CN110163194A - 一种图像处理方法、装置及存储介质 - Google Patents
一种图像处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110163194A CN110163194A CN201910378956.8A CN201910378956A CN110163194A CN 110163194 A CN110163194 A CN 110163194A CN 201910378956 A CN201910378956 A CN 201910378956A CN 110163194 A CN110163194 A CN 110163194A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- processed
- default
- confrontation network
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
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)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像处理方法、装置及存储介质,本发明实施例获取待处理图像;对待处理图像进行目标图像检测;当检测到待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,生成对抗网络由样本图像训练而成,其中,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络;然后基于卷积子网络对待处理图像进行卷积处理,得到待处理图像的非目标图像特征;再基于反卷积子网络对非目标图像特征进行反卷积处理,得到不包含目标图像的图像。该方案可以通过生成对抗网络中的第一生成器提取待处理图像中的非目标图像特征,然后根据该非目标图像特征生成不包含目标图像的处理后图像,从而去除待处理图像中的目标图像。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种图像处理方法、装置及存储介质。
背景技术
光学字符识别(Optical Character Recognition,OCR)技术能够提供多场景下的文字检测、识别。在一些图像的识别任务中,经常有一些干扰图像,例如票据的识别任务中,关键字段通常会被覆盖上***,这对于后续的检测识别等任务造成极大的干扰,例如将***中的字也加入到了识别结果中,或是由于***与待识别文字的重叠导致识别出错等。
所以在图像中文字识别等领域中,去除待识别图像中的干扰图像非常重要。
发明内容
本发明实施例提供一种图像处理方法、装置及存储介质,可以去除待识别图像中的目标图像。
本发明实施例提供一种图像处理方法,包括:
获取待处理图像;
对所述待处理图像进行目标图像检测;
当检测到所述待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,所述生成对抗网络由样本图像训练而成,其中,所述目标图像为需要检测的图像,所述第一生成器包括卷积子网络以及与所述卷积子网络连接的反卷积子网络;
基于所述卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,所述非目标图像特征为所述待处理图像中所述目标图像之外的图像所对应的图像特征;
基于所述反卷积子网络对所述非目标图像特征进行反卷积处理,得到不包含所述目标图像的图像。
相应的,本发明实施例还提供一种图像处理装置,包括:
第一获取单元,用于获取待处理图像;
检测单元,用于对所述待处理图像进行目标图像检测;
第二获取单元,用于当检测到所述待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,所述生成对抗网络由样本图像训练而成,其中,所述目标图像为需要检测的图像,所述第一生成器包括卷积子网络以及与所述卷积子网络连接的反卷积子网络;
第一处理单元,用于基于所述卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,所述非目标图像特征为所述待处理图像中所述目标图像之外的图像所对应的图像特征;
第二处理单元,用于基于所述反卷积子网络对所述非目标图像特征进行反卷积处理,得到不包含所述目标图像的图像。
可选的,在一些实施例中,所述第一处理单元具体用于:
基于所述卷积子网络中的卷积层提取所述待处理图像的图像特征;
基于所述卷积子网络中的池化层对所述图像特征进行下采样处理,得到所述非目标图像特征。
可选的,在一些实施例中,所述第二处理单元具体用于:
基于所述反卷积子网络中的反卷积层对所述非目标图像特征进行反卷积处理;
基于所述反卷积子网络中的上采样层对进行过所述反卷积处理的非目标图像特征进行上采样处理,得到所述处理后图像。
可选的,在一些实施例中,所述第二处理单元还具体用于:
基于所述反卷积层获取所述卷积层输出的图像特征;
基于所述反卷积层获取上一层输出的图像特征;
基于所述反卷积层对所述卷积层输出的图像特征、以及所述上一层输出的图像特征进行反卷积处理。
可选的,在一些实施例中,所述装置还包括:
第三获取单元,用于获取所述样本图像,所述样本图像包括正例样本以及负例样本,所述正例样本为包含目标图像的样本,所述负例样本为不包含所述目标图像的样本;
训练单元,用于根据所述正例样本、所述负例样本对预设生成对抗网络进行交替训练,得到所述生成对抗网络,其中,所述预设生成对抗网络包括第一生成器。
可选的,在一些实施例中,所述预设生成对抗网络包括第一预设生成对抗网络以及第二预设生成对抗网络,所述训练单元具体用于:
根据所述正例样本对所述第一预设生成对抗网络进行训练,得到第一生成对抗网络;
将所述第一生成对抗网络中第一网络模块的参数更新至所述第二预设生成对抗网络对应的第二网络模块中,所述第二网络模块包括第一生成器;
根据所述负例样本对所述第二预设生成对抗网络进行训练,得到第二生成对抗网络;
将所述第二生成对抗网络中第二网络模块的参数更新至所述第一预设生成对抗网络对应的第一网络模块中,所述第一网络模块包括第一生成器;
根据所述第一生成对抗网络或所述第二生成对抗网络确定所述生成对抗网络。
可选的,在一些实施例中,所所述第一网络模块还包括第二生成器、第一判别器和第二判别器,述训练单元还具体用于:
将所述正例样本输入所述第一预设生成对抗网络中的第一生成器,生成不包含目标图像的第一图像;
将所述第一图像输入所述第一预设生成对抗网络中的第二生成器,生成包含目标图像的第二图像;
通过所述第一预设生成对抗网络中的第一判别器确定所述第一图像的第一损失值、以及通过所述第一预设生成对抗网络中的第二判别器确定所述第二图像的第二损失值;
根据所述第一损失值以及所述第二损失值调整所述第一预设生成对抗网络的参数,得到所述第一生成对抗网络。
可选的,在一些实施例中,所述第二网络模块还包括第二生成器、第一判别器和第二判别器,所述训练单元还具体用于:
将所述负例样本输入所述第二预设生成对抗网络中的第二生成器,生成包含目标图像的第三图像;
将所述第三图像输入所述第二预设生成对抗网络中的第一生成器,生成不包含目标图像的第四图像;
通过所述第二预设生成对抗网络中的第二判别器确定所述第三图像的第三损失值、以及通过所述第二预设生成对抗网络中的第一判别器确定所述第四图像的第四损失值;
根据所述第三损失值以及所述第四损失值调整所述第二预设生成对抗网络的参数,得到所述第二生成对抗网络。
可选的,在一些实施例中,所述装置还包括:
提取单元,用于当检测到所述待处理图像包含目标图像时,从所述待处理图像中提取所述目标图像对应的目标图像区域;
此时,所述第一处理单元具体用于:
基于所述卷积子网络对所述目标图像区域进行卷积处理,得到所述待处理图像的非目标图像特征。
本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例提供的任一种图像处理方法中的步骤。
本发明实施例还提供一种计算机程序产品,当其在计算机上运行时,使得计算机执行本发明实施例提供的任一种图像处理方法中的步骤。
本发明实施例中图像处理装置获取待处理图像;对待处理图像进行目标图像检测;当检测到待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,生成对抗网络由样本图像训练而成,其中,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络;然后基于卷积子网络对待处理图像进行卷积处理,得到待处理图像的非目标图像特征;再基于反卷积子网络对非目标图像特征进行反卷积处理,得到不包含目标图像的图像。该方案可以通过生成对抗网络中的第一生成器提取待处理图像中的非目标图像特征,然后根据该非目标图像特征生成不包含目标图像的处理后图像,从而去除待处理图像中的目标图像。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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的附图。
图1是本发明实施例提供的图像处理方法的一个场景示意图;
图2是本发明实施例提供的图像处理方法的一个流程示意图;
图3是本发明实施例提供的第一预设生成对抗网络的一个结构示意图;
图4是本发明实施例提供的第二预设生成对抗网络的一个结构示意图;
图5是本发明实施例提供的第一生成器的一个结构示意图;
图6a是本发明实施例提供的图像处理方法的另一个流程示意图;
图6b是本发明实施例提供的未处理的票据图像的一个示意图;
图6c是本发明实施例提供的处理后的票据图像的一个示意图;
图6d是本发明提供的图像处理方法的一个框架流程示意图;
图7是本发明实施例提供的图像处理装置的一个结构示意图;
图8是本发明实施例提供的图像处理装置的另一个结构示意图;
图9是本发明实施例提供的网络设备的一个结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
本发明实施例提供一种图像处理方法、装置及存储介质,该图像处理装置可以集成在网络设备中,该网络设备可以是服务器,也可以是终端等设备,其中,该终端可以包括手机、平板电脑、笔记本电脑、以及个人计算(PC,Personal Computer)等设备。
本发明实施例提供的图像处理方法可以用于处理图像,例如,通过本发明实施例可以去除待处理图像中的目标图像。在一些实施例中,可以通过生成对抗网络中的生成器去除待处理图像中的目标图像,其中,该目标图像包括***图像。
例如,请参阅图1,网络设备获取待处理图像,然后对该待处理图像进行目标图像检测,以该待处理图像为票据图像,目标图像为***图像为例,当检测到票据图像中包含***图像时,然后通过生成对抗网络中的生成器去除该票据图像中的***图像,具体地,根据该生成器中的卷积子网络提取该票据图像的非***图像特征,最后根据该生成器中的反卷积子网络还原该非***图像特征对应的图像,得到不包含***图像的票据图像。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
本发明实施例中,将从图像处理装置的角度进行描述,在一实施例中,提供了一种图像处理方法,该方法可以由网络设备的处理器执行,如图2所示,该图像处理方法的具体流程可以如下:
201、获取待处理图像。
其中,该待处理图像为需要进行目标图像检测,并且当包含目标图像时,需要进行目标图像去除的图像。
其中,本发明实施例中的目标图像可以为待处理图像中的干扰图像,该干扰图像可以为待识别图像的前景图像,该图像可以干扰待处理图像的OCR识别等。
在一些实施例中,当用户需要去除待处理图像中的目标图像时,会将待处理图像输入至图像处理装置中,使得图像处理装置获取该待处理图像。
在一些实施例中,该待处理图像可以为票据图像,待处理图像中的目标图像可以为***图像,即本发明实施例可以去除票据图像中的***图像。
202、对待处理图像进行目标图像检测。
当图像处理装置获取到待处理图像之后,将会对该图像进行目标图像检测,以检测该待处理图像中是否包含目标图像。
具体地,本发明实施例可以通过图像检测方法、注意力网络等实现对待处理图像的目标图像检测,对目标图像检测的具体方法此处不做限定,只要能检测出待处理图像中是否包含目标图像即可,例如检测票据图像中是否包含***图像。
203、当检测到待处理图像包含目标图像时,获取生成对抗网络中的第一生成器。
生成对抗网络由样本图像训练而成,其中,该目标图像为需要检测的图像,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络。
当检测到待处理图像中包含目标图像时,此时需要则需要去除该待处理图像中的目标图像,首先,需要获取生成对抗网络中的第一生成器,再利用该第一生成器去除待处理图像中的目标图像,其中,该第一生成器可以预置在图像处理装置内,也可以从其他服务器或终端中获取。
其中,生成对抗网络由样本图像训练而成,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络。
其中,该生成对抗网络中的第一生成器可以包含在图像处理装置中。
在一些实施例中,在获取待处理图像之前,需要根据样本图像对预设生成对抗网络进行训练,以得到该生成对抗网络,其中,该生成对抗网络为根据样本图像训练好的网络。
具体地,对该预设生成对抗网络进行训练包括:
(1)获取样本图像。
其中,样本图像包括正例样本以及负例样本,该正例样本为包含目标图像的样本,该负例样本为不包含目标图像的样本。
(2)根据正例样本、负例样本对预设生成对抗网络进行交替训练,得到生成对抗网络,其中,该预设生成对抗网络包括第一生成器。
更具体地,该预设生成对抗网络包括第一预设生成对抗网络以及第二预设生成对抗网络,该第一预设生成对抗网络包括第一生成器,第二预设生成对抗网络包括第一生成器。
此时,上述根据正例样本、负例样本对预设生成对抗网络进行交替训练,得到生成对抗网络,包括:
a.根据正例样本对第一预设生成对抗网络进行训练,得到第一生成对抗网络。
由于很难收集到大量的成对出现的带目标图像及不带目标图像的图像,因此我们使用了交替生成的方法对网络进行训练,本实施例中的正例样本及负例样本可以为不成对的样本。
第一预设生成对抗网络的结构如图3所示,该第一预设生成对抗网络中的第一网络模块包括第一生成器Gx-y、第一判别器Dy、第二生成器Gy-x和第二判别器Dx,其中,Gx-y用于根据带有目标图像的图像x生成不带目标图像的图像y,Gy-x用于根据图像y生成带有目标图像的图像x',Dy用于判断图像y是否为真实的且不带目标图像的图像,具体根据损失值判断,Dx用于判断图像x'是否为真实且带***的图像。其中,本发明实施例中的判别器(Dy和Dx)为典型的基于卷积神经网络的分类模型,主要组成部分为卷积层及全连接层。
具体地,将正例样本x输入第一预设生成对抗网络中的第一生成器Gx-y,生成不包含目标图像的第一图像y;
然后将第一图像y输入第一预设生成对抗网络中的第二生成器Gy-x,生成包含目标图像的第二图像x;
并通过第一预设生成对抗网络中的第一判别器Dy确定第一图像y的第一损失值、以及通过第一预设生成对抗网络中的第二判别器Dx确定第二图像x'的第二损失值;
最后根据第一损失值以及第二损失值调整第一预设生成对抗网络的参数,得到第一生成对抗网络。
具体地,第一损失值用于调整第一生成器中的参数,第二损失值用于调整第二生成器中的网络参数。
其中,图像识别装置会将第一生成器生成的第一图像作为第一判别器中的样本,用于提高第一判别器的准确度。
b.将第一生成对抗网络中第一网络模块的参数更新至第二预设生成对抗网络对应的第二网络模块中,第二网络模块包括第一生成器。
当根据正例样本对第一预设生成对抗网络进行了一轮训练之后,将会将经过该轮训练后的第一生成对抗网络中第一网络模块的参数更新至第二预设生成对抗网络对应的第二网络模块中,其中,如图4所示,第二预设生成对抗网络中的第二网络模块包括:第二生成器Gy-x、第二判别器Dx、第一生成器Gx-y和第一判别器Dy。
具体地,将第一生成对抗网络中第一生成器的参数更新至第二预设生成对抗网络中的第一生成器中;将第一生成对抗网络中第二生成器的参数更新至第二预设生成对抗网络中的第二生成器中;将第一生成对抗网络中第一判别器的参数更新至第二预设生成对抗网络中的第一判别器中;将第一生成对抗网络中第二判别器的参数更新至第二预设生成对抗网络中的第二判别器中。
需要说明的是,此时第一生成对抗网络可以为经过最新训练的第一生成对抗网络。
第一生成对抗网络中的判别器使得生产的图像x'尽可能与真实的图像x相同,第二生成对抗网络中的判别器使得生产的图像y'尽可能与真实的图像y相同,通过判别器与生成器的不断博弈进化的过程,可以使得双方的能力不断提升。
c.根据负例样本对第二预设生成对抗网络进行训练,得到第二生成对抗网络。
其中,若之前对第一预设生成对抗网络进行过训练,则此时该第二预设生成对抗网络中的对应的网络模块的参数与经过训练的第一预设生成对抗网络的参数相同。
此时再根据例样本对第二预设生成对抗网络进行训练,具体地:
将负例样本y输入第二预设生成对抗网络中的第二生成器Gy-x,生成包含目标图像的第三图像x;
再将第三图像x输入第二预设生成对抗网络中的第一生成器Gx-y,生成不包含目标图像的第四图像y';
并通过第二预设生成对抗网络中的第二判别器Dx确定第三图像x的第三损失值、以及通过第二预设生成对抗网络中的第一判别器Dy确定第四图像y'的第四损失值;
最后根据第三损失值以及第四损失值调整第二预设生成对抗网络的参数,得到第二生成对抗网络。
具体地,根据第三损失值调整第二生成器的参数,根据第四损失值调整第一生成器的参数。
d.将第二生成对抗网络中第二网络模块的参数更新至第一预设生成对抗网络对应的第一网络模块中,第一网络模块包括第一生成器。
当根据负例样本对第二预设生成对抗网络进行了新一轮训练之后,将会将经过该轮训练后的第二生成对抗网络中第二网络模块的参数更新至第一生成对抗网络对应的第一网络模块中。
具体地,将第二生成对抗网络中第二生成器的参数更新至第一预设生成对抗网络中的第二生成器中;将第二生成对抗网络中第一生成器的参数更新至第一预设生成对抗网络中的第一生成器中;将第二生成对抗网络中第二判别器的参数更新至第一预设生成对抗网络中的第二判别器中;将第二生成对抗网络中第一判别器的参数更新至第一预设生成对抗网络中的第一判别器中。
需要说明的是,此时第二生成对抗网络为经过最新训练的第二生成对抗网络。
需要说明的是,本实施例需要根据正例样本以及负例样本分别对第一预设生成对抗网络(或未训练收敛的第一生成对抗网络)以及第二预设生成对抗网络(或未训练收敛的第二生成对抗网络)进行交替训练,并且在交替训练的过程中,将最新的训练参数更新至对方(第一或第二生成对抗网络)对应的网络模块中,直至网络收敛。
其中,在训练开始时,对第一预设生成对抗网络以及对第二预设生成对抗网络的训练顺序此处不做限定。
在本发明实施例中,只需要提取第一生成对抗网络或第二生成对抗网络中的第一生成器对图像进行处理。
e.根据第一生成对抗网络或第二生成对抗网络确定生成对抗网络。
当根据第一生成对抗网络和第二生成对抗网络确定网络收敛时,此时,由于第一生成对抗网络和第二生成对抗网络中对应的网络模块中的参数时相互更新的,所以收敛后的第一生成对抗网络和第二生成对抗网络中网络模块的参数是一样的,此时的生成对抗网络为训练收敛后的第一生成对抗网络和/或训练收敛后的第二生成对抗网络。
此时就可以从第一生成对抗网络或第二生成对抗网络中获取第一生成器。
204、基于卷积子网络对待处理图像进行卷积处理,得到待处理图像的非目标图像特征。
其中,该非目标图像特征为待处理图像中目标图像之外的图像所对应的图像特征。第一生成器的网络结构如图5所示,具体地,基于该卷积子网络中的卷积层提取该待处理图像的图像特征,其中该图像图中为非目标图像特征,即不包括目标图像对应的图像特征;然后基于该卷积子网络中的池化层对该图像特征进行下采样处理,得到该非目标图像特征。
其中,本发明实施例中卷积层与反卷积层的个数不做限定,可以为7个,也可以为其它个数,此外,本发明实施例中池化层和上采样层的个数也不做限定。
205、基于反卷积子网络对非目标图像特征进行反卷积处理,得到不包含目标图像的图像。
具体地,基于反卷积子网络中的反卷积层对非目标图像特征进行反卷积处理,还原图像;然后基于反卷积子网络中的上采样层对进行过反卷积处理的非目标图像特征进行上采样处理,恢复图像大小,得到处理后图像,其中,该处理后图像可以为去除了目标图像的待处理图像,例如,去除了***的票据图像。
其中,如图5所示,由于在卷积层编码的过程中可能会损失细节信息,因此我们需要将卷积子网络与反卷积子网络中的对应层连接起来,以降低信息的损失,此时,基于反卷积子网络中的反卷积层对非目标图像特征进行反卷积处理,包括:基于反卷积层获取卷积层输出的图像特征;基于反卷积层获取上一层输出的图像特征;基于反卷积层对卷积层输出的图像特征、以及上一层输出的图像特征进行反卷积处理。其中,该卷积层为与反卷积层对应的卷积层。
在一些实施例中,当检测到待处理图像包含目标图像时,会从待处理图像中提取目标图像对应的目标图像区域,即从待处理图像中截取一部分包含目标图像的图像区域,此时,非目标图像特征可以为目标图像区域中目标图像之外的图像所对应的图像特征;
此时,第一生成器中的卷积子网络以及反卷积子网络也只是对该目标图像区域进行处理,去除目标图像区域中的目标图像,得到处理后的图像。
此时,还需要将处理后的图像拼接回原图,此时就可以得到去除了目标图像的待处理图像。
在一些实施例中,获取去除了的目标图像待处理图像中之后,此时可以对去除了目标图像的待处理图像,例如对去除了***的票据图像进行光学字符识别(OpticalCharacter Recognition,OCR),得到待处理图像对应的文本信息,例如得到票据图像的文本信息,本实施例中的方案可以减少***图像对图像的识别干扰,不会过度去除***问题,可以恢复被***覆盖的文字,提高了OCR识别的准确度。
本发明实施例中图像处理装置获取待处理图像;对待处理图像进行目标图像检测;当检测到待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,生成对抗网络由样本图像训练而成,其中,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络;然后基于卷积子网络对待处理图像进行卷积处理,得到待处理图像的非目标图像特征;再基于反卷积子网络对非目标图像特征进行反卷积处理,得到不包含目标图像的图像。该方案可以通过生成对抗网络中的第一生成器提取待处理图像中的非目标图像特征,然后根据该非目标图像特征生成不包含目标图像的处理后图像,从而去除待处理图像中的目标图像。
其中,本发明实施例中的图像处理方法为端到端图像处理方法,去除过程全程自动化,无需人工参与。
根据上述实施例所描述的方法,以下将举例作进一步详细说明。
请参阅图6a,在本实施例中,将以该图像处理装置具体集成在网络设备中、待处理图像为票据图像以及目标图像为***图像为例进行说明。
601、网络设备获取票据图像。
其中,该票据图像为需要进行***图像检测的图像。
在一些实施例中,该未处理过的票据图像可以如图6b所示。
在一些实施例中,当用户需要去除票据图像中的***图像时,会将该票据图像输入至网络设备中,使得网络设备获取该票据图像。
其中,该票据图像可以为对票据进行扫描得到的票据图像,也可以为对票据进行拍照得到的票据图像,具体此处不做限定。
602、网络设备对该票据图像进行***图像检测。
当网络设备获取到票据图像之后,将会对该图像进行***图像检测,以检测该票据图像中是否包含***图像。
具体地,本发明实施例可以通过***检测网络、注意力网络等实现对待处理图像的***图像检测,对***图像检测的具体方法此处不做限定,只要能检测出票据图像中是否包含***图像即可。
603、当检测到该票据图像包含***图像时,则网络设备从票据图像中提取***图像对应的***图像区域。
为了提高网络设备的去除***图像的效率,网络设备可以从票据图像中提取***图像对应的***图像区域,其中,该***图像区域小于票据图像的区域,且该***图像区域包含全部的***图像信息,该***图像区域可以为圆形区域,也可以为方形区域,具体形状此处不做限定。
在一些实施例中,当检测到该票据图像中不包含***图像时,可以直接对该图像进行OCR识别。
604、网络设备获取生成对抗网络中的第一生成器。
该生成对抗网络由样本图像训练而成,其中,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络。
当检测到***图像且从票据图像中提取了***图像区域时,此时需要获取生成对抗网络中的第一生成器,再利用该第一生成器去除票据图像中的***图像。
在获取票据图像之前,会先对预设生成训练网络进行训练,得到训练生成对抗网络;
其中,该预设生成训练网络包括第一预设生成对抗网络以及第二预设生成对抗网络,第一预设训练生成对抗网络训练后,得到第一生成对抗网络;第二预设训练生成对抗网络训练后,得到第二生成对抗网络。其中,第一预设生成对抗网络的结构如图3所示,第二预设生成对抗网络的结构如图4所示。
由于很难收集到大量的成对出现的带目标图像及不带目标图像的图像,因此我们使用了交替生成的方法对网络进行训练,本实施例中的正例样本及负例样本可以为不成对的样本,正例样本为包含***图像的票据图像,负例样本为不包含***图像的票据图像,本发明实施例中,利用正例样本对第一预设生成对抗网络进行训练,利用负例样本对第二预设生成对抗网络进行训练。
其中,本发明实施例分别利用正例样本和负例样本对第一预设生成对抗网络和第二预设生成对抗网络进行交替训练,此外,在对一个预设生成对抗网络进行训练之后,将会将该预设生成对抗网络的参数更新至另一个预设生成对抗网络对应的网络模块中;例如,在对第一预设生成对抗网络进行训练之后,将会将第一预设生成对抗网络的参数更新至第二预设生成对抗网络对应的网络模块中;在对第二预设生成对抗网络进行训练之后,将会将第二预设生成对抗网络的参数更新至第一预设生成对抗网络对应的网络模块中,直至第一预设生成对抗网络和/或第二预设生成对抗网络收敛,生成训练好的第一预设生成对抗网络和/或第二预设生成对抗网络,其中,此时第一预设生成对抗网络和第二预设生成对抗网络中对应的网络模块的参数相同。
在本发明实施例中,只需要提取第一生成对抗网络或第二生成对抗网络中的第一生成器对图像进行处理。
605、网络设备基于卷积子网络中的卷积层提取***图像区域的图像特征。
其中,第一生成器的结构如图5所示,具体地,基于该卷积子网络中的卷积层提取该***图像区域的图像特征;然后基于该卷积子网络中的池化层对该图像特征进行下采样处理,得到该该***图像区域中的非目标图像特征。
其中,本发明实施例中卷积层与反卷积层的个数不做限定,可以为7个,也可以为其它个数,此外,本发明实施例中池化层和上采样层的个数也不做限定。
606、网络设备基于卷积子网络中的池化层对图像特征进行下采样处理,得到非***图像特征。
在一些实施例中,当网络设备获取到了***图像区域的图像特征之后,将会对该图像进行下采样处理,缩小该图像特征,得到***图像区域中的非***图像特征。
607、网络设备基于反卷积子网络中的反卷积层对非***图像特征进行反卷积处理。
其中,如图5所示,由于在卷积层编码的过程中可能会损失细节信息,因此我们需要将卷积子网络与反卷积子网络中的对应层连接起来,以降低信息的损失,此时,基于反卷积子网络中的反卷积层对非目标图像特征进行反卷积处理,包括:基于反卷积层获取卷积层输出的图像特征;基于反卷积层获取上一层输出的图像特征;基于反卷积层对卷积层输出的图像特征、以及上一层输出的图像特征进行反卷积处理。
608、网络设备基于反卷积子网络中的上采样层对进行过反卷积处理的非***图像特征进行上采样处理,得到***图像区域对应的处理后图像。
当对非***图像特征进行反卷积处理,恢复了非***图像特征对应的图像之后,将会对该进行过反卷积处理的非***图像特征进行上采样处理,恢复***图像区域的图像大小,得到***图像区域对应的处理后图像。
609、网络设备将***图像区域对应的处理后图像拼接回原票据图像,得到票据图像对应的处理后图像。
当去除了***图像区域中的***图像之后,将会将该除了***图像区域中的***图像拼接回原票据图像中,得到该票据图像对应的处理后图像,即得到去除了***图像的票据图像。
在一些实施例中,该票据图像对应的处理后图像如图6c所示。
610、网络设备对票据图像对应的处理后图像进行OCR识别,得到票据图像对应的文本信息。
本实施例中,由于票据图像对应的处理后图像为去除了***图像的票据图像,所以对处理后的图像进行OCR识别,可以减少***图像对OCR识别的干扰,并且,本发明中的生成器在去除***时,还可以恢复被***覆盖的文字,可以提高OCR识别的准确度。
其中,本发明实施例还可以通过超分辨率重建网络或其他生成对抗网络去除***图像。
其中,请参阅图6d,图6d为本发明提供的图像处理方法的一个框架流程示意图,具体地,对于输入的图像首先经过***检测网络检测***的具***置,如果不存在***则直接进行OCR识别,反之则截取***所在的***图像区域,将***图像区域输入到生成对抗网络的生成器中产生无***的图像。然后将无***图像拼合如原图并进行OCR识别。
本发明实施例中图像处理装置获取待处理图像;对待处理图像进行目标图像检测;当检测到待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,生成对抗网络由样本图像训练而成,其中,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络;然后基于卷积子网络对待处理图像进行卷积处理,得到待处理图像的非目标图像特征;再基于反卷积子网络对非目标图像特征进行反卷积处理,得到不包含目标图像的图像。该方案可以通过生成对抗网络中的第一生成器提取待处理图像中的非目标图像特征,然后根据该非目标图像特征生成不包含目标图像的处理后图像,从而去除待处理图像中的目标图像。
为了更好地实施以上方法,相应的,本发明实施例还提供一种图像处理装置,该图像处理装置具体可以集成在网络设备中,该网络设备可以是服务器,也可以是终端等设备。
例如,如图7所示,该图像处理装置可以包括
第一获取单元701,用于获取待处理图像;
检测单元702,用于对所述待处理图像进行目标图像检测;
第二获取单元703,用于当检测到所述待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,所述生成对抗网络由样本图像训练而成,其中,所述目标图像为需要检测的图像,所述第一生成器包括卷积子网络以及与所述卷积子网络连接的反卷积子网络;
第一处理单元704,用于基于所述卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,所述非目标图像特征为所述待处理图像中所述目标图像之外的图像所对应的图像特征;
第二处理单元705,用于基于所述反卷积子网络对所述非目标图像特征进行反卷积处理,得到不包含所述目标图像的图像。
在一些实施例中,所述第一处理单元704具体用于:
基于所述卷积子网络中的卷积层提取所述待处理图像的图像特征;
基于所述卷积子网络中的池化层对所述图像特征进行下采样处理,得到所述非目标图像特征。
在一些实施例中,所述第二处理单元705具体用于:
基于所述反卷积子网络中的反卷积层对所述非目标图像特征进行反卷积处理;
基于所述反卷积子网络中的上采样层对进行过所述反卷积处理的非目标图像特征进行上采样处理,得到所述处理后图像。
在一些实施例中,所述第二处理单元705还具体用于:
基于所述反卷积层获取所述卷积层输出的图像特征;
基于所述反卷积层获取上一层输出的图像特征;
基于所述反卷积层对所述卷积层输出的图像特征、以及所述上一层输出的图像特征进行反卷积处理。
请参阅图8,在一些实施例中,所述装置还包括:
第三获取单元706,用于获取所述样本图像,所述样本图像包括正例样本以及负例样本,所述正例样本为包含目标图像的样本,所述负例样本为不包含所述目标图像的样本;
训练单元707,用于根据所述正例样本、所述负例样本对预设生成对抗网络进行交替训练,得到所述生成对抗网络,其中,所述预设生成对抗网络包括第一生成器。
在一些实施例中,所述预设生成对抗网络包括第一预设生成对抗网络以及第二预设生成对抗网络,所述训练单元707具体用于:
根据所述正例样本对所述第一预设生成对抗网络进行训练,得到第一生成对抗网络;
将所述第一生成对抗网络中第一网络模块的参数更新至所述第二预设生成对抗网络对应的第二网络模块中,所述第二网络模块包括第一生成器;
根据所述负例样本对所述第二预设生成对抗网络进行训练,得到第二生成对抗网络;
将所述第二生成对抗网络中第二网络模块的参数更新至所述第一预设生成对抗网络对应的第一网络模块中,所述第一网络模块包括第一生成器;
根据所述第一生成对抗网络或所述第二生成对抗网络确定所述生成对抗网络。
在一些实施例中,所所述第一网络模块还包括第二生成器、第一判别器和第二判别器,述训练单元707还具体用于:
将所述正例样本输入所述第一预设生成对抗网络中的第一生成器,生成不包含目标图像的第一图像;
将所述第一图像输入所述第一预设生成对抗网络中的第二生成器,生成包含目标图像的第二图像;
通过所述第一预设生成对抗网络中的第一判别器确定所述第一图像的第一损失值、以及通过所述第一预设生成对抗网络中的第二判别器确定所述第二图像的第二损失值;
根据所述第一损失值以及所述第二损失值调整所述第一预设生成对抗网络的参数,得到所述第一生成对抗网络。
在一些实施例中,所述第二网络模块还包括第二生成器、第一判别器和第二判别器,所述训练单元707还具体用于:
将所述负例样本输入所述第二预设生成对抗网络中的第二生成器,生成包含目标图像的第三图像;
将所述第三图像输入所述第二预设生成对抗网络中的第一生成器,生成不包含目标图像的第四图像;
通过所述第二预设生成对抗网络中的第二判别器确定所述第三图像的第三损失值、以及通过所述第二预设生成对抗网络中的第一判别器确定所述第四图像的第四损失值;
根据所述第三损失值以及所述第四损失值调整所述第二预设生成对抗网络的参数,得到所述第二生成对抗网络。
在一些实施例中,所述装置还包括:
提取单元708,用于当检测到所述待处理图像包含目标图像时,从所述待处理图像中提取所述目标图像对应的目标图像区域;
此时,所述第一处理单元704具体用于:
基于所述卷积子网络对所述目标图像区域进行卷积处理,得到所述待处理图像的非目标图像特征。
本发明实施例中本发明实施例中图像处理装置获取待处理图像;检测单元702对待处理图像进行目标图像检测;当检测到待处理图像包含目标图像时,第二获取单元703获取生成对抗网络中的第一生成器,生成对抗网络由样本图像训练而成,其中,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络;然后第一处理单元704基于卷积子网络对待处理图像进行卷积处理,得到待处理图像的非目标图像特征;第二处理单元705再基于反卷积子网络对非目标图像特征进行反卷积处理,得到不包含目标图像的图像。该方案可以通过生成对抗网络中的第一生成器提取待处理图像中的非目标图像特征,然后根据该非目标图像特征生成不包含目标图像的处理后图像,从而去除待处理图像中的目标图像。
此外,本发明实施例还提供一种网络设备,如图9所示,其示出了本发明实施例所涉及的网络设备的结构示意图,具体来讲:
该网络设备可以包括一个或者一个以上处理核心的处理器901、一个或一个以上计算机可读存储介质的存储器902、电源903和输入单元904等部件。本领域技术人员可以理解,图9中示出的网络设备结构并不构成对网络设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器901是该网络设备的控制中心,利用各种接口和线路连接整个网络设备的各个部分,通过运行或执行存储在存储器902内的软件程序和/或模块,以及调用存储在存储器902内的数据,执行网络设备的各种功能和处理数据,从而对网络设备进行整体监控。可选的,处理器901可包括一个或多个处理核心;优选的,处理器901可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器901中。
存储器902可用于存储软件程序以及模块,处理器901通过运行存储在存储器902的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器902可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据网络设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器902还可以包括存储器控制器,以提供处理器901对存储器902的访问。
网络设备还包括给各个部件供电的电源903,优选的,电源903可以通过电源管理***与处理器901逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源903还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该网络设备还可包括输入单元904,该输入单元904可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,网络设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,网络设备中的处理器901会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器902中,并由处理器901来运行存储在存储器902中的应用程序,从而实现各种功能,如下:
获取待处理图像;对所述待处理图像进行目标图像检测;当检测到所述待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,所述生成对抗网络由样本图像训练而成,其中,所述目标图像为需要检测的图像,所述第一生成器包括卷积子网络以及与所述卷积子网络连接的反卷积子网络;基于所述卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,所述非目标图像特征为所述待处理图像中所述目标图像之外的图像所对应的图像特征;基于所述反卷积子网络对所述非目标图像特征进行反卷积处理,得到不包含所述目标图像的图像。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本发明实施例中图像处理装置获取待处理图像;对待处理图像进行目标图像检测;当检测到待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,生成对抗网络由样本图像训练而成,其中,第一生成器包括卷积子网络以及与卷积子网络连接的反卷积子网络;然后基于卷积子网络对待处理图像进行卷积处理,得到待处理图像的非目标图像特征;再基于反卷积子网络对非目标图像特征进行反卷积处理,得到不包含目标图像的图像。该方案可以通过生成对抗网络中的第一生成器提取待处理图像中的非目标图像特征,然后根据该非目标图像特征生成不包含目标图像的处理后图像,从而去除待处理图像中的目标图像。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种图像处理方法中的步骤。例如,该指令可以执行如下步骤:
获取待处理图像;对所述待处理图像进行目标图像检测;当检测到所述待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,所述生成对抗网络由样本图像训练而成,其中,所述目标图像为需要检测的图像,所述第一生成器包括卷积子网络以及与所述卷积子网络连接的反卷积子网络;基于所述卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,所述非目标图像特征为所述待处理图像中所述目标图像之外的图像所对应的图像特征;基于所述反卷积子网络对所述非目标图像特征进行反卷积处理,得到不包含所述目标图像的图像。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种图像处理方法中的步骤,因此,可以实现本发明实施例所提供的任一种图像处理方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种图像处理方法、装置和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种图像处理方法,其特征在于,包括:
获取待处理图像;
对所述待处理图像进行目标图像检测;
当检测到所述待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,所述生成对抗网络由样本图像训练而成,其中,所述目标图像为需要检测的图像,所述第一生成器包括卷积子网络以及与所述卷积子网络连接的反卷积子网络;
基于所述卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,所述非目标图像特征为所述待处理图像中所述目标图像之外的图像所对应的图像特征;
基于所述反卷积子网络对所述非目标图像特征进行反卷积处理,得到不包含所述目标图像的图像。
2.根据权利要去1所述的方法,其特征在于,所述基于所述卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,包括:
基于所述卷积子网络中的卷积层提取所述待处理图像的图像特征;
基于所述卷积子网络中的池化层对所述图像特征进行下采样处理,得到所述非目标图像特征。
3.根据权利要去1所述的方法,其特征在于,所述基于所述反卷积子网络对所述非目标图像特征进行反卷积处理,得到不包含所述目标图像的图像,包括:
基于所述反卷积子网络中的反卷积层对所述非目标图像特征进行反卷积处理;
基于所述反卷积子网络中的上采样层对进行过所述反卷积处理的非目标图像特征进行上采样处理,得到所述处理后图像。
4.根据权利要去3所述的方法,其特征在于,所述基于所述反卷积子网络中的反卷积层对所述非目标图像特征进行反卷积处理,包括:
基于所述反卷积层获取所述卷积层输出的图像特征;
基于所述反卷积层获取上一层输出的图像特征;
基于所述反卷积层对所述卷积层输出的图像特征、以及所述上一层输出的图像特征进行反卷积处理。
5.根据权利要去1所述的方法,其特征在于,所述获取待处理图像之前,所述方法还包括:
获取所述样本图像,所述样本图像包括正例样本以及负例样本,所述正例样本为包含目标图像的样本,所述负例样本为不包含所述目标图像的样本;
根据所述正例样本、所述负例样本对预设生成对抗网络进行交替训练,得到所述生成对抗网络,其中,所述预设生成对抗网络包括第一生成器。
6.根据权利要去5所述的方法,其特征在于,所述预设生成对抗网络包括第一预设生成对抗网络以及第二预设生成对抗网络,所述第一预设生成对抗网络包括第一生成器,所述第二预设生成对抗网络包括第一生成器,所述根据所述正例样本、所述负例样本对预设生成对抗网络进行交替训练,得到所述生成对抗网络,包括:
根据所述正例样本对所述第一预设生成对抗网络进行训练,得到第一生成对抗网络;
将所述第一生成对抗网络中第一网络模块的参数更新至所述第二预设生成对抗网络对应的第二网络模块中,所述第二网络模块包括第一生成器;
根据所述负例样本对所述第二预设生成对抗网络进行训练,得到第二生成对抗网络;
将所述第二生成对抗网络中第二网络模块的参数更新至所述第一预设生成对抗网络对应的第一网络模块中,所述第一网络模块包括第一生成器;
根据所述第一生成对抗网络或所述第二生成对抗网络确定所述生成对抗网络。
7.根据权利要去6所述的方法,其特征在于,所述第一网络模块还包括第二生成器、第一判别器和第二判别器,所述根据所述正例样本对所述第一预设生成对抗网络进行训练,得到第一生成对抗网络,包括:
将所述正例样本输入所述第一预设生成对抗网络中的第一生成器,生成不包含目标图像的第一图像;
将所述第一图像输入所述第一预设生成对抗网络中的第二生成器,生成包含目标图像的第二图像;
通过所述第一预设生成对抗网络中的第一判别器确定所述第一图像的第一损失值、以及通过所述第一预设生成对抗网络中的第二判别器确定所述第二图像的第二损失值;
根据所述第一损失值以及所述第二损失值调整所述第一预设生成对抗网络的参数,得到所述第一生成对抗网络。
8.根据权利要去6所述的方法,其特征在于,所述第二网络模块还包括第二生成器、第一判别器和第二判别器,所述根据所述负例样本对所述第二预设生成对抗网络进行训练,得到第二生成对抗网络,包括:
将所述负例样本输入所述第二预设生成对抗网络中的第二生成器,生成包含目标图像的第三图像;
将所述第三图像输入所述第二预设生成对抗网络中的第一生成器,生成不包含目标图像的第四图像;
通过所述第二预设生成对抗网络中的第二判别器确定所述第三图像的第三损失值、以及通过所述第二预设生成对抗网络中的第一判别器确定所述第四图像的第四损失值;
根据所述第三损失值以及所述第四损失值调整所述第二预设生成对抗网络的参数,得到所述第二生成对抗网络。
9.根据权利要求1至8中任一项所述的方法,其特征在于,所述对所述待处理图像进行目标图像检测之后,所述方法还包括:
当检测到所述待处理图像包含目标图像时,则从所述待处理图像中提取所述目标图像对应的目标图像区域;
所述基于所述第一生成器中的卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,包括:
基于所述卷积子网络对所述目标图像区域进行卷积处理,得到所述待处理图像的非目标图像特征。
10.一种图像处理装置,其特征在于,包括:
第一获取单元,用于获取待处理图像;
检测单元,用于对所述待处理图像进行目标图像检测;
第二获取单元,用于当检测到所述待处理图像包含目标图像时,获取生成对抗网络中的第一生成器,所述生成对抗网络由样本图像训练而成,其中,所述目标图像为需要检测的图像,所述第一生成器包括卷积子网络以及与所述卷积子网络连接的反卷积子网络;
第一处理单元,用于基于所述卷积子网络对所述待处理图像进行卷积处理,得到所述待处理图像的非目标图像特征,所述非目标图像特征为所述待处理图像中所述目标图像之外的图像所对应的图像特征;
第二处理单元,用于基于所述反卷积子网络对所述非目标图像特征进行反卷积处理,得到不包含所述目标图像的图像。
11.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至9任一项所述的图像处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910378956.8A CN110163194A (zh) | 2019-05-08 | 2019-05-08 | 一种图像处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910378956.8A CN110163194A (zh) | 2019-05-08 | 2019-05-08 | 一种图像处理方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163194A true CN110163194A (zh) | 2019-08-23 |
Family
ID=67633677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910378956.8A Pending CN110163194A (zh) | 2019-05-08 | 2019-05-08 | 一种图像处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163194A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065407A (zh) * | 2021-03-09 | 2021-07-02 | 国网河北省电力有限公司 | 基于注意力机制和生成对抗网络的财务票据***擦除方法 |
WO2023202570A1 (zh) * | 2022-04-21 | 2023-10-26 | 维沃移动通信有限公司 | 图像处理方法和处理装置、电子设备和可读存储介质 |
-
2019
- 2019-05-08 CN CN201910378956.8A patent/CN110163194A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065407A (zh) * | 2021-03-09 | 2021-07-02 | 国网河北省电力有限公司 | 基于注意力机制和生成对抗网络的财务票据***擦除方法 |
CN113065407B (zh) * | 2021-03-09 | 2022-07-12 | 国网河北省电力有限公司 | 基于注意力机制和生成对抗网络的财务票据***擦除方法 |
WO2023202570A1 (zh) * | 2022-04-21 | 2023-10-26 | 维沃移动通信有限公司 | 图像处理方法和处理装置、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340711B (zh) | 一种超分辨率重建方法、装置、设备和存储介质 | |
CN108805789A (zh) | 一种基于对抗神经网络去除水印的方法、装置、设备及可读介质 | |
CN111127309B (zh) | 肖像风格迁移模型训练方法、肖像风格迁移方法以及装置 | |
CN107395958A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN109859314A (zh) | 三维重建方法、装置、电子设备和存储介质 | |
CN113239875B (zh) | 人脸特征的获取方法、***、装置及计算机可读存储介质 | |
CN112102185B (zh) | 基于深度学习的图像去模糊方法及装置、电子设备 | |
CN108230384A (zh) | 图像深度计算方法、装置、存储介质和电子设备 | |
CN110163194A (zh) | 一种图像处理方法、装置及存储介质 | |
JP7282474B2 (ja) | 暗号化マスク確定方法、暗号化マスク確定装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN113221767B (zh) | 训练活体人脸识别模型、识别活体人脸的方法及相关装置 | |
CN113139917A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109117940A (zh) | 一种卷积神经网络前向加速方法、装置及*** | |
CN110321892A (zh) | 一种图片筛选方法、装置及电子设备 | |
CN112837251A (zh) | 图像处理方法及装置 | |
CN108776800A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN106101858A (zh) | 一种视频生成方法及装置 | |
CN104184936B (zh) | 基于光场相机的影像对焦处理方法及其*** | |
CN110135428A (zh) | 图像分割处理方法和装置 | |
CN112862712A (zh) | 美颜处理方法、***、存储介质和终端设备 | |
CN110502975B (zh) | 一种行人重识别的批量处理*** | |
CN117455786A (zh) | 一种多聚焦图像融合方法、装置、计算机设备及存储介质 | |
Kim et al. | Restoring spatially-heterogeneous distortions using mixture of experts network | |
CN113379623B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114742725A (zh) | 图像处理方法、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 |