[发明专利]图像处理方法、装置及存储介质

说明书

本发明实施例提供一种图像处理方法、装置及存储介质，包括：获取目标图像，通过训练后的卷积神经网络对所述目标图像进行处理，所述卷积神经网络根据所述目标图像中各像素点的概率类型及对应概率值得到所述目标图像对应的分割图像，所述概率类型包括所述像素点为背景区域的第一概率类型或者为前景区域的第二概率类型；通过训练后的羽化层对所述目标图像和所述分割图像进行处理，所述羽化层根据所述目标图像和所述分割图像所确定的图像羽化参数，得到所述目标图像对应的目标局部图像。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、装置及存储介质。

背景技术

抠图与图像合成技术是影视制作中必不可少的关键技术，广泛应用于媒体制作中。例如，在制作电影特技时，通过将前景从一系列的视频帧中剥离出来，并将剥离出来的前景添加在具有相应背景的一系列视频帧中，从而形成一种特技效果。

目前，抠图主要通过颜色和区别特征来进行图像的融合，现代的一些深度学习用来抠图的算法也依然高度依赖基于颜色的传播方法，运行时间过长；另外，抠图的过程中需要原图和掩膜mask图，而mask图一般是通过ps人工制作，样本量过小，无法自动抠图。

发明内容

有鉴于此，本发明的主要目的在于提供一种图像处理方法、装置及存储介质，能够对自拍场景下人脸头发区域实现实时分割，达到自动抠图，实现头发边缘的自然过渡。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种图像处理方法，包括：获取目标图像，通过训练后的卷积神经网络对所述目标图像进行处理，所述卷积神经网络根据所述目标图像中各像素点的概率类型及对应概率值得到所述目标图像对应的分割图像，所述概率类型包括所述像素点为背景区域的第一概率类型或者为前景区域的第二概率类型；通过训练后的羽化层对所述目标图像和所述分割图像进行处理，所述羽化层根据所述目标图像和所述分割图像所确定的图像羽化参数，得到所述目标图像对应的目标局部图像。

其中，所述获取目标图像之前，包括：获取包含多个训练图像的图像训练集，所述训练图像包括携带有对局部图像进行标注的原始图像；基于所述图像训练集对卷积神经网络和羽化层进行迭代训练，直至损失函数满足收敛条件，得到训练后的所述卷积神经网络和所述羽化层。

其中，所述基于所述图像训练集对卷积神经网络和羽化层进行迭代训练之前，还包括：对所述原始图像进行图像增广得到对应的增广图像，所述训练图像还包括所述增广图像。

其中，所述对所述原始图像进行图像增广得到对应的增广图像，包括：对所述原始图像分别进行图像水平平移、图像竖直平移、颜色扰动和/或图像旋转，得到对应的增广图像。

其中，所述基于所述图像训练集对卷积神经网络和羽化层进行迭代训练，直至损失函数满足收敛条件，得到训练后的所述卷积神经网络和所述羽化层，包括：基于所述图像训练集对卷积神经网络和羽化层进行迭代训练，一次迭代训练中，所述卷积神经网络根据所述训练图像中各像素点的概率类型及对应概率值，得到所述训练图像对应的分割图像，所述羽化层根据所述训练图像和所述分割图像所确定的图像羽化参数，得到所述训练图像的所述标注对应的局部图像；通过迭代直至所述卷积神经网络和所述羽化层对应的损失函数分别满足收敛条件，得到训练后的所述卷积神经网络和所述羽化层。

其中，所述通过迭代直至所述卷积神经网络和所述羽化层对应的损失函数分别满足收敛条件之前，还包括：根据颜色损失函数和差分损失函数的组合，得到所述卷积神经网络和所述羽化层对应的损失函数。