取所述样本颜色的样本颜色特征；

将所述样本颜色特征与所述线稿图特征进行特征混合，以生成融合后的样本线稿图特征；

对所述融合后的样本线稿图特征进行解码，以生成所述样本线稿图的样本上色图像；

根据所述样本线稿图、所述样本图像和所述样本上色图像来训练所述模型的参数。

在本公开的一个实施例中，所述训练模块，具体用于：

根据所述样本上色图像和所述样本图像生成目标损失函数；以及

基于所述样本线稿图、所述样本图像和所述样本上色图像，根据所述目标损失函数的反向传播，训练所述模型的参数。

在本公开的一个实施例中，所述训练模块，具体用于：

计算所述样本上色图像中每个像素值和所述样本图像中每个像素值之间的平均绝对误差，获取重建损失函数；和/或，

计算所述样本上色图像中每个像素值和所述样本图像中每个像素值之间的均方误差，获取风格损失函数；和/或，

根据预设的判别器模型对所述样本上色图像和所述样本图像进行分类，获取对抗损失函数。

在本公开的一个实施例中，所述目标部位包括：头发、眼睛、嘴巴、面部、脖子和/或衣服。

根据本公开的一个或多个实施例，本公开提供了一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开提供的任一所述的图像处理方法。

根据本公开的一个或多个实施例，本公开提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开提供的任一所述的图像处理方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种图像处理方法，其特征在于，包括：

获取线稿图；

获取对所述线稿图中的目标部位进行上色的目标颜色；

提取所述线稿图的线稿图特征；

提取所述目标颜色的目标颜色特征；

将所述目标颜色特征与所述线稿图特征进行特征融合，以生成融合后的线稿图特征；

基于所述融合后的线稿图特征，生成所述线稿图的上色图像，其中，所述上色图像中的所述目标部位的颜色与所述目标颜色一致。

2.根据权利要求1所述的方法，其特征在于，所述获取对所述线稿图中的目标部位进行上色的目标颜色，包括：

获取用户确定的所述目标部位；

获取所述用户确定的用于对所述目标部位进行上色的目标颜色。

3.根据权利要求1所述的方法，其特征在于，所述提取所述目标颜色的目标颜色特征，包括：

根据所述线稿图特征的特征维度对所述目标颜色进行编码，以获取与所述线稿图特征的特征维度一致的目标颜色特征。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述特征融合由用于基于参考颜色对线稿图进行上色的模型执行。

5.根据权利要求4所述的方法，其特征在于，还包括：

训练所述用于基于参考颜色对线稿图进行上色的模型。

6.根据权利要求5所述的方法，其特征在于，所述训练用于基于参考颜色对线稿图进行上色的模型，包括：

获取与样本图像对应的样本线稿图；

提取所述样本线稿图的样本线稿图特征；

对所述样本图像进行语义分割处理，以获取样本部位；

对所述样本部位的所有像素进行平均，以获取样本颜色；

提取所述样本颜色的样本颜色特征；

将所述样本颜色特征与所述线稿图特征进行特征混合，以生成融合后的样本线稿图特征；

对所述融合后的样本线稿图特征进行解码，以生成所述样本线稿图的样本上色图像；

根据所述样本线稿图、所述样本图像和所述样本上色图像来训练所述模型的参数。

7.根据权利要求6所述的方法，其特征在于，所述根据所述样本线稿图、所述样本图像和所述样本上色图像来训练所述模型的参数，包括：

根据所述样本上色图像和所述样本图像生成目标损失函数；以及

基于所述样本线稿图、所述样本图像和所述样本上色图像，根据所述目标损失函数的反向传播，训练所述模型的参数。

8.根据权利要求7所述的方法，其特征在于，所述根据所述样本上色图像和所述样本图像生成目标损失函数，包括：

计算所述样本上色图像中每个像素值和所述样本图像中每个像素值之间的平均绝对误差，获取重建损失函数；和/或，

计算所述样本上色图像中每个像素值和所述样本图像中每个像素值之间的均方误差，获取风格损失函数；和/或，

根据预设的判别器模型对所述样本上色图像和所述样本图像进行分类，获取对抗损失函数。

9.根据权利要求1-8中任一项所述的方法，其特征在于，所述目标部位包括：头发、眼睛、嘴巴、面部、脖子和/或衣服。

10.一种图像处理装置，其特征在于，包括：

第一获取模块，用于获取线稿图；

第二获取模块，用于获取对所述线稿图中的目标部位进行上色的目标颜色；

第一提取模块，用于提取所述线稿图的线稿图特征；

第二提取模块，用于提取所述目标颜色的目标颜色特征；

融合模块，用于将所述目标颜色特征与所述线稿图特征进行特征融合，以生成融合后的线稿图特征；

生成模块，用于基于所述融合后的线稿图特征，生成所述线稿图的上色图像，其中，所述上色图像中的所述目标部位的颜色与所述目标颜色一致。

11.一种电子设备，其特征在于，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-9中任一所述的图像处理方法。

12.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-9中任一所述的图像处理方法。

Images