[发明专利]一种图像处理方法、装置、电子设备及存储介质

说明书

本公开关于一种图像处理方法、装置、电子设备及存储介质，所述方法包括：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。本公开通过对超网络中的深度可分离卷积层的通道数先增加在减少的方式，在视觉可以接受的情况下不但增减了网络的表达能力，还减少了模型内部处理的计算量，提高了图像风格转换的效率。

技术领域

本公开涉及图像处理技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。

背景技术

随着深度学习的兴起，深度学习架构和算法使得计算机视觉，模式识别和自然语言处理得到了很大的发展。其中，卷积神经网络(CNN，Convolutional Neural Networks)在图像处理方面的应用效果最为显著。

相关技术中，通常采用深度学习网络提取特征用于辅助图像风格迁移。也就是通过CNN网络提取输入图片的内容和风格图片的特征，构建格莱姆矩阵，从而定义内容损失函数和风格损失函数，然后，通过优化求解得到风格化的目标图片。但是，该方法中，虽然可以得到真实度很好的风格化目标图片，但是，因为优化求解过程需要花费很长时间，且计算量大，无法实现快速的风格迁移，降低了风格迁移效率及用户体验差。

发明内容

本公开提供一种图像处理方法、装置、电子设备及存储介质，以至少解决相关技术中由于图像风格迁移计算量大，耗时长，导致图像风格迁移效率低的技术问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种图像处理方法，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。

可选的，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。

可选的，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。

可选的，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；