CN107945133B - 图像处理方法及装置 - Google Patents

Abstract

本公开关于一种图像处理方法及装置，属于计算机技术领域。所述方法包括：获取原始图像，所述原始图像包括未染色头发；将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；将所述生成网络的输出结果确定为染色处理后得到的染色图像。本公开解决了不对头发细节进行处理，使得染色过程中出错，导致染色效果不佳的问题，可以提高染色效果。

Description

图像处理方法及装置

技术领域

本公开涉及计算机技术领域，特别涉及一种图像处理方法及装置。

背景技术

目前，智能终端上都安装有一些美颜应用，通过美颜应用可以对原始图像进行美颜处理。比如，对人的头发进行染色。

相关技术中，通过生成对抗网络对原始图像中的头发进行染色处理，得到染色图像。由于头发丝的细节较多，染色处理的过程中出错的地方较多，染色效果不佳。

发明内容

为解决相关技术中的问题，本公开提供了一种图像处理方法及装置。

根据本公开实施例的第一方面，提供一种图像处理方法，所述方法包括：

获取原始图像，所述原始图像包括未染色头发；

将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

将所述生成网络的输出结果确定为染色处理后得到的染色图像。

可选的，所述生成对抗网络的损失函数为：

所述G是生成网络，所述D是判别网络，所述E[]是损失函数，所述z是第一头发图像，所述x是第二头发图像，所述G(z)是第三头发图像，所述x-P_data(x)是所述第一头发图像的概率分布，所述z-P_z(z)是所述第三头发图像的概率分布，所述diff_z是所述第一头发图像的梯度图，所述diff_G(z)是所述第三头发图像的梯度图，所述α和所述β是惩罚因子，

所述k是梯度，所述th是预设阈值。

可选的，所述方法还包括：

采集n组训练样本，每组训练样本包括第一头发图像和第二头发图像，所述第一头发图像是未染色头发的图像，所述第二头发图像是对所述未染色头发进行染色得到的染色头发的图像，且所述第一头发图像和所述第二头发图像的分辨率相同，n为正整数；

对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中，将所述第二头发图像和所述生成网络输出的第三头发图像输入所述生成对抗网络中的判别网络中，根据所述判别网络的输出结果计算所述生成对抗网络的损失函数，利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，并利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，i≤n；

将i更新为i+1，继续执行所述对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中的步骤，直至所述生成网络和所述对抗网络均收敛时停止。

可选的，所述利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，包括：

当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述判别网络的参数；

当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第一损失函数更新所述判别网络的参数；

其中，当所述判别网络的参数不再更新时表示所述判别网络收敛。

可选的，所述利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，包括：

当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述生成网络的参数；

当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第二损失函数更新所述生成网络的参数；

其中，当所述生成网络的参数不再更新时表示所述生成网络收敛。

根据本公开实施例的第二方面，提供一种图像处理装置，所述装置包括：

获取模块，被配置为获取原始图像，所述原始图像包括未染色头发；

输入模块，被配置为将所述获取模块得到的所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

确定模块，被配置为将所述生成网络的输出结果确定为染色处理后得到的染色图像。

可选的，所述生成对抗网络的损失函数为：

所述G是生成网络，所述D是判别网络，所述E[]是损失函数，所述z是第一头发图像，所述x是第二头发图像，所述G(z)是第三头发图像，所述x-P_data(x)是所述第一头发图像的概率分布，所述z-P_z(z)是所述第三头发图像的概率分布，所述diff_z是所述第一头发图像的梯度图，所述diff_G(z)是所述第三头发图像的梯度图，所述α和所述β是惩罚因子，

所述k是梯度，所述th是预设阈值。

可选的，所述装置还包括：

采集模块，被配置为采集n组训练样本，每组训练样本包括第一头发图像和第二头发图像，所述第一头发图像是未染色头发的图像，所述第二头发图像是对所述未染色头发进行染色得到的染色头发的图像，且所述第一头发图像和所述第二头发图像的分辨率相同，n为正整数；

训练模块，被配置为对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中，将所述第二头发图像和所述生成网络输出的第三头发图像输入所述生成对抗网络中的判别网络中，根据所述判别网络的输出结果计算所述生成对抗网络的损失函数，利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，并利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，i≤n；

更新模块，被配置为将i更新为i+1，继续执行所述对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中的步骤，直至所述生成网络和所述对抗网络均收敛时停止。

可选的，所述训练模块，还被配置为：

当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述判别网络的参数；

当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第一损失函数更新所述判别网络的参数；

其中，当所述判别网络的参数不再更新时表示所述判别网络收敛。

可选的，所述训练模块，还被配置为：

当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述生成网络的参数；

当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第二损失函数更新所述生成网络的参数；

其中，当所述生成网络的参数不再更新时表示所述生成网络收敛。

根据本公开实施例的第三方面，提供一种图像处理装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取原始图像，所述原始图像包括未染色头发；

将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

将所述生成网络的输出结果确定为染色处理后得到的染色图像。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的图像处理方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

由于生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数，这样，可以根据该梯度参数对头发的细节进行处理，解决了不对头发细节进行处理，使得染色过程中出错，导致染色效果不佳的问题，可以提高染色效果。

由于设置了惩罚系数α，这样，可以在梯度较大的位置给与较大的惩罚，在梯度较小的位置给予较小的惩罚，因此，能够更加关注头发的细节处理，既可以提高染色效果，也可以达到更快收敛生成对抗网络的效果。

由于设置了惩罚系数β，这样，可以使得判别网络对第二头发图像和第三头发图像的判别结果与颜色无关。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本公开说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种图像处理方法的流程图。

图2是根据另一示例性实施例示出的一种图像处理方法的流程图。

图3是根据一示例性实施例示出的一种图像处理装置的框图。

图4是根据一示例性实施例示出的一种图像处理装置的框图。

图5是根据一示例性实施例示出的一种用于图像处理的装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种图像处理方法的流程图，该图像处理方法应用于终端中，如图1所示，该图像处理方法包括以下步骤。

在步骤101中，获取原始图像，该原始图像包括未染色头发。

在步骤102中，将原始图像输入预先训练得到的生成对抗网络中的生成网络中，该生成网络用于对未染色头发进行染色处理后输出，且该生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数。

在步骤103中，将生成网络的输出结果确定为染色处理后得到的染色图像。

综上所述，本公开提供的图像处理方法，由于生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数，这样，可以根据该梯度参数对头发的细节进行处理，解决了不对头发细节进行处理，使得染色过程中出错，导致染色效果不佳的问题，可以提高染色效果。

图2是根据另一示例性实施例示出的一种图像处理方法的流程图，该图像处理方法应用于终端中，如图2所示，该图像处理方法包括如下步骤。

在步骤201中，采集n组训练样本，每组训练样本包括第一头发图像和第二头发图像，第一头发图像是未染色头发的图像，第二头发图像是对未染色头发进行染色得到的染色头发的图像，且第一头发图像和第二头发图像的分辨率相同。

其中，n为正整数。通常，n可以为一个较大的数值，这样，生成对抗网络可以有足够的训练样本来训练到收敛。

生成对抗网络包括生成网络和判别网络，生成网络用于捕捉真实的样本数据的分布，用服从某一分布的噪声生成一个类似真实的样本数据的样本。判别网络用于估计一个样本是真实的样本数据的概率，如果样本是真实的样本数据，判别网络输出一个较大的概率；如果样本不是真实的样本数据，判别网络输出一个较小的概率。在训练的过程中，生成网络和对抗网络都极力优化自己的参数，从而形成竞争对抗，直至生成网络和对抗网络的参数都不再更新时，确定生成网络和对抗网络都收敛，停止训练。这时，生成网络生成了和真实的样本数据一样的样本，判别模型无法确定该样本是否是真实的样本数据，准确率为50％。

在训练生成对抗网络的过程中，第一头发图像是噪声，第二头发图像是真实的样本数据。

在步骤202中，对于第i组训练样本，将训练样本中的第一头发图像输入生成对抗网络中的生成网络中，将第二头发图像和生成网络输出的第三头发图像输入生成对抗网络中的判别网络中，根据判别网络的输出结果计算生成对抗网络的损失函数，利用生成对抗网络的损失函数中判别网络的第一损失函数更新判别网络，并利用生成对抗网络的损失函数中生成网络的第二损失函数更新生成网络；将i更新为i+1，继续执行对于第i组训练样本，将训练样本中的第一头发图像输入生成对抗网络中的生成网络中的步骤，直至生成网络和对抗网络均收敛时停止。

其中，i≤n。

在训练生成对抗网络的过程中，第三头发图像是生成网络生成的类似于真实的样本数据的样本。即，第三头发图像是类似于第二头发图像的虚假图像。

本实施例中，生成对抗网络的损失函数为：

G是生成网络，D是判别网络，E[]是损失函数，z是第一头发图像，x是第二头发图像，G(z)是第三头发图像，x-P_data(x)是第一头发图像的概率分布，z-P_z(z)是第三头发图像的概率分布，diff_z是第一头发图像的梯度图，diff_G(z)是第三头发图像的梯度图，α和β是惩罚因子，

k是梯度，th是预设阈值。

其中，判别网络的第一损失函数是

生成网络的第二损失函数是

相关技术中，生成对抗网络的损失函数为

本实施例中生成对抗网络的损失函数比相关技术中生成对抗网络的损失函数多了αE[||x-G(z)||₁]和βE[||diff_z-diff_G(z)||₁]。其中，αE[||x-G(z)||₁]中的惩罚系数α与梯度大小相关，当梯度较大时给予较大的惩罚，当梯度较小时给予较小的惩罚，由于梯度的大小与图像变化的快慢成正相关关系，所以，可以使生成网络更加注重于对头发的细节处理，也可以达到使生成网络尽快收敛的目的。βE[||diff_z-diff_G(z)||₁]表示第二头发图像和第三头发图像的颜色无关，但两者的梯度相同，通过惩罚系数β作为调节此惩罚项的关注程度。

在判别网络对第二头发图像和第三头发图像进行判别后，得到输出结果，根据输出结果得到第一损失函数和第二损失函数后，需要利用第一损失函数对判别网络的参数进行更新，并利用第二损失函数对生成网络的参数进行更新。下面分别对这两者的更新过程进行解释。

第一，利用生成对抗网络的损失函数中判别网络的第一损失函数更新判别网络，包括：

当输出结果用于指示第二头发图像和第三头发图像是同一图像时，保持判别网络的参数；

当输出结果用于指示第二头发图像和第三头发图像不是同一图像时，通过随机梯度下降法和第一损失函数更新判别网络的参数；

其中，当判别网络的参数不再更新时表示判别网络收敛。

比如，选取n组训练样本，其中，第一头发图像的先验概率分布为P_g(z)，标记为{z⁽¹⁾，…，z⁽ⁿ⁾}，第二头发图像的概率分布为P_data(x)，标记为{x⁽¹⁾，…，x⁽ⁿ⁾}，根据随机梯度下降法，更新判别网络的参数，其计算公式如下：

第二，利用生成对抗网络的损失函数中生成网络的第二损失函数更新生成网络，包括：

当输出结果用于指示第二头发图像和第三头发图像是同一图像时，保持生成网络的参数；

当输出结果用于指示第二头发图像和第三头发图像不是同一图像时，通过随机梯度下降法和第二损失函数更新生成网络的参数；

其中，当生成网络的参数不再更新时表示生成网络收敛。

比如，选取n组训练样本，其中，第一头发图像的先验概率分布为P_g(z)，标记为{z⁽¹⁾，…，z⁽ⁿ⁾}，第二头发图像的概率分布为P_data(x)，标记为{x⁽¹⁾，…，x⁽ⁿ⁾}，根据随机梯度下降法，更新生成网络的参数，其计算公式如下：

其中，步骤201-202是生成对抗网络的训练过程，该训练过程只需要在步骤204之前完成即可，本实施例不限定步骤201-202和步骤203之间的先后顺序。或者，生成对抗网络还可以是由其他设备训练好，终端直接从其他设备中获取到的，此时不执行步骤201-202，直接执行步骤203。

在步骤203中，获取原始图像，该原始图像包括未染色头发。

原始图像可以是终端启动摄像头预览的过程中获取到的，也可以是终端启动摄像头实际拍摄得到的，还可以是终端的相册中存储的，还可以是从网络中获取到的，本实施例不对原始图像的来源作限定。

在步骤204中，将原始图像输入预先训练得到的生成对抗网络中的生成网络中，该生成网络用于对未染色头发进行染色处理后输出。

在步骤205中，将生成网络的输出结果确定为染色处理后得到的染色图像。

综上所述，本公开提供的图像处理方法，由于生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数，这样，可以根据该梯度参数对头发的细节进行处理，解决了不对头发细节进行处理，使得染色过程中出错，导致染色效果不佳的问题，可以提高染色效果。

由于设置了惩罚系数α，这样，可以在梯度较大的位置给与较大的惩罚，在梯度较小的位置给予较小的惩罚，因此，能够更加关注头发的细节处理，既可以提高染色效果，也可以达到更快收敛生成对抗网络的效果。

由于设置了惩罚系数β，这样，可以使得判别网络对第二头发图像和第三头发图像的判别结果与颜色无关。

图3是根据一示例性实施例示出的一种图像处理装置的框图，该图像处理装置应用于终端中，如图3所示，该图像处理装置包括：获取模块310、输入模块320和确定模块330。

该获取模块310，被配置为获取原始图像，该原始图像包括未染色头发；

该输入模块320，被配置为将获取模块310得到的原始图像输入预先训练得到的生成对抗网络中的生成网络中，该生成网络用于对未染色头发进行染色处理后输出，且该生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

该确定模块330，被配置为将生成网络的输出结果确定为染色处理后得到的染色图像。

综上所述，本公开提供的图像处理装置，由于生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数，这样，可以根据该梯度参数对头发的细节进行处理，解决了不对头发细节进行处理，使得染色过程中出错，导致染色效果不佳的问题，可以提高染色效果。

图4是根据一示例性实施例示出的一种图像处理装置的框图，该图像处理装置应用于终端中，如图4所示，该图像处理装置包括：获取模块410、输入模块420和确定模块440。

该获取模块410，被配置为获取原始图像，该原始图像包括未染色头发；

该输入模块420，被配置为将获取模块410得到的原始图像输入预先训练得到的生成对抗网络中的生成网络中，该生成网络用于对未染色头发进行染色处理后输出，且该生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

该确定模块430，被配置为将生成网络的输出结果确定为染色处理后得到的染色图像。

可选的，生成对抗网络的损失函数为：

G是生成网络，D是判别网络，E[]是损失函数，z是第一头发图像，x是第二头发图像，G(z)是第三头发图像，x-P_data(x)是第一头发图像的概率分布，z-P_z(z)是第三头发图像的概率分布，diff_z是第一头发图像的梯度图，diff_G(z)是第三头发图像的梯度图，α和β是惩罚因子，

k是梯度，th是预设阈值。

可选的，该装置还包括：采集模块440、训练模块450和更新模块460；

该采集模块440，被配置为采集n组训练样本，每组训练样本包括第一头发图像和第二头发图像，第一头发图像是未染色头发的图像，第二头发图像是对未染色头发进行染色得到的染色头发的图像，且第一头发图像和第二头发图像的分辨率相同，n为正整数；

该训练模块450，被配置为对于第i组训练样本，将训练样本中的第一头发图像输入生成对抗网络中的生成网络中，将第二头发图像和生成网络输出的第三头发图像输入生成对抗网络中的判别网络中，根据判别网络的输出结果计算生成对抗网络的损失函数，利用生成对抗网络的损失函数中判别网络的第一损失函数更新判别网络，并利用生成对抗网络的损失函数中生成网络的第二损失函数更新生成网络，i≤n；

该更新模块460，被配置为将i更新为i+1，继续执行对于第i组训练样本，将训练样本中的第一头发图像输入生成对抗网络中的生成网络中的步骤，直至生成网络和对抗网络均收敛时停止。

可选的，训练模块450，还被配置为：

当输出结果用于指示第二头发图像和第三头发图像是同一图像时，保持判别网络的参数；

当输出结果用于指示第二头发图像和第三头发图像不是同一图像时，通过随机梯度下降法和第一损失函数更新判别网络的参数；

其中，当判别网络的参数不再更新时表示判别网络收敛。

可选的，训练模块450，还被配置为：

当输出结果用于指示第二头发图像和第三头发图像是同一图像时，保持生成网络的参数；

当输出结果用于指示第二头发图像和第三头发图像不是同一图像时，通过随机梯度下降法和第二损失函数更新生成网络的参数；

其中，当生成网络的参数不再更新时表示生成网络收敛。

综上所述，本公开提供的图像处理装置，由于生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数，这样，可以根据该梯度参数对头发的细节进行处理，解决了不对头发细节进行处理，使得染色过程中出错，导致染色效果不佳的问题，可以提高染色效果。

由于设置了惩罚系数α，这样，可以在梯度较大的位置给与较大的惩罚，在梯度较小的位置给予较小的惩罚，因此，能够更加关注头发的细节处理，既可以提高染色效果，也可以达到更快收敛生成对抗网络的效果。

由于设置了惩罚系数β，这样，可以使得判别网络对第二头发图像和第三头发图像的判别结果与颜色无关。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开一示例性实施例提供了一种图像处理装置，能够实现本公开提供的图像处理方法，该图像处理装置包括：处理器、用于存储处理器可执行指令的存储器；

其中，处理器被配置为：

获取原始图像，该原始图像包括未染色头发；

将原始图像输入预先训练得到的生成对抗网络中的生成网络中，该生成网络用于对未染色头发进行染色处理后输出，且该生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

将生成网络的输出结果确定为染色处理后得到的染色图像。

图5是根据一示例性实施例示出的一种用于图像处理的装置500的框图。例如，装置500可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(I/O)的接口512，传感器组件514，以及通信组件516。

处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理元件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理部件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。

存储器504被配置为存储各种类型的数据以支持在设备500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件506为装置500的各种组件提供电力。电力组件506可以包括电源管理***，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。

多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当设备500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。

音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。

I/O接口512为处理组件502和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到设备500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件516经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件516还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置500可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行上述图像处理方法。

本公开一示例性实施例提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的图像处理方法。

本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：

获取原始图像，所述原始图像包括未染色头发；

将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

将所述生成网络的输出结果确定为染色处理后得到的染色图像；

所述生成对抗网络的损失函数为：

所述G是生成网络，所述D是判别网络，所述E[]是损失函数，所述z是第一头发图像，所述第一头发图像是未染色头发的图像，所述x是第二头发图像，所述第二头发图像是对未染色头发进行染色得到的染色头发的图像，所述G(z)是第三头发图像，所述x-P_data(x)是所述第二头发图像的概率分布，所述z-P_z(z)是所述第一头发图像的概率分布，所述diff_z是所述第一头发图像的梯度图，所述diff_G(z)是所述第三头发图像的梯度图，所述α和所述β是惩罚因子，

所述k是梯度，所述th是预设阈值。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采集n组训练样本，每组训练样本包括所述第一头发图像和所述第二头发图像，所述第一头发图像和所述第二头发图像的分辨率相同，n为正整数；

对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中，将所述第二头发图像和所述生成网络输出的第三头发图像输入所述生成对抗网络中的判别网络中，根据所述判别网络的输出结果计算所述生成对抗网络的损失函数，利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，并利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，i≤n；

将i更新为i+1，继续执行所述对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中的步骤，直至所述生成网络和所述对抗网络均收敛时停止。

3.根据权利要求2所述的方法，其特征在于，所述利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，包括：

当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述判别网络的参数；

当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第一损失函数更新所述判别网络的参数；

其中，当所述判别网络的参数不再更新时表示所述判别网络收敛。

4.根据权利要求2所述的方法，其特征在于，所述利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，包括：

当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述生成网络的参数；

当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第二损失函数更新所述生成网络的参数；

其中，当所述生成网络的参数不再更新时表示所述生成网络收敛。

5.一种图像处理装置，其特征在于，所述装置包括：

获取模块，被配置为获取原始图像，所述原始图像包括未染色头发；

输入模块，被配置为将所述获取模块得到的所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

确定模块，被配置为将所述生成网络的输出结果确定为染色处理后得到的染色图像；

所述生成对抗网络的损失函数为：

所述G是生成网络，所述D是判别网络，所述E[]是损失函数，所述z是第一头发图像，所述第一头发图像是未染色头发的图像，所述x是第二头发图像，所述第二头发图像是对未染色头发进行染色得到的染色头发的图像，所述G(z)是第三头发图像，所述x-P_data(x)是所述第二头发图像的概率分布，所述z-P_z(z)是所述第一头发图像的概率分布，所述diff_z是所述第一头发图像的梯度图，所述diff_G(z)是所述第三头发图像的梯度图，所述α和所述β是惩罚因子，

所述k是梯度，所述th是预设阈值。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

采集模块，被配置为采集n组训练样本，每组训练样本包括所述第一头发图像和所述第二头发图像，所述第一头发图像和所述第二头发图像的分辨率相同，n为正整数；

训练模块，被配置为对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中，将所述第二头发图像和所述生成网络输出的第三头发图像输入所述生成对抗网络中的判别网络中，根据所述判别网络的输出结果计算所述生成对抗网络的损失函数，利用所述生成对抗网络的损失函数中所述判别网络的第一损失函数更新所述判别网络，并利用所述生成对抗网络的损失函数中所述生成网络的第二损失函数更新所述生成网络，i≤n；

更新模块，被配置为将i更新为i+1，继续执行所述对于第i组训练样本，将所述训练样本中的第一头发图像输入所述生成对抗网络中的生成网络中的步骤，直至所述生成网络和所述对抗网络均收敛时停止。

7.根据权利要求6所述的装置，其特征在于，所述训练模块，还被配置为：

当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述判别网络的参数；

当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第一损失函数更新所述判别网络的参数；

其中，当所述判别网络的参数不再更新时表示所述判别网络收敛。

8.根据权利要求6所述的装置，其特征在于，所述训练模块，还被配置为：

当所述输出结果用于指示所述第二头发图像和所述第三头发图像是同一图像时，保持所述生成网络的参数；

当所述输出结果用于指示所述第二头发图像和所述第三头发图像不是同一图像时，通过随机梯度下降法和所述第二损失函数更新所述生成网络的参数；

其中，当所述生成网络的参数不再更新时表示所述生成网络收敛。

9.一种图像处理装置，其特征在于，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

获取原始图像，所述原始图像包括未染色头发；

将所述原始图像输入预先训练得到的生成对抗网络中的生成网络中，所述生成网络用于对所述未染色头发进行染色处理后输出，且所述生成对抗网络的损失函数中包括用于指示头发的细节处理的梯度参数；

将所述生成网络的输出结果确定为染色处理后得到的染色图像；

所述生成对抗网络的损失函数为：

所述G是生成网络，所述D是判别网络，所述E[]是损失函数，所述z是第一头发图像，所述第一头发图像是未染色头发的图像，所述x是第二头发图像，所述第二头发图像是对未染色头发进行染色得到的染色头发的图像，所述G(z)是第三头发图像，所述x-P_data(x)是所述第二头发图像的概率分布，所述z-P_z(z)是所述第一头发图像的概率分布，所述diff_z是所述第一头发图像的梯度图，所述diff_G(z)是所述第三头发图像的梯度图，所述α和所述β是惩罚因子，

所述k是梯度，所述th是预设阈值。

10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现权利要求1至4任一项所述的图像处理方法。

Images