[发明专利]图像处理方法、处理装置以及处理设备

说明书

本发明实施例提供一种图像处理方法、处理装置和处理设备，利用生成神经网络结合图像内容特征实现图像转换，使得转换后的输出图像既包含转换特征又保持与输入图像的一致性。该图像处理方法包括：获取输入图像；利用生成神经网络根据输入图像对所述输入图像进行图像转换处理，以输出转换后的输出图像，其中，所述生成神经网络中包含多个处理层级，其中将第i处理层级的输出结果输入至第i+1处理层级和第j处理层级，所述第j处理层级还接收第j‑1处理层级的输出结果，所述第j‑1处理层级的输出结果与第i处理层级的输出结果具有相同的尺寸，其中：i小于j‑1，i和j为正整数。

技术领域

本发明涉及图像处理领域，尤其涉及一种图像处理方法、处理装置以及处理设备。

背景技术

利用深度神经网络进行图像处理和转换是随着深度学习技术的发展而新兴起来的技术。然而，现有技术中的图像处理和转换系统的结构复杂且难于训练。因此，需要一种实现图像转换的图像处理方法、处理装置和处理设备，其既能对输入图像进行转换处理，又能保留输入图像的原始信息，保证输出图像与输入图像之间具有一致性，系统灵活、简单，易于训练。

发明内容

本发明提供一种图像处理方法、处理装置以及处理设备，利用生成神经网络结合图像内容特征实现图像转换，所述生成神经网络中在不同处理层级之间建立跨层级连接，使得输出图像既能具备图像转换的特征，又能保留输入图像的原始信息，保证输出图像与输入图像之间具有一致性。

本发明实施例提供一种图像处理方法，包括：获取输入图像；利用生成神经网络根据输入图像对所述输入图像进行图像转换处理，以输出转换后的输出图像，其中，所述生成神经网络中包括多个处理层级，其中将第i处理层级的输出结果输入至第i+1处理层级和第j处理层级，所述第j处理层级还接收第j-1处理层级的输出结果，所述第j-1处理层级的输出结果与第i处理层级的输出结果具有相同的尺寸，其中：i小于j-1，i和j为正整数。

根据本发明实施例，所述生成神经网络的多个处理层级中的每个处理层级包括卷积网络，所述多个处理层级中的至少一部分处理层级还包括下采样层、上采样层和标准化层中的至少一个。

根据本发明实施例，在所述生成神经网络中，所述下采样层的个数与所述上采样层的个数相等。

根据本发明实施例，其中所述输入图像作为第一训练图像，所述输出图像作为第一训练输出图像，所述图像处理方法还包括：基于所述第一训练图像、第一训练输出图像训练所述生成神经网络。

根据本发明实施例，其中，训练所述生成神经网络包括：将所述第一训练输出图像输入至鉴别神经网络，输出所述第一训练输出图像是否具有转换特征的鉴别标签；利用第一损失计算单元根据所述第一训练图像、第一训练输出图像和鉴别标签计算所述生成神经网络的损失值，优化所述生成神经网络的参数。

根据本发明实施例，其中，所述第一损失计算单元包括分析网络、第一损失计算器和优化器，并且利用第一损失计算单元优化所述生成神经网络的参数包括：利用所述分析网络输出所述第一训练图像和第一训练输出图像的内容特征；利用所述第一损失计算器根据分析网络输出的内容特征以及所述第一训练输出图像的鉴别标签按照第一损失函数计算所述生成神经网络的损失值；利用所述优化器根据所述生成神经网络的损失值优化所述生成神经网络的参数，其中，该参数包括所述生成神经网络中卷积网络的卷积核和偏置。

根据本发明实施例，其中：所述第一损失函数包括内容损失函数、生成神经网络损失函数和标准化损失函数中的至少一个。

根据本发明实施例，其中，所述输入图像作为第二训练图像，所述输出图像作为第一样本图像，所述图像处理方法还包括：从训练数据库获取第二样本图像；利用所述鉴别神经网络输出所述第一样本图像和所述第二样本图像是否具有转换特征的鉴别标签；利用第二损失计算单元根据所述第一样本图像的鉴别标签和所述第二样本图像的鉴别标签训练所述鉴别神经网络。