CN118298048A - 汽车图像处理方法、装置、电子设备及存储介质 - Google Patents
汽车图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118298048A CN118298048A CN202410385558.XA CN202410385558A CN118298048A CN 118298048 A CN118298048 A CN 118298048A CN 202410385558 A CN202410385558 A CN 202410385558A CN 118298048 A CN118298048 A CN 118298048A
- Authority
- CN
- China
- Prior art keywords
- automobile
- image
- color
- area
- detection frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims description 112
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 14
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 7
- 239000003086 colorant Substances 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Abstract
本申请提供一种汽车图像处理方法、装置、电子设备及存储介质,涉及汽车改色技术技术领域。该汽车图像处理方法包括:获取汽车图像和颜色标签;对汽车图像进行剪裁,得到汽车区域图像;采用汽车改色模型,根据颜色标签对汽车区域图像中的汽车进行改色处理,得到颜色标签对应目标颜色的汽车改色效果图。整个过程自动的采用汽车改色模型根据颜色标签对汽车区域图像中的汽车改色,无需人工参与,也无需进行三维建模,提高了汽车改色的效率,也减少了人力资源的浪费。
Description
技术领域
本申请涉及汽车改色技术领域,具体而言,涉及一种汽车图像处理方法、装置、电子设备及存储介质。
背景技术
目前汽车改色多存在于在汽车外观装饰行业和图像处理、修图娱乐等行业,通过对汽车改色,可以让用户观看到汽车不同颜色的效果图,汽车改色也成为研究的热点。
相关技术中,通过人工对汽车进行三维建模,得到建模的汽车模型,对三维建模的汽车模型可以进行颜色修改,并预览改色后的汽车模型。
但是,相关技术中,通过三维建模的方式改色,降低了汽车改色效率,还浪费了人力资源。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种汽车图像处理方法、装置、电子设备及存储介质,以便解决相关技术中所存在的上述技术问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种汽车图像处理方法,包括:
获取汽车图像和颜色标签;
对所述汽车图像进行剪裁,得到汽车区域图像;
采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图。
可选的,所述对所述汽车图像进行剪裁,得到汽车区域图像,包括:
对所述汽车图形进行汽车检测,得到所述汽车图像中的汽车区域检测框的信息;
根据所述汽车区域检测框的信息,对所述汽车图像中的所述汽车区域检测框进行剪裁,得到所述汽车区域图像。
可选的,所述汽车区域检测框的信息包括:所述汽车区域检测框的顶点坐标,以及所述汽车区域检测框的尺寸信息;所述方法还包括:
根据预设图像尺寸、所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,对所述汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与所述预设图像尺寸匹配;
所述采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图,包括:
采用所述汽车改色模型,根据所述颜色标签,对所述调整后的汽车区域图像中的汽车进行改色处理,得到所述汽车改色效果图。
可选的,所述根据预设图像尺寸,所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,对所述汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与所述预设图像尺寸匹配包括:
根据预设图像尺寸,所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,确定所述汽车区域检测框在预设图像中的位置信息,所述预设图像为所述预设图像尺寸对应的图像;
根据所述汽车区域检测框在预设图像中的位置信息以及所述预设图像,对所述汽车区域图像进行尺寸调整,得到所述调整后的汽车区域图像。
可选的,所述方法还包括:
根据所述汽车区域检测框的信息、以及所述汽车区域检测框在所述预设图像中的位置信息,将所述汽车改色效果图还原贴回所述汽车图像,得到目标汽车改色效果图。
可选的,在所述采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图之前,所述方法还包括:
获取多个样本数据对,各样本数据对中包括:样本汽车区域图像、样本汽车改色效果图像以及对应的样本颜色标签;
根据所述多个样本数据对,对初始汽车改色模型进行训练,直至满足训练终止条件,得到所述汽车改色模型,其中,至少一个所述样本颜色标签中包括所述颜色标签。
可选的,所述根据所述多个样本数据对,对初始汽车改色模型进行训练,直至满足训练终止条件,得到所述汽车改色模型,包括:
采用所述初始汽车改色模型,根据所述样本汽车区域图像、所述样本汽车区域图像所在样本数据对中的所述样本颜色标签,输出所述样本颜色标签对应的中间汽车改色效果图像;
根据所述中间汽车改色效果图像,以及所述样本汽车区域图像所在的样本数据对中的所述样本汽车改色效果图像,对所述初始汽车改色模型的模型参数进行更新,直至满足训练终止条件,得到所述汽车改色模型。
第二方面,本申请实施例还提供了一种汽车图像处理装置,包括:
获取模块,用于获取汽车图像和颜色标签;
剪裁模块,用于对所述汽车图像进行剪裁,得到汽车区域图像;
改色处理模块,用于采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图。
可选的,所述剪裁模块,具体用于对所述汽车图形进行汽车检测,得到所述汽车图像中的汽车区域检测框的信息;根据所述汽车区域检测框的信息,对所述汽车图像中的所述汽车区域检测框进行剪裁,得到所述汽车区域图像。
可选的,所述汽车区域检测框的信息包括:所述汽车区域检测框的顶点坐标,以及所述汽车区域检测框的尺寸信息;所述装置还包括:
尺寸调整模块,用于根据预设图像尺寸、所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,对所述汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与所述预设图像尺寸匹配;
所述改色处理模块,具体用于采用所述汽车改色模型,根据所述颜色标签,对所述调整后的汽车区域图像中的汽车进行改色处理,得到所述汽车改色效果图。
可选的,所述尺寸调整模块,具体用于根据预设图像尺寸,所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,确定所述汽车区域检测框在预设图像中的位置信息,所述预设图像为所述预设图像尺寸对应的图像;根据所述汽车区域检测框在预设图像中的位置信息以及所述预设图像,对所述汽车区域图像进行尺寸调整,得到所述调整后的汽车区域图像。
可选的,所述装置还包括:
贴回模块,用于根据所述汽车区域检测框的信息、以及所述汽车区域检测框在所述预设图像中的位置信息,将所述汽车改色效果图还原贴回所述汽车图像,得到目标汽车改色效果图。
可选的,所述装置还包括:
第一获取模块,用于获取多个样本数据对,各样本数据对中包括:样本汽车区域图像、样本汽车改色效果图像以及对应的样本颜色标签;
训练模块,用于根据所述多个样本数据对,对初始汽车改色模型进行训练,直至满足训练终止条件,得到所述汽车改色模型,其中,至少一个所述样本颜色标签中包括所述颜色标签。
可选的,所述训练模块,具体用于采用所述初始汽车改色模型,根据所述样本汽车区域图像、所述样本汽车区域图像所在样本数据对中的所述样本颜色标签,输出所述样本颜色标签对应的中间汽车改色效果图像;根据所述中间汽车改色效果图像,以及所述样本汽车区域图像所在的样本数据对中的所述样本汽车改色效果图像,对所述初始汽车改色模型的模型参数进行更新,直至满足训练终止条件,得到所述汽车改色模型。
第三方面,本申请实施例还提供了一种电子设备,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的汽车图像处理方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述第一方面任一项所述的汽车图像处理方法。
本申请的有益效果是:本申请实施例提供一种汽车图像处理方法,获取汽车图像和颜色标签;对汽车图像进行剪裁,得到汽车区域图像;采用汽车改色模型,根据颜色标签对汽车区域图像中的汽车进行改色处理,得到颜色标签对应目标颜色的汽车改色效果图。整个过程自动的采用汽车改色模型根据颜色标签对汽车区域图像中的汽车改色,无需人工参与,也无需进行三维建模,提高了汽车改色的效率,也减少了人力资源的浪费。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种汽车图像处理方法的流程示意图一;
图2为本申请实施例提供的一种汽车图像处理方法的流程示意图二;
图3为本申请实施例提供的一种汽车图像;
图4为本申请实施例提供的一种汽车区域图像;
图5为本申请实施例提供的一种汽车图像处理方法的流程示意图三;
图6为本申请实施例提供的一种汽车图像处理方法的流程示意图四;
图7为本申请实施例提供的一种调整后的汽车区域图像;
图8为本申请实施例提供的一种目标汽车改色效果图;
图9为本申请实施例提供的一种汽车图像处理方法的流程示意图五;
图10为本申请实施例提供的一种汽车图像处理方法的流程示意图六;
图11为本申请实施例提供的一种初始汽车改色模型的网络结构示意图;
图12为本申请实施例提供的一种汽车图像处理装置的结构示意图;
图13为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要说明的是,若出现术语“上”、“下”、等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
本申请实施例提供一种汽车图像处理方法,应用于电子设备,该电子设备可以为服务器或者终端设备,终端设备可以为下述中的任一项:计算机、笔记本电脑、平板电脑、智能手机等等。
以下对本申请实施例提供的一种汽车图像处理方法进行解释说明。
图1为本申请实施例提供的一种汽车图像处理方法的流程示意图一,如图1所示,该方法可以包括:
S101、获取汽车图像和颜色标签。
其中,汽车图像中包括汽车和场景。
在本申请实施例中,用户可以进行操作,响应用户输入的操作,获取该操作对应的汽车图像和颜色标签。汽车图像为待改色图像,即用户需要对该汽车图像中的汽车进行改色,颜色标签是指需要改成的颜色所对应的标签。
在一些实施方式中,颜色标签可以表示为K,其中,K=0,或者1,或者2等等。示例的,当K=0时表示颜色标签为红色,即需要将汽车图像中的汽车改为红色;当K=1时表示颜色标签为绿色,即需要将汽车图像中的汽车改为绿色;当K=2时表示颜色标签为蓝色,即需要将汽车图像中的汽车改为蓝色。
需要说明的是,上述过程中,颜色标签采用不同的数字表示不同的颜色,当然,还可以采用不同的字母表示不同的颜色,还可以采用其它方式来表示颜色标签,本申请实施例对此不进行具体限制。
S102、对汽车图像进行剪裁,得到汽车区域图像。
其中,对汽车图像进行剪裁,得到汽车区域图像,这样可以保留汽车图像中的汽车,剪裁掉汽车图像中非汽车的部分,即剪裁掉场景部分。
在一些实施方式中,采用预设算法,检测汽车图像中汽车所在的区域;根据汽车所在的区域对所述汽车图像进行剪裁,得到汽车区域图像,即汽车所在区域的图像。
S103、采用汽车改色模型,根据颜色标签对汽车区域图像中的汽车进行改色处理,得到颜色标签对应目标颜色的汽车改色效果图。
其中,汽车改色模型为预先训练好的模型,汽车改色模型可以对汽车区域图像中的汽车进行颜色更改,更改后的汽车颜色为颜色标签对应的目标颜色。
在一些实施方式中,将汽车图像和颜色标签输入汽车改色模型中,汽车改色模型根据颜色标签对汽车区域图像中的汽车进行改色处理,继而输出颜色标签对应目标颜色的汽车改色效果图。
在本申请实施例中,汽车改色效果图中包括目标颜色的汽车,即改色后的汽车,以及非汽车部分的场景,非汽车部分的场景颜色并未进行改变,与汽车区域图像中非汽车部分的场景颜色相同。
综上所述,本申请实施例提供一种汽车图像处理方法,获取汽车图像和颜色标签;对汽车图像进行剪裁,得到汽车区域图像;采用汽车改色模型,根据颜色标签对汽车区域图像中的汽车进行改色处理,得到颜色标签对应目标颜色的汽车改色效果图。整个过程自动的采用汽车改色模型根据颜色标签对汽车区域图像中的汽车改色,无需人工参与,也无需进行三维建模,提高了汽车改色的效率,也减少了人力资源的浪费。
图2为本申请实施例提供的一种汽车图像处理方法的流程示意图二,如图2所示,上述S102中1对汽车图像进行剪裁,得到汽车区域图像的过程,可以包括:
S201、对汽车图形进行汽车检测,得到汽车图像中的汽车区域检测框的信息。
其中,汽车区域检测框又可以称为汽车位置矩形框。汽车区域检测框框选汽车图像中的汽车。
在一些实施方式中,采用目标检测算法对汽车图形进行汽车检测,得到汽车图像中的汽车区域检测框的信息。其中,目标检测算法为Yolo(You Only Look Once,是一个用于目标检测的算法)算法,当然目标检测算法还可以为其他类型的算法,本申请实施例对此不进行具体限制。
其中,汽车区域检测框的信息可以表示为:Rect_car={x,y,w,h},其中,x,y为汽车图像中的汽车区域检测框的左上角顶点坐标,w和h分别表示汽车区域检测框的宽度和高度。
S202、根据汽车区域检测框的信息,对汽车图像中的汽车区域检测框进行剪裁,得到汽车区域图像。
需要说明的是,根据汽车区域检测框的信息,可以确定出汽车区域检测框在汽车图像中所处的区域,保留汽车图像中汽车区域检测框所处的区域,裁掉汽车图像中非汽车区域检测框所在的区域,得到汽车区域图像。
图3为本申请实施例提供的一种汽车图像,如图3所示,汽车图像中包括汽车以及场景,汽车区域检测框框选了汽车。图4为本申请实施例提供的一种汽车区域图像,对图3中汽车图像中的汽车区域检测框进行剪裁得到图4所示的汽车区域图像,如图4所示,保留了汽车区域检测框所在的区域,裁掉了汽车图像中的非汽车区域检测框所在的区域。
可选的,汽车区域检测框的信息包括:汽车区域检测框的顶点坐标,以及汽车区域检测框的尺寸信息。
其中,汽车区域检测框的顶点坐标包括:汽车图像中的汽车区域检测框的左上角顶点坐标,可以表示为x,y;汽车区域检测框的尺寸信息包括:汽车区域检测框的宽度和高度,分别表示为w和h。
图5为本申请实施例提供的一种汽车图像处理方法的流程示意图三,如图5所示,该方法还可以包括:
S301、根据预设图像尺寸、汽车区域检测框的顶点坐标以及汽车区域检测框的尺寸信息,对汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与预设图像尺寸匹配。
在一些实施方式中,根据预设图像尺寸、汽车区域检测框的左上角顶点坐标,以及汽车区域检测框的宽度和高度,对汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与预设图像尺寸匹配。
需要说明的是,预设图像尺寸是汽车改色模型所规定的输入图像的尺寸,所以,若需要对汽车区域图像中的汽车进行改色,就需要对汽车区域图像的尺寸进行调整,调整后的汽车区域图像的尺寸与预设图像尺寸匹配,这样才能将调整后的汽车区域图像输入至汽车改色模型中,对其中的汽车进行改色。
其中,预设图像尺寸可以为预设正方形图像的尺寸,也可以为预设长方形图像的尺寸,本申请实施例对此不进行具体限制。
上述S103中采用汽车改色模型,根据颜色标签对汽车区域图像中的汽车进行改色处理,得到颜色标签对应目标颜色的汽车改色效果图的过程,可以包括:
S302、采用汽车改色模型,根据颜色标签,对调整后的汽车区域图像中的汽车进行改色处理,得到汽车改色效果图。
其中,调整后的汽车区域图像的尺寸,是汽车改色模型所规定的输入图像的尺寸。
在一些实施方式中,将调整后的汽车区域图像和颜色标签输入汽车改色模型中,汽车改色模型根据颜色标签对调整后的汽车区域图像中的汽车进行改色处理,继而输出颜色标签对应目标颜色的汽车改色效果图。
可选的,图6为本申请实施例提供的一种汽车图像处理方法的流程示意图四,如图6所示,上述S301中根据预设图像尺寸,汽车区域检测框的顶点坐标以及汽车区域检测框的尺寸信息,对汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与预设图像尺寸匹配的过程,可以包括:
S401、根据预设图像尺寸,汽车区域检测框的顶点坐标以及汽车区域检测框的尺寸信息,确定汽车区域检测框在预设图像中的位置信息,预设图像为预设图像尺寸对应的图像。
其中,预设图像可以为预设正方形图像或者预设长方形图像。汽车区域检测框的顶点坐标为汽车图像中的汽车区域检测框的左上角顶点坐标,汽车区域检测框的尺寸信息为汽车区域检测框的宽度和高度。
在本申请实施例中,汽车区域检测框在预设图像中的位置信息可以表示为Rect_car_padding={xp,yp,wp,hp},其中,xp,yp表示汽车区域检测框在预设图像中左上角顶点坐标。wp,hp表示汽车区域检测框在预设图像中的宽度和高度。汽车区域检测框的信息可以表示为:Rect_car={x,y,w,h},其中,x,y为汽车图像中的汽车区域检测框的左上角顶点坐标,w和h分别表示汽车区域检测框的宽度和高度。
在一些实施方式中,预设图像可以为边长size的正方形图像,如果w>h:xp=0,yp=(size-h×size/w)/2,wp=size,hp=h×size/w;如果w<=h:yp=0,xp=(size-w×size/h)/2,wp=w×size/h,hp=size。
S402、根据汽车区域检测框在预设图像中的位置信息以及预设图像,对汽车区域图像进行尺寸调整,得到调整后的汽车区域图像。
需要说明的是,根据汽车区域检测框在预设图像中的位置信息,将汽车区域图像放置在预设图像中,预设图像中未被汽车区域图像覆盖的区域仍然保留,得到调整后的汽车区域图像,这样调整后的汽车区域图像与预设图像尺寸是一致的。
图7为本申请实施例提供的一种调整后的汽车区域图像,对图4所示的汽车区域图像进行尺寸调整,得到调整后的汽车区域图像,如图7所示,预设图像为正方形。调整后的汽车区域图像中包括汽车。
可选的,该方法还可以包括:
根据汽车区域检测框的信息、以及汽车区域检测框在预设图像中的位置信息,将汽车改色效果图还原贴回汽车图像,得到目标汽车改色效果图。
在本申请实施例中,根据Rect_car={x,y,w,h},以及Rect_car_padding={xp,yp,wp,hp},将汽车改色效果图还原贴回汽车图像,得到目标汽车改色效果图。
需要说明的是,目标汽车改色效果图与汽车图像相比,汽车的颜色发生了变化,两张图像中的其余部分并未发生变化,这样实现了对汽车图像中汽车的改色。
图8为本申请实施例提供的一种目标汽车改色效果图,对图7所示的调整后的汽车区域图像中汽车的汽车改色之后,可以得到汽车改色效果图,将汽车改色效果图还原贴回汽车图像,可以得到图8所示的目标汽车改色效果图,如图8所示,目标汽车改色效果图与图3中的汽车图像相比,汽车的颜色发生了变化,图8中包括改色后的汽车,其余部分未发生变化。
当然,也可以根据实际需要将汽车改色效果图还原贴回汽车区域图像,本申请实施例对此不进行具体限制。
可选的,图9为本申请实施例提供的一种汽车图像处理方法的流程示意图五,如图9所示,在上述S103中采用汽车改色模型,根据颜色标签对汽车区域图像中的汽车进行改色处理,得到颜色标签对应目标颜色的汽车改色效果图的过程之前,该方法还可以包括:
S501、获取多个样本数据对。
其中,各样本数据对中包括:样本汽车区域图像、样本汽车改色效果图像以及对应的样本颜色标签。各样本数据对中可以包括:样本汽车区域图像对应的至少一个样本汽车改色效果图,每个样本汽车改色效果图像均具有对应的样本颜色标签。
在本申请实施例中,可以采用修图软件对样本汽车区域图像中的样本汽车进行改色,得到样本汽车改色效果图像,改色后的样本汽车的颜色为样本标签对应的颜色。
在一些实施方式中,各样本数据对中可以包括:调整后的样本汽车区域图像、调整后的样本汽车改色效果图像以及对应的样本颜色标签,其中,调整后的样本汽车区域图像的尺寸、调整后的样本汽车改色效果图像的尺寸,与预设图像尺寸一致。例如预设图像尺寸可以为512×512。
示例的,多个样本颜色标签可以表示为label={0-红,1-绿,2-蓝};针对一个样本数据对,调整后的样本汽车区域图像可以表示为S,调整后的样本汽车改色效果图像可以包括:A_0,A_1,A_2这三张图像;其中,A_0表示将调整后的样本汽车区域图像中汽车的颜色改为红色,A_1表示将调整后的样本汽车区域图像中汽车的颜色改为绿色,A_2表示将调整后的样本汽车区域图像中汽车的颜色改为蓝色。该数据对可以表示为{S,A_0,A_1,A_2}。
可选的,多个数据对的数量可以为1万,多个数据对又可以称为汽车改色数据集,可以表示为Car_set。数据集中需要包含各种样式,姿态的汽车类型,以及遮挡,裁剪等场景,以此来解决改色模型的普适性和鲁棒性问题。
S502、根据多个样本数据对,对初始汽车改色模型进行训练,直至满足训练终止条件,得到汽车改色模型。
其中,至少一个样本颜色标签中包括颜色标签。采用预设网络构建算法,构建初始汽车改色模型对应的汽车改色网络,其中,网络构建算法可以为Pix2Pix算法。Pix2Pix算法(Image-to-Image Translation,图像翻译)算法。
可选的,图10为本申请实施例提供的一种汽车图像处理方法的流程示意图六,如图10所示,上述S502中根据多个样本数据对,对初始汽车改色模型进行训练,直至满足训练终止条件,得到汽车改色模型的过程,可以包括:
S601、采用初始汽车改色模型,根据样本汽车区域图像、样本汽车区域图像所在样本数据对中的样本颜色标签,输出样本颜色标签对应的中间汽车改色效果图像。
图11为本申请实施例提供的一种初始汽车改色模型的网络结构示意图,如图11所示,该初始汽车改色模型的网络结构可以包括:依次连接的第一输入层、第二输入层、第一卷积层、第一非线性激活函数、多个下采样模块;多个第二卷积层、多个上采样模块、多个第三卷积层。其中,每个下采样层中包括连接的第四卷积层、第二非线性激活函数;其中,每个上采样模块中包括连接的上采样层和第五卷积层。
需要说明的是,第一个下采样模块中的第四卷积层与第一非线性激活函数连接,最后一个下采样模块中的第二非线性激活函数与多个第二卷积层中第一个第二卷积层连接,多个第二卷积层中最后一个第二卷积层连接与第一个上采样模块中的上采样层连接。
在本申请实施例中,第一输入层中用于输入样本颜色标签,第二输入层中用于输入样本汽车区域图像,样本颜色标签和样本汽车区域图像进行concatenate(连接)合并,继而合并后的信息依次通过第一卷积层、第一非线性激活函数进行通道扩展,继而依次经过多个下采样模块进行下采样最大池化(max-pooling),得到下采样后的特征,下采样到Unet的底端;采用多个第二卷积层对下采样后的特征依次进行卷积,得到卷积后的特征。
采用多个上采样(UpSample)模块中的第一个上采样模块的上采样层和第五卷积层,对卷积后的特征和最后一个下采样模块输出的下采样后的特征进行concatenate融合、上采样处理,输出第一上采样后的特征;采用多个上采样模块中的第二上采样模块的上采样层和第五卷积层,对第一上采样后的特征和倒数第二个下采样模块输出的下采样后的特征多个进行concatenate融合、上采样处理,输出第二上采样后的特征,以此类推,直至最后一个上采样模块输出上采样后的特征。
依次采用多个第三卷积层对上采样后的特征进行卷积处理,得到最后一个第三卷积层输出的中间汽车改色效果图像。
其中,生成器网络使用Unet结构(是一种用于图像分割的卷积神经网络)。第一非线性激活函数和第二非线性激活函数又可以称为Relu(Rectified Linear Unit,修正线性单元)。
S602、根据中间汽车改色效果图像,以及样本汽车区域图像所在的样本数据对中的样本汽车改色效果图像,对初始汽车改色模型的模型参数进行更新,直至满足训练终止条件,得到汽车改色模型。
在本申请实施例中,在训练过程中,若迭代次数大于或者预设迭代次数,或者损失函数收敛,则确定满足训练终止条件。
需要说明的是,初始汽车改色模型中生成器损失函数loss使用VGG loss(定义为两者之间的平均均方误差,是一种用于图像风格迁移的损失函数)和L2loss(均方误差是最常用的回归损失函数,它是我们的目标变量和预测值的差值平方和)。
综上所述,本申请实施例提供一种汽车图像处理方法,获取汽车图像和颜色标签;对汽车图像进行剪裁,得到汽车区域图像;采用汽车改色模型,根据颜色标签对汽车区域图像中的汽车进行改色处理,得到颜色标签对应目标颜色的汽车改色效果图。整个过程自动的采用汽车改色模型根据颜色标签对汽车区域图像中的汽车改色,无需人工参与,也无需进行三维建模,提高了汽车改色的效率,也减少了人力资源的浪费。而且,使用深度学习GAN(对抗网络)的方法来构建汽车改色模型,实现不同颜色的车辆指定颜色改色的特效生成,有效解决已有基于分割技术方案的改色特效精确度和自然度的问题。
下述对用以执行本申请所提供的汽车图像处理方法的汽车图像处理装置、电子设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述汽车图像处理方法的相关内容,下述不再赘述。
图12为本申请实施例提供的一种汽车图像处理装置的结构示意图,如图12所示,该装置包括:
获取模块101,用于获取汽车图像和颜色标签;
剪裁模块102,用于对所述汽车图像进行剪裁,得到汽车区域图像;
改色处理模块103,用于采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图。
可选的,所述剪裁模块102,具体用于对所述汽车图形进行汽车检测,得到所述汽车图像中的汽车区域检测框的信息;根据所述汽车区域检测框的信息,对所述汽车图像中的所述汽车区域检测框进行剪裁,得到所述汽车区域图像。
可选的,所述汽车区域检测框的信息包括:所述汽车区域检测框的顶点坐标,以及所述汽车区域检测框的尺寸信息;所述装置还包括:
尺寸调整模块,用于根据预设图像尺寸、所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,对所述汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与所述预设图像尺寸匹配;
所述改色处理模块103,具体用于采用所述汽车改色模型,根据所述颜色标签,对所述调整后的汽车区域图像中的汽车进行改色处理,得到所述汽车改色效果图。
可选的,所述尺寸调整模块,具体用于根据预设图像尺寸,所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,确定所述汽车区域检测框在预设图像中的位置信息,所述预设图像为所述预设图像尺寸对应的图像;根据所述汽车区域检测框在预设图像中的位置信息以及所述预设图像,对所述汽车区域图像进行尺寸调整,得到所述调整后的汽车区域图像。
可选的,所述装置还包括:
贴回模块,用于根据所述汽车区域检测框的信息、以及所述汽车区域检测框在所述预设图像中的位置信息,将所述汽车改色效果图还原贴回所述汽车图像,得到目标汽车改色效果图。
可选的,所述装置还包括:
第一获取模块,用于获取多个样本数据对,各样本数据对中包括:样本汽车区域图像、样本汽车改色效果图像以及对应的样本颜色标签;
训练模块,用于根据所述多个样本数据对,对初始汽车改色模型进行训练,直至满足训练终止条件,得到所述汽车改色模型,其中,至少一个所述样本颜色标签中包括所述颜色标签。
可选的,所述训练模块,具体用于采用所述初始汽车改色模型,根据所述样本汽车区域图像、所述样本汽车区域图像所在样本数据对中的所述样本颜色标签,输出所述样本颜色标签对应的中间汽车改色效果图像;根据所述中间汽车改色效果图像,以及所述样本汽车区域图像所在的样本数据对中的所述样本汽车改色效果图像,对所述初始汽车改色模型的模型参数进行更新,直至满足训练终止条件,得到所述汽车改色模型。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图13为本申请实施例提供的一种电子设备的结构示意图,该装置可以集成于终端设备或者终端设备的芯片,该终端可以是具备数据处理功能的计算设备。
如图13所示,该装置包括:处理器201、存储器202。
存储器202用于存储程序,处理器201调用存储器202存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
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,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种汽车图像处理方法,其特征在于,包括:
获取汽车图像和颜色标签;
对所述汽车图像进行剪裁,得到汽车区域图像;
采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图。
2.根据权利要求1所述的方法,其特征在于,所述对所述汽车图像进行剪裁,得到汽车区域图像,包括:
对所述汽车图形进行汽车检测,得到所述汽车图像中的汽车区域检测框的信息;
根据所述汽车区域检测框的信息,对所述汽车图像中的所述汽车区域检测框进行剪裁,得到所述汽车区域图像。
3.根据权利要求2所述的方法,其特征在于,所述汽车区域检测框的信息包括:所述汽车区域检测框的顶点坐标,以及所述汽车区域检测框的尺寸信息;所述方法还包括:
根据预设图像尺寸、所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,对所述汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与所述预设图像尺寸匹配;
所述采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图,包括:
采用所述汽车改色模型,根据所述颜色标签,对所述调整后的汽车区域图像中的汽车进行改色处理,得到所述汽车改色效果图。
4.根据权利要求3所述的方法,其特征在于,所述根据预设图像尺寸,所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,对所述汽车区域图像进行尺寸调整,使得调整后的汽车区域图像的尺寸与所述预设图像尺寸匹配包括:
根据预设图像尺寸,所述汽车区域检测框的顶点坐标以及所述汽车区域检测框的尺寸信息,确定所述汽车区域检测框在预设图像中的位置信息,所述预设图像为所述预设图像尺寸对应的图像;
根据所述汽车区域检测框在预设图像中的位置信息以及所述预设图像,对所述汽车区域图像进行尺寸调整,得到所述调整后的汽车区域图像。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述汽车区域检测框的信息、以及所述汽车区域检测框在所述预设图像中的位置信息,将所述汽车改色效果图还原贴回所述汽车图像,得到目标汽车改色效果图。
6.根据权利要求1所述的方法,其特征在于,在所述采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图之前,所述方法还包括:
获取多个样本数据对,各样本数据对中包括:样本汽车区域图像、样本汽车改色效果图像以及对应的样本颜色标签;
根据所述多个样本数据对,对初始汽车改色模型进行训练,直至满足训练终止条件,得到所述汽车改色模型,其中,至少一个所述样本颜色标签中包括所述颜色标签。
7.根据权利要求6所述的方法,其特征在于,所述根据所述多个样本数据对,对初始汽车改色模型进行训练,直至满足训练终止条件,得到所述汽车改色模型,包括:
采用所述初始汽车改色模型,根据所述样本汽车区域图像、所述样本汽车区域图像所在样本数据对中的所述样本颜色标签,输出所述样本颜色标签对应的中间汽车改色效果图像;
根据所述中间汽车改色效果图像,以及所述样本汽车区域图像所在的样本数据对中的所述样本汽车改色效果图像,对所述初始汽车改色模型的模型参数进行更新,直至满足训练终止条件,得到所述汽车改色模型。
8.一种汽车图像处理装置,其特征在于,包括:
获取模块,用于获取汽车图像和颜色标签;
剪裁模块,用于对所述汽车图像进行剪裁,得到汽车区域图像;
改色处理模块,用于采用汽车改色模型,根据所述颜色标签对所述汽车区域图像中的汽车进行改色处理,得到所述颜色标签对应目标颜色的汽车改色效果图。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的汽车图像处理方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述权利要求1-7任一项所述的汽车图像处理方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118298048A true CN118298048A (zh) | 2024-07-05 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160085A (zh) | 一种人体图像关键点姿态估计方法 | |
CN109683699B (zh) | 基于深度学习实现增强现实的方法、装置及移动终端 | |
CN111787242B (zh) | 用于虚拟试衣的方法和装置 | |
JP2021100247A (ja) | 歪んだドキュメント画像の矯正方法及び装置 | |
CN110163801B (zh) | 一种图像超分辨和着色方法、系统及电子设备 | |
CN110956654A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN101477684A (zh) | 一种利用位置图像块重建的人脸图像超分辨率方法 | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN115239861A (zh) | 人脸数据增强方法、装置、计算机设备和存储介质 | |
CN112509106A (zh) | 文档图片展平方法、装置以及设备 | |
CN112651881A (zh) | 图像合成方法、装置、设备、存储介质以及程序产品 | |
CN112767270A (zh) | 褶皱文档图像矫正系统 | |
CN115439615B (zh) | 一种基于三维bim的分布式综合管理系统 | |
CN112380978A (zh) | 基于关键点定位的多人脸检测方法、系统及存储介质 | |
CN113994364A (zh) | 单或多模态风格转移系统及方法与用其的随机风格化系统 | |
CN112700460A (zh) | 图像分割方法及系统 | |
CN116934592A (zh) | 一种基于深度学习的图像拼接方法、系统、设备及介质 | |
CN113158970B (zh) | 一种基于快慢双流图卷积神经网络的动作识别方法与系统 | |
CN111967478B (zh) | 一种基于权重翻转的特征图重构方法、系统、存储介质及终端 | |
CN118298048A (zh) | 汽车图像处理方法、装置、电子设备及存储介质 | |
CN110427944A (zh) | 车牌检测数据的获取方法、装置、设备及存储介质 | |
CN115713585A (zh) | 纹理图像重建方法、装置、计算机设备和存储介质 | |
CN113610864B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN116977539A (zh) | 图像处理方法、装置、计算机设备、存储介质和程序产品 | |
CN113971738A (zh) | 图像检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |