[发明专利]一种图像处理方法、装置、电子设备及存储介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取待处理图像；

对所述待处理图像中的对象进行分割，得到分割后的对象；

通过图像转换模型对分割后的所述对象按照选定图像风格进行图像风格转换处理，得到处理后的目标对象，其中，所述图像转换模型为通过对超网络中的深度可分离卷积层的通道数先增加，再删除增加后不满足预设条件的通道的方式进行迭代训练得到的模型。

2.根据权利要求1所述的图像处理方法，其特征在于，在所述通过图像转换模型对分割后的所述对象按照选定图像风格进行图像风格转换处理前，所述方法还包括：

基于卷积神经网络的深度可分离卷积层生成超网络，以及确定所述超网络的参数；

根据确定的所述超网络的参数训练卷积神经网络模型，得到所述图像转换模型。

3.根据权利要求2所述的图像处理方法，其特征在于，所述基于卷积神经网络的深度可分离卷积层生成超网络，及确定超网络的参数，包括：

将所述卷积神经网络的深度可分离卷积层的输入通道数C扩大成2的整数倍，得到2xNxC个通道，其中N为卷积核的个数；

将扩大的所述深度可分离卷积层拆分成卷积单元i，并为每个卷积单元i赋予参数g_i；

将扩大后的每个输入通道分别与对应卷积核做卷积处理，得到对应的卷积结果；

将每个卷积结果分别乘以对应卷积单元i的参数g_i，得到对应通道的卷积参数；

将所有通道的卷积参数组合在一起，作为超网络的参数。

4.根据权利要求2或3所述的图像处理方法，其特征在于，

所述卷积神经网络模型包括：具有深度可分离卷积层的第一生成网络、第一判别网络和第二生成网络；

所述根据确定的所述超网络的参数训练卷积神经网络模型，得到所述图像转换模型，包括：

选取第一类型的普通图像训练样本和第二类型的风格图像训练样本；

将所述第一类型的普通图像训练样本输入到所述第一生成网络进行生成处理，输出第二类型的图像；

将所述第二类型的图像分别输入到第一判别网络，得到所述第二类型的图像属于第二类型的风格图像训练样本的概率，所述概率称为交叉熵损失；

将所述第二类型的图像分别输入到第二生成网络，得到所述第二类型的图像通过第二生成网络时的图像损失称为一致性损失；

计算所述一致性损失和交叉熵损失的损失之和，或对所述一致性损失和交叉熵损失的损失进行加权求和，得到损失之和；

根据所述损失之和计算梯度域上的特征图；

根据所述特征图更新所述超网络的参数；

对更新后的所述超网络的参数对应的通道进行迭代训练，直到生成图像转换模型。

5.根据权利要求4所述的图像处理方法，其特征在于，所述对更新后的所述超网络的参数对应的通道进行迭代训练，直到生成图像转换模型，包括：

响应于所述超网络的参数小于设定参数阈值时，删除小于所述设定参数阈值的参数对应的通道；

响应于所述超网络的参数不小于设定参数阈值时，保留不小于所述设定参数阈值的参数对应的通道；

反复进行下一次的迭代训练，直到生成图像转换模型。

6.一种图像处理装置，其特征在于，包括：

获取模块，被配置为执行获取待处理图像；

分割模块，被配置为执行对所述待处理图像中的对象进行分割，得到分割后的对象；

风格转换处理模块，被配置为执行通过图像转换模型对分割后的所述对象按照选定图像风格进行图像风格转换处理，得到处理后的目标对象，其中，所述图像转换模型为通过对超网络中的深度可分离卷积层的通道数先增加，再删除增加后不满足预设条件的通道的方式进行迭代训练得到的模型。