CN110211017B - 图像处理方法、装置及电子设备 - Google Patents
图像处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110211017B CN110211017B CN201910408167.4A CN201910408167A CN110211017B CN 110211017 B CN110211017 B CN 110211017B CN 201910408167 A CN201910408167 A CN 201910408167A CN 110211017 B CN110211017 B CN 110211017B
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- convolution kernel
- layer
- processing
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005549 size reduction Methods 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本公开实施例中提供了一种图像处理方法、装置及电子设备,属于数据处理技术领域,该方法包括:获取具有预设尺寸大小的第一图像;对所述第一图像执行第一操作,得到第二图像,所述第一操作包括基于第一卷积核和第二卷积核,通过多个独立的通道分别对所述第一图像进行卷积求和操作,所述第一卷积核的长度和宽度均大于1,所述第二卷积核的长度和宽度均为1;对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像;通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像。通过本公开的处理方案,减少了图像处理对于***资源的消耗,使图像处理算法能够在数据处理能力不高的电子设备上得到应用。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种图像处理方法、装置及电子设备。
背景技术
随着社会的不断发展和进步,电子产品开始广泛的进入了人们的生活中。尤其是近些年这些电子产品不但普及速度快,其更新的速度也是非常的惊人。基于电子设备而发展的软件也得到的迅猛的发展,越来越多的用户开始使用智能手机等电子设备来进行社交等网络操作。在进行网络操作的过程中,越来越多的人希望自己拍摄或录制的视频具有独特的风格化特点。
卷积神经网络已经普遍应用在计算机视觉领域,并且已经取得了不错的效果。为了追求分类准确度,模型深度越来越深,模型复杂度也越来越高,如深度残差网络其层数已经多达一百多层。而利用卷积神经网络在对图像进行风格化的过程中,通常需要对用户拍摄的照片或录制的视频进行大量的数据计算,这就对用户使用的进行拍照的电子设备提出了较高的要求,即电子设备具有较高的运算速度。而目前市面上的电子设备存在较多的性能差异,这对风格化的实现造成了一定的障碍。
尤其是,在某些真实的应用场景如移动或者嵌入式设备,如此大而复杂的模型是难以被应用的。首先是模型过于庞大,面临着内存不足的问题。其次这些场景要求低延迟和较快的响应速度,因此,轻量化且高效的模型在这些场景中就显得至关重要。
发明内容
有鉴于此,本公开实施例提供一种图像处理方法、装置及电子设备,至少部分解决现有技术中存在的问题。
第一方面,本公开实施例提供了一种图像处理方法,包括:
获取具有预设尺寸大小的第一图像;
对所述第一图像执行第一操作,以得到第二图像,所述第一操作包括基于第一卷积核和第二卷积核,通过多个独立的通道分别对所述第一图像进行卷积求和操作,所述第一卷积核的长度和宽度均大于1,所述第二卷积核的长度和宽度均为1;
通过对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像;
通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像。
根据本公开实施例的一种具体实现方式,所述通过多个独立的通道分别对所述第一图像进行卷积求和操作,包括:
利用第一卷积核在所述多个独立的通道内对所述第一图像执行卷积操作,以得到第一计算结果;
利用第二卷积核对所述第一结算结果进行卷积操作,以得到第二计算结果;
将所述第二计算结果作为所述卷积求和操作的结果。
根据本公开实施例的一种具体实现方式,所述对所述第一图像执行第一操作,得到第二图像,还包括:
获取所述多个通道中所述第一图像的均值及方差;
基于所述均值和方差,对所述多个通道中每一通道中的所述第一图像执行归一化处理;
对归一化后的所述第一图像执行缩放和平移处理。
根据本公开实施例的一种具体实现方式,所述对所述第一图像执行第一操作,以得到第二图像,还包括:
判断所述第一图像对应的矩阵中元素的值a是否大于零;
若否,则将k*a作为所述元素的值,其中k为预设系数。
根据本公开实施例的一种具体实现方式,所述通过对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像,包括:
获取针对所述第二图像的所有卷积缩放因子;
基于所述卷积缩放因子,设置上采样层;
利用所述上采样层,形成所述第三图像。
根据本公开实施例的一种具体实现方式,所述利用所述上采样层,形成所述第三图像,包括:
利用所述采样层对所述第二图像进行插值操作,将插值之后的图像作为所述第三图像。
根据本公开实施例的一种具体实现方式,所述通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像,包括:
设置对所述第三图像进行处理的多个卷积层和多个池化层;
确定所述第三图像与风格化图像在所述卷积层和池化层的特征表示;
基于所述特征表示,构建最小化损失函数;
基于所述最小化损失函数,生成与所述第三图像相对应的具有预设风格的第四图像。
根据本公开实施例的一种具体实现方式,其特征在于:
所述池化层采用平均池化的方式对所述第三图像进行处理。
根据本公开实施例的一种具体实现方式,所述方法还包括:
设置介于0和1之间的衰减系数b;
基于所述衰减系数b控制所述第一图像的分辨率以及所述多个独立的通道的个数。
第二方面,本公开实施例还公开了一种图像处理装置,包括:
获取模块,用于获取具有预设尺寸大小的第一图像;
执行模块,用于对所述第一图像执行第一操作,得到第二图像,所述第一操作包括基于第一卷积核和第二卷积核,通过多个独立的通道分别对所述第一图像进行卷积求和操作,得到第二图像,所述第一卷积核的长度和宽度均大于1,所述第二卷积核的长度和宽度均为1;
采样模块,用于对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像;
生成模块,用于通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像。
第三方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的图像处理方法。
第四方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的图像处理方法。
第五方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的图像处理方法。
本公开实施例中的图像处理方案,包括获取具有预设尺寸大小的第一图像;
对所述第一图像执行第一操作,得到第二图像,所述第一操作包括基于第一卷积核和第二卷积核,通过多个独立的通道分别对所述第一图像进行卷积求和操作,所述第一卷积核的长度和宽度均大于1,所述第二卷积核的长度和宽度均为1;对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像;通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像。通过本公开的方案,减少了图像处理对于***资源的消耗,使图像处理算法能够在数据处理能力不高的电子设备上得到应用。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1为本公开实施例提供的一种图像处理流程示意图;
图2为本公开实施例提供的一种神经网络模型示意图;
图3为本公开实施例提供的另一种图像处理流程示意图;
图4为本公开实施例提供的另一种图像处理流程示意图;
图5为本公开实施例提供的图像处理装置结构示意图;
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种图像处理方法。本实施例提供的图像处理方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
参见图1,本公开实施例提供的一种图像处理方法,包括如下步骤:
S101,获取具有预设尺寸大小的第一图像。
对于第一图像进行风格化处理是本公开的方案所要解决的问题,作为一个例子,第一图像内可以包含目标对象,目标对象可以是一个具有各种动作的人,也可以是具有行为特色的动物,或者是静止的物体等。
目标对象通常包含在一定的场景中,例如包含人物肖像的照片通常还含有背景,背景可以包括树木、山、河流、以及其他的人物等。作为本公开方案的一种情况,可以对第一图像中的全部内容进行风格化处理,可以先从第一图像中提取出目标对象,仅对第一图像中的目标对象进行风格化处理。此时如果想从图像中将目标对象单独的提取出来,就需要对目标对象进行单独的识别和处理。基于提取出来的目标对象,可以单独的对目标对象执行风格化处理。
第一图像是包含了目标对象的图像,第一图像可以是通过预先存储的一系列照片中的一个,也可以是从一段预先保存的视频中提取出来的视频帧,还可以是从实时直播的视频中提取的一个或多个画面。第一图像中可以包含多个对象,例如用于描述人物动作的照片可以包含目标人物、与目标人物在一起的其他人物、树木、建筑物等。目标人物构成了第一图像的目标对象,与目标人物在一起的其他人物、树木、建筑物等构成了背景图像。基于实际的需要,可以仅对目标对象执行风格化处理,也可以仅对背景图像进行处理,还可以对第一图像中的部分指定区域进行风格化处理,本公开对于第一图像中进行风格化的内容或区域不作限定。另外,可以在第一图像中选择一个或多个对象作为目标对象。
作为一个例子,可以从视频文件中获取第一图像,对目标对象采集的视频中包含多个帧图像,可以从视频的帧图像中选取多个包含一个或多个目标对象连续动作的图像,构成图像集合。通过对图像集合中的图像进行选取,能够获取包含目标对象的第一图像。
S102,对所述第一图像执行第一操作,以得到第二图像,所述第一操作包括基于第一卷积核和第二卷积核,通过多个独立的通道分别对所述第一图像进行卷积求和操作,所述第一卷积核的长度和宽度均大于1,所述第二卷积核的长度和宽度均为1。
传统的图像处理方式通常是客户端等电子设备将需要处理的图像上传至数据处理能力较强的服务器,服务器将图像处理完成之后,再下发给客户端的电子设备中。由于网络延迟等原因,会导致客户端电子设备中图像处理的实时性受到影响。
为此,本公开的方案在存储第一图像的电子设备(例如,手机、平板电脑等客户端设备)内部设置有轻量化模型,该轻量化模型用于对电子设备中接收到的图像进行风格化处理。为了降低电子设备(例如,手机)的资源消耗,使电子设备能够在较小的资源占用的情况下,仍然能够有效的对输入的图像进行风格化处理。本公开的方案设计了一种针对性的轻量化模型。参见图2,轻量化模型采用神经网络模型的方式设计,神经网络模型包括卷积层、池化层、采样层、全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入表情图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入表情图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度,在卷积层后面还设置有池化层,池化层采用平均池化的方式对卷积层的输出结果进行处理,能够改进神经网络的梯度流并且可以获得更有感染力的结果。
轻量化模型内部含有不同的参数,通过设置参数可以使轻量化模型产生不同的艺术化风格。具体的,根据用户的风格化指令,可以从预先设置的轻量化模型中存储的多组图像处理参数中,选择一组图像处理参数,形成图像处理参数。
为了进一步降低轻量化模型对于电子设备的资源消耗,利用卷积层对第一图像执行第一操作的过程中,在卷积层设置不同尺寸的第一卷积核和第二卷积核。通过第一卷积核在多个独立的通道分别对所述第一图像进行卷积计算,在通过第二卷积核将第一卷积核在不同通道中的结果进行求和处理,得到第二图像,这样一来,将第一图像的空间特征学习和通道特征学习分开进行计算和处理,减少了不同通道之间进行关联计算的步骤,极大的节省了***的资源。为了避免通道之间的关联特征计算所述第二卷积核的长度和宽度均为1。为了保证各个通道之间均能有效的对第一图像进行特征提取,第一卷积核的长度和宽度均大于1。其中,每个通道表示一个独立的计算路径。
S103,通过对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像。
在对第一图像进行图像处理的过程中,由于卷积核的存在,会导致第一图像的尺寸在通过卷积核进行特征提取的过程中出现变小的情况。而基于实际的需要,用户希望通过轻量化模型输出的风格化图像与输入的第一图像具有相同的尺寸,为此,在对图像进行风格化之前,需要对第二图像进行尺寸还原处理。
具体的,可以在轻量化模型中增加反卷积层,反卷积层对第二图像上的特征图进行采样处理,通过对图像进行预测的方式,使第二图像恢复到与第一图像相同的尺寸,形成第三图像。其中,特征图是指经过特征矩阵(例如,卷积核)计算之后得到的图像,特征矩阵可以根据用户的实际需要来设置。
S104,通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像。
基于用户的风格化指令,可以在轻量化模型中设置风格化参数,例如风格化参数可以是用户通过在电子设备交互界面中输入的方式产生,也可以是用户通过特定的手势(例如,竖大拇指)的方式,电子设备通过对特定的手势进行识别的方式产生。
在获取到第一图像的风格化参数之后,基于该风格化参数,可以在轻量化模型中设置风格化的类型,从而能够在当前的交互界面中将第三图像实时转化为与风格化参数相对应的风格化图像。
在基于风格化参数对第三图像进行转换之前,可以在预先定义映射表,基于预先定义的映射表,能够查找与风格化参数相对应的缩放因子和平移因子,通过设置缩放因子和平移因子,能够形成不同风格的风格化效果。为此,可以在轻量化模型中设置输入层,输入层包含缩放因子和平移因子,在获得具体的图像处理参数之后,将与所述操作指令相对应的缩放因子和平移因子作为输入因子,在所述轻量化模型中所有的条件输入层进行配置,能够简单有效的对轻量化模型进行配置。条件输入层可以根据实际的需要设置在一个或多个卷积层、池化层或采样层中。将所有条件输入层完成配置后的参数,作为所述轻量化模型的图像处理参数,从而能够得到不同类型的风格化模型。
通过步骤S101-S104的方案,能够通过轻量化的数据计算模型在数据计算能力不是很强的电子设备中实现对输入图像的分割化处理,提高了图像处理算法的应用场景。
可选的,在通过多个独立的通道分别对所述第一图像进行卷积求和操作的过程中,可以先利用第一卷积核在所述多个独立的通道内对第一图像执行卷积操作,得到第一计算结果,之后再利用第二卷积核对第一结算结果进行卷积操作,得到第二计算结果,最后将所述第二计算结果作为所述卷积求和操作的结果。
为了进一步的提高图像的处理效果,加速轻量化模型的收敛速度和稳定性,可以在对第一图像执行第一操作的过程中,可以对第一图像执行进一步的处理,参见图3,对所述第一图像执行第一操作,得到第二图像,还可以包括:
S301,获取所述多个通道中第一图像的均值及方差。
假设m个通道中第一图像的输入数据是β=x1...xm,共m个数据,则第一图像的均值方差/>其中i为自然数,i小于或等于m。
S302,基于所述均值和方差,对所述多个通道中每一通道中的第一图像执行归一化处理。
得到均值和方差之后,可以利用均值和方差对通道中的图像进行归一化处理,具体的,对第xi个图像而言,其归一化结果可以表示为:
其中∈为预设的调整参数。
S303,对归一化后的第一图像执行缩放和平移处理。
基于归一化结果,可以对第i个通道中的图像进行缩放和平移处理,得到yi,其中,γ和β是对轻量化模型进行训练过程中得到的参数,具体如下:
除了步骤S301-S303之外,为了进一步的简化计算过程,降低第一操作对于电子设备的消耗,在对所述第一图像执行第一操作的过程中,还可以进一步判断所述第一图像对应的矩阵中元素的值a是否大于零,若否,则将k*a作为所述元素的值,其中k为预设系数。通过这种处理方式,能够使神经网络中一部分神经元的输出为0,这样就造成了网络的稀疏性,并且减少了参数的相互依存关系,从而降低了电子设备的计算消耗。
参见图4,根据本公开实施例的一种具体实现方式,对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像,可以包括:
S401,获取针对所述第二图像的所有卷积缩放因子。
具体的,查找在生成第二图像的过程中进行过的卷积操作的卷积核,将这些卷积核的宽度和长度的倒数作为卷积缩放因子,例如,对于3×3大小的卷积核而言,其缩放因子为1/3。
S402,基于所述卷积缩放因子,设置上采样层。
通过缩放因子,能够获知第二图像被缩放的比例d,通过将1/d作为上采样的系数,设置具有图像放大功能的上采样层。
S403,利用所述上采样层,形成所述第三图像。
具体的可以利用采样层对所述第二图像进行插值操作,插值的比例为1/d,将插值之后的图像作为第三图像。
可以采用多种方式来对第三图像进行风格化处理,根据本公开实施例的一种具体实现方式,所述通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像,可以包括步骤S501~S504:
S501,设置多个对所述第三图像进行处理的卷积层和池化层;
S502,确定所述第三图像与风格化图像在所述卷积层和池化层的特征表示。
第三图像和训练样本中的风格化图像在轻量化模型的卷积层和池化层中均进行采样,采样之后在各层的数据构成了第三图像与风格化图像在所述卷积层和池化层的特征表示。例如,对于轻量化模型中第i层而言,第三图像和风格化图像在第i层的特征表示可以用Pi和Fi。
S503,基于所述特征表示,构建最小化损失函数。
基于Pi和Fi,可以基于这两个特征表示定义平方误差损耗函数,并将该平方误差损耗函数设置为最小化损失函数L,则最小化损失函数L在第i层可以表示为:
其中,k,j为小于等于i的自然数。
S504,基于所述最小化损失函数,生成与所述第三图像相对应的具有预设风格的第四图像。
通过对最小化函数进行计算,使最小化函数L的数值最小,可以得到与第三图像相对应的风格化图像。
通过特征表示和最小化函数的方式,提高了生成的风格化图像的准确度。
作为一种情况,轻量化模型中包括池化层,池化层采用平均池化的方式对所述第三图像进行数据处理。
作为另外一种情况,为了进一步的减少轻量化模型的计算量,根据本公开实施例的一种具体实现方式,所述方法还包括:
设置介于0和1之间的衰减系数b,基于所述衰减系数b控制所述第一图像的分辨率以及所述多个独立的通道的个数。通过减少第一图像的分辨率以及多个独立通道的个数,能够进一步的减少轻量化模型的计算量。从而使更多的电子设备可以运行该轻量化模型。
与上面的方法实施例相对应,参见图5,本公开还提供了一种图像处理装置50,包括:
获取模块501,用于获取具有预设尺寸大小的第一图像。
对于第一图像进行风格化处理是本公开的方案所要解决的问题,作为一个例子,第一图像内可以包含目标对象,目标对象可以是一个具有各种动作的人,也可以是具有行为特色的动物,或者是静止的物体等。
目标对象通常包含在一定的场景中,例如包含人物肖像的照片通常还含有背景,背景可以包括树木、山、河流、以及其他的人物等。作为本公开方案的一种情况,可以对第一图像中的全部内容进行风格化处理,可以先从第一图像中提取出目标对象,仅对第一图像中的目标对象进行风格化处理。此时如果想从图像中将目标对象单独的提取出来,就需要对目标对象进行单独的识别和处理。基于提取出来的目标对象,可以单独的对目标对象执行风格化处理。
第一图像是包含了目标对象的图像,第一图像可以是通过预先存储的一系列照片中的一个,也可以是从一段预先保存的视频中提取出来的视频帧,还可以是从实时直播的视频中提取的一个或多个画面。第一图像中可以包含多个对象,例如用于描述人物动作的照片可以包含目标人物、与目标人物在一起的其他人物、树木、建筑物等。目标人物构成了第一图像的目标对象,与目标人物在一起的其他人物、树木、建筑物等构成了背景图像。基于实际的需要,可以仅对目标对象执行风格化处理,也可以仅对背景图像进行处理,还可以对第一图像中的部分指定区域进行风格化处理,本公开对于第一图像中进行风格化的内容或区域不作限定。另外,可以在第一图像中选择一个或多个对象作为目标对象。
作为一个例子,可以从视频文件中获取第一图像,对目标对象采集的视频中包含多个帧图像,可以从视频的帧图像中选取多个包含一个或多个目标对象连续动作的图像,构成图像集合。通过对图像集合中的图像进行选取,能够获取包含目标对象的第一图像。
执行模块502,用于对所述第一图像执行第一操作,以得到第二图像,所述第一操作包括基于第一卷积核和第二卷积核,通过多个独立的通道分别对所述第一图像进行卷积求和操作,所述第一卷积核的长度和宽度均大于1,所述第二卷积核的长度和宽度均为1。
传统的图像处理方式通常是客户端等电子设备将需要处理的图像上传至数据处理能力较强的服务器,服务器将图像处理完成之后,再下发给客户端的电子设备中。由于网络延迟等原因,会导致客户端电子设备中图像处理的实时性受到影响。
为此,本公开的方案在存储第一图像的电子设备(例如,手机、平板电脑等客户端设备)内部设置有轻量化模型,该轻量化模型用于对电子设备中接收到的图像进行风格化处理。为了降低电子设备(例如,手机)的资源消耗,使电子设备能够在较小的资源占用的情况下,仍然能够有效的对输入的图像进行风格化处理。本公开的方案设计了一种针对性的轻量化模型。参见图2,轻量化模型采用神经网络模型的方式设计,神经网络模型包括卷积层、池化层、采样层、全连接层。
卷积层主要参数包括卷积核的大小和输入特征图的数量,每个卷积层可以包含若干个相同大小的特征图,同一层特征值采用共享权值的方式,每层内的卷积核大小一致。卷积层对输入图像进行卷积计算,并提取输入图像的布局特征。
卷积层的特征提取层后面都可以与采样层连接,采样层用来求输入表情图像的局部平均值并进行二次特征提取,通过将采样层与卷积层连接,能够保证神经网络模型对于输入表情图像具有较好的鲁棒性。
为了加快神经网络模型的训练速度,在卷积层后面还设置有池化层,池化层采用平均池化的方式对卷积层的输出结果进行处理,能够改进神经网络的梯度流并且可以获得更有感染力的结果。
轻量化模型内部含有不同的参数,通过设置参数可以使轻量化模型产生不同的艺术化风格。具体的,根据用户的风格化指令,可以从预先设置的轻量化模型中存储的多组图像处理参数中,选择一组图像处理参数,形成图像处理参数。
为了进一步降低轻量化模型对于电子设备的资源消耗,利用卷积层对第一图像执行第一操作的过程中,在卷积层设置不同尺寸的第一卷积核和第二卷积核。通过第一卷积核在多个独立的通道分别对所述第一图像进行卷积计算,在通过第二卷积核将第一卷积核在不同通道中的结果进行求和处理,得到第二图像,这样一来,将第一图像的空间特征学习和通道特征学习分开进行计算和处理,减少了不同通道之间进行关联计算的步骤,极大的节省了***的资源。为了避免通道之间的关联特征计算所述第二卷积核的长度和宽度均为1。为了保证各个通道之间均能有效的对第一图像进行特征提取,第一卷积核的长度和宽度均大于1。
采样模块503,用于通过对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像。
在对第一图像进行图像处理的过程中,由于卷积核的存在,会导致第一图像的尺寸在通过卷积核进行特征提取的过程中出现变小的情况。而基于实际的需要,用户希望通过轻量化模型输出的风格化图像与输入的第一图像具有相同的尺寸,为此,在对图像进行风格化之前,需要对第二图像进行尺寸还原处理。
具体的,可以在轻量化模型中增加反卷积层,反卷积层对第二图像上的特征图进行采样处理,通过对图像进行预测的方式,使第二图像恢复到与第一图像相同的尺寸,形成第三图像。
生成模块504,用于通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像。
基于用户的风格化指令,可以在轻量化模型中设置风格化参数,例如风格化参数可以是用户通过在电子设备交互界面中输入的方式产生,也可以是用户通过特定的手势(例如,竖大拇指)的方式,电子设备通过对特定的手势进行识别的方式产生。
在获取到第一图像的风格化参数之后,基于该风格化参数,可以在轻量化模型中设置风格化的类型,从而能够在当前的交互界面中将第三图像实时转化为与风格化参数相对应的风格化图像。
在基于风格化参数对第三图像进行转换之前,可以在预先定义映射表,基于预先定义的映射表,能够查找与风格化参数相对应的缩放因子和平移因子,通过设置缩放因子和平移因子,能够形成不同风格的风格化效果。为此,可以在轻量化模型中设置输入层,输入层包含缩放因子和平移因子,在获得具体的图像处理参数之后,将与所述操作指令相对应的缩放因子和平移因子作为输入因子,在所述轻量化模型中所有的条件输入层进行配置,能够简单有效的对轻量化模型进行配置。条件输入层可以根据实际的需要设置在一个或多个卷积层、池化层或采样层中。将所有条件输入层完成配置后的参数,作为所述轻量化模型的图像处理参数,从而能够得到不同类型的风格化模型。
图5所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
参见图6,本公开实施例还提供了一种电子设备60,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中图像处理方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的图像处理方法。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备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6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6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的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***、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***、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***、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。
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:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,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:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
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***、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***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,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种图像处理方法,其特征在于,包括:
获取具有预设尺寸大小的第一图像;
对所述第一图像执行第一操作,以得到第二图像,所述第一操作包括基于第一卷积核和第二卷积核,通过多个独立的通道分别对所述第一图像进行卷积求和操作,所述第一卷积核的长度和宽度均大于1,所述第二卷积核的长度和宽度均为1;
通过对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像;
通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像;
其中,所述通过多个独立的通道分别对所述第一图像进行卷积求和操作,包括:
利用第一卷积核在所述多个独立的通道内对所述第一图像执行卷积操作,以得到第一计算结果;
利用第二卷积核对所述第一计算结果进行卷积操作,以得到第二计算结果;
将所述第二计算结果作为所述卷积求和操作的结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一图像执行第一操作,以得到第二图像,还包括:
获取所述多个通道中所述第一图像的均值及方差;
基于所述均值和方差,对所述多个通道中每一通道中的所述第一图像执行归一化处理;
对归一化后的所述第一图像执行缩放和平移处理。
3.根据权利要求1所述的方法,其特征在于,所述对所述第一图像执行第一操作,以得到第二图像,还包括:
判断所述第一图像对应的矩阵中元素的值a是否大于零;
若否,则将k*a作为所述元素的值,其中k为预设系数。
4.根据权利要求1所述的方法,其特征在于,所述通过对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像,包括:
获取针对所述第二图像的所有卷积缩放因子;
基于所述卷积缩放因子,设置上采样层;
利用所述上采样层,形成所述第三图像。
5.根据权利要求4所述的方法,其特征在于,所述利用所述上采样层,形成所述第三图像,包括:
利用所述采样层对所述第二图像进行插值操作,将插值之后的图像作为所述第三图像。
6.根据权利要求1所述的方法,其特征在于,所述通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像,包括:
设置对所述第三图像进行处理的多个卷积层和多个池化层;
确定所述第三图像与风格化图像在所述卷积层和池化层的特征表示;
基于所述特征表示,构建最小化损失函数;
基于所述最小化损失函数,生成与所述第三图像相对应的具有预设风格的第四图像。
7.根据权利要求6所述的方法,其特征在于:
所述池化层采用平均池化的方式对所述第三图像进行处理。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
设置介于0和1之间的衰减系数b;
基于所述衰减系数b控制所述第一图像的分辨率以及所述多个独立的通道的个数。
9.一种图像处理装置,其特征在于,包括:
获取模块,用于获取具有预设尺寸大小的第一图像;
执行模块,用于对所述第一图像执行第一操作,以得到第二图像,所述第一操作包括基于第一卷积核和第二卷积核,通过多个独立的通道分别对所述第一图像进行卷积求和操作,得到第二图像,所述第一卷积核的长度和宽度均大于1,所述第二卷积核的长度和宽度均为1;
采样模块,用于通过对所述第二图像上的特征图进行采样,生成具有所述预设尺寸的第三图像;
生成模块,用于通过对所述第三图像进行风格化处理,生成具有预设风格的第四图像;其中,
所述执行模块,还用于利用第一卷积核在所述多个独立的通道内对所述第一图像执行卷积操作,以得到第一计算结果;
利用第二卷积核对所述第一计算结果进行卷积操作,以得到第二计算结果;
将所述第二计算结果作为所述卷积求和操作的结果。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8任一项所述的图像处理方法。
11.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行权利要求1-8任一项所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408167.4A CN110211017B (zh) | 2019-05-15 | 2019-05-15 | 图像处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408167.4A CN110211017B (zh) | 2019-05-15 | 2019-05-15 | 图像处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211017A CN110211017A (zh) | 2019-09-06 |
CN110211017B true CN110211017B (zh) | 2023-12-19 |
Family
ID=67787502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910408167.4A Active CN110211017B (zh) | 2019-05-15 | 2019-05-15 | 图像处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211017B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689478B (zh) * | 2019-09-25 | 2023-12-01 | 北京字节跳动网络技术有限公司 | 图像风格化处理方法、装置、电子设备及可读介质 |
CN111931600B (zh) * | 2020-07-21 | 2021-04-06 | 深圳市鹰硕教育服务有限公司 | 智能笔图像处理方法、装置及电子设备 |
CN111930249B (zh) * | 2020-07-21 | 2021-08-17 | 深圳市鹰硕教育服务有限公司 | 智能笔图像处理方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842115A (zh) * | 2012-05-31 | 2012-12-26 | 哈尔滨工业大学(威海) | 基于双重字典学习的压缩感知图像超分辨率重建方法 |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN107578054A (zh) * | 2017-09-27 | 2018-01-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN108259997A (zh) * | 2018-04-02 | 2018-07-06 | 腾讯科技(深圳)有限公司 | 图像相关处理方法及装置、智能终端、服务器、存储介质 |
CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
CN108765338A (zh) * | 2018-05-28 | 2018-11-06 | 西华大学 | 基于卷积自编码卷积神经网络的空间目标图像复原方法 |
CN108875751A (zh) * | 2017-11-02 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理方法和装置、神经网络的训练方法、存储介质 |
CN109245773A (zh) * | 2018-10-30 | 2019-01-18 | 南京大学 | 一种基于块循环稀疏矩阵神经网络的编解码方法 |
CN109408702A (zh) * | 2018-08-29 | 2019-03-01 | 昆明理工大学 | 一种基于稀疏边缘降噪自动编码的混合推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10430913B2 (en) * | 2017-06-30 | 2019-10-01 | Intel Corporation | Approximating image processing functions using convolutional neural networks |
-
2019
- 2019-05-15 CN CN201910408167.4A patent/CN110211017B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842115A (zh) * | 2012-05-31 | 2012-12-26 | 哈尔滨工业大学(威海) | 基于双重字典学习的压缩感知图像超分辨率重建方法 |
CN104933722A (zh) * | 2015-06-29 | 2015-09-23 | 电子科技大学 | 一种基于Spiking-卷积网络模型的图像边缘检测方法 |
CN107578054A (zh) * | 2017-09-27 | 2018-01-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN108875751A (zh) * | 2017-11-02 | 2018-11-23 | 北京旷视科技有限公司 | 图像处理方法和装置、神经网络的训练方法、存储介质 |
CN108259997A (zh) * | 2018-04-02 | 2018-07-06 | 腾讯科技(深圳)有限公司 | 图像相关处理方法及装置、智能终端、服务器、存储介质 |
CN108711137A (zh) * | 2018-05-18 | 2018-10-26 | 西安交通大学 | 一种基于深度卷积神经网络的图像色彩表达模式迁移方法 |
CN108765338A (zh) * | 2018-05-28 | 2018-11-06 | 西华大学 | 基于卷积自编码卷积神经网络的空间目标图像复原方法 |
CN109408702A (zh) * | 2018-08-29 | 2019-03-01 | 昆明理工大学 | 一种基于稀疏边缘降噪自动编码的混合推荐方法 |
CN109245773A (zh) * | 2018-10-30 | 2019-01-18 | 南京大学 | 一种基于块循环稀疏矩阵神经网络的编解码方法 |
Non-Patent Citations (2)
Title |
---|
基于深度学习的短文本评论产品特征提取及情感分类研究;李杰等;《情报理论与实践》;20171204(第02期);全文 * |
应用ART1神经网络仿真车间分组;杨宏波, 王东成;航空精密制造技术(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110211017A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189246B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN110211017B (zh) | 图像处理方法、装置及电子设备 | |
CN110516678B (zh) | 图像处理方法和装置 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN110069191B (zh) | 基于终端的图像拖拽变形实现方法和装置 | |
CN110288625B (zh) | 用于处理图像的方法和装置 | |
CN112149699B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN112800276B (zh) | 视频封面确定方法、装置、介质及设备 | |
CN115205925A (zh) | 表情系数确定方法、装置、电子设备及存储介质 | |
CN111311480A (zh) | 图像融合方法和装置 | |
CN110555861B (zh) | 光流计算方法、装置及电子设备 | |
CN116934577A (zh) | 一种风格图像生成方法、装置、设备及介质 | |
CN111915532B (zh) | 图像追踪方法、装置、电子设备及计算机可读介质 | |
CN110197459B (zh) | 图像风格化生成方法、装置及电子设备 | |
CN111461965B (zh) | 图片处理方法、装置、电子设备和计算机可读介质 | |
CN110069195B (zh) | 图像拖拽变形方法和装置 | |
CN116596748A (zh) | 图像风格化处理方法、装置、设备、存储介质和程序产品 | |
CN114419322B (zh) | 一种图像实例分割方法、装置、电子设备及存储介质 | |
CN113344200B (zh) | 用于训练可分离卷积网络的方法、路侧设备及云控平台 | |
CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN114723600A (zh) | 美妆特效的生成方法、装置、设备、存储介质和程序产品 | |
CN110222777B (zh) | 图像特征的处理方法、装置、电子设备及存储介质 | |
CN114399696A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN110704679A (zh) | 视频分类方法、装置及电子设备 | |
CN112561778B (zh) | 图像风格化处理方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |