CN110689478A - 图像风格化处理方法、装置、电子设备及可读介质 - Google Patents
图像风格化处理方法、装置、电子设备及可读介质 Download PDFInfo
- Publication number
- CN110689478A CN110689478A CN201910910696.4A CN201910910696A CN110689478A CN 110689478 A CN110689478 A CN 110689478A CN 201910910696 A CN201910910696 A CN 201910910696A CN 110689478 A CN110689478 A CN 110689478A
- Authority
- CN
- China
- Prior art keywords
- image
- background
- processed
- stylized
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 206
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims description 41
- 238000012795 verification Methods 0.000 claims description 28
- 238000012986 modification Methods 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 240000006413 Prunus persica var. persica Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种图像风格化处理方法、装置、电子设备及可读介质。该方法包括：若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。本公开实施例的方案在对图像进行风格化处理时，考虑了图像背景的复杂程度，提高了图像风格化处理结果的精细度和美观度。
Description
技术领域
本公开实施例涉及互联网技术领域，尤其涉及一种图像风格化处理方法、装置、电子设备及可读介质。
背景技术
现有的终端设备大都配置有拍照功能，为了满足终端用户个性化的需求，终端设备的拍照功能下通常都具备图像处理功能，实现对终端用户拍摄到的图像进行风格化处理。
目前，终端设备在对图像进行风格化处理时，采用的方法是通过神经网络模型采用风格化处理算法直接对整张图像进行风格化处理。但是由于不同图像的内容复杂度是不一样的，现有方法在实际执行风格化处理时，很难满足不同复杂度的图像的风格化处理需求，容易出现风格化处理结果粗糙，影响美观度的情况，亟需改进。
发明内容
本公开实施例提供一种图像风格化处理方法、装置、电子设备及可读介质，在对图像进行风格化处理时，考虑了图像背景的复杂程度，提高了图像风格化处理结果的精细度和美观度。
第一方面，本公开实施例提供了一种图像风格化处理方法，该方法包括：
若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；
将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；
将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。
第二方面，本公开实施例还提供了一种图像风格化处理装置，其特征在于，包括：
背景替换模块，用于若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；
风格化处理模块，用于将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；
所述背景替换模块，还用于将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。
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：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开任意实施例所述的图像风格化处理方法。
第四方面，本公开实施例提供了一种可读介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例所述的图像风格化处理方法。
本公开实施例提供了一种图像风格化处理方法、装置、电子设备及可读介质，判断待处理图像的背景复杂度是否低于复杂度阈值，若是，则将该待处理图像的原始背景替换为预设的模板背景，得到目标图像；由风格化处理模型对目标图像进行风格化处理后，将处理得到的初步风格化处理图像的背景替换为原始背景，得到最终的风格化处理图像。本公开实施例的方案在对图像进行风格化处理时，考虑了图像背景的复杂程度，当待处理图像背景复杂度较低时，采用为待处理图像更换模板背景后再进行风格化处理的方法，避免了对背景复杂度较低的待处理图像采用现有风格化处理方法，出现处理结果粗糙的情况，提高了图像风格化处理结果的精细度和美观度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1A-1B示出了现有技术对待处理图像进行风格化处理的效果示意图；
图2A示出了本公开实施例一提供的一种图像风格化处理方法的流程图；
图2B-2E示出了本公开实施例一提供的对待处理图像进行风格化处理的效果示意图；
图3示出了本公开实施例二提供的另一种图像风格化处理方法的流程图；
图4示出了本公开实施例三提供的另一种图像风格化处理方法的流程图；
图5示出了本公开实施例四提供的一种图像风格化处理装置的结构示意图；
图6示出了本公开实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。本公开实施方式中的多方之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
需要说明的是，在介绍本公开实施例之前，先对本公开实施例的图像风格化处理方法、装置、电子设备及可读介质的适用场景进行说明。具体的，本公开实施例适用于对用户通过电子设备(如手机、平板电脑、可穿戴设备以及照相机等)拍摄的图像、电子设备图库中已存的图像进行风格化处理的过程，以为用户生成个性化的图像。在对待处理图像进行风格化处理时，通常预先训练好的神经网络模型对整张图像进行风格化处理，此时当待处理图像的背景部分复杂度比较低时，容易出现风格化处理结果粗糙的情况。示例性的，图1A为背景图像复杂度较低的待处理图像，图1B为对图1A所示的待处理图像按照现有方法进行漫画风格处理后的效果图，该效果图整体效果较差，严重影响漫画风格处理的美观度。因此，亟需改进现有的图像风格化处理方法。
下面针对本公开下述实施例提供的一种图像风格化处理方法、装置、电子设备及可读介质进行详细阐述。
实施例一
图2A示出了本公开实施例一提供的一种图像风格化处理方法的流程图；如2B-2E示出了本公开实施例一提供的对待处理图像进行风格化处理的效果示意图。本实施例可适用于对待处理图像进行风格化处理的情况，尤其适用于对背景复杂度低于复杂度阈值的待处理图像进行风格化处理的情况。该方法可以由图像风格化处理装置或电子设备来执行，该装置可以通过软件和/或硬件的方式来实现，该装置可以配置在电子设备中。可选的，该电子设备可以是手机、平板电脑、可穿戴设备以及照相机等具有图像处理功能的终端设备。
可选的，如图2A所示，本实施例中的方法可以包括如下步骤：
S201，若确定待处理图像的背景复杂度低于复杂度阈值，则将待处理图像的原始背景替换为模板背景，得到目标图像。
其中，待处理图像可以是本实施例中待进行风格化处理的图像，其可以是电子设备上的摄像头当前拍摄的图像，也可以是从电子设备本地图库中根据用户的点击操作选择的已存图像。待处理图像的原始背景可以是待处理图像自身原有的背景，例如，图2B所示的待处理图像，其原始背景为灰色背景。模板背景是预先设置的高复杂度的背景图像，可选的，本实施例中的模板背景的个数可以有一个或多个，当模板背景有多个时，可以是设置多个不同复杂度的背景图像作为模板背景。复杂度阈值可以是预先设置的用于判断是否对待处理图像进行背景替换的评判标准。该复杂度阈值可以是针对背景复杂度设置的阈值。背景复杂度可以是待处理图像中背景区域的复杂程度，例如，当待处理图像的背景区域为墙壁、蓝天、大海等简单的纯色背景时，则背景复杂度低；当待处理图像的背景区域为马路、公园等杂乱背景时，则背景复杂度高。
可选的，本步骤在确定待处理图像的背景复杂度是否低于复杂度阈值的一种可实施方式可以是，对待处理图像的背景区域进行像素点灰度直方图统计，若直方图中灰度值分布范围越广，则说明背景复杂度越高。第二种可实施方式可以是提取待处理图像的原始背景的纹理特征，并根据所述纹理特征，确定待处理图像的背景复杂度是否低于复杂度阈值。具体的，可以是先采用纹理特征提取算法从待处理图像的原始背景中提取纹理特征，其中，提取纹理特征的算法可以包括但不限于统计法、几何法、模型法、结构分析法以及信号处理法等。在提取到待处理图像的原始背景的纹理特征后，可以将纹理特征对应像素点的数量或纹理特征对应的像素点占原始背景总像素点的比值作为待处理图像的背景复杂度，然后判断该背景复杂度是否低于预先设置的复杂度阈值。
优选实施例，本步骤在执行上述第二种可实施方式时的一种优选执行方法可以是：对所述待处理图像的原始背景进行边缘检测，得到所述原始背景的纹理特征；确定所述纹理特征在所述原始背景中的像素占比，作为待处理图像的背景复杂度；确定待处理图像的背景复杂度是否低于复杂度阈值。具体的，该方法可以是通过对待处理图像的原始背景内容进行边缘检测，将边缘检测结果作为原始图像的纹理特征。其中，边缘检测算法可以包括但不限于canny算法、Roberts算法以及Sobel算法等。然后确定边缘结果对应的像素点数量在原始背景的总像素点数量的像素占比，作为待处理图像的背景复杂度，将其与预先设置的复杂度阈值进行比较，判断待处理图像的背景复杂度是否低于复杂度阈值。
可选的，通常情况下，在对待处理图像进行风格化处理时，若背景复杂度较低，则会出现处理结果粗糙的情况。所以本步骤可以在待处理图像的背景复杂度高于或等于复杂度阈值时，说明待处理图像的背景复杂度为高复杂度，此时采用统一的风格化处理方法就可以准确完成对待处理图像的风格化处理操作，即可以直接将待处理图像输入风格化处理模型中，获取风格化处理模型输出的结果作为该待处理图像的风格化处理图像。当待处理图像的背景复杂度低于复杂度阈值时，说明待处理图像的背景复杂度比较低，容易出现处理结果粗糙的情况，需要对待处理图像进行背景更换，将待处理图像的原始背景替换为预先设置好的模板背景，得到目标图像。示例性的，图2B为本实施例的待处理图像，该待处理图像的原始背景为纯灰色低复杂度的背景，若该待处理图像的背景复杂度低于复杂度阈值，则可以是将该图2B的灰色原始背景替换为预先设置的高复杂度的桃花源模板背景，得到如图2C所示的目标图像。
可选的，本步骤无论是判断待处理图像的背景复杂度，还是执行背景替换操作，都需要先确定待处理图像的背景区域和前景区域，具体的确定方法可以是采用图像识别或图像聚类算法对待处理图像进行区域分割，得到待处理图像的背景区域和前景区域；还可以是预先训练背景分割模型，由背景分割模型来对待处理图像进行区域分割，得到待处理图像的背景区域和前景区域；还可以是由用户手动选择待处理图像的背景区域和前景区域。对此本实施例不进行限定。
S202，将目标图像输入风格化处理模型中，得到初步风格化处理图像。
其中，风格化处理模型可以是预先训练好的，可以实现对图像中的内容进行风格化处理的神经网络模型。该风格化处理模型的具体训练过程将在后续实施例进行详细介绍。
可选的，本步骤可以是将S201对待处理图像进行背景替换后得到的目标图像作为输入参数，调用并运行预先训练好的风格化处理模型的程序代码，此时该风格化处理模型会基于训练时的风格化处理算法，对输入的目标图像中的内容进行风格化处理，输出风格化处理后的图像，即初步风格化处理图像。
示例性的，将图2C所示的目标图像作为风格化处理模型的输入数据，调用并运行预先训练好的风格化处理模型的程序代码，此时该风格化处理模型会基于训练时的漫画风格处理算法，对图2C所示的目标图像进行漫画风格化处理，得到图2D所示的初步风格化处理图像。
可选的，本步骤的风格化处理模型对目标图像进行的风格化处理操作可以包括但不限于：漫画风格处理、像素化风格处理、素描风格处理或油画风格处理等多种滤镜形式的风格化处理。
S203，将初步风格化处理图像的背景替换为原始背景，得到最终的风格化处理图像。
可选的，在得到初步风格化处理图像后，由于该初步风格化处理图像的背景不是待处理图像的原始图像，为了保证处理后的图像与原图像的一致性，本步骤还需要将初步风格化图像的当前背景替换为待处理图像的原始背景。具体的执行过程可以是先对初步风格化处理图像进行背景区域识别，确定初步风格化处理图像的当前背景(具体的确定方法与从待处理图像中确定原始背景的过程一样，对此不进行赘述)，并将待处理图像的原始背景替换初步风格化处理图像的当前背景，得到最终的对待处理图像进行风格化处理后的风格化处理图像。示例性的，确定图2D所示的初步风格化处理图像的当前背景，并将图2B所示的待处理图像的原始背景替换图2D中的当前背景，得到图2E所示的最终的风格化处理图像。
可选的，本步骤若直接采用待处理图像的原始背景替换初步风格化处理图像的背景，生成最终的风格化处理图像，最终得到的图像的背景部分并没有执行风格化处理操作。为了提高待处理图像风格化处理的一致性和美观性，本步骤在执行将所述初步风格化处理图像的背景替换为所述原始背景时，还可以是将原始背景输入背景处理模型中，得到处理后原始背景；将所述初步风格化处理图像的背景替换为处理后的原始背景。其中，背景处理模型是预先训练的专门对待处理图像的原始背景进行风格化处理的神经网络模型。该背景处理模型进行的风格化处理类型与S202中的风格化处理模型进行的风格化处理类型相同，两模型的训练过程也类似，只是训练后的各模型在具体执行风格化处理时的算法参数不同。具体的执行过程可以是将S201替换掉的原始背景作为背景处理模型的输入数据，调用并运行背景处理模型的程序代码，此时该背景处理模型会基于训练时的风格化处理算法，对输入的原始背景进行风格化处理操作，得到风格化处理后的原始背景，然后再执行将初步风格化处理图像的背景替换为风格化处理后的原始背景，得到最终的风格化处理图像。
本公开实施例提供了一种图像风格化处理方法，判断待处理图像的背景复杂度是否低于复杂度阈值，若是，则将该待处理图像的原始背景替换为预设的模板背景，得到目标图像；由风格化处理模型对目标图像进行风格化处理后，将处理得到的初步风格化处理图像的背景替换为原始背景，得到最终的风格化处理图像。本公开实施例的方案在对图像进行风格化处理时，考虑了图像背景的复杂程度，当待处理图像背景复杂度较低时，采用为待处理图像更换模板背景后再进行风格化处理的方法，避免了对背景复杂度较低的待处理图像采用现有风格化处理方法，出现处理结果粗糙的情况，提高了图像风格化处理结果的精细度和美观度。
实施例二
图3示出了本公开实施例二提供的另一种视频学习素材的提供方法的流程图；本实施例在上述实施例提供的各可选方案的基础上进行了优化，具体给出了如何训练风格化处理模型的详细介绍。
可选的，如图3所示，本实施例中的方法可以包括如下步骤：
S301，构建初始网络模型。
可选的，本步骤可以根据实际风格化处理的需求，预先构建一个预设层数的卷积神经网络，并为各层设置对应初始参数，其中，初始参数可以是初始的通道数、损失权重值、通道参数、风格化处理算法及其算法参数等，从而完成初始网络模型的构建，本步骤构建的初始网络模型不能直接用于对待处理图像进行风格化处理操作，需要先对构建的初始网络模型进行训练。
S302，采用样本图像数据对初始网络模型进行风格化处理训练。
其中，样本图像数据可以是训练初始网络模型所需要的训练数据，其可以是由多组原图和各原图的风格化处理图像构成。
可选的，本步骤在对S301构建的初始网络模型进行风格化训练时，可以是依次将样本图像数据中的每一组原图和原图的风格化处理图像作为一组输入数据，输入到初始网络模型中，对初始网络模型中设置的相关初始参数进行训练。具体的训练过程可以与现有技术对执行图像风格化处理的神经网络模型的训练方式类似，对此本实施例不进行限定。
S303，采用验证图像数据验证训练后的初始网络模型输出图像的属性参数是否大于参数阈值，若否，则执行S304，若是，则执行S305。
其中，验证图像数据可以是用于验证训练后的初始网络模型是否能够高质量的执行风格化处理操作的验证数据。可选的，验证图像数据可以是在获取样本图像的过程中，将获取的图像中一定比例(如80％)的图像数据作为样本图像数据，剩余比例(如20％)的图像数据作为验证图像数据；还可以是专门选择出的各种拍摄场景下的图像数据。输出图像的属性参数可以是用于验证输出图像风格化处理效果的评判参数，其中，属性参数可以包括但不限于饱和度参数、边缘平滑度参数和阴影参数中的至少一个，针对其中的每一维度的属性参数可以通过固定的公式或算法来确定。
可选的，本步骤可以是在采用一组或多组的样本图像数据对初始网络模型进行风格化处理训练后，采用验证图像数据对S302训练得到的初始网络模型是否能够高质量的执行风格化处理操作进行验证，也就是说验证S302训练得到的初始网络模型是否可以作为可实际使用的风格化处理模型。具体的验证过程可以是将验证图像作为输入数据，调用并运行训练后的初始网络模型的程序代码，此时训练后的初始网络模型会根据训练时的算法，对输入的验证图像进行风格化处理操作，输出风格化处理结果，即验证风格化处理图像。可选的，针对该验证风格化图像确定属性参数时，可以是计算该图像的饱和度作为饱和度参数；计算该图像中边缘轮廓的平滑程度作为边缘平滑度参数；计算该图像边缘轮廓以外的其他区域的平滑程度作为阴影参数。在判断计算出的属性参数是否大于参数阈值时，可以针对属性参数中的每一种参数都设置其对应的参数阈值，判断各种属性参数是否都大于其对应的参数阈值。若训练后的初始网络模型输出图像的属性参数中的各参数值都大于其对应的参数阈值，则说明此时初始网络模型已经训练好，可以执行S305，将训练后的初始网络模型作为所述风格化处理模型。否则，说明此时的初始网络模型进行风格化处理的效果不是很好，需要进一步的优化，此时执行S304对初始网络模型的模型参数进行调整优化。
可选的，本实施例为了保证准确的对训练后的初始网络模型进行验证，可以是选择至少两组验证图像数据对训练后的初始网络模型进行本步骤的操作。当至少两组验证图像数据验证的结果都是输出图像的属性参数大于参数阈值时，执行S305，将训练后的初始网络模型作为所述风格化处理模型。
S304，若否，则在预设修改范围内调整初始网络模型的模型参数，并对调整模型参数后的初始网络模型返回执行S302的操作。
可选的，本步骤在调整S302训练后的初始网络模型的模型参数时，可以是从模型内部执行数据处理操作的层数、各层的通道数以及损失权重值中的至少一个维度进行调整。可选的，在对初始网络模型的模型参数进行调整时，可以是为层数、通道数和损失权重值设置优先级，按照优先级每次针对一个维度的模型参数，在该模型参数对应的预设修改范围内对该模型参数进行调整，修改完一个维度的模型参数后就返回执行S302-S303，采用样本图像数据对调整模型参数后的初始网络模型重新进行风格化处理训练，以及采用验证图像数据验证训练后的初始网络模型输出图像的属性参数是否大于参数阈值的操作。优选的，若各模型参数的优先级为层数高于通道数，通道数高于损失权重值，则可以是先调整通道数，将通道数增加1后返回执行S302-S303，采用样本图像数据对增加层数后的初始网络模型重新进行风格化处理训练，并验证训练后的输出初始网络模型的输出图像的属性参数是否大于参数阈值，如果还是未大于参数阈值，则再调整初始网络模型的通道数，将通道数增加1.2倍后返回执行S302-S303的操作。可选的，本步骤在对初始网络模型的通道数进行调整时，可以优先选择对初始网络模型的组卷积层的通道数进行调整。
需要说明的是，预设修改范围可以是预先设置第一个修改范围；也可以是预先设置的至少两个可选修改数值，优选的，对于损失权重值和层数，可以是设置一个修改范围；对于通道数可以设置增加1.2倍、1.5倍和1.6倍等多个可选修改数值。
可选的，本步骤在对初始网络模型的模型参数进行调整时，除了可以一次调整一个模型参数外，还可以是一次同时调整至少两个模型参数，对此本步骤不进行限定。
S305，若是，则将训练后的初始网络模型作为风格化处理模型。
可选的，若采用验证图像数据验证训练后的初始网络模型输出图像的属性参数大于参数阈值，则说明此时初始网络模型训练完成，将此时的初始网络模型的程序代码封装后，作为风格化处理模型的程序代码。
S306，若确定待处理图像的背景复杂度低于复杂度阈值，则将待处理图像的原始背景替换为模板背景，得到目标图像。
S307，将目标图像输入风格化处理模型中，得到初步风格化处理图像。
S308，将初步风格化处理图像的背景替换为原始背景，得到最终的风格化处理图像。
本公开实施例提供了一种图像风格化处理方法，采用样本图像数据对构建的初始网络模型进行训练后，若通过采用验证图像数据验证训练后的初始网络模型输出的风格化处理图像的多维度属性参数未大于参数阈值，则对初始网络模型的多维度模型参数进行调整后重新训练，否则完成初始网络模型的训练，得到风格化处理模型。本实施例在训练初始网络模型的过程中，通过多维度属性参数的验证以及多维度模型参数的调整，极大的提高了风格化处理模型的处理效果的质量，为后续对待处理图像的风格化处理操作奠定了基础。在对待处理图像进行风格化处理时，若待处理图像的背景复杂度低于复杂度阈值，则将该待处理图像的原始背景替换为预设的模板背景后，再采用风格化处理模型进行风格化处理操作，并对得到的初步风格化处理图像的背景替换为原始背景后得到最终的风格化处理图像，考虑了待处理图像的背景复杂程度，进一步提高了图像风格化处理结果的精细度和美观度。
实施例三
图4示出了本公开实施例三提供的另一种视频学习素材的提供方法的流程图；本实施例在上述实施例提供的各可选方案的基础上进行了优化，具体给出了将所述目标图像输入风格化处理模型中，得到初步风格化处理图像的详细介绍。
可选的，如图4所示，本实施例中的方法可以包括如下步骤：
S401，若确定待处理图像的背景复杂度低于复杂度阈值，则将待处理图像的原始背景替换为模板背景，得到目标图像。
S402，根据接收到的区域选择指令，确定待处理区域。
可选的，本实施例为了提高用户对待处理图像进行风格化处理的个性化需求，可以是根据用户的选择，只对用户选择区域进行风格化处理。具体的，用户在选择待处理图像后，通过在待处理图像上的滑动操作，触发区域选择指令，其中，该区域选择指令中包含用户选择的待处理区域。可选的，若该区域选择指令是用户在待处理图像上的非闭合滑动操作触发的，则可以是将用户滑动操作所对应的区域作为待处理区域，并将该待处理区域对应的位置坐标添加到区域选择指令中传输给电子设备；若该区域选择指令是用户在待处理图像上的闭合滑动操作触发的，则可以是将用户滑动操作对应的闭合框选区域作为待处理区域，并将该待处理区域对应的位置坐标添加到区域选择指令中传输给电子设备。电子设备在接收到用户触发的区域选择指令后，从区域选择指令中获取待处理区域的具体坐标位置。
S403，将目标图像和待处理区域输入风格化处理模型中，并控制风格化处理模型对目标图像的待处理区域的内容进行风格化处理，得到初步风格化处理图像。
可选的，本步骤可以是将S401得到的目标图像和S402确定待处理区域一并作为输入数据，调用并运行风格化处理模型的程序代码，此时风格化处理模型基于输入的目标图像和待处理区域，按照训练时的算法，只对目标图像的待处理区域的内容进行风格化处理操作，得到的初步风格化处理图像中只有待处理区域内显示的是风格化处理的效果，其余区域还是未进行风格化处理的效果。
S404，将初步风格化处理图像的背景替换为原始背景，得到最终的风格化处理图像。
可选的，若S402确定的待处理区域不包含背景区域，则本步骤可以是将S403得到的初始风格化处理图像的背景替换为待处理图像的原始背景即可得到最终的风格化处理图像。若S402确定的待处理区域包含背景区域，则本步骤可以是确定待处理区域在背景区域对应的位置坐标，然后将原始背景和待处理区域在背景区域对应的位置坐标一并作为输入数据，输入背景处理模型中，控制背景处理模型只对原始背景中该位置坐标区域的内容进行风格化处理操作，得到处理后原始背景；最后将S403得到的初始风格化处理图像的背景替换为处理后的原始背景，得到最终的风格化处理图像。
本公开实施例提供了一种图像风格化处理方法，若用户在选择待处理图像时触发了区域选择指令，则在待处理图像的背景复杂度低于复杂度阈值时，将该待处理图像的原始背景替换为预设的模板背景，得到目标图像后，根据用户触发的区域选择指令确定待处理区域，控制风格化处理模型只对目标图像的待处理区域进行风格化处理后，将处理得到的初步风格化处理图像的背景替换为原始背景，得到最终的风格化处理图像。本公开实施例的方案在对待处理图像进行风格化处理时，不但考虑了图像背景的复杂程度，提高图像风格化处理结果的精细度和美观度；还可以针对用户的区域选择指令，为用户生成个性化的风格化处理效果，提高了图像风格化处理的趣味性。
实施例四
图5示出了本公开实施例四提供的一种图像风格化处理装置的结构示意图，本公开实施例可适用于对待处理图像进行风格化处理的情况，尤其适用于对背景复杂度低于复杂度阈值的待处理图像进行风格化处理的情况。该装置可以通过软件和/或硬件来实现，并集成在执行本方法的电子设备中，如图5所示，该装置可以包括：
背景替换模块501，用于若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；
风格化处理模块502，用于将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；
所述背景替换模块501，还用于将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。
本公开实施例提供了一种图像风格化处理装置，判断待处理图像的背景复杂度是否低于复杂度阈值，若是，则将该待处理图像的原始背景替换为预设的模板背景，得到目标图像；由风格化处理模型对目标图像进行风格化处理后，将处理得到的初步风格化处理图像的背景替换为原始背景，得到最终的风格化处理图像。本公开实施例的方案在对图像进行风格化处理时，考虑了图像背景的复杂程度，当待处理图像背景复杂度较低时，采用为待处理图像更换模板背景后再进行风格化处理的方法，避免了对背景复杂度较低的待处理图像采用现有风格化处理方法，出现处理结果粗糙的情况，提高了图像风格化处理结果的精细度和美观度。
进一步的，所述装置还包括复杂度判断模型，所述复杂度判断模型在执行确定待处理图像的背景复杂度低于复杂度阈值时用于：
提取待处理图像的原始背景的纹理特征，并根据所述纹理特征，确定待处理图像的背景复杂度是否低于复杂度阈值。
进一步的，所述复杂度判断模型具体用于：
对所述待处理图像的原始背景进行边缘检测，得到所述原始背景的纹理特征；
确定所述纹理特征在所述原始背景中的像素占比，作为待处理图像的背景复杂度；
确定所述待处理图像的背景复杂度是否低于复杂度阈值。
进一步的，所述装置还包括：模型训练模块，所述模型训练模块包括：
训练单元，用于采用样本图像数据对构建的初始网络模型进行风格化处理训练；
验证单元，用于采用验证图像数据验证训练后的初始网络模型输出图像的属性参数是否大于参数阈值；其中，所述属性参数包括：饱和度参数、边缘平滑度参数和阴影参数中的至少一个；
模型确定单元，用于若训练后的初始网络模型输出图像的属性参数大于参数阈值，则将训练后的初始网络模型作为所述风格化处理模型。
进一步的，所述模型训练模块还包括：
参数调整单元，用于若训练后的初始网络模型输出图像的属性参数小于或等于参数阈值，则在预设修改范围内调整所述初始网络模型的模型参数；其中，所述模型参数包括初始网络模型的层数、通道数、损失权重值中的至少一个；
所述训练单元，还用于采用样本图像数据对调整模型参数后的初始网络模型重新进行风格化处理训练。
进一步的，所述风格化处理模块502具体用于：
根据接收到的区域选择指令，确定待处理区域；
将所述目标图像和所述待处理区域输入风格化处理模型中，并控制所述风格化处理模型对所述目标图像的待处理区域的内容进行风格化处理，得到初步风格化处理图像。
进一步的，所述背景替换模块501在执行将所述初步风格化处理图像的背景替换为所述原始背景时，具体用于：
将原始背景输入背景处理模型中，得到处理后原始背景；
将所述初步风格化处理图像的背景替换为处理后的原始背景。
本公开实施例提供的图像风格化处理装置，与上述各实施例提供的图像风格化处理方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见上述各实施例，并且本公开实施例与上述各实施例具有相同的有益效果。
实施例五
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600的结构示意图。该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600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600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600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、摄像头、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600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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，其包括承载在非暂态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。
在一些实施方式中，电子设备可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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，使得该电子设备内部进程执行：若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。
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但不限于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。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例提供的一种图像风格化处理方法，该方法包括：
若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；
将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；
将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。
根据本公开的一个或多个实施例，上述方法中，确定待处理图像的背景复杂度低于复杂度阈值，包括：
提取待处理图像的原始背景的纹理特征，并根据所述纹理特征，确定待处理图像的背景复杂度是否低于复杂度阈值。
根据本公开的一个或多个实施例，上述方法中，提取待处理图像的原始背景的纹理特征，并根据所述纹理特征，确定待处理图像的背景复杂度是否低于复杂度阈值，包括：
对所述待处理图像的原始背景进行边缘检测，得到所述原始背景的纹理特征；
确定所述纹理特征在所述原始背景中的像素占比，作为待处理图像的背景复杂度；
确定所述待处理图像的背景复杂度是否低于复杂度阈值。
根据本公开的一个或多个实施例，上述方法中，在将所述目标图像输入风格化处理模型中之前，还包括：
采用样本图像数据对构建的初始网络模型进行风格化处理训练；
采用验证图像数据验证训练后的初始网络模型输出图像的属性参数是否大于参数阈值；其中，所述属性参数包括：饱和度参数、边缘平滑度参数和阴影参数中的至少一个；
若是，则将训练后的初始网络模型作为所述风格化处理模型。
根据本公开的一个或多个实施例，上述方法中，在采用验证图像数据验证训练后的初始网络模型输出图像的属性参数是否大于参数阈值之后，还包括：
若否，则在预设修改范围内调整所述初始网络模型的模型参数；其中，所述模型参数包括初始网络模型的层数、通道数、损失权重值中的至少一个；
采用样本图像数据对调整模型参数后的初始网络模型重新进行风格化处理训练。
根据本公开的一个或多个实施例，上述方法中，将所述目标图像输入风格化处理模型中，得到初步风格化处理图像，包括：
根据接收到的区域选择指令，确定待处理区域；
将所述目标图像和所述待处理区域输入风格化处理模型中，并控制所述风格化处理模型对所述目标图像的待处理区域的内容进行风格化处理，得到初步风格化处理图像。
根据本公开的一个或多个实施例，上述方法中，将所述初步风格化处理图像的背景替换为所述原始背景，包括：
将原始背景输入背景处理模型中，得到处理后原始背景；
将所述初步风格化处理图像的背景替换为处理后的原始背景。
根据本公开的一个或多个实施例提供的一种图像风格化处理装置，该装置包括：
背景替换模块，用于若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；
风格化处理模块，用于将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；
所述背景替换模块，还用于将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。
根据本公开的一个或多个实施例，上述装置还包括复杂度判断模型，所述复杂度判断模型在执行确定待处理图像的背景复杂度低于复杂度阈值时用于：
提取待处理图像的原始背景的纹理特征，并根据所述纹理特征，确定待处理图像的背景复杂度是否低于复杂度阈值。
根据本公开的一个或多个实施例，上述装置中的所述复杂度判断模型具体用于：
对所述待处理图像的原始背景进行边缘检测，得到所述原始背景的纹理特征；
确定所述纹理特征在所述原始背景中的像素占比，作为待处理图像的背景复杂度；
确定所述待处理图像的背景复杂度是否低于复杂度阈值。
根据本公开的一个或多个实施例，上述装置还包括：模型训练模块，所述模型训练模块包括：
训练单元，用于采用样本图像数据对构建的初始网络模型进行风格化处理训练；
验证单元，用于采用验证图像数据验证训练后的初始网络模型输出图像的属性参数是否大于参数阈值；其中，所述属性参数包括：饱和度参数、边缘平滑度参数和阴影参数中的至少一个；
模型确定单元，用于若训练后的初始网络模型输出图像的属性参数大于参数阈值，则将训练后的初始网络模型作为所述风格化处理模型。
根据本公开的一个或多个实施例，上述装置中的所述模型训练模块还包括：
参数调整单元，用于若训练后的初始网络模型输出图像的属性参数小于或等于参数阈值，则在预设修改范围内调整所述初始网络模型的模型参数；其中，所述模型参数包括初始网络模型的层数、通道数、损失权重值中的至少一个；
所述训练单元，还用于采用样本图像数据对调整模型参数后的初始网络模型重新进行风格化处理训练。
根据本公开的一个或多个实施例，上述装置中的所述风格化处理模块具体用于：
根据接收到的区域选择指令，确定待处理区域；
将所述目标图像和所述待处理区域输入风格化处理模型中，并控制所述风格化处理模型对所述目标图像的待处理区域的内容进行风格化处理，得到初步风格化处理图像。
根据本公开的一个或多个实施例，上述装置中的所述背景替换模块在执行将所述初步风格化处理图像的背景替换为所述原始背景时，具体用于：
将原始背景输入背景处理模型中，得到处理后原始背景；
将所述初步风格化处理图像的背景替换为处理后的原始背景。
根据本公开的一个或多个实施例提供的一种电子设备，该电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开任意实施例所述的图像风格化处理方法。
根据本公开的一个或多个实施例提供的一种可读介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例所述的图像风格化处理方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种图像风格化处理方法，其特征在于，包括：
若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；
将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；
将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。
2.根据权利要求1所述的方法，其特征在于，确定待处理图像的背景复杂度低于复杂度阈值，包括：
提取待处理图像的原始背景的纹理特征，并根据所述纹理特征，确定待处理图像的背景复杂度是否低于复杂度阈值。
3.根据权利要求2所述的方法，其特征在于，提取待处理图像的原始背景的纹理特征，并根据所述纹理特征，确定待处理图像的背景复杂度是否低于复杂度阈值，包括：
对所述待处理图像的原始背景进行边缘检测，得到所述原始背景的纹理特征；
确定所述纹理特征在所述原始背景中的像素占比，作为待处理图像的背景复杂度；
确定所述待处理图像的背景复杂度是否低于复杂度阈值。
4.根据权利要求1所述的方法，其特征在于，在将所述目标图像输入风格化处理模型中之前，还包括：
采用样本图像数据对构建的初始网络模型进行风格化处理训练；
采用验证图像数据验证训练后的初始网络模型输出图像的属性参数是否大于参数阈值；其中，所述属性参数包括：饱和度参数、边缘平滑度参数和阴影参数中的至少一个；
若是，则将训练后的初始网络模型作为所述风格化处理模型。
5.根据权利要求4所述的方法，其特征在于，在采用验证图像数据验证训练后的初始网络模型输出图像的属性参数是否大于参数阈值之后，还包括：
若否，则在预设修改范围内调整所述初始网络模型的模型参数；其中，所述模型参数包括初始网络模型的层数、通道数、损失权重值中的至少一个；
采用样本图像数据对调整模型参数后的初始网络模型重新进行风格化处理训练。
6.根据权利要求1所述的方法，其特征在于，将所述目标图像输入风格化处理模型中，得到初步风格化处理图像，包括：
根据接收到的区域选择指令，确定待处理区域；
将所述目标图像和所述待处理区域输入风格化处理模型中，并控制所述风格化处理模型对所述目标图像的待处理区域的内容进行风格化处理，得到初步风格化处理图像。
7.根据权利要求1所述的方法，其特征在于，将所述初步风格化处理图像的背景替换为所述原始背景，包括：
将原始背景输入背景处理模型中，得到处理后原始背景；
将所述初步风格化处理图像的背景替换为处理后的原始背景。
8.一种图像风格化处理装置，其特征在于，包括：
背景替换模块，用于若确定待处理图像的背景复杂度低于复杂度阈值，则将所述待处理图像的原始背景替换为模板背景，得到目标图像；
风格化处理模块，用于将所述目标图像输入风格化处理模型中，得到初步风格化处理图像；
所述背景替换模块，还用于将所述初步风格化处理图像的背景替换为所述原始背景，得到最终的风格化处理图像。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的图像风格化处理方法。
10.一种可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的图像风格化处理方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910910696.4A CN110689478B (zh) | 2019-09-25 | 2019-09-25 | 图像风格化处理方法、装置、电子设备及可读介质 |
| PCT/CN2020/113974 WO2021057463A1 (zh) | 2019-09-25 | 2020-09-08 | 图像风格化处理方法、装置、电子设备及可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910910696.4A CN110689478B (zh) | 2019-09-25 | 2019-09-25 | 图像风格化处理方法、装置、电子设备及可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110689478A true CN110689478A (zh) | 2020-01-14 |
| CN110689478B CN110689478B (zh) | 2023-12-01 |
Family
ID=69110569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910910696.4A Active CN110689478B (zh) | 2019-09-25 | 2019-09-25 | 图像风格化处理方法、装置、电子设备及可读介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110689478B (zh) |
| WO (1) | WO2021057463A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445383A (zh) * | 2020-03-20 | 2020-07-24 | 北京迈格威科技有限公司 | 影像参数的调节方法、装置及*** |
| WO2021057463A1 (zh) * | 2019-09-25 | 2021-04-01 | 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 |
| US20230386001A1 (en) * | 2021-02-09 | 2023-11-30 | Beijing Zitiao Network Technology Co., Ltd. | Image display method and apparatus, and device and medium |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170132459A1 (en) * | 2015-11-11 | 2017-05-11 | Adobe Systems Incorporated | Enhancement of Skin, Including Faces, in Photographs |
| CN108154518A (zh) * | 2017-12-11 | 2018-06-12 | 广州华多网络科技有限公司 | 一种图像处理的方法、装置、存储介质及电子设备 |
| 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 |
| US20180373999A1 (en) * | 2017-06-26 | 2018-12-27 | Konica Minolta Laboratory U.S.A., Inc. | Targeted data augmentation using neural style transfer |
| CN109344724A (zh) * | 2018-09-05 | 2019-02-15 | 深圳伯奇科技有限公司 | 一种证件照自动背景替换方法、***及服务器 |
| CN109523460A (zh) * | 2018-10-29 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 图像风格的迁移方法、迁移装置和计算机可读存储介质 |
| CN110211017A (zh) * | 2019-05-15 | 2019-09-06 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
| CN110222722A (zh) * | 2019-05-14 | 2019-09-10 | 华南理工大学 | 交互式图像风格化处理方法、***、计算设备及存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101794454B (zh) * | 2010-04-08 | 2012-01-04 | 西安交通大学 | 一种基于图像的油画风格化方法 |
| CN104869346A (zh) * | 2014-02-26 | 2015-08-26 | ***通信集团公司 | 一种视频通话中的图像处理方法及电子设备 |
| CN105989594B (zh) * | 2015-02-12 | 2019-02-12 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
| CN106920212A (zh) * | 2015-12-24 | 2017-07-04 | 掌赢信息科技（上海）有限公司 | 一种发送风格化视频的方法及电子设备 |
| CN106327448A (zh) * | 2016-08-31 | 2017-01-11 | 上海交通大学 | 一种基于深度学习的图片风格化处理方法 |
| US10165259B2 (en) * | 2017-02-15 | 2018-12-25 | Adobe Systems Incorporated | Generating novel views of a three-dimensional object based on a single two-dimensional image |
| CN107507173B (zh) * | 2017-08-15 | 2021-07-27 | 上海交通大学 | 一种全切片图像的无参考清晰度评估方法及*** |
| 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 |
-
2019
- 2019-09-25 CN CN201910910696.4A patent/CN110689478B/zh active Active
-
2020
- 2020-09-08 WO PCT/CN2020/113974 patent/WO2021057463A1/zh active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170132459A1 (en) * | 2015-11-11 | 2017-05-11 | Adobe Systems Incorporated | Enhancement of Skin, Including Faces, in Photographs |
| US20180373999A1 (en) * | 2017-06-26 | 2018-12-27 | Konica Minolta Laboratory U.S.A., Inc. | Targeted data augmentation using neural style transfer |
| CN108154518A (zh) * | 2017-12-11 | 2018-06-12 | 广州华多网络科技有限公司 | 一种图像处理的方法、装置、存储介质及电子设备 |
| 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 |
| CN109344724A (zh) * | 2018-09-05 | 2019-02-15 | 深圳伯奇科技有限公司 | 一种证件照自动背景替换方法、***及服务器 |
| CN109523460A (zh) * | 2018-10-29 | 2019-03-26 | 北京达佳互联信息技术有限公司 | 图像风格的迁移方法、迁移装置和计算机可读存储介质 |
| CN110222722A (zh) * | 2019-05-14 | 2019-09-10 | 华南理工大学 | 交互式图像风格化处理方法、***、计算设备及存储介质 |
| CN110211017A (zh) * | 2019-05-15 | 2019-09-06 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杨常青等: "《舰基图像处理技术原理与应用》", 31 May 2015 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021057463A1 (zh) * | 2019-09-25 | 2021-04-01 | 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 |
| CN111445383A (zh) * | 2020-03-20 | 2020-07-24 | 北京迈格威科技有限公司 | 影像参数的调节方法、装置及*** |
| CN111445383B (zh) * | 2020-03-20 | 2024-02-13 | 北京迈格威科技有限公司 | 影像参数的调节方法、装置及*** |
| US20230386001A1 (en) * | 2021-02-09 | 2023-11-30 | Beijing Zitiao Network Technology Co., Ltd. | Image display method and apparatus, and device and medium |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021057463A1 (zh) | 2021-04-01 |
| CN110689478B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
| CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
| CN110189246B (zh) | 图像风格化生成方法、装置及电子设备 | |
| WO2021057463A1 (zh) | 图像风格化处理方法、装置、电子设备及可读介质 | |
| JP2022531639A (ja) | ビデオへの情報埋め込み方法、コンピュータ機器及びコンピュータプログラム | |
| CN112182299B (zh) | 一种视频中精彩片段的获取方法、装置、设备和介质 | |
| CN113689372B (zh) | 图像处理方法、设备、存储介质及程序产品 | |
| CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
| CN110689546A (zh) | 个性化头像的生成方法、装置、设备及存储介质 | |
| CN113034648A (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN115965840A (zh) | 图像风格迁移和模型训练方法、装置、设备和介质 | |
| CN110570383A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN115311178A (zh) | 图像拼接方法、装置、设备及介质 | |
| CN110211017B (zh) | 图像处理方法、装置及电子设备 | |
| CN113902636A (zh) | 图像去模糊方法及装置、计算机可读介质和电子设备 | |
| CN110619602B (zh) | 一种图像生成方法、装置、电子设备及存储介质 | |
| CN111402159B (zh) | 图像处理方法、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 | |
| CN115937020B (zh) | 图像处理方法、装置、设备、介质和程序产品 | |
| CN111402133A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
| CN115953597B (zh) | 图像处理方法、装置、设备及介质 | |
| CN111784726A (zh) | 人像抠图方法和装置 | |
| CN115829827A (zh) | 人脸图像处理方法、装置、设备及介质 | |
| CN115937356A (zh) | 图像处理方法、装置、设备及介质 | |
| CN114422698A (zh) | 视频生成方法、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 |