一种图片处理方法、系统及计算机

本技术涉及图像处理，特别是涉及一种图片处理方法、系统及计算机。

背景技术：

1、风格迁移是一种流行的图片处理的方法，它可以将一个画作或者画家的风格迁移到给定的内容图片之上，使得生成的图片在保留内容图片结构的同时，还具有给定画作或者画家的风格。

2、现有的风格迁移主要分两类，第一类是基于画作的风格迁移，以adain方法为例，它的核心观点是通过一个自适应实例正则化层来调整内容图片的均值和方差，使其均值和方差与给定的画作一致，以此实现将画作的风格迁移到内容图片之上。但由于一张画作并不能准确的反映出画家的风格，其基于给定的画作仅能生成单一的结果。为考虑画家风格细微变化的影响，第二类则基于画家的风格迁移，不同于基于画作的风格迁移，基于画家的风格迁移通过研究属于此画家的所有画作，使用神经网络提取出属于此画家的独特风格，在风格提取完成之后，可以输入该画家名字来将其多样化风格迁移到内容图片之中。

3、但现有的基于画家的风格迁移方法，其并不能同时解决多阈及多样性的问题，即现有的基于画家的风格迁移方法仅能实现一个画家的不同作品的风格迁移，不能实现基于多个画家的多样化风格迁移。

技术实现思路

1、本技术实施例提供了一种图片处理方法、系统及计算机，以解决现有技术中基于画家的风格迁移的图片处理方式，其不能同时解决多阈及多样性的技术问题。

2、第一方面，本技术实施例提供了一种图片处理方法，包括以下步骤：

3、生成内容数据集及风格数据集，所述内容数据集包括若干个内容图片，所述风格数据集包括若干个画家名字，每个所述画家名字均对应有若干个画作图片；

4、选取某一所述画作图片为待测图片，通过待测风格编码器获取所述待测图片的待测风格编码，并基于所述待测风格编码获取有监督对比学习损失；

5、选取某一所述内容图片为待迁图片，通过待测解码器将所述待迁图片转化为待定图片，并根据所述待定图片获取内容损失及风格损失；

6、结合所述有监督对比学习损失、所述内容损失及所述风格损失，通过反向算法训练所述待测风格编码器及所述待测解码器，以获取最终编码器及最终解码器，所述最终编码器关联所述画作图片；

7、获取全部的所述画作图片的风格编码，以所述画家名字为条件建立基础条件可逆网络ccnf，以将所述风格编码映射为噪声；

8、根据所述风格编码及所述噪声获取分布损失，结合所述分布损失通过反向算法训练所述基础条件可逆网络ccnf，以获取最终条件可逆网络ccnf，所述最终条件可逆网络ccnf关联所述画家名字；

9、以所述画作图片或所述画家名字为迁移条件，将基础图片转换为风格迁移后的结果图片。

10、进一步地，所述通过待测风格编码器获取所述待测图片的待测风格编码，并基于所述待测风格编码获取有监督对比学习损失的步骤包括：

11、获取所述待测图片的待测风格特征；

12、将所述待测风格特征输入待测风格编码器，以生成待测风格编码；

13、选择与所述待测图片对应的所述画家名字下的其他的所述画作图片为第一样本，获取所述第一样本的正样本编码；

14、选择其他的所述画家名字下的所述画作图片为第二样本，获取所述第二样本的负样本编码；

15、根据所述待测风格编码、所述正样本编码及所述负样本编码构建有监督对比学习损失。

16、进一步地，所述有监督对比学习损失的计算公式为：

17、，

18、其中，表示有监督对比学习损失，表示待测风格编码，表示正样本编码，表示负样本编码，m表示正样本编码的个数，n表示负样本编码的个数，i表示正样本编码的编号，j表示负样本编码的编号，表示常数。

19、进一步地，所述通过待测解码器将所述待迁图片转化为待定图片，并根据所述待定图片获取内容损失及风格损失的步骤包括：

20、获取所述待迁图片的待迁内容特征；

21、将所述待迁内容特征及所述待测风格编码输入待测解码器，以生成待定图片；

22、提取所述待迁图片的第一特征，并提取所述待定图片的第二特征，根据所述第一特征及所述第二特征获取内容损失；

23、提取所述待测图片的第三特征，并提取所述待定图片的第四特征，根据所述第三特征及所述第四特征获取风格损失。

24、进一步地，所述内容损失的计算公式为：

25、，

26、其中，表示内容损失，表示待定图片，表示待迁图片，表示第一特征及第二特征的提取模型；

27、所述风格损失的计算公式为：

28、，

29、其中，表示风格损失，表示待测图片，表示第三特征及第四特征的提取模型，表示均值，表示方差，k、k均表示计算参数。

30、进一步地，所述获取全部的所述画作图片的风格编码的步骤包括：

31、提取全部的所述画作图片的风格特征；

32、将所述风格特征输入所述最终编码器，以获取风格编码。

33、进一步地，所述分布损失的计算公式为：

34、，

35、其中，表示分布损失，表示时间变量，表示风格编码，及均表示噪声，表示求迹操作，表示概率密度函数，d表示画家名字，及均表示计算参数。

36、进一步地，所述以所述画作图片或所述画家名字为迁移条件，将基础图片转换为风格迁移后的结果图片的步骤包括：

37、若以所述画作图片为迁移条件，则提取所述基础图片的基础特征，通过所述最终编码器获取所述画作图片的风格编码，将所述基础特征及所述风格编码输入所述最终解码器，以获取风格迁移后的结果图片；

38、若以所述画家名字为迁移条件，则提取所述基础图片的基础特征，将所述画家名字输入所述最终条件可逆网络ccnf逆推与所述画家名字对应的风格编码，并将所述基础特征及所述风格编码输入所述最终解码器，以获取风格迁移后的所述结果图片。

39、第二方面，本技术实施例提供了一种图片处理系统，所述系统包括：

40、准备模块，用于生成内容数据集及风格数据集，所述内容数据集包括若干个内容图片，所述风格数据集包括若干个画家名字，每个所述画家名字均对应有若干个画作图片；

41、第一测试模块，用于选取某一所述画作图片为待测图片，通过待测风格编码器获取所述待测图片的待测风格编码，并基于所述待测风格编码获取有监督对比学习损失；

42、第二测试模块，用于选取某一所述内容图片为待迁图片，通过待测解码器将所述待迁图片转化为待定图片，并根据所述待定图片获取内容损失及风格损失；

43、第一训练模块，用于结合所述有监督对比学习损失、所述内容损失及所述风格损失，通过反向算法训练所述待测风格编码器及所述待测解码器，以获取最终编码器及最终解码器，所述最终编码器关联所述画作图片；

44、构建模块，用于获取全部的所述画作图片的风格编码，以所述画家名字为条件建立基础条件可逆网络ccnf，以将所述风格编码映射为噪声；

45、第二训练模块，用于根据所述风格编码及所述噪声获取分布损失，结合所述分布损失通过反向算法训练所述基础条件可逆网络ccnf，以获取最终条件可逆网络ccnf，所述最终条件可逆网络ccnf关联所述画家名字；

46、迁移模块，用于以所述画作图片或所述画家名字为迁移条件，将基础图片转换为风格迁移后的结果图片。

47、第三方面，本技术实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的图片处理方法。

48、相较于现有技术，本发明的有益效果在于：通过所述有监督对比学习损失训练所述待测编码器，可将同一个画家的所述画作图片的风格编码之间的距离减小，将不同的画家的所述画作图片的风格编码之间的距离增大，以将同一画家的所述风格编码进行归类，方便后续提取时进行区分，通过所述内容损失及所述风格损失对所述待测编码器及所述待测解码器进行训练，可使所述结果图片与所述基础图片的内容一致，并与所述画作图片的风格一致，通过所述分布损失训练所述基础条件可逆网络ccnf，可最大化所述风格编码的存在概率，以确保在通过所述画家名字进行逆推时，可准确的获取所述风格编码，设置所述最终编码器、所述最终条件可逆网络ccnf及所述最终解码器，可根据需要进行画作风格的迁移或画家风格的迁移，并在进行画家风格迁移时，可分辨因画家作画时的细节差异所产生的微小差别，提取距离相近的所述风格编码，获取多样化的所述结果图片，解决了多阈及多样化问题。

49、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。