图像处理方法及装置与流程

本发明涉及通信领域，具体而言，涉及一种图像处理方法及装置。

背景技术：

当前，图像处理(例如，拍照)是终端(例如，手机)中的一个重要应用，对于拍照过程或者拍照之后有很多个性化的方法，以便提升用户的兴趣和体验，如比较热点的“伪装”功能。

由于伪装功能的实现在于对人脸的检测、伪装模版的预先制作、伪装模版和人脸或者人头位置的检测等。通常实现这个功能有着较为明确的结果，即如加个个性化的帽子、加上两撇胡子之类的。举例说明，比如训练好的模版中有一个是向日葵的模版，那么为了个性化人物拍照，可以对取景内的人物头部信息的轮廓进行选择和调整，确认后则进行个性化拍照，可以把人的脸部信息与向日葵花进行结合，形成一幅个性化的图片。

但是，相关技术中伪装模版是已知的各种制作结果，且主要是针对人脸或者人头进行模版叠加进行的图像处理，仅仅是指示用户获取图像的工具，因此，获取的图像的形象基本预知且较为单一。并且，在实现的过程中，需要准确的识别人脸、头部的位置或者相对角度等，模版针对的类型相对较少，且主要集中在人脸、头的个性化上。

技术实现要素：

本发明实施例提供了一种图像处理方法及装置，以至少解决相关技术中获取的图像的形象是预知的且较为单一的问题。

根据本发明的一个实施例，提供了一种图像处理方法，包括：获取第一图像；根据第一图像的预定区域的图像信息，确定用于处理所述第一图像的预定模型；根据所述确定的预定模型对所述预定区域的图像信息进行处理。

可选地根据所述确定的预定模型对所述预定区域的图像信息进行处理包括：将所述预定区域的图像信息作为输入的图像信息，输入预定模型进行分析计算，获取输出的目标图像，其中，所述预定模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：输入的图像信息和输出的目标图像。

可选地，在确定用于处理所述第一图像的预定模型之后，还包括：根据所述预定区域的图像信息对所述预定模型的参数进行调整。

可选地，在获取输出的目标图像之后，还包括：显示并存储所述目标图像。

根据本发明的另一个实施例，提供了一种图像处理装置，包括：第一获取模块，用于获取所述第一图像；确定模块，用于根据第一图像的预定区域的图像信息，确定用于处理所述第一图像的预定模型；第二获取模块，用于根据所述确定的预定模型对所述预定区域的图像信息进行处理。

可选地，所述第二获取模块，还用于将所述预定区域的图像信息作为输入的图像信息，输入预定模型进行分析计算，获取输出的目标图像，其中，所述预定模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：输入的图像信息和输出的目标图像。

可选地，所述确定模块，还用于根据所述预定区域的图像信息对所述预定模型的参数进行调整。

可选地，所述第二获取模块，还用于在获取输出的目标图像之后，显示并存储所述目标图像。

根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述任一项所述的方法。

根据本发明的又一个实施例，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的方法。

通过本发明，获取第一图像；根据第一图像的预定区域的图像信息，确定用于处理第一图像的预定模型；根据确定的预定模型对预定区域的图像信息进行处理。由于根据第一图像的预定区域的信息，选择确定用于处理该图像的预定模型，使得处理图像的模型不再是预设的、已知的模型，而是根据图像的预定区域的信息选择的对应的模型，因此，可以解决相关技术中获取的图像的形象是预知的且较为单一的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种图像处理方法的移动终端的硬件结构框图；

图2是根据本发明实施例的图像处理方法的流程图；

图3是根据本发明实施例的图像处理方法的优选流程示意图一；

图4是根据本发明实施例的图像处理方法的优选流程示意图二；

图5是根据本发明实施例的图像处理装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种图像处理方法的移动终端的硬件结构框图。如图1所示，移动终端10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，移动终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的图像处理方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于上述移动终端的图像处理方法，图2是根据本发明实施例的图像处理方法的流程图，如图2所示，该流程包括如下步骤：

步骤s202，获取第一图像；

步骤s204，根据第一图像的预定区域的图像信息，确定用于处理第一图像的预定模型；

步骤s206，根据预定模型对预定区域的图像信息进行处理。

通过上述步骤，由于根据第一图像的预定区域的信息，选择确定用于处理该图像的预定模型，使得处理图像的模型不再是预设的、已知的模型，而是根据图像的预定区域的信息选择的对应的模型，因此，可以解决相关技术中获取的图像的形象是预知的且较为单一的问题。

可选地，根据确定的预定模型对预定区域的图像信息进行处理包括：将预定区域的图像信息作为输入的图像信息，输入预定模型进行分析计算，获取输出的目标图像，其中，预定模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入的图像信息和输出的目标图像。通过上述步骤，由于预定模型是使用多组数据通过机器学习训练出的，其可以结合第一图像的图像信息一同对第一图像进行处理，来获取处理后的第一图像，使得获得处理后的第一图像针对不同的输入图像信息具有不同的形象，且在获取图像时无法提前预知图像的形象，图像更个性化。

例如，以拍照为例，上述预定模版的生成可以通过如下方式实现：对于想要的个性化的拍照生成相应的模版，如要对人脸、头、身体、姿势等都包括在内提供的个性化拍照，则需要训练生成这样的模版，模版的生成包括：数据的收集、神经网络的超参数训练，所谓的模版则是训练后的神经网络的超参数。模版可以包含一组神经网络的参数，比如采用几层网络，每层网络中含有的神经元个数，每个神经元的权重，每层的偏置等等，分类函数参数等；这些参数通过训练得到；在接下来的选中某个模版后，则装置根据所选择的模版进行神经网络的初始化；然后根据用户提供的数据进行计算，得到最后的结果。又例如，仍以拍照为例，拍照时可以有两种选择：一是选定一个固定的模版模式，如人脸、鞋子、帽子、花朵、运动等；二是通过装置的拍照模块的预览模式下，自动识别当前的预览帧图像内的对象，选择一种可行的模版模式。

可选地，在确定用于处理所述第一图像的预定模型之后，还包括：根据所述预定区域的图像信息对所述预定模型的参数进行调整。

例如，在装置上可以接收在选定模式下用户输入的相对轮廓；或者是对根据自动形成的轮廓信息根据用户需求进行轮廓线的调整。

可选地，在获取输出的目标图像之后，还包括：显示并存储目标图像。

例如，拍摄照片，装置根据模版信息和拍照的内容(轮廓信息等)进行计算，给出一张个性化的拍照计算结果，该结果呈现在装置的显示设备上，也可供存储在装置上。

上述实施例更进一步的实现个性化的拍照功能，也提高了拍照的结果在一定条件下个性化的不确定性，可选地，上述方法系统的可以包括以下几个步骤：

a.制作相关的数据资源，如希望对人像进行个性化，则制作人像的数据，根据人像的数据，训练出个性化的轮廓信息和人像的关系的模版，即预定模板；

b.拍照前选定模版或者拍照时启动自动模式识别出模板；

c.给出一个可能的轮廓；

d.拍照；

e.装置根据轮廓和拍照内容进行模版计算，给出最后的个性化照片，呈现照片和保存。

为了方便理解上述实施例，下面以拍照为例，结合附图进行详细说明。

图3是根据本发明实施例的图像处理方法的优选流程示意图一，如图3所示，该流程包括如下步骤：

步骤s301：装置启动个性化拍照模式；

步骤s302：装载相应的个性化模版，该模版是有神经网络训练得到，相当于神经网络的超参，该模版是有很多种供选择；

步骤s303：选择相应的模版；装置根据所选模版，进行神经网络的初始化，即对网络进行参数配置，做好计算准备；

步骤s304：在装置上接收在选定模式下用户输入的相对轮廓；

步骤s305：装置获取取景内容，其中，取景内容可以是图像处理的场景，光照强度等等；

步骤s306：根据选定的模版、轮廓、和取景内容，通过预定模型进行计算，得到个性化的照片。

需要说明的是，该应用使用的模版即神经网络超参是预先进行训练好的，在本发明最后进行计算的过程中，也是通过神经网络进行计算得到的，模版信息、轮廓信息和取景内容均作为神经网络的输入信息，在装置上通过对输入信息的处理，最后得到个性化照片是神经网络计算的结果。

图4是根据本发明实施例的图像处理方法的优选流程示意图二，如图4所示，该流程包括如下步骤：

步骤s401：装置启动个性化拍照模式；

步骤s402：装载相应的个性化模版，该模版是有神经网络训练得到，相当于神经网络的超参，该模版是有很多种供选择；

步骤s403：根据取景内容和已经存在的超参模版进行匹配，自动选择相应的超参模版；

步骤s404：装置通过已有模块自动计算并给出相应的轮廓，该轮廓可以直接进行使用，也可以对该轮廓进行调整，形成最后的确认的轮廓；

步骤s405：装置获取取景内容；

步骤s406：根据选定的模版、轮廓、和取景内容，通过预定模型进行计算，得到个性化的照片。

需要说明的是，在本实施例中，关于超参模版的选择是自动来实现的，为了实现这个功能，需要装置具备自动模式识别的能力，该能力可以通过神经网络训练得到，描述为，通过神经网络训练的分类模型，可以用来做自动模式识别的功能，如当装置预览中有一个人存在，通过分类模式识别可以选择模式为人物模式，如果分类模式识别为小狗，则选择模式为“狗”模式，则这种确定模式的情况下，本案可以对相应的轮廓进行个性化计算处理，即通过预定模型进行计算。由于不属于本案的内容，在这里不做进一步的说明。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

实施例2

在本实施例中还提供了一种图像处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图5是根据本发明实施例的图像处理装置的结构框图，如图5所示，该装置包括：

第一获取模块52，用于获取第一图像；

确定模块54，连接至上述第一获取模块52，用于根据第一图像的预定区域的图像信息，确定用于处理第一图像的预定模型；

第二获取模块56，连接至上述确定模块54，用于根据预定模型对预定区域的图像信息进行处理。

可选地，第二获取模块，还用于将预定区域的图像信息作为输入的图像信息，输入预定模型进行分析计算，获取输出的目标图像，其中，预定模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入的图像信息和输出的目标图像。

可选地，确定模块，还用于根据所述预定区域的图像信息对所述预定模型的参数进行调整。

可选地，第二获取模块，还用于在获取输出的目标图像之后，显示并存储目标图像。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本发明的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项所述的方法。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

s1，获取第一图像；

s2，根据第一图像的预定区域的图像信息，确定用于处理第一图像的预定模型；

s2，根据预定模型对预定区域的图像信息进行处理。

可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：根据确定的预定模型对预定区域的图像信息进行处理包括：

s1，将预定区域的图像信息作为输入的图像信息，输入预定模型进行分析计算，获取输出的目标图像，其中，预定模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入的图像信息和输出的目标图像。

可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：在确定用于处理所述第一图像的预定模型之后，还包括：

s1，根据所述预定区域的图像信息对所述预定模型的参数进行调整。

可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：在获取输出的目标图像之后，还包括：

s1，显示并存储目标图像。

可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-onlymemory，简称为rom)、随机存取存储器(randomaccessmemory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本发明的实施例还提供了一种处理器，该处理器用于运行程序，其中，该程序运行时执行上述任一项方法中的步骤。

可选地，在本实施例中，上述程序用于执行以下步骤：

s1，获取第一图像；

s2，根据第一图像的预定区域的图像信息，确定用于处理第一图像的预定模型；

s2，根据预定模型对预定区域的图像信息进行处理。

可选地，在本实施例中，上述程序用于执行以下步骤：根据确定的预定模型对预定区域的图像信息进行处理包括：

s1，将预定区域的图像信息作为输入的图像信息，输入预定模型进行分析计算，获取输出的目标图像，其中，预定模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入的图像信息和输出的目标图像。

可选地，在本实施例中，上述程序用于执行以下步骤：在确定用于处理所述第一图像的预定模型之后，还包括：

s1，根据所述预定区域的图像信息对所述预定模型的参数进行调整。

可选地，在本实施例中，上述程序用于执行以下步骤：在获取输出的目标图像之后，还包括：

s1，显示并存储目标图像。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。