CN110415258A - 图像处理方法及装置、电子设备和存储介质 - Google Patents
图像处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110415258A CN110415258A CN201910691280.8A CN201910691280A CN110415258A CN 110415258 A CN110415258 A CN 110415258A CN 201910691280 A CN201910691280 A CN 201910691280A CN 110415258 A CN110415258 A CN 110415258A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- network
- processed
- obtains
- 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.)
- Granted
Links
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种图像处理方法及装置、电子设备和存储介质,所述方法包括:对待处理图像进行特征提取处理,得到至少两个第一特征;对第一特征进行第一融合处理,获得第二特征;根据第二特征和待处理图像,获得分割系数图。根据本公开的实施例的图像处理方法,可获得分割系数图来指导分割处理,无需手动标注,降低了人工工作量提高了工作效率。并且,对第一特征进行融合获得第二特征,并通过第二特征和待处理图像获得包括第一图像区域以及第二图像区域的分割系数图,减少了不确定区域,减少了分割系数图中的错误,提高了分割效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种图像处理方法及装置、电子设备和存储介质。
背景技术
将图像中的目标对象与背景分割开并提取目标对象所在的区域通常需要利用三分图,所述三分图为在原图像中标注出确定目标对象,确定背景和不确定区域的指导图。在相关技术中,通过三分图进行分割通常在不确定区域中存在一些错误,导致分割效果不佳。
发明内容
本公开提出了一种图像处理方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种图像处理方法,包括:
对待处理图像进行特征提取处理,得到至少两个第一特征,其中,不同的第一特征用于表达所述待处理图像中目标对象的不同属性;
对所述至少两个第一特征进行第一融合处理,获得第二特征;
根据所述第二特征和所述待处理图像,获得分割系数图,所述分割系数图用于区分所述待处理图像中所述目标对象所在的第一图像区域以及所述第一图像区域之外的第二图像区域。
根据本公开的实施例的图像处理方法,可获得分割系数图来指导分割处理,无需手动标注,降低了人工工作量提高了工作效率。并且,对第一特征进行融合获得第二特征,并通过第二特征和待处理图像获得包括第一图像区域以及第二图像区域的分割系数图,减少了不确定区域,减少了分割系数图中的错误,提高了分割效果。
在一种可能的实现方式中,对所述至少两个第一特征进行第一融合处理,获得第二特征,包括:
分别对各所述第一特征进行第一卷积处理,获得与各所述第一特征对应的第三特征;
分别对各所述第三特征进行插值处理,获得与各所述第三特征对应的第四特征,其中,各所述第四特征的尺寸相同;
对所述第四特征进行特征变换处理,获得所述第二特征。
在一种可能的实现方式中,对所述第四特征进行特征变换处理,获得所述第二特征,包括:
将至少两个所述第四特征相结合,获得第五特征;
对所述第五特征进行激活及第二卷积处理,获得所述第二特征。
在一种可能的实现方式中,所述将至少两个所述第四特征相结合,获得第五特征,包括以下方式中至少一种:
对所述至少两个第四特征进行合并处理,获得所述第五特征;
对所述至少两个第四特征的对应像素点分别进行平均处理,获得所述第五特征。
通过这种方式,可将第一网络的多个层级对应的第一特征进行特征融合,融合后的第二特征可保留第一特征的语义信息,有助于提高分割系数图的准确度。
在一种可能的实现方式中,所述方法还包括:
根据所述分割系数图对所述待处理图像进行处理,获得目标图像。
在一种可能的实现方式中,根据所述分割系数图对所述待处理图像进行处理,获得目标图像,包括:
对所述分割系数图的各像素点和所述待处理图像中的对应像素点分别相乘,获得所述目标图像。
在一种可能的实现方式中,所述对待处理图像进行特征提取处理,得到至少两个第一特征,包括:
将待处理图像输入至第一网络,得到所述第一网络中至少两个层级输出的至少两个第一特征。
在一种可能的实现方式中,所述根据所述第二特征和所述待处理图像,获得分割系数图,包括:
根据所述待处理图像提取第六特征;
将所述第六特征和所述第二特征进行第二融合处理,得到第七特征;
根据所述第七特征得到分割系数图。
在一种可能的实现方式中,所述根据所述待处理图像提取第六特征,包括:
将所述待处理图像输入第二网络,获得所述第二网络的预设层级输出的第六特征,其中,所述第六特征与所述第二特征的特征维度相同,所述第二网络包括顺序排列的至少两个层级;
所述根据所述第七特征进得到分割系数图,包括:
经所述第二网络的预设层级之后的层级对所述第七特征进行处理,获得分割系数图。
在一种可能的实现方式中,所述第二网络包括编码子网络和解码子网络,其中,所述编码子网络至少包括一个层级,所述解码子网络至少包括一个层级,所述预设层级包括编码子网络中的至少一个层级以及解码子网络中的至少一个层级。
在一种可能的实现方式中,所述方法通过神经网络实现,所述神经网络包括第一网络、第二网络和特征融合网络,
其中,所述方法还包括:
通过已训练的第一网络、样本图像以及与所述样本图像对应的样本分割系数图,训练所述第二网络和所述特征融合网络中的至少一个网络。
在一种可能的实现方式中,所述通过已训练的第一网络、样本图像以及与所述样本图像对应的样本分割系数图,训练所述第二网络和所述特征融合网络中的至少一个网络,包括:
将所述样本图像分别输入至所述已训练的第一网络和所述第二网络,得到所述第二网络输出的训练分割系数图;
根据所述分割系数图和所述样本分割系数图,确定所述第二网络和所述特征融合网络的损失函数;
根据所述损失函数,调整所述第二网络和所述特征融合网络中的至少一个网络,其中,所述特征融合网络用于将所述已训练的第一网络输出的特征进行融合,并将融合后的特征输入至第二网络。
在一种可能的实现方式中,所述将所述样本图像分别输入至所述已训练的第一网络和所述第二网络,得到所述第二网络输出的训练分割系数图,包括:
将所述样本图像输入所述已训练的第一网络,得到所述已训练的第一网络中至少两个层级输出的至少两个第一训练特征;
将所述至少两个第一训练特征输入所述特征融合网络,获得第二训练特征;
将所述第二训练特征和所述样本图像输入至所述第二网络,得到所述第二网络输出的训练分割系数图。
根据本公开的另一方面,提供了一种图像处理装置,包括:
提取模块,用于对待处理图像进行特征提取处理,得到至少两个第一特征,其中,不同的第一特征用于表达所述待处理图像中目标对象的不同属性;
融合模块,用于对所述至少两个第一特征进行第一融合处理,获得第二特征;
获得模块,用于根据所述第二特征和所述待处理图像,获得分割系数图,所述分割系数图用于区分所述待处理图像中所述目标对象所在的第一图像区域以及所述第一图像区域之外的第二图像区域。
在一种可能的实现方式中,所述融合模块被进一步配置为:
分别对各所述第一特征进行第一卷积处理,获得与各所述第一特征对应的第三特征;
分别对各所述第三特征进行插值处理,获得与各所述第三特征对应的第四特征,其中,各所述第四特征的尺寸相同;
对所述第四特征进行特征变换处理,获得所述第二特征。
在一种可能的实现方式中,所述融合模块被进一步配置为:
将至少两个所述第四特征相结合,获得第五特征;
对所述第五特征进行激活及第二卷积处理,获得所述第二特征。
在一种可能的实现方式中,所述融合模块被进一步配置为:
对所述至少两个第四特征进行合并处理,获得所述第五特征;
对所述至少两个第四特征的对应像素点分别进行平均处理,获得所述第五特征。
在一种可能的实现方式中,所述装置还包括:
处理模块,用于根据所述分割系数图对所述待处理图像进行处理,获得目标图像。
在一种可能的实现方式中,所述处理模块被进一步配置为:
对所述分割系数图的各像素点和所述待处理图像中的对应像素点分别相乘,获得所述目标图像。
在一种可能的实现方式中,所述提取模块被进一步配置为:
将待处理图像输入至第一网络,得到所述第一网络中至少两个层级输出的至少两个第一特征。
在一种可能的实现方式中,所述获得模块被进一步配置为:
根据所述待处理图像提取第六特征;
将所述第六特征和所述第二特征进行第二融合处理,得到第七特征;
根据所述第七特征得到分割系数图。
在一种可能的实现方式中,所述获得模块被进一步配置为:
将所述待处理图像输入第二网络,获得所述第二网络的预设层级输出的第六特征,其中,所述第六特征与所述第二特征的特征维度相同,所述第二网络包括顺序排列的至少两个层级;
所述获得模块被进一步配置为:
经所述第二网络的预设层级之后的层级对所述第七特征进行处理,获得分割系数图。
在一种可能的实现方式中,所述第二网络包括编码子网络和解码子网络,其中,所述编码子网络至少包括一个层级,所述解码子网络至少包括一个层级,所述预设层级包括编码子网络中的至少一个层级以及解码子网络中的至少一个层级。
在一种可能的实现方式中,所述装置的功能通过神经网络实现,所述神经网络包括第一网络、第二网络和特征融合网络,
其中,所述装置还包括:
训练模块,用于通过已训练的第一网络、样本图像以及与所述样本图像对应的样本分割系数图训练所述第二网络和所述特征融合网络中的至少一个网络。
在一种可能的实现方式中,所述训练模块被进一步配置为:
将所述样本图像分别输入至所述已训练的第一网络和所述第二网络,得到所述第二网络输出的训练分割系数图;
根据所述分割系数图和所述样本分割系数图,确定所述第二网络和所述特征融合网络的损失函数;
根据所述损失函数,调整所述第二网络和所述特征融合网络中的至少一个网络,其中,所述特征融合网络用于将所述已训练的第一网络输出的特征进行融合,并将融合后的特征输入至第二网络。
在一种可能的实现方式中,所述训练模块被进一步配置为:
将所述样本图像输入所述已训练的第一网络,得到所述已训练的第一网络中至少两个层级输出的至少两个第一训练特征;
将所述至少两个第一训练特征输入所述特征融合网络,获得第二训练特征;
将所述第二训练特征和所述样本图像输入至所述第二网络,得到所述第二网络输出的训练分割系数图。
根据本公开的一方面,提供了一种电子设备,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:执行上述图像处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述图像处理方法。
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,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
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,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像处理方法的流程图;
图2示出根据本公开实施例的特征融合处理的示意图;
图3示出根据本公开实施例的图像处理方法的流程图;
图4示出根据本公开实施例的图像处理方法的流程图;
图5示出根据本公开实施例的图像处理方法的应用示意图;
图6示出根据本公开实施例的图像处理装置的框图;
图7示出根据本公开实施例的电子装置的框图;
图8示出根据本公开实施例的电子装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像处理方法的流程图,如图1所示,所述方法包括:
在步骤S11中,对待处理图像进行特征提取处理,得到至少两个第一特征,其中,不同的第一特征用于表达所述待处理图像中目标对象的不同属性;
在步骤S12中,对所述至少两个第一特征进行第一融合处理,获得第二特征;
在步骤S13中,根据所述第二特征和所述待处理图像,获得分割系数图,所述分割系数图用于区分所述待处理图像中所述目标对象所在的第一图像区域以及所述第一图像区域之外的第二图像区域。
根据本公开的实施例的图像处理方法,可获得分割系数图来指导分割处理,无需手动标注,降低了人工工作量提高了工作效率。并且,对第一特征进行融合获得第二特征,并通过第二特征和待处理图像获得包括第一图像区域以及第二图像区域的分割系数图,减少了不确定区域,减少了分割系数图中的错误,提高了分割效果。
所述图像处理方法的执行主体可以是图像处理装置,例如,图像处理方法可以由终端设备或服务器或其它处理设备执行,其中,终端设备可以为用户设备(UserEquipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该图像处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
在一种可能的实现方式中,在步骤S11中,所述待处理图像中包括至少一个目标对象,例如,人、动物等对象。在所述待处理图像中,目标对象所在的区域以外的区域为背景区域。特征提取处理可以从待处理图像中提取可表达目标对象不同属性的特征,例如,提取出待处理图像中人脸的五官特征、提取待处理图像中背景所在的区域等,在此不做限定。
在一种可能的实现方式中,所述特征提取处理可通过第一网络实现,所述第一网络可以是用于语义分割的神经网络,例如,用于将人像与背景分割开的人像分割网络。所述第一网络也可以是确定目标对象的关键点的神经网络,例如,关键点估计网络。所述第一网络还可以是确定目标对象的姿态的网络,例如,姿态估计网络。本公开对第一网络的类型不作限制。在其他示例中,所述特征提取处理也可以是基于像素点检测目标对象的关键点,从而实现对待处理图像的特征提取处理,本公开对特征提取处理不做限制。
在一种可能的实现方式中,所述对待处理图像进行特征提取处理,得到至少两个第一特征,包括:将待处理图像输入至第一网络,得到所述第一网络中至少两个层级输出的至少两个第一特征。可将待处理图像输入所述第一网络,第一网络可通过各网络层级分别对待处理图像进行处理,获得与各层级分别对应的特征。例如,第一网络的第一个层级可对待处理图像进行卷积处理等,获得与第一个层级对应的特征,与第一个层级对应的特征的尺寸可小于或等于待处理图像,第一网络的第二个层级可对与第一个层级对应的特征进行卷积处理等,获得与第二个层级对应的特征,所述与第二个层级对应的特征的尺寸可小于或等于与第一个层级对应的特征……第一网络的各层级可分别获得与各层级对应的特征。可从各层级中,选择至少两个层级,与被选择的层级对应的特征为所述第一特征,即,获得至少两个第一特征。在示例中,可选择第一网络的至少两个底部层级对应的特征作为所述第一特征,即,可选择接近第一网络的输出层的至少两个层级,并将与选择的至少两个层级对应的特征作为第一特征。在示例中,待处理图像中可以包括一个或多个目标对象,如果待处理图像中包括多个目标对象,则每一个目标对象对应至少两个第一特征,每一个目标对象对应的不同第一特征表示该目标对象的不同属性例如,某个第一特征可表示目标对象的眼部关键点特征,另一个第一特征可表示目标对象的耳朵关键点特征等。如果待处理图像中包括一个目标对象,则至少两个第一特征可分别表示该目标对象的不同属性的特征。
在一种可能的实现方式中,在步骤S12中,与至少两个层级分别对应的第一特征的尺寸可以是不一致的,可对至少两个第一特征进行第一融合处理,获得的第二特征。所述第一融合处理可将至少两个第一特征进行融合得到第二特征,每一个第一特征对应第二特征的一个通道,这样可以获得多通道的第二特征,且保留第一特征的全部特征信息。例如,可将至少两个第一特征组合为具有至少两个特征通道的第二特征。步骤S12可包括:分别对各第一特征进行卷积处理,获得与各第一特征对应的第三特征;分别对各第三特征进行插值处理,获得与各第三特征对应的第四特征,其中,各所述第四特征的尺寸相同;对所述第四特征进行变换处理,获得所述第二特征。
在一种可能的实现方式中,可通过特征融合网络对多个第一特征进行特征第一融合处理。所述特征融合网络可包括多个通道,通道数量可与第一特征的数量一致,各第一特征可分别被输入特征融合网络的各通道中。所述特征融合网络的每个通道可包括卷积层,例如,1×1卷积层,可用于对个第一特征进行卷积处理。在示例中,第一特征具有冗余的信息,1×1卷积层可对第一特征进行下采样,以过滤冗余信息,获得与各第一特征对应的第三特征。
在一种可能的实现方式中,所述特征融合网络可对各第三特征分别进行插值处理,分别获得与第三特征对应的第四特征,且各第四特征的尺寸相同。在示例中,对于尺寸小于第四特征的第三特征,可将第三特征的相邻像素点之间***一个或多个像素点,所述一个或多个像素点的像素值由所述相邻像素点确定。对于尺寸大于第四特征的第三特征,可将相邻的一个或多个像素点的像素值进行平均处理,获得平均像素值,并通过一个具有所述平均像素值的像素点来代替所述一个或多个像素点,以减少像素点的数量,缩小尺寸。
在一种可能的实现方式中,可对所述第四特征进行特征变换处理,获得所述的第二特征,包括:将至少两个所述第四特征相结合,获得第五特征;对第五特征进行激活及第二卷积处理,获得所述第二特征。
在一种可能的实现方式中,所述将至少两个所述第四特征,获得第五特征,包括以下方式中至少一种:对所述至少两个第四特征进行合并处理,获得所述第五特征;对所述至少两个第四特征的对应像素点分别进行平均处理,获得所述第五特征。
在示例中,可对各第四特征的对应像素点分别进行平均处理,例如,可对各第四特征中相同坐标的像素点的参数进行平均处理,例如,可对每个第四特征中的坐标为(1,1)的像素点的色度值进行平均处理,获得第五特征中的坐标为(1,1)的像素点的色度值,可对每个第四特征中的坐标为(1,2)的像素点的色度值进行平均处理,获得第五特征中的坐标为(1,2)的像素点的色度值……可按照这种方式对第四特征中的每个坐标对应的像素点的色度值进行平均处理,获得第五特征中各像素点的色度值。进一步地,也可对各第四特征中的各像素点的亮度、灰度、深度、RGB值等参数进行平均处理,获得第五特征中对应位置的像素点的参数值,本公开对进行平均处理的参数不做限制。
在示例中,也可保留所有第四特征,即,对至少两个第四特征进行合并处理,获得具有至少两个特征通道的第五特征。第五特征保留了第四特征的全部特征信息。
在一种可能的实现方式中,可通过特征融合网络的激活层(例如,ReLU激活层)对第五特征进行激活处理,并通过特征融合网络的卷积层(例如,3×3卷积层)进行卷积处理,并获得第二特征。经过卷积层和激活层的处理,可将第五特征处理为具有预设的尺寸和特征通道数量的第二特征,即,与第二网络中的预设层级输出的特征的尺寸和特征通道数量一致的第二特征,从而保证第二特征的融合的准确性。
图2示出根据本公开实施例的特征融合处理的示意图。在示例中,可在第一网络的各层级中选择三个层级,并对该三个层级对应的第一特征分别进行1×1卷积处理和插值处理,获得尺寸相同的第四特征。
在示例中,可对第四特征进行融合,例如,可对各第四特征进行合并处理,可获得三个通道的第五特征。在示例中,可对第五特征依次通过ReLU激活层、3×3卷积层、ReLU激活层、3×3卷积层进行处理,获得至少一个预设尺寸的第二特征。
通过这种方式,可将第一网络的多个层级对应的第一特征进行特征融合,融合后的第二特征可保留第一特征的语义信息,有助于提高分割系数图的准确度。
在一种可能的实现方式中,在步骤S13中,可根据第二特征和待处理图像,获得分割系数图。分割系数图的尺寸可与待处理图像尺寸一致。在示例中,可通过第二网络获取所述分割系数图。第二网络可以是图像处理网络,例如,卷积神经网络等可对图像进行处理的神经网络。
在一种可能的实现方式中,步骤S13可包括:根据所述待处理图像提取第六特征;将所述第六特征和所述第二特征进行第二融合处理,得到第七特征;根据所述第七特征得到分割系数图。
其中,所述根据所述待处理图像提取第六特征,包括:将所述待处理图像输入第二网络,获得所述第二网络的预设层级输出的第六特征,其中,所述第六特征与所述第二特征的特征维度相同,所述第二网络包括顺序排列的至少两个层级;所述根据所述第七特征进得到分割系数图,包括:经所述第二网络的预设层级之后的层级对所述第七特征进行处理,获得分割系数图。
在一种可能的实现方式中,将所述待处理图像输入第二网络,获得与第二网络的预设层级对应的第六特征,其中,所述第六特征与所述第二特征的特征维度相同;将所述第六特征与所述第二特征进行第二融合处理,获得第七特征;经所述第二网络的预设层级之后的层级对所述第七特征进行处理,获得所述分割系数图。
在一种可能的实现方式中,所述第二网络可以是具有多个层级的深度学习神经网络,将待处理图像输入第二网络后,可依次经第二网络的各层级进行处理,例如,某个层级可对上一个层级输出的特征进行下采样处理,获得与该层级对应的特征,该层级输出的特征的尺寸可小于或等于上一个层级输出的特征,该层级输出的特征的数量(即,输出通道的数量)可大于或等于上一个层级输出的特征。
在一种可能的实现方式中,可将第二网络的任意层级确定为所述预设层级,特征融合网络的输出通道的数量可与预设层级的输出通道的数量一致,即,特征融合网络输出的第二特征的数量与预设层级输出的第六特征的数量一致,且第六特征与第二特征的尺寸相同(即,第二特征与第六特征维度相同),即,特征融合网络的预设层级输出的特征的尺寸与第二特征的预设尺寸相同。
在一种可能的实现方式中,可将第六特征与第二特征进行第二融合处理,获得第七特征。在示例中,可依次对第二特征和第六特征进行融合处理,例如,可将特征融合网络的第一个输出通道输出的第二特征与所述预设层级的第一个输出通道输出的第六特征进行融合处理(例如,对第二特征和第六特征的对应像素点进行平均处理、取最大值处理或拼接处理等。其中,所述平均处理即为对第六特征和第二特征的对应像素点的像素值进行平均,将得到的平均值作为第七特征的对应像素点的像素值;所述取最大值处理即为选取第六特征和第二特征的对应像素点的像素值的最大值,将得到的最大值作为第七特征的对应像素点的像素值,所述拼接处理为保留第二特征与第六特征的所有特征通道,即,获得的第七特征的特征通道的数量等于第二特征与第六特征的特征通道数量之和),并将特征融合网络的第二个输出通道输出的第二特征与所述预设层级的第二个输出通道输出的第六特征进行融合处理……可按照这种方式,对每个第二特征与第六特征进行融合处理,获得多个第七特征。
在一种可能的实现方式中,也可保留第二特征和第六特征,并将第二特征和第六特征均输入预设层级的下一个层级进行处理。
在一种可能的实现方式中,预设层级之后的层级可对第七特征进行处理,可获得分割系数图。
在一种可能的实现方式中,可通过多个特征融合网络获得的多组第二特征,分别与对应的第二网络的多个预设层级输出的第六特征进行融合处理,分别获得多组第七特征。例如,第一个特征融合网络获得的第二特征可与第二网络的第五个层级(预设层级)输出的第六特征进行融合,获得一组第七特征,并通过第二网络的预设层级之后的层级对该组第七特征继续处理。在处理进行到第十个层级(预设层级)时,产生了另一组第六特征,另一个特征融合网络产生的第二特征可与所述另一组第六特征进行融合处理,获得另一组第七特征。进一步地,可继续通过第十个层级之后的层级对所述另一组第七特征进行处理,可获得所述分割系数图。本公开对特征融合网络的数量不做限制。
在示例中,所述第二网络包括编码子网络和解码子网络,其中,编码网络用于对输入特征进行编码处理,获得相对于输入特征感受野较大、尺寸较小的特征,所述解码网络用于对编码后的特征进行解码处理,可缩小感受野、扩大尺寸,最终经过全连接层等层级获得第二网络的输出结果。其中,所述编码子网络至少包括一个层级,所述解码子网络至少包括一个层级,所述预设层级包括编码子网络中的至少一个层级以及解码子网络中的至少一个层级。例如,可通过两个特征融合网络分别获取两组第二特征,与所述两个特征融合网络对应的预设层级分别位于第二网络中的编码子网络和解码子网络中,可将两组第二特征分别与编码子网络的预设层级输出的第六特征以及解码子网络的预设层级输出的第六特征进行第二融合处理,获得两组第七特征。分别将两组第二特征与编码子网络的预设层级输出的第六特征以及解码子网络的预设层级输出的第六特征进行第二融合处理,可在编码和解码的过程中均获得融合的特征信息,使得编码过程和解码过程中获得的特征信息更丰富,提升获得分割系数图的准确性。
在一种可能的实现方式中,所述分割系数图可用于对待处理图像进行处理。
图3示出根据本公开实施例的图像处理方法的流程图,如图3所示,所述方法还包括:
在步骤S14中,根据所述分割系数图对所述待处理图像进行处理,获得目标图像。
在一种可能的实现方式中,可对所述分割系数图和所述待处理图像的对应像素点分别进行处理,例如,可将待处理图像像素点的灰度值、色度值等参数与分割系数图中对应像素点的分割系数进行处理。
在一种可能的实现方式中,步骤S14可包括:对所述分割系数图和所述待处理图像的对应像素点分别进行相乘,获得所述目标图像。其中,所述分割系数图中的所述第一图像区域的分割系数为1,所述第二图像区域的分割系数为0。
在一种可能的实现方式中,所述分割系数图中,目标对象所在的第一图像区域的位置与待处理图像中目标对象所在区域的位置一致,分割系数图中的第一图像区域之外的第二图像区域与待处理图像中背景区域的位置一致。可利用分割系数图中各像素点的分割系数与待处理图像中对应的像素点的参数(亮度、灰度、深度、RGB值等参数)进行相乘。待处理图像中的第一图像区域(目标对象所在区域)的像素点的参数乘以分割系数1,则第一图像区域中的像素点的参数不发生变化。待处理图像中第二图像区域(背景区域)的像素点的参数乘以分割系数0,则第一图像区域中的像素点的参数为0。在示例中,第一图像区域中像素点的RGB值乘以1,则第一图像区域中像素点的RGB值不发生改变,第二图像区域中像素点的RGB值乘以0,则第二图像区域中像素点的RGB值变化为(0,0,0),即,保留目标对象所在区域,并将背景变为黑色(将背景去除)。
在一种可能的实现方式中,还可对目标图像进行进一步的处理。在示例中,可在目标图像的背景区域中添加任意背景,并与目标对象所在区域构成新的图像。
在一种可能的实现方式中,在使用第二网络和特征融合网络生成分割系数图之前,可对第二网络和特征融合网络进行训练。可使用已训练完成的第一网络、样本图像以及与样本图像对应的样本分割系数图来训练第二网络和特征融合网络。
图4示出根据本公开实施例的图像处理方法的流程图,如图4所示,所述方法还包括:
在步骤S15中,通过已训练的第一网络、样本图像以及与所述样本图像对应的样本分割系数图训练所述第二网络和所述特征融合网络中的至少一个网络。
在一种可能的实现方式中,步骤S15可包括:将所述样本图像分别输入至所述已训练的第一网络和所述第二网络,得到所述第二网络输出的训练分割系数图;根据所述分割系数图和所述样本分割系数图,确定所述第二网络和所述特征融合网络的损失函数;根据所述损失函数,调整所述第二网络和所述特征融合网络中的至少一个网络,其中,所述特征融合网络用于将所述已训练的第一网络输出的特征进行融合,并将融合后的特征输入至第二网络。
在一种可能的实现方式中,所述将所述样本图像分别输入至所述已训练的第一网络和所述第二网络,得到所述第二网络输出的训练分割系数图,包括:将所述样本图像输入所述已训练的第一网络,得到所述已训练的第一网络中至少两个层级输出的至少两个第一训练特征;将所述至少两个第一训练特征输入所述特征融合网络,获得第二训练特征;将所述第二训练特征和所述样本图像输入至所述第二网络,得到所述第二网络输出的训练分割系数图。
在一种可能的实现方式中,可将样本图像输入第一网络,并在第一网络的至少两个预设层级获得至少两个第一训练特征。并可将第一训练特征输入特征融合网络进行特征融合处理,获得第二训练特征。进一步的,可将样本图像输入第二网络,并将第二网络的预设层级输出的第六特征与第二特征进行融合处理,获得第七训练特征,并可通过第二网络的预设层级之后的层级对第七训练特征进行处理,获得训练分割系数图。
在一种可能的实现方式中,在训练过程中,第二网络输出的训练分割系数图可能存在误差,而实时样本分割系数图为人工标注的无误差的分割系数图,可根据第二网络输出的分割系数图与样本分割系数图之间的差异确定第二网络和特征融合网络的损失函数。
在一种可能的实现方式中,所述损失函数可根据以下公式(1)来确定:
其中,为第i(i为正整数)个像素点对应的损失函数,为样本分割系数图中第i个像素点对应的分割系数,为第二网络输出的分割系数图中第i个像素点对应的分割系数。ωi为权重系数,如果第i个像素点位于样本分割系数图中的第一图像区域,则ωi的值较大(例如,ωi=5),如果第i个像素点位于样本分割系数图中的第二图像区域,则ωi的值较小(例如,ωi=1),∈为调节参数,例如,∈=10-6。在示例中,可将所有像素点对应的损失函数进行求和,可获得第二网络和特征融合网络的损失函数。
在一种可能的实现方式中,可根据第二网络和特征融合网络的损失函数调整第二网络和特征融合网络的网络参数,在示例中,可按照使损失函数最小化的方向调整所述网络参数,例如,可利用梯度下降法将损失函数进行反向传播,以调整第二网络和特征融合网络的网络参数。并在满足训练条件时,获得训练后的第二网络和特征融合网络。所述训练条件可以是调整次数,可将第二网络和特征融合网络的网络参数调整预定次数。又例如,训练条件可以是损失函数的大小或敛散性,可在损失函数降低到一定程度或收敛于一定阈值内时,停止调整,获得训练后的第二网络和特征融合网络,并可将训练后的第二网络和特征融合网络用于生成分割系数图的处理中。
根据本公开的实施例的图像处理方法,可获得与待处理图像尺寸一致的分割系数图来指导分割处理,无需手动标注,降低了人工工作量提高了工作效率。并可将第一网络的多个层级对应的第一特征进行特征融合,融合后的第二特征可保留第一特征的语义信息,有助于提高分割系数图的准确度,并减少了不确定区域,减少了分割系数图中的错误,提高了分割效果。
图5示出根据本公开实施例的图像处理方法的应用示意图,如图5所示,可将待处理图像输入所述第一网络,第一网络可通过各网络层级分别对待处理图像进行处理,获得与各层级分别对应的第一特征。在示例中,可选择接近第一网络的输出层的多个层级,并选择的多个层级输出的特征作为第一特征。
在一种可能的实现方式中,可在第二网络中选择预设层级,在示例中,可选择第二网络的第五个层级和第十个层级作为预设层级,则两个特征融合网络的输出通道的数量分别与第二网络的第五个层级和第十个层级的输出通道一致(例如,分别具有256个输出通道和64个输出通道),且两个特征融合网络输出的第二特征的尺寸分别与第二网络的第五个层级和第十个层级输出的第六特征的尺寸和特征通道数一致。
在一种可能的实现方式中,可将多个第一特征输入特征融合网络(例如,将第一网络的第五个层级、第六个层级和第七个层级对应的第一特征输入第一个特征融合网络,将第一网络的第八个层级、第九个层级和第十个层级对应的第一特征输入第二个特征融合网络),特征融合网络的1×1卷积层可对第一特征进行下采样,以过滤冗余信息,获得与第一特征对应的第三特征,并可对各第三特征分别进行插值处理,分别获得与第三特征对应的第四特征,且各第四特征的尺寸相同。进一步地,特征融合网络可对各第四特征的对应像素点分别进行平均处理获得第五特征,并可对第五特征依次通过ReLU激活层、3×3卷积层、ReLU激活层、3×3卷积层进行处理,获得多个预设尺寸的第二特征(例如,第一个特征融合网络可获得256个第二特征,第二个特征融合网络可获得64个第二特征)。
在一种可能的实现方式中,可将待处理图像输入第二网络,经过3×3卷积层与预设层级及其之前的层级的处理后,获得与第二网络的预设层级(例如,第五个层级和第十个层级)对应的第六特征,第一个特征融合网络输出的256个第二特征和第二网络的第五个层级输出的第六特征进行融合处理(例如,对第二特征和第六特征的对应像素点进行平均处理),可获得256个第七特征,并通过第二网络的第五个层级之后的层级对该256个第七特征继续处理。在处理进行到第十个层级时,产生了64个第六特征,第二个特征融合网络输出的64个第二特征可与该64个第六特征进行融合处理,可获得64个第七特征,进一步地,可继续通过第十个层级之后的层级对该64个第七特征进行处理。在第二网络的最后一个层级中,进行1×1卷积处理,还可通过sigmoid激活函数进行激活处理,并最终获得分割系数图。
在一种可能的实现方式中,可对分割系数图和待处理图像的对应像素点分别进行相乘,获得所述目标图像,即,仅保留目标对象所在区域,并将背景区域的RGB值设置为(0,0,0)的图像。
在一种可能的实现方式中,还可对目标图像进行进一步的处理,例如,可将模特的照片的背景去除,并加入想要的背景,以制作成各种广告。或者,可将主持人的一段视频中的背景逐帧去除,加上地图作为背景,来制作天气预报节目。或者,将一位未到场人物照片的背景去除,加入聚会合照作为背景,即可把未到场人物添加到合照中。或者,可将人物等目标对象从图像中提取出来,然后对背景或者人物分别做其他图像处理,如滤镜、风格化、虚化等等,再次融合后生成新的效果图。本公开对所述图像处理方法的应用场景不做限制。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图6示出根据本公开实施例的图像处理装置的框图,如图6所示,所述图像处理装置包括:
提取模块11,用于对待处理图像进行特征提取处理,得到至少两个第一特征,其中,所述待处理图像中包括至少一个目标对象,不同的第一特征用于表达所述目标对象的不同属性;
融合模块12,用于对所述至少两个第一特征进行第一融合处理,获得第二特征;
获得模块13,用于根据所述第二特征和所述待处理图像,获得分割系数图,所述分割系数图用于区分所述待处理图像中所述目标对象所在的第一图像区域以及所述第一图像区域之外的第二图像区域。
在一种可能的实现方式中,所述融合模块被进一步配置为:
分别对各所述第一特征进行第一卷积处理,获得与各所述第一特征对应的第三特征;
分别对各所述第三特征进行插值处理,获得与各所述第三特征对应的第四特征,其中,各所述第四特征的尺寸相同;
对所述第四特征进行特征变换处理,获得所述第二特征。
在一种可能的实现方式中,所述融合模块被进一步配置为:
将至少两个所述第四特征相结合,获得第五特征;
对所述第五特征进行激活及第二卷积处理,获得所述第二特征。
在一种可能的实现方式中,所述融合模块被进一步配置为:
对所述至少两个第四特征进行合并处理,获得所述第五特征;
对所述至少两个第四特征的对应像素点分别进行平均处理,获得所述第五特征。
在一种可能的实现方式中,所述装置还包括:
处理模块,用于根据所述分割系数图对所述待处理图像进行处理,获得目标图像。
在一种可能的实现方式中,所述处理模块被进一步配置为:
对所述分割系数图的各像素点和所述待处理图像中的对应像素点分别相乘,获得所述目标图像。
在一种可能的实现方式中,所述提取模块被进一步配置为:
将待处理图像输入至第一网络,得到所述第一网络中至少两个层级输出的至少两个第一特征。
在一种可能的实现方式中,所述获得模块被进一步配置为:
根据所述待处理图像提取第六特征;
将所述第六特征和所述第二特征进行第二融合处理,得到第七特征;
根据所述第七特征得到分割系数图。
在一种可能的实现方式中,所述获得模块被进一步配置为:
将所述待处理图像输入第二网络,获得所述第二网络的预设层级输出的第六特征,其中,所述第六特征与所述第二特征的特征维度相同,所述第二网络包括顺序排列的至少两个层级;
所述获得模块被进一步配置为:
经所述第二网络的预设层级之后的层级对所述第七特征进行处理,获得分割系数图。
在一种可能的实现方式中,所述第二网络包括编码子网络和解码子网络,其中,所述编码子网络至少包括一个层级,所述解码子网络至少包括一个层级,所述预设层级包括编码子网络中的至少一个层级以及解码子网络中的至少一个层级。
在一种可能的实现方式中,所述装置的功能通过神经网络实现,所述神经网络包括第一网络、第二网络和特征融合网络,
其中,所述装置还包括:
训练模块,用于通过已训练的第一网络、样本图像以及与所述样本图像对应的样本分割系数图训练所述第二网络和所述特征融合网络中的至少一个网络。
在一种可能的实现方式中,所述训练模块被进一步配置为:
将所述样本图像分别输入至所述已训练的第一网络和所述第二网络,得到所述第二网络输出的训练分割系数图;
根据所述分割系数图和所述样本分割系数图,确定所述第二网络和所述特征融合网络的损失函数;
根据所述损失函数,调整所述第二网络和所述特征融合网络中的至少一个网络,其中,所述特征融合网络用于将所述已训练的第一网络输出的特征进行融合,并将融合后的特征输入至第二网络。
在一种可能的实现方式中,所述训练模块被进一步配置为:
将所述样本图像输入所述已训练的第一网络,得到所述已训练的第一网络中至少两个层级输出的至少两个第一训练特征;
将所述至少两个第一训练特征输入所述特征融合网络,获得第二训练特征;
将所述第二训练特征和所述样本图像输入至所述第二网络,得到所述第二网络输出的训练分割系数图。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,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上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800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,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800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802可以包括一个或多个处理器820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802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800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804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。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800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808包括一个前置摄像头和/或后置摄像头。当电子设备800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810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800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804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802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814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814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814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814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816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800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816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816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,电子设备800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,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
对待处理图像进行特征提取处理,得到至少两个第一特征,其中,不同的第一特征用于表达所述待处理图像中目标对象的不同属性;
对所述至少两个第一特征进行第一融合处理,获得第二特征;
根据所述第二特征和所述待处理图像,获得分割系数图,所述分割系数图用于区分所述待处理图像中所述目标对象所在的第一图像区域以及所述第一图像区域之外的第二图像区域。
2.根据权利要求1所述的方法,其特征在于,对所述至少两个第一特征进行第一融合处理,获得第二特征,包括:
分别对各所述第一特征进行第一卷积处理,获得与各所述第一特征对应的第三特征;
分别对各所述第三特征进行插值处理,获得与各所述第三特征对应的第四特征,其中,各所述第四特征的尺寸相同;
对所述第四特征进行特征变换处理,获得所述第二特征。
3.根据权利要求2所述的方法,其特征在于,对所述第四特征进行特征变换处理,获得所述第二特征,包括:
将至少两个所述第四特征相结合,获得第五特征;
对所述第五特征进行激活及第二卷积处理,获得所述第二特征。
4.根据权利要求3所述的方法,其特征在于,所述将至少两个所述第四特征相结合,获得第五特征,包括以下方式中至少一种:
对所述至少两个第四特征进行合并处理,获得所述第五特征;
对所述至少两个第四特征的对应像素点分别进行平均处理,获得所述第五特征。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述分割系数图对所述待处理图像进行处理,获得目标图像。
6.根据权利要求5所述的方法,其特征在于,根据所述分割系数图对所述待处理图像进行处理,获得目标图像,包括:
对所述分割系数图的各像素点和所述待处理图像中的对应像素点分别相乘,获得所述目标图像。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述对待处理图像进行特征提取处理,得到至少两个第一特征,包括:
将待处理图像输入至第一网络,得到所述第一网络中至少两个层级输出的至少两个第一特征。
8.一种图像处理装置,其特征在于,包括:
提取模块,用于对待处理图像进行特征提取处理,得到至少两个第一特征,其中,不同的第一特征用于表达所述待处理图像中目标对象的不同属性;
融合模块,用于对所述至少两个第一特征进行第一融合处理,获得第二特征;
获得模块,用于根据所述第二特征和所述待处理图像,获得分割系数图,所述分割系数图用于区分所述待处理图像中所述目标对象所在的第一图像区域以及所述第一图像区域之外的第二图像区域。
9.一种电子设备,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调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691280.8A CN110415258B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910691280.8A CN110415258B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415258A true CN110415258A (zh) | 2019-11-05 |
CN110415258B CN110415258B (zh) | 2022-04-29 |
Family
ID=68364123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910691280.8A Active CN110415258B (zh) | 2019-07-29 | 2019-07-29 | 图像处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415258B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191662A (zh) * | 2019-12-31 | 2020-05-22 | 网易(杭州)网络有限公司 | 图像特征提取方法、装置、设备、介质及对象匹配方法 |
CN111325851A (zh) * | 2020-02-28 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
CN111340085A (zh) * | 2020-02-20 | 2020-06-26 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
CN109493350A (zh) * | 2018-11-09 | 2019-03-19 | 重庆中科云丛科技有限公司 | 人像分割方法及装置 |
CN109615593A (zh) * | 2018-11-29 | 2019-04-12 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
US20190130575A1 (en) * | 2017-10-30 | 2019-05-02 | Beijing Curacloud Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
CN109829920A (zh) * | 2019-02-25 | 2019-05-31 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109829520A (zh) * | 2019-01-31 | 2019-05-31 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置 |
CN110033003A (zh) * | 2019-03-01 | 2019-07-19 | 华为技术有限公司 | 图像分割方法和图像处理装置 |
-
2019
- 2019-07-29 CN CN201910691280.8A patent/CN110415258B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180253622A1 (en) * | 2017-03-06 | 2018-09-06 | Honda Motor Co., Ltd. | Systems for performing semantic segmentation and methods thereof |
US20190130575A1 (en) * | 2017-10-30 | 2019-05-02 | Beijing Curacloud Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
CN109493350A (zh) * | 2018-11-09 | 2019-03-19 | 重庆中科云丛科技有限公司 | 人像分割方法及装置 |
CN109615593A (zh) * | 2018-11-29 | 2019-04-12 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN109829520A (zh) * | 2019-01-31 | 2019-05-31 | 北京字节跳动网络技术有限公司 | 图像处理方法和装置 |
CN109829920A (zh) * | 2019-02-25 | 2019-05-31 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN110033003A (zh) * | 2019-03-01 | 2019-07-19 | 华为技术有限公司 | 图像分割方法和图像处理装置 |
Non-Patent Citations (3)
Title |
---|
ZHENLI ZHANG ET AL.: "《Exfuse : Enhancing feature fusion for segmantic Segmentation》", 《ARXIV》 * |
苏松志,李绍滋,蔡国榕: "《行人检测理论与实践》", 31 December 2016 * |
谭光鸿等: "《基于卷积神经网络的低参数量实时图像分割算法》", 《激光与光电子学进展》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191662A (zh) * | 2019-12-31 | 2020-05-22 | 网易(杭州)网络有限公司 | 图像特征提取方法、装置、设备、介质及对象匹配方法 |
CN111191662B (zh) * | 2019-12-31 | 2023-06-30 | 网易(杭州)网络有限公司 | 图像特征提取方法、装置、设备、介质及对象匹配方法 |
CN111340085A (zh) * | 2020-02-20 | 2020-06-26 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
CN111340085B (zh) * | 2020-02-20 | 2024-03-08 | 深圳市商汤科技有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
CN111325851A (zh) * | 2020-02-28 | 2020-06-23 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110415258B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871883B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109977847B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN110363150A (zh) | 数据更新方法及装置、电子设备和存储介质 | |
CN109800737A (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN110060262A (zh) | 一种图像分割方法及装置、电子设备和存储介质 | |
CN110188236A (zh) | 一种音乐的推荐方法、装置及*** | |
CN109614613A (zh) | 图像的描述语句定位方法及装置、电子设备和存储介质 | |
CN110298310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN110458102A (zh) | 一种人脸图像识别方法及装置、电子设备和存储介质 | |
CN109948494A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108804980A (zh) | 视频场景切换检测方法及装置 | |
CN109829863A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN108985176A (zh) | 图像生成方法及装置 | |
CN109615593A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN110706339B (zh) | 三维人脸重建方法及装置、电子设备和存储介质 | |
CN110415258A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109672830A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110399934A (zh) | 一种视频分类方法、装置及电子设备 | |
CN109934275A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109165738A (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111241887A (zh) | 目标对象关键点识别方法及装置、电子设备和存储介质 |
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 |