图像风格化处理方法、装置、计算设备及计算机存储介质转让专利
申请号 : CN201710555161.0
文献号 : CN107392842B
文献日 : 2021-05-21
发明人 : 申发龙 , 颜水成 , 曾钢
申请人 : 北京奇虎科技有限公司
摘要 :
权利要求 :
1.一种图像风格化处理方法,所述方法基于经过训练的第一网络而执行,所述方法包括:
获取一第一图像;
将所述第一图像输入至所述第一网络中,得到与所述第一图像的风格对应的第二网络;其中,第一网络训练所用的样本图像包含:风格图像库存储的多个第一样本图像和内容图像库存储的多个第二样本图像;
利用所述第二网络对待处理的第二图像进行风格化处理,得到与所述第二图像对应的第三图像;其中,所述第一网络的训练过程通过多次迭代完成;在多次迭代过程中,固定提取一个第一样本图像,替换地提取至少一个第二样本图像;当所述内容图像库中的第二样本图像提取完毕后,替换下一个第一样本图像,再替换地提取至少一个第二样本图像;
所述将所述第一图像输入至所述第一网络中,得到与所述第一图像的风格对应的第二网络进一步包括:
将所述第一图像输入至第一网络中,在所述第一网络中进行一次前向传播运算,得到与所述第一图像的风格对应的第二网络。
2.根据权利要求1所述的方法,其中,在一次迭代过程中,从所述风格图像库中提取一个第一样本图像,从所述内容图像库中提取至少一个第二样本图像,利用所述一个第一样本图像和所述至少一个第二样本图像实现第一网络的训练。
3.根据权利要求1所述的方法,其中,所述第一网络的训练过程通过多次迭代完成;其中一次迭代过程包括:
利用与第一样本图像的风格对应的第二网络,生成与第二样本图像对应的第三样本图像;
根据所述第三样本图像与所述第一样本图像之间的风格损失以及所述第三样本图像与所述第二样本图像之间的内容损失,得到第一网络损失函数,利用所述第一网络损失函数实现第一网络的训练。
4.根据权利要求1所述的方法,其中,所述第一网络的训练步骤包括:从所述风格图像库中提取一个第一样本图像,从所述内容图像库中提取至少一个第二样本图像;
将所述第一样本图像输入至第一网络中,得到与所述第一样本图像的风格对应的第二网络;
利用与所述第一样本图像的风格对应的第二网络,分别针对至少一个第二样本图像生成对应的第三样本图像;
根据至少一个第三样本图像与所述第一样本图像之间的风格损失以及至少一个第三样本图像与对应的第二样本图像之间的内容损失,得到第一网络损失函数,根据所述第一网络损失函数更新所述第一网络的权重参数;
迭代执行所述第一网络的训练步骤,直至满足预定收敛条件。
5.根据权利要求4所述的方法,其中,所述预定收敛条件包括:迭代次数达到预设迭代次数;和/或,所述第一网络损失函数的输出值小于预设阈值;和/或,与所述第二样本图像对应的第三样本图像的视觉效果参数达到预设视觉效果参数。
6.根据权利要求1所述的方法,所述将所述第一样本图像输入至第一网络中,得到与所述第一样本图像的风格对应的第二网络进一步包括:从所述第一样本图像中提取风格纹理特征;
将所述风格纹理特征输入至第一网络中,得到与所述风格纹理特征对应的第二网络。
7.根据权利要求1‑6中任一项所述的方法,所述第一网络为对神经网络进行训练得到的元网络,所述第二网络为图像转换网络。
8.根据权利要求1‑6中任一项所述的方法,所述方法由终端执行。
9.一种图像风格化处理装置,所述装置基于经过训练的第一网络而运行,所述装置包括:
获取模块,适于获取一第一图像;
映射模块,适于将所述第一图像输入至所述第一网络中,得到与所述第一图像的风格对应的第二网络;其中,第一网络训练所用的样本图像包含:风格图像库存储的多个第一样本图像和内容图像库存储的多个第二样本图像;
处理模块,适于利用所述第二网络对待处理的第二图像进行风格化处理,得到与所述第二图像对应的第三图像;
以及第一网络训练模块;所述第一网络的训练过程通过多次迭代完成;所述第一网络训练模块进一步适于:固定提取一个第一样本图像,替换地提取至少一个第二样本图像;当所述内容图像库中的第二样本图像提取完毕后,替换下一个第一样本图像,再替换地提取至少一个第二样本图像;
所述映射模块进一步适于:
将所述第一图像输入至第一网络中,在所述第一网络中进行一次前向传播运算,得到与所述第一图像的风格对应的第二网络。
10.根据权利要求9所述的装置,其中,所述第一网络训练模块适于:在一次迭代过程中,从所述风格图像库中提取一个第一样本图像,从所述内容图像库中提取至少一个第二样本图像,利用所述一个第一样本图像和所述至少一个第二样本图像实现第一网络的训练。
11.根据权利要求9所述的装置,其中,所述装置还包括:第一网络训练模块;所述第一网络的训练过程通过多次迭代完成;
所述第一网络训练模块适于:在一次迭代过程中,利用与第一样本图像的风格对应的第二网络,生成与第二样本图像对应的第三样本图像;根据所述第三样本图像与所述第一样本图像之间的风格损失以及所述第三样本图像与所述第二样本图像之间的内容损失,得到第一网络损失函数,利用所述第一网络损失函数实现第一网络的训练。
12.根据权利要求9所述的装置,其中,所述装置还包括:第一网络训练模块;
所述第一网络训练模块包括:
提取单元,适于从所述风格图像库中提取一个第一样本图像,从所述内容图像库中提取至少一个第二样本图像;
生成单元,适于将所述第一样本图像输入至第一网络中,得到与所述第一样本图像的风格对应的第二网络;
处理单元,适于利用与所述第一样本图像的风格对应的第二网络,分别针对至少一个第二样本图像生成对应的第三样本图像;
更新单元,适于根据至少一个第三样本图像与所述第一样本图像之间的风格损失以及至少一个第三样本图像与对应的第二样本图像之间的内容损失,得到第一网络损失函数,根据所述第一网络损失函数更新所述第一网络的权重参数;
所述第一网络训练模块迭代运行,直至满足预定收敛条件。
13.根据权利要求12所述的装置,其中,所述预定收敛条件包括:迭代次数达到预设迭代次数;和/或,所述第一网络损失函数的输出值小于预设阈值;和/或,与所述第二样本图像对应的第三样本图像的视觉效果参数达到预设视觉效果参数。
14.根据权利要求12所述的装置,所述生成单元进一步适于:从所述第一样本图像中提取风格纹理特征;
将所述风格纹理特征输入至第一网络中,得到与所述风格纹理特征对应的第二网络。
15.根据权利要求9‑14中任一项所述的装置,所述第一网络为对神经网络进行训练得到的元网络,所述第二网络为图像转换网络。
16.一种终端,包括权利要求9‑15中任一项所述的图像风格化处理装置。
17.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1‑8中任一项所述的图像风格化处理方法对应的操作。
18.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1‑8中任一项所述的图像风格化处理方法对应的操作。
说明书 :
图像风格化处理方法、装置、计算设备及计算机存储介质
技术领域
背景技术
一个神经网络(neural network)中,然后利用大量的内容图像作为样本图像,经过多次迭
代训练得到与给定的风格图像对应的图像转换网络,利用该图像转换网络实现输入内容图
像的风格转换。
万次的迭代运算造成计算量巨大,这将会需要很长的训练时间,导致图像风格化处理效率
低下。
发明内容
一样本图像和至少一个第二样本图像实现第一网络的训练。
替换地提取至少一个第二内容样本图像。
失函数实现第一网络的训练。
损失函数更新第一网络的权重参数;
达到预设视觉效果参数。
二样本图像实现第一网络的训练。
本图像。
之间的风格损失以及第三样本图像与第二样本图像之间的内容损失,得到第一网络损失函
数,利用所述第一网络损失函数实现第一网络的训练。
根据第一网络损失函数更新第一网络的权重参数;
达到预设视觉效果参数。
理,得到与第二图像对应的第三图像。与现有技术中的图像风格化处理方式相比,本发明提
供的技术方案利用经过训练的第一网络能够快速地得到对应的图像转换网络,提高了图像
风格化处理的效率,优化了图像风格化处理方式。
更明显易懂,以下特举本发明的具体实施方式。
附图说明
的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
具体实施方式
所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围
完整的传达给本领域的技术人员。
S100中获取该第一图像。为了与第一图像进行区分,在本发明中将用户想要处理的图像称
为待处理的第二图像。
风格样本图像,第二样本图像为内容样本图像。经训练得到的第一网络能够很好地适用于
任意风格图像和任意内容图像,所以在步骤S101中将步骤S100所获取的第一图像输入至第
一网络中后,无需再针对该第一图像进行训练,就能够快速地映射得到与该第一图像的风
格对应的第二网络。
个第一样本图像和至少一个第二样本图像对第一网络进行训练。
及第三样本图像与第二样本图像之间的内容损失,得到第一网络损失函数,根据第一网络
损失函数更新第一网络的权重参数。
到对应的图像转换网络,而在本发明中是对神经网络进行训练,由于经训练得到的元网络
能够很好地适用于任意风格图像和任意内容图像,那么利用元网络就能够快速地映射得到
对应的图像转换网络,而并不是直接利用神经网络训练得到图像转换网络,因此与现有技
术相比,极大地了提高了获得图像转换网络的速度。
图像,该风格迁移图像具有与第一图像一致的风格。图2a和图2b分别示出了第一图像和第
二图像的示例图,利用与图2a所示的第一图像的风格对应的第二网络对图2b所示的第二图
像进行风格化处理,所得到的对应的第三图像如图2c所示。如图2c所示,该第三图像已具有
了图2a所示的第一图像的风格。
理的第二图像进行风格化处理,得到与第二图像对应的第三图像。与现有技术中的图像风
格化处理方式相比,本发明提供的技术方案利用经过训练的第一网络能够快速地得到对应
的图像转换网络,有效地提高了图像风格化处理的效率,优化了图像风格化处理方式。
S300中,从风格图像库中提取一个第一样本图像,从内容图像库中提取至少一个第二样本
图像。本领域技术人员可根据实际需要设置第二样本图像的数量,此处不做限定。
骤S301中,从第一样本图像中提取风格纹理特征,然后将所提取的风格纹理特征输入至第
一网络中,在第一网络中进行前向传播(forward propagation)运算,得到与风格纹理特征
对应的第二网络。
样本图像即为与第二样本图像对应的风格迁移图像,风格迁移图像具有与第一样本图像一
致的风格。当在步骤S300中提取了8个第二样本图像,那么在步骤S302中,分别针对8个第二
样本图像生成对应的第三样本图像,即针对每一个第二样本图像生成了一个对应的第三样
本图像。
第一网络损失函数更新第一网络的权重参数。
像与对应的第二样本图像之间的内容损失, 为第三样本图像与第一样本
图像之间的风格损失,θ为第一网络的权重参数,λc为预设内容损失权重,λs为预设风格损失
权重。根据上述第一网络损失函数,进行反向传播(back propagation)运算,通过运算结果
更新第一网络的权重参数θ。
网络。具体地训练过程包括:
一个第一样本图像需要迭代20次,每次迭代需要从内容图像库中提取8个第二样本图像Ic。
其中,第二网络w与第一网络N(·;θ)的映射公式为:w←N(Is;θ)。
于预设阈值;和/或,与第二样本图像对应的第三样本图像的视觉效果参数达到预设视觉效
果参数。具体地,可以通过判断迭代次数是否达到预设迭代次数来判断是否满足预定收敛
条件,也可以根据第一网络损失函数的输出值是否小于预设阈值来判断是否满足预定收敛
条件,还可以通过判断与第二样本图像对应的第三样本图像的视觉效果参数是否达到预设
视觉效果参数来判断是否满足预定收敛条件。在步骤S304中,迭代执行第一网络的训练步
骤,直至满足预定收敛条件,从而得到经过训练的第一网络。
二样本图像提取完毕后,替换下一个第一样本图像,再替换地提取至少一个第二样本图像。
并不断替换第二样本图像,从而训练得到适用于上述两个第一样本图像和任意第二样本图
像的第一网络。重复上述过程直至风格图像库中的第一样本图像和内容图像库中的第二样
本图像均提取完毕,就能够训练得到适用于任意第一样本图像和任意第二样本图像的第一
网络,相当于训练得到了适用于任意风格图像和任意内容图像的第一网络,从而有效地缩
减了训练第一网络所需的时间,提高了第一网络的训练效率。
像。当用户想要将待处理的第二图像处理成与某一个第一图像具有一致风格的图像时,可
在步骤S400中获取该第一图像。
第一网络中进行一次前向传播运算,就能够快速地映射得到与该第一图像的风格对应的第
二网络。在具体应用中,将第一图像输入至第一网络中后,只需0.02s就能够得到与该第一
图像的风格对应的第二网络,与现有技术相比,有效地提高了获得图像转换网络的速度。
像对应的风格迁移图像。
化处理方法的比较结果。
应的风格迁移图像。
用于一种风格,但只需耗时0.015s得到对应的风格迁移图像。
迁移图像,有效地提高了获得图像转换网络的速度和获得风格迁移图像的效率。
的第二网络,然后利用第二网络对待处理的第二图像进行风格化处理,得到与第二图像对
应的第三图像。与现有技术中的图像风格化处理方式相比,本发明提供的技术方案在经过
训练的第一网络中进行一次前向传播运算,就能够快速地映射得到对应的图像转换网络,
有效地提高了获得图像转换网络的速度,提高了图像风格化处理的效率,优化了图像风格
化处理方式;另外,利用所得到的图像转换网络能够方便、快速地对图像进行风格化处理。
模块530。
时,获取模块510需要获取该第一图像。
输入至第一网络中后,无需针对该第一图像进行训练,就能够快速地映射得到与第一图像
的风格对应的第二网络。
用第二网络对待处理的第二图像进行风格化处理,得到与第二图像对应的第三图像。与现
有技术中的图像风格化处理方式相比,本发明提供的技术方案利用经过训练的第一网络能
够快速地得到对应的图像转换网络,有效地提高了图像风格化处理的效率,优化了图像风
格化处理方式。
二样本图像,利用一个第一样本图像和至少一个第二样本图像对第一网络进行训练。
一样本图像之间的风格损失以及第三样本图像与第二样本图像之间的内容损失,得到第一
网络损失函数,根据第一网络损失函数更新第一网络的权重参数。
征;将风格纹理特征输入至第一网络中,得到与风格纹理特征对应的第二网络。
数,根据第一网络损失函数更新第一网络的权重参数。其中,本领域技术人员可根据实际需
要设置第一网络损失函数的具体内容,此处不做限定。在一个具体实施例中,第一网络损失
函数可以为:
像与对应的第二样本图像之间的内容损失, 为第三样本图像与第一样本
图像之间的风格损失,θ为神经网络的权重参数,λc为预设内容损失权重,λs为预设风格损失
权重。
库中的第二样本图像提取完毕后,替换下一个第一样本图像,再替换地提取至少一个第二
样本图像。通过上述方式,能够高效地训练得到适用于任意风格图像和任意内容图像的第
一网络,从而有效地缩减了训练第一网络所需的时间,提高了第一网络的训练效率。
至第一网络训练模块620训练得到的第一网络中,无需再针对该第一图像进行训练,只需在
第一网络中进行一次前向传播运算,就能够快速地映射得到与该第一图像的风格对应的第
二网络。
中进行一次前向传播运算,得到与第一图像的风格对应的第二网络,处理模块利用第二网
络对待处理的第二图像进行风格化处理,得到与第二图像对应的第三图像。与现有技术中
的图像风格化处理方式相比,本发明提供的技术方案在经过训练的第一网络中进行一次前
向传播运算,就能够快速地映射得到对应的图像转换网络,有效地提高了获得图像转换网
络的速度,提高了图像风格化处理的效率,优化了图像风格化处理方式;另外,利用所得到
的图像转换网络能够方便、快速地对图像进行风格化处理。
模块740。
纹理特征;将风格纹理特征输入至第一网络中,得到与风格纹理特征对应的第二网络。
损失函数更新第一网络的权重参数。
像与对应的第二样本图像之间的内容损失, 为第三样本图像与第一样本
图像之间的风格损失,θ为第一网络的权重参数,λc为预设内容损失权重,λs为预设风格损失
权重。
二样本图像对应的第三样本图像的视觉效果参数达到预设视觉效果参数。
个第一样本图像,再替换地提取至少一个第二样本图像。该网络训练装置有效地缩减了训
练第一网络所需的时间,提高了第一网络的训练效率。
中,计算机存储介质可为手机的存储卡、PAD的存储卡、电脑的磁盘、摄像设备的存储卡等。
等。
路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可
以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方
便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过
程描述,在此不再赘述。
的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种
编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发
明的最佳实施方式。
和技术,以便不模糊对本说明书的理解。
例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保
护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面
的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,
遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身
都作为本发明的单独实施例。
元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或
子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何
组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任
何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权
利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代
替。
范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任
意之一都可以以任意的组合方式来使用。
微处理器或者数字信号处理器(DSP)来实现根据本发明实施例中的一些或者全部部件的一
些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设
备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存
储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特
网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未
列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的
元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实
现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项
来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名
称。