[发明专利]一种图像处理的方法以及相关装置

说明书

本发明实施例公开了一种图像处理的方法，包括：获取待处理图像；采用预置训练模型对所述待处理图像进行处理，其中，所述预置图像训练模型为特征样本图像与所述特征样本图像的激活函数的函数关系模型，所述特征样本图像中包含满足预设图像特征值提取条件的图像；根据所述预置训练模型的处理结果，获取所述待处理图像所对应的目标图像。本发明还提供一种图像处理装置。本发明实施例可用将一些不满足预设图像特征值提取条件的样本图像在训练模型时进行剔除，从而有效地减少计算冗余和和空间浪费，同时这类模型的压缩率较高，能够应用于移动终端的应用程序，以此提升方案的实用性。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种图像处理的方法以及相关装置。

背景技术

随着图像处理技术的日益成熟，可以通过风格转换将一张普通图片转换为具有特定风格的艺术效果图，如图1所示，风格转换主要是采用神经网络的人工智能算法将普通图片的背景进行白净化处理，然后与绘画流派的艺术风格相结合，最后经过图像智能化处理得到艺术效果图。

目前，较为常用的人工智能算法为风格网络法，在普通的全连接网络或者卷积神经网络(英文全称：Convolutional Neuron Networks，英文缩写：CNN)中，每层神经元信号只能向上一层传播，又称为前向神经网络。如图2所示，通过将原图输入至已经训练好的离线风格转换模型，便可以快速得到风格化处理后的艺术效果图，其中，该风格转换模型中的相关参数固定不变。

由于风格转换模型中的相关参数固定不变，然而部分参数对整体的结果输出并不影响，这将会造成计算冗余和空间浪费。通常情况下，支持离线风格转换模型的方案需要约13兆(英文全称：MByte，英文缩写：MB)的计算资源，因此在移动终端的应用程序上进行操作就会显得过大，且无法支持多个前向神经网络并存。

发明内容

本发明实施例提供了一种图像处理的方法以及相关装置，可以将一些不满足预设图像特征值提取条件的样本图像在训练模型时进行剔除，可以有效地减少计算冗余和和空间浪费，同时这类模型的压缩率较高，能够应用于移动终端的应用程序，从而提升方案的实用性。

有鉴于此，本发明第一方面提供了图像处理的方法，包括：

获取待处理图像；

采用预置训练模型对所述待处理图像进行处理，其中，所述预置图像训练模型为特征样本图像与所述特征样本图像的激活函数的函数关系模型，所述特征样本图像中包含满足预设图像特征值提取条件的图像；

根据所述预置训练模型的处理结果，获取所述待处理图像所对应的目标图像。

本发明第二方面提供了图像处理装置，包括：

第一获取模块，用于获取待处理图像；

处理模块，用于采用预置训练模型对所述第一获取模块获取的所述待处理图像进行处理，其中，所述预置图像训练模型为特征样本图像与所述特征样本图像的激活函数的函数关系模型，所述特征样本图像中包含满足预设图像特征值提取条件的图像；

第二获取模块，用于根据所述处理模块通过所述预置训练模型处理得到的处理结果，获取所述待处理图像所对应的目标图像。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中，提供了一种图像处理的方法，图像处理装置先获取待处理图像，然后采用预置训练模型对待处理图像进行处理，其中，预置图像训练模型为特征样本图像与特征样本图像的激活函数的函数关系模型，且特征样本图像中包含满足预设图像特征值提取条件的图像，最后图像处理装置根据预置训练模型的处理结果，获取待处理图像所对应的目标图像。通过上述方式，将一些不满足预设图像特征值提取条件的样本图像在训练模型时进行剔除，可以有效地减少计算冗余和和空间浪费，同时这类模型的压缩率较高，能够应用于移动终端的应用程序，从而提升方案的实用性。