[发明专利]图像处理方法、装置、电子设备及介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取包含对象区域的待处理图像；

将所述待处理图像输入图像识别模型，得到所述待处理图像中各像素点的深度值以及所述对象区域，并将所述对象区域作为所述待处理图像的前景区域，所述图像识别模型的网络层包括设置在跳跃连接的空洞空间金字塔池化ASPP层、第一输出层和第二输出层，设置有ASPP层的跳跃连接所连接的两个网络层中前一个网络层的输出图像经过ASPP层处理后的图像为后一个网络层的输入图像，所述第一输出层用于输出各像素点的深度值，所述第二输出层用于输出对象区域；

对于所述待处理图像包括的每个待虚化像素点，根据所述待虚化像素点的深度值与所述前景区域包括的各像素点深度值平均值的差值，对所述待虚化像素点进行虚化处理，所述待虚化像素点为所述待处理图像的背景区域包括的像素点。

2.根据权利要求1所述的图像处理方法，其特征在于，所述图像识别模型的网络层还包括多个卷积层和多个反卷积层，所述将所述待处理图像输入图像识别模型，得到所述待处理图像中各像素点的深度值以及所述对象区域，包括：

将所述待处理图像输入所述图像识别模型，通过各卷积层对所述待处理图像进行下采样，通过每个反卷积层对连接或跳跃连接的卷积层的下采样结果与上一个反卷积层的上采样结果进行拼接并上采样，得到所述第一输出层对最后一个反卷积层的采样结果进行上采样并输出的所述待识别图像中各像素点的深度值，并得到所述第二输出层对最后一个反卷积层的采样结果进行上采样并输出的所述待识别图像中的对象区域。

3.根据权利要求1所述的图像处理方法，其特征在于，通过以下步骤得到所述图像识别模型：

利用多个样本图像以及每个样本图像对应的标准识别结果，对神经网络模型进行训练，并将训练完成的神经网络模型作为所述图像识别模型，所述标准识别结果包括样本图像中各像素点的实际深度值以及样本图像的实际对象区域。

4.根据权利要求1所述的图像处理方法，其特征在于，通过以下步骤得到所述图像识别模型：

利用多个样本图像以及每个样本图像对应的标准识别结果，对神经网络模型进行训练，获得训练过程中各阶段的神经网络模型，并从各阶段的神经网络模型中选取所述图像识别模型，所述标准识别结果包括样本图像中各像素点的实际深度值以及样本图像的实际对象区域，各阶段的神经网络模型中包括训练完成的神经网络模型，所述训练完成的神经网络模型的损失函数值与上一阶段的神经网络模型的损失函数值的差值小于预设差值，每个阶段的神经网络模型为训练过程中根据该阶段的神经网络模型的损失函数调整模型参数后得到的模型。

5.根据权利要求4所述的图像处理方法，其特征在于，所述从各阶段的神经网络模型中选取所述图像识别模型，包括：

对于每个阶段的神经网络模型，根据样本图像中各像素点的实际深度值，以及该阶段的神经网络模型识别的样本图像中各像素点的深度值，利用第一预设评价算法，获取该阶段的神经网络模型识别像素点深度值的第一准确度；

对于每个阶段的神经网络模型，根据样本图像的实际对象区域，以及该阶段的神经网络模型识别的样本图像的对象区域，利用第二预设评价算法，获取该阶段的神经网络模型识别对象区域的第二准确度；

将第一准确度和第二准确度满足预设条件的阶段的神经网络模型，确定为所述图像识别模型。

6.根据权利要求1所述的图像处理方法，其特征在于，所述根据所述待虚化像素点的深度值与所述前景区域包括的各像素点深度值平均值的差值，对所述待虚化像素点进行虚化处理，包括：

计算所述前景区域包括的各像素点的深度值的平均值；

根据所述待虚化像素点的深度值与所述平均值的差值，确定以所述待虚化像素点为中心的虚化范围；

若检测到未预先设置指定光斑形状，则将所述待虚化像素点的颜色值更改为所述虚化范围包括的各像素点的颜色值的加权和，所述指定光斑形状为光线在图像中形成的亮斑的形状。