[发明专利]用于处理图像的方法和装置

说明书

本申请实施例公开了用于处理图像的方法和装置。该方法的一具体实施方式包括获取原始图像和目标尺寸；将原始图像和目标尺寸输入至预先训练的图像重定向模型，得到原始图像对应的重定向图像，其中，图像重定向模型用于将原始图像重定向到目标尺寸；将重定向图像输入至预先训练的超分辨率模型，得到重定向图像对应的目标图像，其中，超分辨率模型用于对重定向图像进行像素增强。该实施方式实现了在保留图像的主要内容的基础上，快速地处理出各种尺寸的图像。

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于处理图像的方法和装置。

背景技术

信息推送，就是“网络广播”，是通过一定的技术标准或协议，在互联网上通过主动传送用户需要的信息来减少信息过载的一项新技术。推送技术通过自动传送信息给用户，来减少用于网络上搜索的时间。它根据用户的兴趣来搜索、过滤信息，并将其主动推给用户，帮助用户高效率地发掘有价值的信息。

实践中，推送给用户的信息可以是带有图像的网页。由于在网页中可插入图像的页面区域的尺寸的多样性，往往需要准备同主题、不同尺寸的图像，以适应不同尺寸的页面区域。若这些不同尺寸的图像完全基于专业设计人员的设计，会增加人力成本，且效率较低。若这些不同尺寸的图像是通过简单的剪裁、拉伸、缩放等操作获得，不能保证保留图像的主要内容。

发明内容

本申请实施例提出了用于处理图像的方法和装置。

第一方面，本申请实施例提供了一种用于处理图像的方法，包括：获取原始图像和目标尺寸；将原始图像和目标尺寸输入至预先训练的图像重定向模型，得到原始图像对应的重定向图像，其中，图像重定向模型用于将原始图像重定向到目标尺寸；将重定向图像输入至预先训练的超分辨率模型，得到重定向图像对应的目标图像，其中，超分辨率模型用于对重定向图像进行像素增强。

在一些实施例中，重定向模型包括编码器、解码器、结构保持层和变换层。

在一些实施例中，将原始图像和目标尺寸输入至预先训练的图像重定向模型，得到原始图像对应的重定向图像，包括：将原始图像输入至编码器，得到原始图像的语义特征；将语义特征输入至解码器，得到语义特征对应的注意力映射图像，以及基于目标尺寸对注意力映射图像进行尺寸变换，得到变换注意力映射图像；将变换注意力映射图输入至结构保持层，得到变换注意力映射图像对应的结构保持图像；将原始图像和结构保持图像输入至变换层，得到重定向图像。

在一些实施例中，图像重定向模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像和对应的类型标注信息；将训练样本集合中的训练样本中的样本图像作为输入，将输入的样本图像对应的类型标注信息作为输出，对初始分类网络进行训练，调整初始分类网络的全连接层的参数，得到训练后的分类网络，其中，初始分类网络除全连接层之外的网络层的参数是固定值；将训练样本集合中训练样本中的样本图像作为输入，将输入的样本图像对应的类型标注信息作为输出，对初始卷积神经网络进行训练，调整初始卷积神经网络中的初始解码器的参数，得到训练后的卷积神经网络，其中，初始卷积神经网络包括编码器、初始解码器、结构保持层、变换层和分类网络；移除卷积神经网络中的分类网络，得到图像重定向模型。

在一些实施例中，初始分类网络中除全连接层之外的网络层的结构及参数与编码器的网络层的结构及参数相同；解码器的网络层的结构与编码器的网络层的结构反向对称。

在一些实施例中，超分辨率模型包括残差网络和上采样层。

在一些实施例中，超分辨率模型是利用训练样本集合中的训练样本中的样本图像训练得到的。