[发明专利]一种图像处理方法和装置

说明书

本发明公开了一种图像处理方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：确定对象的属性信息；利用深度学习模型确定所述属性信息在所述对象的图片中的对应区域图；将所述对象的图片和所述属性信息在所述对象的图片中的对应区域图输入图像转换网络进行图像转换，以得到所述对象的简笔画图像。该实施方式能够使得图片转换为简笔画之后充分地体现图像中对象的重要细节，并减少边缘噪音，提升图像生成简笔画的转换效果。

技术领域

本发明涉及计算机技术领域，尤其涉及一种图像处理方法和装置。

背景技术

转换图片为简笔画有较广泛的应用，例如进行人脸照片简笔画的转换可以为用户提供具备个性化风格的头像，使用简笔画进行商品检索也具有较大研究前景，可以为用户提供更便捷的商品检索方式，这种检索需要大量高质量的简笔画数据作为训练数据，自动转换图片为简笔画即可满足这种数据需求。

现有的图片到简笔画的转换方案不会考虑物体内部的细节，因此转出来的简笔画通常有两个方面的问题：一是内部部分重要细节缺失；二是出现了很多不必要的边缘噪音。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有方案存在重要细节缺失和边缘噪音较多的问题。

发明内容

有鉴于此，本发明实施例提供一种图像处理方法和装置，能够使得图片转换为简笔画之后充分地体现图像中对象的重要细节，并减少边缘噪音，提升图像生成简笔画的转换效果。

为实现上述目的，根据本发明实施例的一个方面，提供了一种图像处理方法。

一种图像处理方法，包括：确定对象的属性信息；利用深度学习模型确定所述属性信息在所述对象的图片中的对应区域图；将所述对象的图片和所述属性信息在所述对象的图片中的对应区域图输入图像转换网络进行图像转换，以得到所述对象的简笔画图像。

可选地，确定对象的属性信息的步骤，包括：从所述对象的图片对应的描述数据集中选出高频词汇，所述描述数据集包括所述对象的描述信息，所述高频词汇为在所述描述数据集中出现频次大于预设阈值的词汇；按照预设规则训练选出的高频词汇对应的分类器，所述分类器用于针对所述对象的图片与该高频词汇的描述是否一致进行分类；统计各分类器的分类精度，根据精度最高的预设数量的分类器对应的高频词汇确定所述对象的属性信息。

可选地，所述深度学习模型为卷积神经网络，利用深度学习模型确定所述属性信息在所述对象的图片中的对应区域图的步骤，包括：根据全连接层的每一节点对应的权重值集合，以及所述每一节点与所述对象的属性信息之间的预设对应关系，得到所述对象的各属性信息对应的权重值集合，其中，每一权重值集合包括多个权重值，每个权重值对应特征图的一个通道，所述特征图由所述卷积神经网络的最后一个卷积层输出，所述全连接层位于所述卷积神经网络最后一层且通过全局平均池化层与所述最后一个卷积层连接；对于所述特征图的每个位置，根据该位置在每个所述通道的特征值，以及所述对象的各属性信息对应的权重值集合，分别计算该位置与各属性信息的相关程度值，一所述位置与一所述属性信息的相关程度值指示该位置与该属性信息的相关联的程度；根据所述特征图的每个位置与各属性信息的相关程度值，通过属性激活映射处理，生成每一所述属性信息在所述对象的图片中的对应区域图。

可选地，将所述对象的图片和所述属性信息在所述对象的图片中的对应区域图输入图像转换网络进行图像转换的步骤，包括：将所述对象的图片转换为简笔画图像，其中包括根据所述属性信息在所述对象的图片中的对应区域图，生成所述简笔画图像中与所述属性信息对应的图像细节。

可选地，所述图像转换网络为对抗生成网络。

根据本发明实施例的另一方面，提供了一种图像处理装置。