[發明專利]一種圖像處理的方法以及相關裝置

有效

• 申請號: 201611191518.3
• 申請日: 2016-12-21
• 公開（公告）號: CN108230232B
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 鄭永森;黃凱寧
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06T3/00
• 分類號: G06T3/00;G06T11/00;G06N3/08
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王仲凱

本發明實施例公開了一種圖像處理的方法，包括：獲取待處理圖像；采用預置訓練模型對所述待處理圖像進行處理，其中，所述預置圖像訓練模型為特征樣本圖像與所述特征樣本圖像的激活函數的函數關系模型，所述特征樣本圖像中包含滿足預設圖像特征值提取條件的圖像；根據所述預置訓練模型的處理結果，獲取所述待處理圖像所對應的目標圖像。本發明還提供一種圖像處理裝置。本發明實施例可用將一些不滿足預設圖像特征值提取條件的樣本圖像在訓練模型時進行剔除，從而有效地減少計算冗余和和空間浪費，同時這類模型的壓縮率較高，能夠應用于移動終端的應用程序，以此提升方案的實用性。

技術領域

本發明實施例涉及計算機技術領域，尤其涉及一種圖像處理的方法以及相關裝置。

背景技術

隨著圖像處理技術的日益成熟，可以通過風格轉換將一張普通圖片轉換為具有特定風格的藝術效果圖，如圖1所示，風格轉換主要是采用神經網絡的人工智能算法將普通圖片的背景進行白凈化處理，然后與繪畫流派的藝術風格相結合，最后經過圖像智能化處理得到藝術效果圖。

目前，較為常用的人工智能算法為風格網絡法，在普通的全連接網絡或者卷積神經網絡(英文全稱：Convolutional Neuron Networks，英文縮寫：CNN)中，每層神經元信號只能向上一層傳播，又稱為前向神經網絡。如圖2所示，通過將原圖輸入至已經訓練好的離線風格轉換模型，便可以快速得到風格化處理后的藝術效果圖，其中，該風格轉換模型中的相關參數固定不變。

由于風格轉換模型中的相關參數固定不變，然而部分參數對整體的結果輸出并不影響，這將會造成計算冗余和空間浪費。通常情況下，支持離線風格轉換模型的方案需要約13兆(英文全稱：MByte，英文縮寫：MB)的計算資源，因此在移動終端的應用程序上進行操作就會顯得過大，且無法支持多個前向神經網絡并存。

發明內容

本發明實施例提供了一種圖像處理的方法以及相關裝置，可以將一些不滿足預設圖像特征值提取條件的樣本圖像在訓練模型時進行剔除，可以有效地減少計算冗余和和空間浪費，同時這類模型的壓縮率較高，能夠應用于移動終端的應用程序，從而提升方案的實用性。

有鑒于此，本發明第一方面提供了圖像處理的方法，包括：

獲取待處理圖像；

采用預置訓練模型對所述待處理圖像進行處理，其中，所述預置圖像訓練模型為特征樣本圖像與所述特征樣本圖像的激活函數的函數關系模型，所述特征樣本圖像中包含滿足預設圖像特征值提取條件的圖像；

根據所述預置訓練模型的處理結果，獲取所述待處理圖像所對應的目標圖像。

本發明第二方面提供了圖像處理裝置，包括：

第一獲取模塊，用于獲取待處理圖像；

處理模塊，用于采用預置訓練模型對所述第一獲取模塊獲取的所述待處理圖像進行處理，其中，所述預置圖像訓練模型為特征樣本圖像與所述特征樣本圖像的激活函數的函數關系模型，所述特征樣本圖像中包含滿足預設圖像特征值提取條件的圖像；

第二獲取模塊，用于根據所述處理模塊通過所述預置訓練模型處理得到的處理結果，獲取所述待處理圖像所對應的目標圖像。

從以上技術方案可以看出，本發明實施例具有以下優點：

本發明實施例中，提供了一種圖像處理的方法，圖像處理裝置先獲取待處理圖像，然后采用預置訓練模型對待處理圖像進行處理，其中，預置圖像訓練模型為特征樣本圖像與特征樣本圖像的激活函數的函數關系模型，且特征樣本圖像中包含滿足預設圖像特征值提取條件的圖像，最后圖像處理裝置根據預置訓練模型的處理結果，獲取待處理圖像所對應的目標圖像。通過上述方式，將一些不滿足預設圖像特征值提取條件的樣本圖像在訓練模型時進行剔除，可以有效地減少計算冗余和和空間浪費，同時這類模型的壓縮率較高，能夠應用于移動終端的應用程序，從而提升方案的實用性。