[发明专利]图像处理方法、装置、电子设备及计算机可读介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

对图像进行分割处理以获取所述图像中的指定区域与背景区域；

对所述指定区域进行上色处理；

计算进行上色处理之后的指定区域与所述背景区域的梯度分布信息；以及

通过所述指定区域与所述背景区域的梯度分布信息对所述图像进行泊松重建，以获取展示图像。

2.如权利要求1所述的方法，其特征在于，还包括：

通过深度学习算法建立用于对所述图像进行分割处理的图像分割模型；

对图像进行分割处理以获取所述图像中的指定区域与背景区域包括：

将所述图像输入图像分割模型以获取所述图像中的指定区域与背景区域。

3.如权利要求2所述的方法，其特征在于，通过深度学习算法建立用于对所述图像进行分割处理的图像分割模型包括：

将样本图像进行图像预处理，生成样本数据；

对所述样本数据进行标记；以及

通过所述样本数据对深度学习算法模型进行训练，获取所述图像分割模型。

4.如权利要求3所述的方法，其特征在于，对所述样本数据进行标记包括：

通过labelme对所述样本数据进行多边形标记。

5.如权利要求3所述的方法，其特征在于，将样本图像进行图像预处理包括：

对所述样本图像进行图像增广处理。

6.如权利要求3所述的方法，其特征在于，所述深度学习算法模型包括：全卷积神经网络模型；

通过所述样本数据对深度学习算法模型进行训练，获取所述图像分割模型包括：

将所述样本数据输入全卷积神经网络模型中；

全卷积神经网络模型通过8个卷积层处理所述样本数据，获得卷积数据；

通过样本数据的标记与所述卷积数据确定所述所述图像分割模型。

7.如权利要求1所述的方法，其特征在于，计算进行上色处理之后的指定区域与所述背景区域的梯度分布信息包括：

通过拉普拉斯变换获取上色处理之后的所述指定区域的第一梯度分布信息；

通过拉普拉斯变换获取所述背景区域的第二梯度分布信息；以及

通过所述第一梯度分布信息与所述第二梯度分布信息获取所述梯度分布信息。

8.如权利要求7所述的方法，其特征在于，通过所述第一梯度分布信息与所述第二梯度分布信息获取所述梯度分布信息包括：

将所述第一梯度分布信息作为掩膜覆盖到所述第二梯度分布信息上，以获取所述梯度分布信息。

9.如权利要求1所述的方法，其特征在于，通过所述指定区域与所述背景区域的梯度分布信息对所述图像进行泊松重建包括：

通过所述梯度分布信息获取图像散度信息；

通过所述图像散度信息求解泊松重建处理中的系数矩阵以对所述图像进行泊松重建。

10.一种图像处理装置，其特征在于，包括：

图像分割模块，用于对图像进行分割处理以获取所述图像中的指定区域与背景区域；

区域上色模块，用于对所述指定区域进行上色处理；

梯度信息模块，用于计算进行上色处理之后的指定区域与所述背景区域的梯度分布信息；

图像重建模块，用于通过所述指定区域与所述背景区域的梯度分布信息对所述图像进行泊松重建，以获取展示图像。

11.如权利要求10所述的装置，其特征在于，还包括：

模型模块，用于通过深度学习算法建立用于对所述图像进行分割处理的图像分割模型。

12.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。

13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。