CN115131247A - 一种图像处理的方法、装置、存储介质及电子设备 - Google Patents

一种图像处理的方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN115131247A
CN115131247A CN202210786693.6A CN202210786693A CN115131247A CN 115131247 A CN115131247 A CN 115131247A CN 202210786693 A CN202210786693 A CN 202210786693A CN 115131247 A CN115131247 A CN 115131247A
Authority
CN
China
Prior art keywords
image
loss value
beautified
sample image
processed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210786693.6A
Other languages
English (en)
Inventor
朱理
伍星扬
付治涓
黄君实
魏晓明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202210786693.6A priority Critical patent/CN115131247A/zh
Publication of CN115131247A publication Critical patent/CN115131247A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种图像处理的方法、装置、存储介质及电子设备，该图像处理的方法包括：获取原始样本图像以及所述原始样本图像对应的美化样本图像，将所述原始样本图像输入待训练的图像处理模型，得到处理后图像，根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，以及根据所述处理后图像与所述美化样本图像，确定第二损失值，根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练。

Description

一种图像处理的方法、装置、存储介质及电子设备
技术领域
本说明书涉及图像处理技术领域，尤其涉及一种图像处理的方法、装置、存储介质及电子设备。
背景技术
对于在业务平台中向用户展示的图像，图像质量的好坏往往会影响到用户的点击情况以及使用体验，将质量较差的图像进行美化后，得到的较为优质的图像通常更能够使用户产生兴趣，从而引导用户对与其相关的内容进行点击或者浏览。因此，对图像进行美化处理是将该图像在业务平台向用户进行展示之前的一个重要步骤。
然而目前没有一个合适的方法能够对需要展示的图像进行自动化的处理，以实现对图像的美化。通常情况下，需要通过专业的修图人员来对图像进行人为处理，以使图像更加美观，而后才能将美化后的图像进行展示，但是这种方法的处理效率极低，并且需要浪费大量的资源。
因此，如何提高对图像进行美化的效率，是一个亟待解决的问题。
发明内容
本说明书提供一种图像处理的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种图像处理的方法，包括：
获取待展示图像；
将所述待展示图像输入预先训练的图像处理模型中，得到美化图像，并将所述美化图像进行展示；其中
所述图像处理模型通过以下步骤进行训练：
获取原始样本图像以及所述原始样本图像对应的美化样本图像；
将所述原始样本图像输入待训练的图像处理模型，得到处理后图像；
根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，以及根据所述处理后图像与所述美化样本图像，确定第二损失值；
根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练。
可选地，根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，具体包括：
判断所述处理后图像对应的图像质量值相比于所述原始样本图像对应的图像质量值，是否大于预设质量值；
若是，则将第一指定值作为所述第一损失值；
若否，则将第二指定值作为所述第一损失值，其中，所述第一指定值小于所述第二指定值。
可选地，根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，具体包括：
判断所述处理后图像对应的图像质量值相比于所述原始样本图像对应的图像质量值，是否大于预设质量值；
若是，则将第三指定值作为所述第一损失值；
若否，则将所述原始样本图像对应的图像质量值与所述处理后图像对应的图像质量值之间的偏差，与所述预设质量值之间的和值，作为所述第一损失值。
可选地，根据所述处理后图像与所述美化样本图像，确定第二损失值，具体包括：
根据所述处理后图像与所述美化样本图像，确定所述处理后图像与所述美化样本图像在每个维度下的第二子损失值；
根据至少一个第二子损失值，确定所述第二损失值。
可选地，所述图像处理模型包括：判别网络；
根据所述处理后图像与所述美化样本图像，确定所述处理后图像与所述美化样本图像在每个维度下的第二子损失值，具体包括：
通过所述判别网络，确定将所述处理后图像判断为所述美化样本图像的概率；
根据所述概率，确定所述处理后图像与所述美化样本图像在纹理维度下的第二子损失值。
可选地，根据所述处理后图像与所述美化样本图像，确定所述处理后图像与所述美化样本图像在每个维度下的第二子损失值，具体包括：
将所述处理后图像进行平滑处理，以降低所述处理后图像中不同颜色区域在区域边界处的颜色差异，得到平滑后的处理后图像，以及将所述美化样本图像进行平滑处理，以降低所述美化样本图像中不同颜色区域在区域边界处的颜色差异，得到平滑后的美化样本图像；
根据所述平滑后的处理后图像对应的对比度，与所述平滑后的美化样本图像对应的对比度之间偏差，确定所述处理后图像与所述美化样本图像在颜色维度下的第二子损失值。
可选地，根据所述处理后图像与所述美化样本图像，确定所述处理后图像与所述美化样本图像在每个维度下的第二子损失值，具体包括：
通过所述图像处理模型的特征提取层，对所述处理后图像与所述美化样本图像进行特征提取，得到所述处理后图像对应的特征图和所述美化样本图像对应的特征图；
根据所述处理后图像对应的特征图，与所述美化样本图像对应的特征图之间的偏差，确定所述处理后图像与所述美化样本图像在图像内容维度下的第二子损失值。
可选地，根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练，具体包括：
根据所述第一损失值和所述第二损失值，确定所述图像处理模型对应的综合损失值；
以最小化所述综合损失值为优化目标，对所述图像处理模型进行训练。
可选地，根据所述第一损失值和所述第二损失值，确定所述图像处理模型对应的综合损失值，具体包括：
对所述处理后图像进行降噪处理，得到降噪后的处理后图像；
根据所述降噪后的处理后图像，确定第三损失值；
根据所述第一损失值、所述第二损失值以及所述第三损失值，确定所述图像处理模型对应的综合损失值。
本说明书提供了一种图像处理的装置，包括：
第一获取模块，获取待展示图像；
第一输入模块，将所述待展示图像输入预先训练的图像处理模型中，得到美化图像，并将所述美化图像进行展示；
所述装置还包括用于对所述图像处理模型进行训练的模块，其中
第二获取模块，获取原始样本图像以及所述原始样本图像对应的美化样本图像；
第二输入模块，将所述原始样本图像输入待训练的图像处理模型，得到处理后图像；
确定模块，根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，以及根据所述处理后图像与所述美化样本图像，确定第二损失值；
训练模块，根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述图像处理的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述图像处理的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的图像处理的方法中，会先获取原始样本图像以及美化样本图像，而后将原始样本图像输入待训练图像处理模型，从而确定原始样本图像对应的处理后图像，进而根据原始样本图像对应的质量值与处理后图像对应的质量值之间的偏差，确定图像处理模型对应的第一损失值，以及根据处理后图像与美化样本图像，确定图像处理模型对应的第二损失值，并根据第一损失值以及第二损失值，对图像处理模型进行训练。
从上述方法可以看出，本方案在对图像处理模型进行训练时，会根据原始样本图像对应的质量值与处理后图像对应的质量值之间的偏差，以及原始样本图像和质量值较高的美化样本图像来对图像处理模型进行训练。这样就能使最终生成的美化图像在更加接近美化样本图像的同时，质量值也会得到一定的提升，相比于现有方案只能通过人工处理的方式，本方案训练后的图像处理模型能够在提高图像的质量值的前提下对图像进行处理，进而提高图像处理的效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种图像处理的方法的流程示意图；
图2为本说明书提供的一种图像处理模型的训练方法示意图；
图3为本说明书中提供的一种图像处理的装置示意图；
图4为本说明书提供的一种对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种图像处理的方法的流程示意图，其中，该流程示意图中仅展示关于图像处理模型的训练步骤，具体步骤如下：
S101：获取原始样本图像以及所述原始样本图像对应的美化样本图像。
在业务平台获取到一些与业务相关的图像(如在外卖平台中由商家提供的各种美食图像)，并且想要将这些图像在业务平台对应的客户端或者网页中向用户展示时，由于图像采集设备(如手机、相机等)的参数设置、采集环境或者图像采集人员的操作等因素，都有可能造成图像的质量较低，如一些图像会出现亮度过暗、清晰度过低、曝光度过高或者饱和度过低等问题，导致这些图像看上去并不美观，因此如果将这些图像直接在业务平台中向用户进行展示，很有可能会影响到用户的使用体验，进一步影响到用户对信息的点击以及浏览情况。
通常情况下，业务客户端或者服务器会先获取待展示图像，而后将该待展示图像输入预先训练的图像处理模型中，通过该图像处理模型对待展示图像进行相应的处理，以提高图像的质量，从而得到美化图像，并将该美化图像在业务客户端或者网页中向用户进行展示。
而在图像处理过程中，图像处理模型的训练方法往往能够决定图像的处理效果，基于此，本说明书提供了一种图像处理的方法。
其中，需要获取原始样本图像以及这些原始样本图像对应的美化样本图像，并将每一组原始样本图像及其对应的样本美化图像组成样本图像对，作为待训练图像处理模型的输入。
在实际应用中，上述美化样本图像可以是经过专业的修图人员对原始样本图像进行相应的美化处理后得到的，因此可以认为这些美化样本图像的质量值相比于美化之前的原始样本图像的质量值有所提升。
当然，上述美化样本图像也可以是通过其他方式对原始样本图像进行美化处理后得到的质量值较高的图像，本说明书对此不做具体限定。
另外，在本说明书中，用于实现图像处理的方法的执行主体，可以指服务器等设置于业务平台的指定设备，为了便于描述，本说明书仅以服务器是执行主体为例，对本说明书提供的一种图像处理的方法进行说明。
S102：将所述原始样本图像输入待训练的图像处理模型，得到处理后图像。
获取到包含有原始样本图像以及美化样本图像的样本图像对后，服务器可以将该样本图像对输入待训练的处理模型中，并通过待训练图像处理模型生成原始样本图像对应的处理后图像。
具体的，该图像处理模型中可以包含有相应的生成网络，其中，该生成网络为全卷积网络，共包含有12个网络层，对于每个输入到模型中的原始样本图像，该图像会先通过生成网络中的一个9*9的网络层进行预处理，再经过4个残差块(每个卷积块中包含有两个卷积层)以及3个卷积层进行增强，从而得到处理后图像。
S103：根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，以及根据所述处理后图像与所述美化样本图像，确定第二损失值。
得到处理后图像后，服务器可以将处理后图像与美化样本图像作为一组新的图像对，以用于对模型进行进一步的训练。
在对图像处理模型进行训练的过程中，该图像处理模型中除了包含有上述生成网络外，还可以包含有相对应的判别网络，生成网络用于生成处理后图像，并使生成的处理后图像随着处理模型的不断训练而更加接近美化样本图像，从而“骗过”判别网络，而判别网络会在训练过程中逐渐提高判断哪个是处理后图像，哪个是美化样本图像的判别能力，从而与生成网络进行“对抗”。这样一来，就能够在提高判别网络的判别能力的同时，使处理后图像更加接近美化样本图像。
需要说明的是，在该图像处理模型训练完成后对图像进行处理的过程中，训练完成后的图像处理模型中可以不包含有上述判别网络。
在实际应用中，由于不同的修图人员的审美以及修图习惯有所不同，所以，不同原始样本图像对应的美化样本图像也会有所差异，每次生成的处理后图像可能并不会都与原始样本图像对应的美化样本图像十分接近，因此，服务器可以根据原始样本图像对应的图像质量值与处理后图像对应的图像质量值之间的偏差，确定图像处理模型对应的质量值损失，并将该质量值损失作为图像处理模型的第一损失值。
其中，上述图像质量值用于表征图像的美观程度，该图像质量值可以通过人工标注的方式进行确定，通过属于不同用户群体的用户，来对原始样本图像以及处理后图像的质量值进行评分，如根据不同用户的审美标准将原始样本图像以及处理后图像对应的图像质量值划分为差、较差、一般、好、较好等五个等级，每个等级对应有不同的图像质量值。此外，服务器也可以将原始样本图像以及处理后图像分别输入到预先训练的图像质量值确定模型中，从而通过该模型来确定原始样本图像以及处理后图像各自对应的图像质量值。当然，也可以采用其他方式来对上述图像质量值进行确定，本说明书对此不做具体限定。
具体的，服务器可以判断处理后图像对应的图像质量值相比于所述原始样本图像对应的图像质量值，是否大于预设质量值，若是，则说明处理后图像对应的质量值的提升已经达到目标，因此模型会将较小的第一损失值。若否，则说明处理后图像对应的质量值的提升未达到目标，因此模型会将较大的第一损失值。其中，该预设质量值可以根据实际情况进行设定，本说明书对此不做具体限定。
具体的，服务器可以判断处理后图像对应的图像质量值相比于原始样本图像对应的图像质量值，是否大于预设质量值，若是，则将第一指定值作为所述第一损失值，若否，则将第二指定值作为所述第一损失值。其中，第一指定值要小于第二指定值。由于该第一损失值为根据图像在图像质量值上的偏差确定的，所以该第一损失值也可以理解为是图像的质量值损失。
该质量值损失可以通过如下公式进行表示：
Laesthetic＝sign(sign(Xs-Ys+α)+1)
其中，Laesthetic为图像处理模型对应的第一损失值(即质量值损失)，Xs为原始样本图像，Ys为处理后图像，α为预设质量值，并且α的值为正。
从该公式中可以看出，若处理后图像对应的图像质量值相比于原始样本图像对应的图像质量值大于预设质量值，(Xs-Ys+α)＜0，因此，Laesthetic的损失值为0(即第一指定值)，而当处理后图像对应的图像质量值相比于原始样本图像对应的图像质量值小于预设质量值时，(Xs-Ys+α)＞0，因此，Laesthetic的损失值为1(即第二指定值)。
当然，判断处理后图像对应的图像质量值相比于原始样本图像对应的图像质量值，是否大于预设质量值，若是，则将第三指定值作为第一损失值，而若否，则将原始样本图像对应的图像质量值与处理后图像对应的图像质量值之间的偏差，与预设质量值之间的和值，作为所述第一损失值，并且该和值一定大于上述第三指定值。则该第一损失值也可以通过如下公式进行确定：
Laesthetic＝max(Xs-Ys+α,0)
从该公式中可以看出，若处理后图像对应的图像质量值相比于原始样本图像对应的图像质量值大于预设质量值，(Xs-Ys+α)＜0，所以此时Laesthetic的损失值为0(即第三指定值)，而当处理后图像对应的图像质量值相比于原始样本图像对应的图像质量值小于预设质量值时，(Xs-Ys+α)＞0，所以此时Laesthetic的损失值为Xs-Ys+α。
服务器可以通过上述两种方法中而对任意一种来确定出该图像处理模型的第一损失值，需要说明的是，上述两种方法中，前者更加关注于离散值损失，也就是说只有当处理后图像的质量值提升不足时才会有相应的第一损失值(即损失值为1)，而当质量值提升达到目标时，则不会有相应的第一损失值(即损失值为0)。而后者更加关注于连续值损失，处理后图像的质量值提升不足时，质量值提升的越低，第一损失值也就越大。
另外，需要强调的是，上述质量值偏差是指原始样本图像对应质量值与处理后图像对应质量值之间的差值，当处理后图像对应的质量值高于原始样本图像对应的质量值时，该质量值偏差的值为负，当处理后图像对应的质量值低于原始样本图像对应的质量值时，该质量值偏差的值为正。也就是说，在处理后图像对应的图像质量值相比于所述原始样本图像对应的图像质量值小于预设质量值时，两者的图像质量值偏差为负，则该偏差的绝对值比预设质量值α越小，第一损失值越大。
此外，服务器还可以根据处理后图像与美化样本图像，确定该图像处理模型对应的第二损失值。
进一步的，服务器可以根据处理后图像与美化样本图像，确定处理后图像与美化样本图像在每个维度(如颜色维度、纹理维度、图像内容维度等)下的第二子损失值，并根据至少一个第二子损失值，确定所述第二损失值。
具体的，服务器可以根据图像处理模型的判别网络，确定将处理后图像判断为所述美化样本图像的概率，而通常情况下，判别网络是根据处理后图像与美化样本图像之间纹理信息的差异来确定出将处理后图像判断为美化样本图像的概率的，所以服务器可以根据该概率确定出该图像处理模型在纹理维度下的第二子损失值(即纹理损失)。
其中，判别网络将处理后图像判断为美化样本图像的概率越大，说明处理后的图像越接近于美化样本图像，则此时该图像处理模型在纹理维度的第二子损失值也就越小。而判别网络将处理后图像判断为美化样本图像的概率越小，说明处理后的图像于美化样本图像之间存在有较大差异，能够被判别网络所区分，则此时该处图像理模型在纹理维度的第二子损失值也就越大。
其中，该图像处理模型在纹理维度下的第二子损失值(即纹理损失)可以通过如下公式进行表示：
Figure BDA0003728837920000111
其中，Ltexture为图像处理模型对应的纹理损失，D为该图像处理模型的判别网络，FW为该图像处理模型的生成网络，Is为原始样本图像，则FW(Is)为经过生成网络生成的处理后图像，It为美化样本图像。从该公式中可以看出，判别网络将Is判断为It的概率越大，则该纹理损失越小。
当然，在本说明书中，也可以通过其他方式来对上述纹理维度下的第二子损失值进行确定，例如，服务器可以将美化样本图像默认为“真”，将处理后图像默认为“假”，而后将处理后图像与美化样本图像输入判别网络，当判别网络将处理后图像判断为“真”，将美化样本图像判断为“假”时，说明此时判断网络以及无法区分处理后图像与美化样本图像，因此图像处理模型会获得较小的纹理损失，而判别网络将处理后图像判断为“假”，将美化样本图像判断为“真”时，说明此时生成的处理后图像相比于美化样本图像还有较大差异，因此图像处理模型会获得较大的纹理损失。
此外，服务器将处理后图像进行平滑处理(如高斯模糊)，以降低处理后图像中不同颜色区域在区域边界处的颜色差异，得到平滑后的处理后图像，以及将美化样本图像进行平滑处理，以降低美化样本图像中不同颜色区域在区域边界处的颜色差异，得到平滑后的美化样本图像。这样一来，就能够根据平滑后的处理后图像对应的对比度，与平滑后的美化样本图像对应的对比度之间偏差，确定图像处理模型在颜色维度的第二子损失值(即颜色损失)。该颜色损失可以通过如下公式进行表示：
Figure BDA0003728837920000112
其中，Lcolor为图像处理模型对应的颜色维度的第二子损失(颜色损失)，Xb为经过平滑后的美化样本图像，Yb为经过平滑后的处理后图像。从该公式中可以看出，平滑后的处理后图像对应的对比度与平滑后的美化样本图像对应的对比度之间偏差越大，则该颜色损失也就越大。平滑处理后的处理后图像对应的对比度与平滑处理后的美化样本图像对应的对比度之间偏差越小，则该颜色损失也就越小。
另外，服务器还可以将通过图像处理模型中的特征提取层，对处理后图像与美化样本图像进行特征提取，从而根据提取到的处理后图像对应的特征图与美化样本图像对应的特征图之间的偏差，确定该图像处理模型在图像内容维度的第二子损失(即内容损失)。在本说明书中，服务器可以根据上述两个特征图(特征向量)之间的距离(如欧式距离、曼哈顿距离等)，确定出该图像处理模型对应的内容损失。该内容损失可以通过如下公式进行表示：
Lcontent＝‖ψj(FW(Is))-ψj(It)‖/CjHjWj
其中，Lcontent为该图像处理模型在图像内容维度的第二子损失(内容损失)，ψj(FW(Is))为通过生成网络FW生成的处理后图像Is对应的特征图，ψj(It)为美化样本图像It对应的特征图，CjHjWj为上述特征图的通道数量(channels)、特征图的高度尺寸(height)、特征图的宽度尺寸(width)。从该公式可以看出，处理后图像对应的特征图与美化样本图像对应的特征图之间的偏差越大，内容损失函数也就越大。处理后图像对应的特征图与美化样本图像对应的特征图之间的偏差越小，内容损失函数也就越小。
在本说明书中，服务器也可以根据上述颜色损失、内容损失、纹理损失、中的部分或者全部确定该图像处理模型的第二损失值。例如，服务器可以将颜色损失、内容损失、纹理损失之和作为该图像处理模型的第二损失值。
此外，服务器也可以根据处理后图像对应的质量值以及美化样本图像对应的质量值之间的偏差，来对第二损失值进行确定。该损失值的确定方法可以与第一损失值的确定方法相同，在此处不做过多赘述。
S104：根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练。
确定出图像处理模型的第一损失值、第二损失值之后，服务器可以根据第一损失值以及第二损失值，确定出图像处理模型的综合损失值。
由于通过图像处理模型的生成网络生成的处理后图像中通常会包含有一定的噪声(如椒盐噪声)，因此，为了消除这部分噪声，服务器可以对处理后图像进行降噪处理，得到降噪后的处理后图像，而后根据降噪后的处理后图像，确定该图像处理模型的噪声损失，并将该噪声损失作为图像处理模型的第三损失值。该第三损失值可以通过如下公式进行表示：
Figure BDA0003728837920000131
其中，Ltv为图像处理模型对应的第三损失值(噪声损失)，
Figure BDA0003728837920000132
为对处理后图像FW(Is)的水平方向进行微分后确定出的噪声，
Figure BDA0003728837920000133
为对处理后图像FW(Is)的竖直方向进行微分后确定出的噪声。
因此，服务器也可以根据第一损失值、第二损失值以及第三损失值，确定出该模型的综合损失值，该模型的综合损失值可以通过如下公式进行表示：
LOSS＝Laesthetic+Ltexture+Lcolor+Lcontent+Ltv
其中，LOSS为图像处理模型对应的综合损失值，Ltexture+Lcolor+Lcontent为图像处理模型对应的第二损失值。
为了便于理解，本说明书还提供了一种图像处理模型的训练方法示意图，如图2所示。
图2为本说明书提供的一种图像处理模型的训练方法示意图。
其中，服务器接收到包含有原始样本图像和美化样本图像后，会先将原始样本图像输入图像处理模型的生成网络，从而通过该生成网络生成原始样本图像对应的处理后图像，而后服务器可以根据原始样本图像与处理后图像之间的质量值偏差，确定出图像处理模型对应的质量值损失(即第一损失)，根据平滑后的处理后图像与平滑后的美化样本图像，确定出图像处理模型对应的颜色损失，根据特征提取层提取到的处理后图像对应的特征向量以及美化样本图像对应的特征向量，确定出图像处理模型对应的内容损失，根据判别网络将处理后图像判断为美化后图像的概率，确定出图像处理模型对应的纹理损失，根据处理后图像中包含的噪声，确定出图像处理模型对应的噪声损失，进而根据上述质量值损失、颜色损失、内容损失以及噪声损失，确定出该图像处理模型对应的综合损失值，并以最小化综合损失值为优化目标，对图像处理模型进行训练。
确定图像处理模型对应的综合损失值后，服务器可以以最小化该综合损失值为优化目标，对该图像处理模型进行训练，直至满足训练目标。
其中，该训练目标可以为：图像处理模型收敛至预设阈值范围内，或者，达到预设训练次数，以保证生成的处理后图像对应的质量值的提升程度达到期望值并且更加接近真实修图人员美化处理后的图像，预设阈值和预设训练次数可以根据实际需求而进行设定，本说明书不作具体限定。
将模型训练完成后，即可将该模型部署在诸如手机、平板电脑、笔记本电脑、台式电脑等终端设备上的业务客户端或者服务器中，从而通过该业务客户端对接收到的图像进行图像处理，进而将处理后得到的美化图像向用户进行展示。
需要说明的是，本说明书中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给与授权的情况下进行的。
从上述方法可以看出，本方案在对图像处理模型进行训练时，会根据原始样本图像对应的质量值与处理后图像对应的质量值之间的偏差，以及原始样本图像和质量值较高的美化样本图像来对图像处理模型进行训练。这样就能使最终生成的美化图像在更加接近美化样本图像的同时，质量值也会得到一定的提升，相比于现有方案只能通过人工处理的方式，本方案训练后的图像处理模型能够在提高图像的质量值的前提下对图像进行处理，进而提高图像处理的效率。
以上为本说明书的一个或多个实施图像处理的方法，基于同样的思路，本说明书还提供了相应的图像处理的装置，如图3所示。
图3为本说明书提供的一种图像处理的装置的示意图，包括：
第一获取模块301，用于获取待展示图像；
第一输入模块302，用于将所述待展示图像输入预先训练的图像处理模型中，得到美化图像，并将所述美化图像进行展示；
所述装置还包括用于对所述图像处理模型进行训练的模块，其中
第二获取模块303，用于获取原始样本图像以及所述原始样本图像对应的美化样本图像；
第二输入模块304，用于将所述原始样本图像输入待训练的图像处理模型，得到处理后图像；
确定模块305，用于根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，以及根据所述处理后图像与所述美化样本图像，确定第二损失值；
训练模块306，用于根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练。
可选地，所述确定模块305具体用于，判断所述处理后图像对应的图像质量值相比于所述原始样本图像对应的图像质量值，是否大于预设质量值；若是，则将第一指定值作为所述第一损失值；若否，则将第二指定值作为所述第一损失值，其中，所述第一指定值小于所述第二指定值。
可选地，所述确定模块305具体用于，判断所述处理后图像对应的图像质量值相比于所述原始样本图像对应的图像质量值，是否大于预设质量值；若是，则将第三指定值作为所述第一损失值；若否，则将所述原始样本图像对应的图像质量值与所述处理后图像对应的图像质量值之间的偏差，与所述预设质量值之间的和值，作为所述第一损失值。
可选地，所述图像处理模型包括：判别网络；
所述确定模块305具体用于，通过所述判别网络，确定将所述处理后图像判断为所述美化样本图像的概率；根据所述概率，确定所述处理后图像与所述美化样本图像在纹理维度下的第二子损失值。
可选地，所述确定模块305具体用于，将所述处理后图像进行平滑处理，以降低所述处理后图像中不同颜色区域在区域边界处的颜色差异，得到平滑后的处理后图像，以及将所述美化样本图像进行平滑处理，以降低所述美化样本图像中不同颜色区域在区域边界处的颜色差异，得到平滑后的美化样本图像；根据所述平滑后的处理后图像对应的对比度，与所述平滑后的美化样本图像对应的对比度之间偏差，确定所述处理后图像与所述美化样本图像在颜色维度下的第二子损失值。
可选地，所述确定模块305具体用于，通过所述图像处理模型的特征提取层，对所述处理后图像与所述美化样本图像进行特征提取，得到所述处理后图像对应的特征图和所述美化样本图像对应的特征图；根据所述处理后图像对应的特征图，与所述美化样本图像对应的特征图之间的偏差，确定所述处理后图像与所述美化样本图像在图像内容维度下的第二子损失值。
可选地，所述训练模块306具体用于，根据所述第一损失值和所述第二损失值，确定所述图像处理模型对应的综合损失值；以最小化所述综合损失值为优化目标，对所述图像处理模型进行训练。
可选地，所述训练模块306具体用于，对所述处理后图像进行降噪处理，得到降噪后的处理后图像；根据所述降噪后的处理后图像，确定第三损失值；根据所述第一损失值、所述第二损失值以及所述第三损失值，确定所述图像处理模型对应的综合损失值。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种图像处理的方法。
本说明书还提供了图4所示的一种对应于图1的电子设备的示意结构图。如图4所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的图像处理的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种图像处理的方法，其特征在于，包括：
获取待展示图像；
将所述待展示图像输入预先训练的图像处理模型中，得到美化图像，并将所述美化图像进行展示；其中
所述图像处理模型通过以下步骤进行训练：
获取原始样本图像以及所述原始样本图像对应的美化样本图像；
将所述原始样本图像输入待训练的图像处理模型，得到处理后图像；
根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，以及根据所述处理后图像与所述美化样本图像，确定第二损失值；
根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练。
2.如权利要求1所述的方法，其特征在于，根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，具体包括：
判断所述处理后图像对应的图像质量值相比于所述原始样本图像对应的图像质量值，是否大于预设质量值；
若是，则将第一指定值作为所述第一损失值；
若否，则将第二指定值作为所述第一损失值，其中，所述第一指定值小于所述第二指定值。
3.如权利要求1所述的方法，其特征在于，根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，具体包括：
判断所述处理后图像对应的图像质量值相比于所述原始样本图像对应的图像质量值，是否大于预设质量值；
若是，则将第三指定值作为所述第一损失值；
若否，则将所述原始样本图像对应的图像质量值与所述处理后图像对应的图像质量值之间的偏差，与所述预设质量值之间的和值，作为所述第一损失值。
4.如权利要求1所述的方法，其特征在于，根据所述处理后图像与所述美化样本图像，确定第二损失值，具体包括：
根据所述处理后图像与所述美化样本图像，确定所述处理后图像与所述美化样本图像在每个维度下的第二子损失值；
根据至少一个第二子损失值，确定所述第二损失值。
5.如权利要求4所述的方法，其特征在于，所述图像处理模型包括：判别网络；
根据所述处理后图像与所述美化样本图像，确定所述处理后图像与所述美化样本图像在每个维度下的第二子损失值，具体包括：
通过所述判别网络，确定将所述处理后图像判断为所述美化样本图像的概率；
根据所述概率，确定所述处理后图像与所述美化样本图像在纹理维度下的第二子损失值。
6.如权利要求4所述的方法，其特征在于，根据所述处理后图像与所述美化样本图像，确定所述处理后图像与所述美化样本图像在每个维度下的第二子损失值，具体包括：
将所述处理后图像进行平滑处理，以降低所述处理后图像中不同颜色区域在区域边界处的颜色差异，得到平滑后的处理后图像，以及将所述美化样本图像进行平滑处理，以降低所述美化样本图像中不同颜色区域在区域边界处的颜色差异，得到平滑后的美化样本图像；
根据所述平滑后的处理后图像对应的对比度，与所述平滑后的美化样本图像对应的对比度之间偏差，确定所述处理后图像与所述美化样本图像在颜色维度下的第二子损失值。
7.如权利要求4所述的方法，其特征在于，根据所述处理后图像与所述美化样本图像，确定所述处理后图像与所述美化样本图像在每个维度下的第二子损失值，具体包括：
通过所述图像处理模型的特征提取层，对所述处理后图像与所述美化样本图像进行特征提取，得到所述处理后图像对应的特征图和所述美化样本图像对应的特征图；
根据所述处理后图像对应的特征图，与所述美化样本图像对应的特征图之间的偏差，确定所述处理后图像与所述美化样本图像在图像内容维度下的第二子损失值。
8.如权利要求1～7任一项所述的方法，其特征在于，根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练，具体包括：
根据所述第一损失值和所述第二损失值，确定所述图像处理模型对应的综合损失值；
以最小化所述综合损失值为优化目标，对所述图像处理模型进行训练。
9.如权利要求8所述的方法，其特征在于，根据所述第一损失值和所述第二损失值，确定所述图像处理模型对应的综合损失值，具体包括：
对所述处理后图像进行降噪处理，得到降噪后的处理后图像；
根据所述降噪后的处理后图像，确定第三损失值；
根据所述第一损失值、所述第二损失值以及所述第三损失值，确定所述图像处理模型对应的综合损失值。
10.一种图像处理的装置，其特征在于，包括：
第一获取模块，获取待展示图像；
第一输入模块，将所述待展示图像输入预先训练的图像处理模型中，得到美化图像，并将所述美化图像进行展示；
所述装置还包括用于对所述图像处理模型进行训练的模块，其中
第二获取模块，获取原始样本图像以及所述原始样本图像对应的美化样本图像；
第二输入模块，将所述原始样本图像输入待训练的图像处理模型，得到处理后图像；
确定模块，根据所述原始样本图像对应的图像质量值与确定出的所述处理后图像对应的图像质量值之间的偏差，确定第一损失值，以及根据所述处理后图像与所述美化样本图像，确定第二损失值；
训练模块，根据所述第一损失值和所述第二损失值，对所述图像处理模型进行训练。
11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～9任一项所述的方法。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～9任一项所述的方法。
CN202210786693.6A 2022-07-04 2022-07-04 一种图像处理的方法、装置、存储介质及电子设备 Pending CN115131247A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210786693.6A CN115131247A (zh) 2022-07-04 2022-07-04 一种图像处理的方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210786693.6A CN115131247A (zh) 2022-07-04 2022-07-04 一种图像处理的方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN115131247A true CN115131247A (zh) 2022-09-30

Family

ID=83381974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210786693.6A Pending CN115131247A (zh) 2022-07-04 2022-07-04 一种图像处理的方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115131247A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342984A (zh) * 2023-05-31 2023-06-27 之江实验室 一种模型训练的方法以及图像处理的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342984A (zh) * 2023-05-31 2023-06-27 之江实验室 一种模型训练的方法以及图像处理的方法及装置
CN116342984B (zh) * 2023-05-31 2023-08-08 之江实验室 一种模型训练的方法以及图像处理的方法及装置

Similar Documents

Publication Publication Date Title
CN110889410B (zh) 浅景深渲染中语义分割的稳健用途
US10410327B2 (en) Shallow depth of field rendering
US9202433B2 (en) Multi operation slider
CN110189246B (zh) 图像风格化生成方法、装置及电子设备
WO2015085790A1 (en) Image processing method and apparatus
CN108830780B (zh) 图像处理方法及装置、电子设备、存储介质
CN106534675A (zh) 一种微距拍摄背景虚化的方法及终端
US11914850B2 (en) User profile picture generation method and electronic device
US20150113472A1 (en) Grain Generation and Blending
CN112235520B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN105430269B (zh) 一种应用于移动终端的拍照方法及装置
CN109614192A (zh) 页面亮度显示方法及装置
CN104620570A (zh) 用于通过用户控制的局部图像增强进行相片增强的***
CN113822898A (zh) 图像的智能裁剪
CN112308797A (zh) 角点检测方法、装置、电子设备及可读存储介质
CN115131247A (zh) 一种图像处理的方法、装置、存储介质及电子设备
CN110689478B (zh) 图像风格化处理方法、装置、电子设备及可读介质
CN115828162A (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN110442313B (zh) 一种显示属性调整方法以及相关设备
CN113313026B (zh) 一种基于隐私保护的人脸识别交互方法、装置以及设备
CN114630057A (zh) 确定特效视频的方法、装置、电子设备及存储介质
CN115145436B (zh) 一种图标处理方法及电子设备
KR20180111242A (ko) 채색 가능한 콘텐트를 제공하는 전자 장치 및 그 방법
CN113064687A (zh) 用户界面组件的色彩适配处理方法、装置及设备
CN111813321A (zh) 手势控制方法及相关装置

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