[發明專利]摳圖方法、摳圖模型訓練方法及相關設備

在審

• 申請號: 202310481595.6
• 申請日: 2023-04-27
• 公開（公告）號: CN116503421A
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 劉應斌;關旭;李凱;李福海;溫才鎮
• 申請（專利權）人: 深圳市即構科技有限公司;抖動科技（深圳）有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/0464;G06N3/08
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 劉麗華

本申請涉及圖像處理領域，提供一種摳圖方法、摳圖模型訓練方法及相關設備，通過訓練摳圖模型，利用摳圖模型對待摳圖圖像進行摳圖處理，獲得待摳圖圖像的前景圖像；利用摳圖模型對前景圖像進行溢出抑制處理，獲得目標前景圖像。利用上述方法能夠降低摳圖的難度并提高摳圖的效率與摳圖效果。

技術領域

本申請涉及圖像處理技術領域，具體涉及一種摳圖方法、摳圖模型訓練方法及相關設備。

背景技術

摳圖是圖像處理中的常用操作，可以將圖像中需要的部分從整張畫面中提取出來，從而為后期合成做準備。常用的摳圖方法中，往往需要用戶自行設置一系列調節參數，當用戶不具備專業知識時無法取得較好的摳圖效果；此外，當對有目標顏色溢出的圖像進行摳圖時會出現摳圖邊界模糊的情況。

發明內容

鑒于以上內容，有必要提出一種摳圖方法、摳圖模型訓練方法及相關設備，能夠降低摳圖的難度并提高摳圖的效率與摳圖效果。

本申請的實施例提供一種摳圖方法，所述方法包括：獲取待摳圖圖像；將所述待摳圖圖像輸入預先訓練的摳圖模型，利用所述摳圖模型對所述待摳圖圖像進行摳圖處理，獲得所述待摳圖圖像的前景圖像；及利用所述摳圖模型對所述前景圖像進行溢出抑制處理，獲得目標前景圖像。

在一個實施例中，所述摳圖模型包括編碼器，所述編碼器包括：多個卷積層、多個批歸一化BatchNorm層、多個線性整流ReLU激活函數、MobileNetV3架構的倒殘差結構；所述多個編碼器用于對所述待摳圖圖像進行多次特征提取，輸出前景特征。

在一個實施例中，所述摳圖模型包括空洞空間卷積池化金字塔，所述空洞空間卷積池化金字塔用于對所述待摳圖圖像的前景特征以不同采樣率進行并行采樣，將得到的多個采樣特征結果進行融合，獲得包含不同空間尺度的多尺度特征。

在一個實施例中，所述待摳圖圖像包括具有時序信息的多張圖像；所述摳圖模型包括解碼器，所述解碼器包括門控循環單元，所述解碼器用于基于所述時序信息對所述待摳圖圖像的多尺度特征進行解碼，輸出所述待摳圖圖像的前景圖像以及所述前景圖像對應的阿爾法通道。

在一個實施例中，所述摳圖模型包括溢出抑制模塊，所述溢出抑制模塊包括卷積層、線性整流ReLU激活函數；所述溢出抑制模塊用于對所述待摳圖圖像的前景圖像中的目標顏色進行溢出抑制，輸出溢出抑制后的前景圖像。

在一個實施例中，所述利用所述摳圖模型對所述前景圖進行溢出抑制處理包括：確定所述前景圖中每個像素點的每種顏色通道的原始灰度值；當確定任一像素點中目標顏色對應的顏色通道的原始灰度值高于其他顏色通道的原始灰度值時，對所述目標顏色的原始灰度值進行調整，使得調整后的灰度值低于原始灰度值。

本申請的實施例提供一種摳圖模型訓練方法，所述方法包括：獲取訓練樣本；利用所述訓練樣本訓練神經網絡模型獲得摳圖模型，其中，所述神經網絡模型包括：多個編碼器、空洞空間卷積池化金字塔、多個解碼器、溢出抑制模塊。

在一個實施例中，所述方法還包括：為所述神經網絡模型的不同模塊分別設置對應的損失函數以及對應的權重系數，將所有模塊的損失函數的加權和作為所述神經網絡模型的損失函數。

本申請的實施例提供一種摳圖裝置，所述裝置包括：獲取模塊、摳圖模塊：所述獲取模塊，用于獲取待摳圖圖像；所述摳圖模塊，用于將所述待摳圖圖像輸入預先訓練的摳圖模型，利用所述摳圖模型對所述待摳圖圖像進行摳圖處理，獲得所述待摳圖圖像的前景圖；所述摳圖模塊，還用于利用所述摳圖模型對所述前景圖進行溢出抑制處理，獲得目標前景圖。

本申請的實施例提供一種電子設備，所述電子設備包括處理器和存儲器，所述處理器用于執行所述存儲器中存儲的計算機程序時實現所述摳圖方法、摳圖模型訓練方法。

本申請的實施例提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現所述摳圖方法、摳圖模型訓練方法。