图像处理方法及装置制造方法及图纸

本公开是关于一种图像处理方法及装置，包括：根据待处理图像，得到所述待处理图像在X方向的第一梯度图和Y方向的第二梯度图，将所述第一梯度图输入第一神经网络，得到处理后的第三梯度图，将所述第二梯度图输入第二神经网络，得到处理后的第四梯度图，根据所述待处理图像、所述第三梯度图和所述第四梯度图进行最小化处理，得到结果图像。本公开采用最小化处理方法、第一神经网络和第二神经网络处理待处理图像得到结果图像，既有利于提升图像处理效率，又能够有效去除待处理图像中人脸的瑕疵，达到美化待处理图像中人脸皮肤的效果。

【技术实现步骤摘要】
图像处理方法及装置
本公开涉及卷积神经网络，尤其涉及一种图像处理方法及装置。
技术介绍
CNN(convolutionalneuralnetwork，卷积神经网络)是近年发展起来，并引起广泛重视的一种高效识别方法。CNN是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元。CNN对于大型图像处理有出色表现，随着移动终端拍照功能的普及，CNN被广泛应用于人脸图像美颜算法中。相关技术中，人脸磨皮算法是美颜算法的核心，用于去除脸部的瑕疵，美化皮肤。目前的人脸磨皮算法大多是基于保边滤波的方法，例如双边滤波和导向滤波等。但这些方法速度比较慢，特别是移动端的计算能力有限。若对双边滤波的人脸磨皮算法进行各种优化以提高计算速度，又会减弱其处理效果。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种图像处理方法及装置。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：根据待处理图像，得到所述待处理图像在X方向的第一梯度图和Y方向的第二梯度图；将所述第一梯度图输入第一神经网络，得到处理后的第三梯度图，其中，第一神经网络由获取到的滤波器拟合得到；将所述第二梯度图输入第二神经网络，得到处理后的第四梯度图，其中，第二神经网络由获取到的所述滤波器拟合得到；根据所述待处理图像、所述第三梯度图和所述第四梯度图进行最小化处理，得到结果图像。对于上述方法，在一种可能的实现方式中，根据所述待处理图像、所述第三梯度图和所述第四梯度图进行最小化处理，得到结果图像，包括：根据式1确定结果图像：其中，R表示所述结果图像，Rx表示所述结果图像在X方向的梯度图，Ry表示所述结果图像在X方向的梯度图，β为大于零的第一常数，I表示所述待处理图像，I'x表示所述第三梯度图，I'y表示所述第四梯度图。对于上述方法，在一种可能的实现方式中，还包括：获取滤波器和训练图像集合；根据所述滤波器和所述训练图像集合训练得到所述第一神经网络；根据所述滤波器和所述训练图像集合训练得到所述第二神经网络。对于上述方法，在一种可能的实现方式中，根据所述滤波器和所述训练图像集合训练得到所述第一神经网络，包括：确定所述训练图像集合中各训练图像在X方向的第五梯度图；根据各所述第五梯度图和所述滤波器确定各训练图像对应的第一样本图；根据式2采用随机梯度下降法训练得到第一神经网络；其中，Ii表示所述训练图像集合中的第i个训练图像，所述训练图像集合为{I1,I2,I3，…，IN}，0≤i≤N，且i、N为正整数；F(Ii)x表示Ii对应的第一样本图，表示Ii对应的所述第五梯度图；CNN1(x)表示第一神经网络，表示第一神经网络对应于的第一输出结果；λ表示大于零的第二常数，ε表示大于零的第三常数，表示针对所述第一输出结果的损失函数。对于上述方法，在一种可能的实现方式中，根据所述滤波器和所述训练图像集合训练得到所述第二神经网络，包括：确定所述训练图像集合中各训练图像在Y方向的第六梯度图；根据各所述第六梯度图和所述滤波器确定各训练图像对应的第二样本图；根据式3采用随机梯度下降法训练得到第二神经网络；其中，Ii表示所述训练图像集合中的第i个训练图像，所述训练图像集合为{I1,I2,I3，…，IN}，0≤i≤N，且i、N为正整数；F(Ii)y表示Ii对应的第二样本图，表示Ii对应的所述第六梯度图；CNN2(x)表示第二神经网络，表示第二神经网络对应于的第二输出结果；λ表示大于零的第二常数，ε表示大于零的第三常数，表示针对第二输出结果的损失函数。对于上述方法，在一种可能的实现方式中，还包括：将第一神经网络和/或第二神经网络中的各卷积核变为离散卷积核。根据本公开实施例的第二方面，提供一种图像处理装置，包括：第一确定模块，用于根据待处理图像，得到所述待处理图像在X方向的第一梯度图和Y方向的第二梯度图；第二确定模块，用于将所述第一梯度图输入第一神经网络，得到处理后的第三梯度图；第三确定模块，用于将所述第二梯度图输入第二神经网络，得到处理后的第四梯度图；第四确定模块，用于根据所述待处理图像、所述第三梯度图和所述第四梯度图进行最小化处理，得到结果图像。对于上述装置，在一种可能的实现方式中，所述第四确定模块包括：第四确定子模块，用于根据式1确定结果图像：其中，R表示所述结果图像，Rx表示所述结果图像在X方向的梯度图，Ry表示所述结果图像在X方向的梯度图，β为大于零的第一常数，I表示所述待处理图像，I'x表示所述第三梯度图，I'y表示所述第四梯度图。对于上述装置，在一种可能的实现方式中，还包括：获取模块，用于获取滤波器和训练图像集合；第一训练模块，用于根据所述滤波器和所述训练图像集合训练得到所述第一神经网络；第二训练模块，用于根据所述滤波器和所述训练图像集合训练得到所述第二神经网络。对于上述装置，在一种可能的实现方式中，所述第一训练模块包括：第一训练子模块，用于确定所述训练图像集合中各训练图像在X方向的第五梯度图；第二训练子模块，用于根据各所述第五梯度图和所述滤波器确定各训练图像对应的第一样本图；第三训练子模块，用于根据式2采用随机梯度下降法训练得到第一神经网络；其中，Ii表示所述训练图像集合中的第i个训练图像，所述训练图像集合为{I1,I2,I3，…，IN}，0≤i≤N，且i、N为正整数；F(Ii)x表示Ii对应的第一样本图，表示Ii对应的所述第五梯度图；CNN1(x)表示第一神经网络，表示第一神经网络对应于的第一输出结果；λ表示大于零的第二常数，ε表示大于零的第三常数，表示针对所述第一输出结果的损失函数。对于上述装置，在一种可能的实现方式中，所述第二训练模块包括：第四训练子模块，用于确定所述训练图像集合中各训练图像在Y方向的第六梯度图；第五训练子模块，用于根据各所述第六梯度图和所述滤波器确定各训练图像对应的第二样本图；第六训练子模块，用于根据式3采用随机梯度下降法训练得到第二神经网络；其中，Ii表示所述训练图像集合中的第i个训练图像，所述训练图像集合为{I1,I2,I3，…，IN}，0≤i≤N，且i、N为正整数；F(Ii)y表示Ii对应的第二样本图，表示Ii对应的所述第六梯度图；CNN2(x)表示第二神经网络，表示第二神经网络对应于的第二输出结果；λ表示大于零的第二常数，ε表示大于零的第三常数，表示针对第二输出结果的损失函数。对于上述装置，在一种可能的实现方式中，还包括：离散模块，用于将第一神经网络和/或第二神经网络中的各卷积核变为离散卷积核。根据本公开的第三方面，提供一种图像处理装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述方法。根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法。本公开的实施例提供的技术方案可以包括以下有益效果：本公开采用最小化处理方法、第一神经网络和第二神经网络处理待处理图像得到结果图像，既有利于提升图像处理效率，又能够有效去除待处理图像中人脸的瑕疵，达到美化待处理图像中人脸皮肤的效果。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例本文档来自技高网...

【技术保护点】
一种图像处理方法，其特征在于，包括：根据待处理图像，得到所述待处理图像在X方向的第一梯度图和Y方向的第二梯度图；将所述第一梯度图输入第一神经网络，得到处理后的第三梯度图；将所述第二梯度图输入第二神经网络，得到处理后的第四梯度图；根据所述待处理图像、所述第三梯度图和所述第四梯度图进行最小化处理，得到结果图像。

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：根据待处理图像，得到所述待处理图像在X方向的第一梯度图和Y方向的第二梯度图；将所述第一梯度图输入第一神经网络，得到处理后的第三梯度图；将所述第二梯度图输入第二神经网络，得到处理后的第四梯度图；根据所述待处理图像、所述第三梯度图和所述第四梯度图进行最小化处理，得到结果图像。2.根据权利要求1所述的方法，其特征在于，根据所述待处理图像、所述第三梯度图和所述第四梯度图进行最小化处理，得到结果图像，包括：根据式1确定结果图像：其中，R表示所述结果图像，Rx表示所述结果图像在X方向的梯度图，Ry表示所述结果图像在X方向的梯度图，β为大于零的第一常数，I表示所述待处理图像，I'x表示所述第三梯度图，I'y表示所述第四梯度图。3.根据权利要求1所述的方法，其特征在于，还包括：获取滤波器和训练图像集合；根据所述滤波器和所述训练图像集合训练得到所述第一神经网络；根据所述滤波器和所述训练图像集合训练得到所述第二神经网络。4.根据权利要求3所述的方法，其特征在于，根据所述滤波器和所述训练图像集合训练得到所述第一神经网络，包括：确定所述训练图像集合中各训练图像在X方向的第五梯度图；根据各所述第五梯度图和所述滤波器确定各训练图像对应的第一样本图；根据式2采用随机梯度下降法训练得到第一神经网络；其中，Ii表示所述训练图像集合中的第i个训练图像，所述训练图像集合为{I1,I2,I3，…，IN}，0≤i≤N，且i、N为正整数；F(Ii)x表示Ii对应的第一样本图，表示Ii对应的所述第五梯度图；CNN1(x)表示第一神经网络，表示第一神经网络对应于的第一输出结果；λ表示大于零的第二常数，ε表示大于零的第三常数，表示针对所述第一输出结果的损失函数。5.根据权利要求3所述的方法，其特征在于，根据所述滤波器和所述训练图像集合训练得到所述第二神经网络，包括：确定所述训练图像集合中各训练图像在Y方向的第六梯度图；根据各所述第六梯度图和所述滤波器确定各训练图像对应的第二样本图；根据式3采用随机梯度下降法训练得到第二神经网络；其中，Ii表示所述训练图像集合中的第i个训练图像，所述训练图像集合为{I1,I2,I3，…，IN}，0≤i≤N，且i、N为正整数；F(Ii)y表示Ii对应的第二样本图，表示Ii对应的所述第六梯度图；CNN2(x)表示第二神经网络，表示第二神经网络对应于的第二输出结果；λ表示大于零的第二常数，ε表示大于零的第三常数，表示针对第二输出结果的损失函数。6.根据权利要求1至5中任意一项所述的方法，其特征在于，还包括：将第一神经网络和/或第二神经网络中的各卷积核变为离散卷积核。7.一种图像处理装置，其特征在于，包括：第一确定模块，用于根据待处理图像，得到所述待处理图像在X方向的第一梯度图和Y方向的第二梯度图；第二确定模块，用于将所述第一梯度图输入第一神经网络，得到处理后的第三梯度图；第三...

【专利技术属性】
技术研发人员：杨松，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京,11