CN110399924B - 一种图像处理方法、装置及介质 - Google Patents
一种图像处理方法、装置及介质 Download PDFInfo
- Publication number
- CN110399924B CN110399924B CN201910682513.8A CN201910682513A CN110399924B CN 110399924 B CN110399924 B CN 110399924B CN 201910682513 A CN201910682513 A CN 201910682513A CN 110399924 B CN110399924 B CN 110399924B
- Authority
- CN
- China
- Prior art keywords
- numerical value
- feature map
- feature
- characteristic diagram
- pixel point
- 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
- 238000010586 diagram Methods 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/02—Non-photorealistic rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/725—Cordless telephones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Graphics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种图像处理方法,包括:将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;基于第二特征图,计算第一特征图中任一像素点的修正数值;将第一特征图中每一像素点的原始数值替换为对应的修正数值,得到第三特征图;对第三特征图进行反卷积处理,得到处理后的图像。经过反卷积处理,将学习到的风格参考图像中的特征应用到原始图像中,使原始图像在保留自身内容的同时,加入风格参考图像中的风格,实现图像风格化的目的。
Description
技术领域
本公开涉及图像处理领域,尤其涉及一种图像处理方法、装置及介质。
背景技术
相关技术中,图像风格化是将一张照片渲染成另一张照片的风格,其输出是一张照片的内容与另外一张照片风格的融合。调研现有技术发现,在视觉效果差距较大的两张图像进行风格化的过程中,风格参考图像的内容往往会影响最终的输出图像,同样,内容图像的风格也会对输出图像的风格造成干扰,导致最终的输出图像效果不理想。
发明内容
为克服相关技术中存在的问题,本公开提供一种图像处理方法、装置及介质。
根据本公开实施例的第一方面,提供一种图像处理方法,包括:
将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值;
将所述第一特征图中每一像素点的原始数值替换为对应的所述修正数值,得到第三特征图;
对所述第三特征图进行反卷积处理,得到处理后的图像。
所述基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值包括:
获取特征区块的属性参数,所述属性参数包括;形状参数、尺寸参数、和基点参数;
以所述第二特征图每一像素点为基点,并按照所述属性参数将所述第二特征图划分为M个第二特征区块;其中,M为所述第二特征图中的像素点数;
以所述第一特征图中任一像素点为目标基点,并按照所述属性参数获取所述第一特征图的第一特征区块;
分别计算所述第一特征区块与每个所述M个第二特征区块之间的M个第一欧氏距离;
在所述M个第一欧式距离中确定最短的第二欧式距离;
获取所述目标基点对应的像素点的第一数值;
获取所述第二欧式距离对应的第二特征区块基点对应的像素点的第二数值;
根据所述第一数值和所述第二数值计算加权值;
将所述加权值确定为所述目标基点对应的像素点的修正值。
所述特征区块满足以下至少一项:
所述形状参数指示为正方形;
所述基点参数指示基点位于所述特征区块的中心。
所述根据所述第一数值和所述第二数值计算加权值包括:
设加权值为W,所述第一数值为P,第一加权系数为α,所述第二数值为Q,第二加权系数为β;
则W=P×α+Q×β,其中α+β=1。
在所述分别计算所述第一特征区块与每个所述M个第二特征区块之间的M个第一欧氏距离之前,所述方法还包括:
若第一特征区块超出所述第一特征图的范围,对第一特征区块内超出所述第一特征图边界范围的像素点补零;
若第二特征区块超出所述第二特征图的范围,对第二特征区块内超出所述第二特征图边界范围的像素点补零。
所述原始图像的尺寸与所述风格参考图像的尺寸相同。
根据本公开实施例的第二方面,提供一种图像处理装置,包括:
卷积模块,用于将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
计算模块,用于基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值;
替换模块,用于将所述第一特征图中每一像素点的原始数值替换为对应的所述修正数值,得到第三特征图;
反卷积模块,用于对所述第三特征图进行反卷积处理,得到处理后的图像。
所述计算模块基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值包括:
获取特征区块的属性参数,所述属性参数包括;形状参数、尺寸参数、和基点参数;
以所述第二特征图每一像素点为基点,并按照所述属性参数将所述第二特征图划分为M个第二特征区块;其中,M为所述第二特征图中的像素点数;
以所述第一特征图中任一像素点为目标基点,并按照所述属性参数获取所述第一特征图的第一特征区块;
分别计算所述第一特征区块与每个所述M个第二特征区块之间的M个第一欧氏距离;
在所述M个第一欧式距离中确定最短的第二欧式距离;
获取所述目标基点对应的像素点的第一数值;
获取所述第二欧式距离对应的第二特征区块基点对应的像素点的第二数值;
根据所述第一数值和所述第二数值计算加权值;
将所述加权值确定为所述目标基点对应的像素点的修正值。
所述特征区块满足以下至少一项:
所述形状参数指示为正方形;
所述基点参数指示基点位于特征区块的中心。
所述根据所述第一数值和所述第二数值计算加权值包括:
设加权值为W,所述第一数值为P,第一加权系数为α,所述第二数值为Q,第二加权系数为β;
则W=P×α+Q×β,其中α+β=1。
在所述分别计算所述第一特征区块与每个所述M个第二特征区块之间的M个第一欧氏距离之前,还包括:
若所述第一特征区块超出所述第一特征图的范围,对所述第一特征区块内超出所述第一特征图边界范围的像素点补零;
若所述第二特征区块超出所述第二特征图的范围,对所述第二特征区块内超出所述第二特征图边界范围的像素点补零。
所述原始图像的尺寸与所述风格参考图像的尺寸相同。
根据本公开实施例的第三方面,提供一种图像处理装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值;
将所述第一特征图中每一像素点的原始数值替换为对应的所述修正数值,得到第三特征图;
对所述第三特征图进行反卷积处理,得到处理后的图像。
根据本公开实施例的第四方面,提供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一种图像处理方法,所述方法包括:
将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值;
将所述第一特征图中每一像素点的原始数值替换为对应的所述修正数值,得到第三特征图;
对所述第三特征图进行反卷积处理,得到处理后的图像。
本公开的实施例提供的技术方案可以包括以下有益效果:通过卷积神经网络分别提取原始图像的第一特征图和风格参考图像的第二特征图,并使第一特征图学习第二特征图中的特征,得到修正后的第三特征图,对第三特征图进行反卷积处理,得到处理后的图像,经过反卷积处理,将学习到的风格参考图像中的特征应用到原始图像中,使原始图像在保留自身内容的同时,加入风格参考图像中的风格,实现图像风格化的目的。
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和解释性的,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说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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是根据一示例性实施例示出的原始图像的第一特征图和风格参考图像的第二特征图;
图3是根据一示例性实施例示出的基于第二特征图,计算第一特征图中任一像素点的修正数值的流程图;
图4是根据一示例性实施例示出的在第一特征图和第二特征图中划分特征区块的示意图;
图5是根据一示例性实施例示出的对超出第一特征图或第二特征图范围的特征区块中的像素点补零的示意图;
图6是根据一示例性实施例示出的原始图像示意图;
图7是根据一示例性实施例示出的风格参考图像示意图;
图8是根据一示例性实施例示出的原始图像处理后的图像的示意图;
图9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10是根据一示例性实施例示出的一种图像处理装置的框图。
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发明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、本发明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,如图1所示,图像处理方法,包括以下步骤。
步骤S11,将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
步骤S12,基于第二特征图,计算第一特征图中任一像素点的修正数值;
步骤S13,将第一特征图中每一像素点的原始数值替换为对应的修正数值,得到第三特征图;
步骤S14,对第三特征图进行反卷积处理,得到处理后的图像。
步骤S11,将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图。原始图像为准备做风格化处理的图像,风格参考图像为风格化处理的参考图像;将原始图像和风格参考图像输入卷积神经网络,由卷积神经网络对原始图像和风格参考图像进行多层卷积处理,提取原始图像和风格参考图像的特征,生成原始图像的第一特征图和风格参考图像的第二特征图。
例如,参考图2,图2为根据一示例性实施例示出的原始图像的第一特征图和风格参考图像的第二特征图。如图2所示,201为原始图像的第一特征图的示意图,202为风格参考图像的第二特征图的示意图。示例图以矩阵的方式表现,为了表述方便,在本公开中,特征图中的像素点以方格表示,方格中数字为该像素点的数值。
步骤S12,基于第二特征图,计算第一特征图中任一像素点的修正数值。目的是在原始图像的第一特征图中的每一像素点中,加入风格参考图像的第二特征图中的风格特征。
在本实施例中,参考图3,图3为是根据一示例性实施例示出的基于第二特征图,计算第一特征图中任一像素点的修正数值的流程图。图1所示的步骤S12,基于第二特征图,计算第一特征图中任一像素点的修正数值可以包括:
步骤S31,获取特征区块的属性参数,属性参数包括;形状参数、尺寸参数、和基点参数。
特征区块的形状参数是指特征区块的形状,形状可以是三角形,圆形,长方形,正方形,还可以是任意不规则的形状等,而特征区块的尺寸是指特征区块在长宽高各个方向上的像素点数。
步骤S32,以第二特征图每一像素点为基点,并按照属性参数将第二特征图划分为M个第二特征区块;其中,M为第二特征图中的像素点数。
基点参数是指基点在特征区块中的位置,比如,对于3×3的正方形特征区块,可以以特征区块中心的像素点作为基点,也可以以特征区块左上角的像素点作为基点。
例如,参考图4,图4为根据一示例性实施例示出的在第一特征图和第二特征图中划分特征区块的示意图。以图4为例,在本实施例中,特征区块形状参数指示为正方形,基点位于特征区块的中心,特征区块的尺寸为3×3像素点。将第二特征图202以每一像素点为基点,划分同样形状及尺寸的第二征区块,如,特征区块402,特征区块403,特征区块404所示,因无法在示意图中画出所有的特征区块,在该实施例中只画出3个特征区块,并不是代表只能划分出3个特征区块,事实上,以每一个像素点为基点划分特征区块,在特征图中有多少个像素点,就会划分出多少个特征区块。
步骤S33,以第一特征图中任一像素点为目标基点,并按照属性参数获取第一特征图的第一特征区块。
如图4所示,在第一特征图201中,以图示第二行第二列的方格“7”例,以该像素点为目标基点,获取到一形状为正方形,尺寸为3×3的第一特征区块401。
步骤S34,分别计算第一特征区块401与每个M个第二特征区块之间的M个第一欧氏距离。
例如,如图4所示,分别计算第一特征区块401,到M个第二特征区块402、403、404……的距离;以计算第一特征区块401分别到第二特征区块402和第二特征区块404之间的第一欧式距离为例,计算方法可以包括:
通过以下公式计算第一特征区块401与第二特征区块402之间的第一欧式距离:
通过以下公式计算第一特征区块401与第二特征区块404之间的第一欧式距离:
参照上述计算方法,计算第一特征区块401与第二特征图中的每个第二特征区块的第一欧氏距离,进而得到M个第一欧式距离。
步骤S35,在M个第一欧式距离中确定最短的第二欧式距离。
例如,如图4所示,假如在所有M个第一欧式距离中,第一特征区块401与第二特征区块402的欧式距离最近,则将第一特征区块401与第二特征区块402的欧式距离确定为第二欧式距离。
步骤S36,获取目标基点对应的像素点的第一数值;
步骤S37,获取第二欧式距离对应的第二特征区块基点对应的像素点的第二数值;
步骤S38,根据第一数值和第二数值计算加权值;
步骤S39,将加权值确定为目标基点对应的像素点的修正值。
例如,如图4所示,目标基点对应的像素点的第一数值为7,第二欧式距离对应的第二特征区块402的基点对应的像素点的第二数值为6。根据第一数值和第二数值计算加权值,设加权值为W,第一数值为P,第一加权系数为α,第二数值为Q,第二加权系数为β;则W=P×α+Q×β,其中α+β=1,本实施例中取α=0.3,β=0.7。将第一数值和第二数值代入加权值公式:W=7×0.3+6×0.7=6.3。将加权值6.3确定为第一特征图201中第二行第二列的像素点修正值。按照上述实施方式,计算第一特征图中所有像素点的修正值。
在步骤34分别计算第一特征区块与每个M个第二特征区块之间的M个第一欧氏距离之前,还包括:
若第一特征区块超出第一特征图的范围,对第一特征区块内超出第一特征图边界范围的像素点补零;
若第二特征区块超出第二特征图的范围,对第二特征区块内超出第二特征图边界范围的像素点补零。
例如,参考图5,图5为根据一示例性实施例示出的对超出第一特征图或第二特征图范围的特征区块中的像素点补零的示意图。如图5所示,当以第一特征图中第一行第一列所在像素点获取第一特征区块时,第一特征区块会超出第一特征图的范围,对超出的像素点补零,并用于计算最小欧式距离。
同样地,对于第二特征图中,也按同样的方法,对第二特征区块超出第二特征图的范围的像素点补零。
在本实施例中,特征区块满足以下至少一项:
形状参数指示为正方形;
基点参数指示基点位于特征区块的中心。
选择正方形区块,可以平衡相邻点信息,基点位于特征区块的中心可以平衡中间点和四周点的关系。
步骤S13,将第一特征图中每一像素点的原始数值替换为对应的修正数值,得到第三特征图。
第三特征图中即有原始图像的特征,又有风格参考图像的特征,两种特征所占的比重由第一加权系数和第二加权系数控制。
步骤S14,对第三特征图进行反卷积处理,得到处理后的图像。对修正后的特征图反卷积处理,生成带有风格参考图像的风格效果的图像。
经过反卷积处理,将学习到的风格参考图像中的特征应用到原始图像中,使原始图像在保留自身内容的同时,加入风格参考图像中的风格,实现图像风格化的目的。
图1所示的步骤S11,原始图像的尺寸与风格参考图像的尺寸相同。输入卷积神经网络之前,将原始图像和风格参考图像初始化为相同尺寸,保证经过卷积神经网络提取特征后,生成第一特征图和第二特征图尺度相同,避免计算欧式距离的次数过多或过少,最终影响图像风格化的效果。
举例说明:现有一花朵的图像,如图6所示,希望将花朵的图像处理成带有剪纸效果的图像,于是可以准备一风格符合预期的剪纸图像,如图7所示。对两张图像进行初始化,形成尺寸相同的两张图像。将花朵图像作为原始图像,剪纸图像作为风格参考图像,输入卷积神经网络,分别提取两张图像的特征,生成原始图像的第一特征图和风格参考图像的第二特征图,类似图2中的201和202所示,通过本公开所示方法,基于第二特征图,对第一特征图201中每一点计算修正值,并将第一特征图中每一点的数值替换为该像素点对应的修正值,生成修正后的特征图,这样,在修正后的特征图中,即保留了原始图像的内容特征,即本实施例中的花朵,又加入了风格参考图像的风格特征,即本实施例中的剪纸风格。将修正后的特征图进行反卷积处理,就得到了剪纸风格的花朵图像,如图8所示。
图9是根据一示例性实施例示出的一种图像处理装置框图。参照图9,该装置包括卷积模块901,计算模块902和替换模块903,反卷积模块904。
该卷积模块901被配置为用于将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
该计算模块902被配置为用于基于第二特征图,计算第一特征图中任一像素点的修正数值;.
该替换模块903被配置为用于将第一特征图中每一像素点的原始数值替换为对应的修正数值,得到第三特征图;
该反卷积模块904被配置为用于对第三特征图进行反卷积处理,得到处理后的图像。
计算模块902基于第二特征图,计算第一特征图中任一像素点的修正数值包括:
获取特征区块的属性参数,属性参数包括;形状参数、尺寸参数、和基点参数;
以第二特征图每一像素点为基点,并按照属性参数将第二特征图划分为M个第二特征区块;其中,M为第二特征图中的像素点数;
以第一特征图中任一像素点为目标基点,并按照属性参数获取第一特征图的第一特征区块;
分别计算第一特征区块与每个M个第二特征区块之间的M个第一欧氏距离;
在M个第一欧式距离中确定最短的第二欧式距离;
获取目标基点对应的像素点的第一数值;
获取第二欧式距离对应的第二特征区块基点对应的像素点的第二数值;
根据第一数值和第二数值计算加权值;
将加权值确定为目标基点对应的像素点的修正值。
特征区块满足以下至少一项:
形状参数指示为正方形;
基点参数指示基点位于特征区块的中心。
计算模块902根据第一数值和第二数值计算加权值包括:
设加权值为W,第一数值为P,第一加权系数为α,第二数值为Q,第二加权系数为β;
则W=P×α+Q×β,其中α+β=1。
在分别计算第一特征区块与每个M个第二特征区块之间的M个第一欧氏距离之前,还包括:
若第一特征区块超出第一特征图的范围,对第一特征区块内超出第一特征图边界范围的像素点补零;
若第二特征区块超出第二特征图的范围,对第二特征区块内超出第二特征图边界范围的像素点补零。
在进行卷积处理之前,对原始图像和风格参考图像进行初始化,使原始图像的尺寸与风格参考图像的尺寸相同。
一种图像处理装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
基于第二特征图,计算第一特征图中任一像素点的修正数值;
将第一特征图中每一像素点的原始数值替换为对应的修正数值,得到第三特征图;
对第三特征图进行反卷积处理,得到处理后的图像。
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。
图10是根据一示例性实施例示出的一种用于图像处理的装置1000的框图。例如,装置1000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10,装置1000可以包括以下一个或多个组件:处理组件1002,存储器1004,电力组件1006,多媒体组件1008,音频组件1010,输入/输出(I/O)的接口1012,传感器组件1014,以及通信组件1016。
处理组件1002通常控制装置1000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。处理组件1002可以包括一个或多个处理器1020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1002可以包括一个或多个模块,便于处理组件1002和其他组件之间的交互。例如,处理组件1002可以包括多媒体模块,以方便多媒体组件1008和处理组件1002之间的交互。
存储器1004被配置为存储各种类型的数据以支持在设备1000的操作。这些数据的示例包括用于在装置1000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,图像,视频等。存储器1004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1006为装置1000的各种组件提供电力。电力组件1006可以包括电源管理***,一个或多个电源,及其他与为装置1000生成、管理和分配电力相关联的组件。
多媒体组件1008包括在所述装置1000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1008包括一个前置摄像头和/或后置摄像头。当设备1000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1010被配置为输出和/或输入音频信号。例如,音频组件1010包括一个麦克风(MIC),当装置1000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1004或经由通信组件1016发送。在一些实施例中,音频组件1010还包括一个扬声器,用于输出音频信号。
I/O接口1012为处理组件1002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1014包括一个或多个传感器,用于为装置1000提供各个方面的状态评估。例如,传感器组件1014可以检测到设备1000的打开/关闭状态,组件的相对定位,例如所述组件为装置1000的显示器和小键盘,传感器组件1014还可以检测装置1000或装置1000一个组件的位置改变,用户与装置1000接触的存在或不存在,装置1000方位或加速/减速和装置1000的温度变化。传感器组件1014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1014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1014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1016被配置为便于装置1000和其他设备之间有线或无线方式的通信。装置1000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,通信组件1016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,所述通信组件1016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1000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1004,上述指令可由装置1000的处理器1020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一种图像处理方法,所述方法包括:
将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
基于第二特征图,计算第一特征图中任一像素点的修正数值;
将第一特征图中每一像素点的原始数值替换为对应的修正数值,得到第三特征图;
对第三特征图进行反卷积处理,得到处理后的图像。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、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发明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,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明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。本发明的范围仅由所附的权利要求来限制。
Claims (14)
1.一种图像处理方法,其特征在于,包括:
将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值;
将所述第一特征图中每一像素点的原始数值替换为对应的所述修正数值,得到第三特征图;
对所述第三特征图进行反卷积处理,得到处理后的图像;
所述基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值,包括:
获取目标基点对应的像素点的第一数值,以所述第一特征图中任一像素点为所述目标基点;
获取第二欧式距离对应的第二特征区块的基点对应的像素点的第二数值,以所述第二特征图每一像素点为所述基点;
根据所述第一数值和所述第二数值计算加权值;
将所述加权值确定为所述目标基点对应的像素点的修正数值。
2.根据权利要求1所述的图像处理方法,其特征在于,确定所述第二欧式距离的方法,包括:
获取特征区块的属性参数,所述属性参数包括;形状参数、尺寸参数、和基点参数;
按照所述属性参数将所述第二特征图划分为M个第二特征区块,其中,M为所述第二特征图中的像素点数;
按照所述属性参数获取所述第一特征图的第一特征区块;
分别计算所述第一特征区块与每个所述M个第二特征区块之间的M个第一欧氏距离;
在所述M个第一欧式距离中确定最短的第二欧式距离。
3.根据权利要求2所述的图像处理方法,其特征在于,所述特征区块满足以下至少一项:
所述形状参数指示为正方形;
所述基点参数指示基点位于所述特征区块的中心。
4.根据权利要求2所述的图像处理方法,其特征在于,所述根据所述第一数值和所述第二数值计算加权值包括:
设加权值为W,所述第一数值为P,第一加权系数为α,所述第二数值为Q,第二加权系数为β;
则 W=P×α+Q×β,其中α+β=1。
5.根据权利要求2所述的图像处理方法,其特征在于,在所述分别计算所述第一特征区块与每个所述M个第二特征区块之间的M个第一欧氏距离之前,所述方法还包括:
若所述第一特征区块超出所述第一特征图的范围,对所述第一特征区块内超出所述第一特征图边界范围的像素点补零;
若所述第二特征区块超出所述第二特征图的范围,对所述第二特征区块内超出所述第二特征图边界范围的像素点补零。
6.根据权利要求1所述的图像处理方法,其特征在于,所述原始图像的尺寸与所述风格参考图像的尺寸相同。
7.一种图像处理装置,其特征在于,包括:
卷积模块,用于将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
计算模块,用于基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值;
所述计算模块还用于:
获取目标基点对应的像素点的第一数值,以所述第一特征图中任一像素点为所述目标基点;
获取第二欧式距离对应的第二特征区块的基点对应的像素点的第二数值,以所述第二特征图每一像素点为所述基点;
根据所述第一数值和所述第二数值计算加权值;
将所述加权值确定为所述目标基点对应的像素点的修正数值;
替换模块,用于将所述第一特征图中每一像素点的原始数值替换为对应的所述修正数值,得到第三特征图;
反卷积模块,用于对所述第三特征图进行反卷积处理,得到处理后的图像。
8.根据权利要求7所述的图像处理装置,其特征在于,所述计算模块还用于:
获取特征区块的属性参数,所述属性参数包括;形状参数、尺寸参数、和基点参数;
按照所述属性参数将所述第二特征图划分为M个第二特征区块,其中,M为所述第二特征图中的像素点数;
按照所述属性参数获取所述第一特征图的第一特征区块;
分别计算所述第一特征区块与每个所述M个第二特征区块之间的M个第一欧氏距离;
在所述第一欧式距离中确定最短的第二欧式距离。
9.根据权利要求8所述的图像处理装置,其特征在于,所述特征区块满足以下至少一项:
所述形状参数指示为正方形;
所述基点参数指示基点位于特征区块的中心。
10.根据权利要求8所述的图像处理装置,其特征在于,所述根据所述第一数值和所述第二数值计算加权值包括:
设加权值为W,所述第一数值为P,第一加权系数为α,所述第二数值为Q,第二加权系数为β;
则W=P×α+Q×β,其中α+β=1。
11.根据权利要求8所述的图像处理装置,其特征在于,在所述分别计算所述第一特征区块与每个所述M个第二特征区块之间的M个第一欧氏距离之前,还包括:
若所述第一特征区块超出所述第一特征图的范围,对所述第一特征区块内超出所述第一特征图边界范围的像素点补零;
若所述第二特征区块超出所述第二特征图的范围,对所述第二特征区块内超出所述第二特征图边界范围的像素点补零。
12.根据权利要求7所述的图像处理装置,其特征在于,所述原始图像的尺寸与所述风格参考图像的尺寸相同。
13.一种图像处理装置,其特征在于,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:
将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值;
将所述第一特征图中每一像素点的原始数值替换为对应的所述修正数值,得到第三特征图;
对所述第三特征图进行反卷积处理,得到处理后的图像;
所述基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值,包括:
获取目标基点对应的像素点的第一数值,以所述第一特征图中任一像素点为所述目标基点;
获取第二欧式距离对应的第二特征区块的基点对应的像素点的第二数值,以所述第二特征图每一像素点为所述基点;
根据所述第一数值和所述第二数值计算加权值;
将所述加权值确定为所述目标基点对应的像素点的修正数值。
14.一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一种图像处理方法,所述方法包括:
将原始图像和风格参考图像输入卷积神经网络,生成原始图像的第一特征图和风格参考图像的第二特征图;
基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值;
将所述第一特征图中每一像素点的原始数值替换为对应的所述修正数值,得到第三特征图;
对所述第三特征图进行反卷积处理,得到处理后的图像;
所述基于所述第二特征图,计算所述第一特征图中任一像素点的修正数值,包括:
获取目标基点对应的像素点的第一数值,以所述第一特征图中任一像素点为所述目标基点;
获取第二欧式距离对应的第二特征区块的基点对应的像素点的第二数值,以所述第二特征图每一像素点为所述基点;
根据所述第一数值和所述第二数值计算加权值;
将所述加权值确定为所述目标基点对应的像素点的修正数值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682513.8A CN110399924B (zh) | 2019-07-26 | 2019-07-26 | 一种图像处理方法、装置及介质 |
US16/693,225 US11120604B2 (en) | 2019-07-26 | 2019-11-23 | Image processing method, apparatus, and storage medium |
EP19216621.3A EP3770859B1 (en) | 2019-07-26 | 2019-12-16 | Image processing method, image processing apparatus, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682513.8A CN110399924B (zh) | 2019-07-26 | 2019-07-26 | 一种图像处理方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399924A CN110399924A (zh) | 2019-11-01 |
CN110399924B true CN110399924B (zh) | 2021-09-07 |
Family
ID=68326102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910682513.8A Active CN110399924B (zh) | 2019-07-26 | 2019-07-26 | 一种图像处理方法、装置及介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11120604B2 (zh) |
EP (1) | EP3770859B1 (zh) |
CN (1) | CN110399924B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419467B (zh) * | 2020-11-05 | 2023-10-03 | 杭州群核信息技术有限公司 | 基于深度学习的提升渲染效率方法、装置和*** |
CN114640783B (zh) * | 2020-12-15 | 2024-03-05 | 华为技术有限公司 | 一种拍照方法及相关设备 |
CN112686377B (zh) * | 2021-03-18 | 2021-07-02 | 北京地平线机器人技术研发有限公司 | 利用卷积硬件对特征数据进行反卷积处理的方法和装置 |
CN114418835A (zh) * | 2022-01-25 | 2022-04-29 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778928A (zh) * | 2016-12-21 | 2017-05-31 | 广州华多网络科技有限公司 | 图像处理方法及装置 |
CN107481185A (zh) * | 2017-08-24 | 2017-12-15 | 深圳市唯特视科技有限公司 | 一种基于视频图像优化的风格转换方法 |
WO2018042388A1 (en) * | 2016-09-02 | 2018-03-08 | Artomatix Ltd. | Systems and methods for providing convolutional neural network based image synthesis using stable and controllable parametric models, a multiscale synthesis framework and novel network architectures |
CN107808394A (zh) * | 2017-11-16 | 2018-03-16 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像处理方法及移动终端 |
CN107871162A (zh) * | 2017-11-16 | 2018-04-03 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像处理方法及移动终端 |
CN108550107A (zh) * | 2018-04-27 | 2018-09-18 | Oppo广东移动通信有限公司 | 一种图片处理方法、图片处理装置及移动终端 |
CN108564127A (zh) * | 2018-04-19 | 2018-09-21 | 腾讯科技(深圳)有限公司 | 图像转换方法、装置、计算机设备及存储介质 |
CN108961349A (zh) * | 2018-06-29 | 2018-12-07 | 广东工业大学 | 一种风格化图像的生成方法、装置、设备及存储介质 |
CN109035318A (zh) * | 2018-06-14 | 2018-12-18 | 西安电子科技大学 | 一种图像风格的转换方法 |
CN109166087A (zh) * | 2018-09-29 | 2019-01-08 | 上海联影医疗科技有限公司 | 医学图像的风格转换方法、装置、医学设备、影像***及存储介质 |
CN109360261A (zh) * | 2018-09-28 | 2019-02-19 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN109472270A (zh) * | 2018-10-31 | 2019-03-15 | 京东方科技集团股份有限公司 | 图像风格转换方法、装置及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205813B (zh) | 2016-12-16 | 2022-06-03 | 微软技术许可有限责任公司 | 基于学习网络的图像风格化 |
CN108734749A (zh) | 2017-04-20 | 2018-11-02 | 微软技术许可有限责任公司 | 图像的视觉风格变换 |
CN110660037B (zh) * | 2018-06-29 | 2023-02-10 | 京东方科技集团股份有限公司 | 图像间脸部交换的方法、装置、***和计算机程序产品 |
US10922860B2 (en) * | 2019-05-13 | 2021-02-16 | Adobe Inc. | Line drawing generation |
-
2019
- 2019-07-26 CN CN201910682513.8A patent/CN110399924B/zh active Active
- 2019-11-23 US US16/693,225 patent/US11120604B2/en active Active
- 2019-12-16 EP EP19216621.3A patent/EP3770859B1/en active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018042388A1 (en) * | 2016-09-02 | 2018-03-08 | Artomatix Ltd. | Systems and methods for providing convolutional neural network based image synthesis using stable and controllable parametric models, a multiscale synthesis framework and novel network architectures |
CN106778928A (zh) * | 2016-12-21 | 2017-05-31 | 广州华多网络科技有限公司 | 图像处理方法及装置 |
CN107481185A (zh) * | 2017-08-24 | 2017-12-15 | 深圳市唯特视科技有限公司 | 一种基于视频图像优化的风格转换方法 |
CN107808394A (zh) * | 2017-11-16 | 2018-03-16 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像处理方法及移动终端 |
CN107871162A (zh) * | 2017-11-16 | 2018-04-03 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像处理方法及移动终端 |
CN108564127A (zh) * | 2018-04-19 | 2018-09-21 | 腾讯科技(深圳)有限公司 | 图像转换方法、装置、计算机设备及存储介质 |
CN108550107A (zh) * | 2018-04-27 | 2018-09-18 | Oppo广东移动通信有限公司 | 一种图片处理方法、图片处理装置及移动终端 |
CN109035318A (zh) * | 2018-06-14 | 2018-12-18 | 西安电子科技大学 | 一种图像风格的转换方法 |
CN108961349A (zh) * | 2018-06-29 | 2018-12-07 | 广东工业大学 | 一种风格化图像的生成方法、装置、设备及存储介质 |
CN109360261A (zh) * | 2018-09-28 | 2019-02-19 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN109166087A (zh) * | 2018-09-29 | 2019-01-08 | 上海联影医疗科技有限公司 | 医学图像的风格转换方法、装置、医学设备、影像***及存储介质 |
CN109472270A (zh) * | 2018-10-31 | 2019-03-15 | 京东方科技集团股份有限公司 | 图像风格转换方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110399924A (zh) | 2019-11-01 |
US11120604B2 (en) | 2021-09-14 |
EP3770859A1 (en) | 2021-01-27 |
EP3770859B1 (en) | 2021-11-03 |
US20210027517A1 (en) | 2021-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399924B (zh) | 一种图像处理方法、装置及介质 | |
US10032076B2 (en) | Method and device for displaying image | |
CN106527867B (zh) | 移动悬浮层界面的方法及装置 | |
EP3057304B1 (en) | Method and apparatus for generating image filter | |
CN105069073B (zh) | 联系人信息推荐方法及装置 | |
CN107888984B (zh) | 短视频播放方法及装置 | |
CN107967459B (zh) | 卷积处理方法、装置及存储介质 | |
EP3046068A1 (en) | Method and device for adjusting page display | |
CN109672830B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN107341509B (zh) | 卷积神经网络的训练方法、装置及可读存储介质 | |
JP6170626B2 (ja) | 構図変更方法、構図変更装置、端末、プログラム及び記録媒体 | |
CN105678296B (zh) | 确定字符倾斜角度的方法及装置 | |
KR102273059B1 (ko) | 얼굴 이미지를 강화하는 방법 및 장치, 전자 기기 | |
CN113160038B (zh) | 一种图像风格迁移方法、装置、电子设备及存储介质 | |
CN110876014B (zh) | 图像处理方法及装置、电子设备及存储介质 | |
CN107992894B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN110782510A (zh) | 一种贴纸生成方法及装置 | |
CN107609513B (zh) | 视频类型确定方法及装置 | |
CN107239758B (zh) | 人脸关键点定位的方法及装置 | |
CN107920015B (zh) | 发布图片的方法和发布图片的装置 | |
CN107832112B (zh) | 壁纸设置方法及装置 | |
CN116934823A (zh) | 图像处理方法、装置、电子设备及可读储存介质 | |
CN114913818A (zh) | 背光亮度调节方法、装置、电子设备和存储介质 | |
CN108595046B (zh) | 模型校准方法及装置 | |
CN112861592A (zh) | 图像生成模型的训练方法、图像处理方法及装置 |
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 |