图像生成方法和装置制造方法及图纸

本申请公开了图像生成方法和装置。该方法的一具体实施方式包括：获取待处理的图像；将图像输入预先训练的深度学习网络模型生成处理后的图像，其中，深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。该实施方式实现了图像的优化处理，通过深度学习网络模型快速、自动地处理图像，使得图像获得更好的显示效果。

【技术实现步骤摘要】
图像生成方法和装置
本申请涉及计算机
，具体涉及计算机图形学
，尤其涉及图像生成方法和装置。
技术介绍
获取理想清晰的照片，一直以来都是图像处理领域的关键问题。在图像获取阶段，由于摄影过程，需要人为调整相机参数，比如曝光度、光照补偿、相机不能抖动等，有经验的摄影师，能够拍出较好的效果。然而大部分用户经验不足，获取的图像质量较差，拍完照之后，往往都需要相关的专业图像处理软件，经过图像去燥、去模糊、曝光度调整等做多个步骤加工处理，才能获取质量较好的图片。因此对于质量较高的照片获取方式，往往要求用户具备较多的经验，包括摄影、图像处理经验，在图像处理阶段需要多个步骤调整，每个阶段算法各不相同，需要同时调整的参数也较多，很难找到理想的平衡参数值，为此希望探索出一种图像优化处理的方法。现有的图像优化处理方法一般存在鲁棒性差，计算时间长，优化内容有限，算法都是分阶段串联处理，将引起严重的失真问题。比如要对一张图片进行去燥、去模糊、光照强度调整，传统的优化方法是，先对图像去噪处理，然后用去模糊相关算法做进一步处理，最后再用光强调整算法做最后调整。这样的串联处理方案，首先存在计算量问题。其次每个步骤都需要相关的优化参数，很难让整个过程的参数相互平衡。然后每个步骤处理完后，都会引起失真，最后累加在一起，就会引起图像严重失真。
技术实现思路
本申请的目的在于提出一种改进的图像生成方法和装置，来解决以上
技术介绍
部分提到的技术问题。第一方面，本申请实施例提供了一种图像生成方法，该方法包括：获取待处理的图像；将图像输入预先训练的深度学习网络模型生成处理后的图像，其中，深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。在一些实施例中，该方法还包括训练深度学习网络模型的步骤，包括：获取样本图像作为输出样本；执行以下至少一项操作以生成输入样本：对样本图像执行重光照操作，对样本图像执行模糊处理操作，对样本图像执行加噪声处理操作；使用输入样本和输出样本训练深度学习网络模型。在一些实施例中，对样本图像执行重光照操作，包括：对样本图像进行三维重建匹配，得到样本图像的三维曲面上的每个像素点的三维法向量；基于球面谐波基图像模型和三维法向量确定每个像素点的9维向量；获取每个像素点的颜色信息，并根据颜色信息确定每个像素点的反射率；根据反射率、颜色信息和9维向量确定每个像素点的光照的球面谐波系数；调整光照的球面谐波系数以生成降质的图像。在一些实施例中，对样本图像执行模糊处理操作，包括：采用高斯模糊算法或均值模糊算法对样本图像执行模糊处理操作。在一些实施例中，对样本图像执行加噪声处理操作，包括：在样本图像中加入以下至少一项噪声：高斯噪声、瑞利噪声、指数噪声、椒盐噪声。在一些实施例中，深度学习网络模型为包括生成模型和判别模型的条件对抗网络。在一些实施例中，深度学习网络模型采用残差网络结构。第二方面，本申请实施例提供了一种图像生成装置，该装置包括：获取单元，用于获取待处理的图像；生成单元，用于将图像输入预先训练的深度学习网络模型生成处理后的图像，其中，深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。在一些实施例中，该装置还包括训练单元，用于：获取样本图像作为输出样本；执行以下至少一项操作以生成输入样本：对样本图像执行重光照操作，对样本图像执行模糊处理操作，对样本图像执行加噪声处理操作；使用输入样本和输出样本训练深度学习网络模型。在一些实施例中，该装置还包括重光照单元，用于：对样本图像进行三维重建匹配，得到样本图像的三维曲面上的每个像素点的三维法向量；基于球面谐波基图像模型和三维法向量确定每个像素点的9维向量；获取每个像素点的颜色信息，并根据颜色信息确定每个像素点的反射率；根据反射率、颜色信息和9维向量确定每个像素点的光照的球面谐波系数；调整光照的球面谐波系数以生成降质的图像。在一些实施例中，该装置还包括模糊单元，用于：采用高斯模糊算法或均值模糊算法对样本图像执行模糊处理操作。在一些实施例中，该装置还包括加噪单元，用于：在样本图像中加入以下至少一项噪声：高斯噪声、瑞利噪声、指数噪声、椒盐噪声。在一些实施例中，该深度学习网络模型为包括生成模型和判别模型的条件对抗网络。在一些实施例中，深度学习网络模型采用残差网络结构。本申请实施例提供的图像生成方法和装置，通过深度学习网络模型对待处理的图像进行优化处理，提高处理后的图像的质量。该深度学习网络模型是将样本图像和对样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于输出样本和输入样本进行深度学习网络模型训练得到的。因此样本数据准确度高，从而该深度学习网络模型的能够更快、更准确地对图像进行优化处理。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请可以应用于其中的示例性系统架构图；图2是根据本申请的图像生成方法的一个实施例的流程图；图3a、3b是根据本申请的图像生成方法的一个应用场景的示意图；图4是根据本申请的图像生成方法的深度学习网络模型的一种结构图；图5是根据本申请的图像生成方法的深度学习网络模型的另一种结构图；图6是根据本申请的图像生成方法的又一个实施例的流程图；图7是根据本申请的图像生成装置的一个实施例的结构示意图；图8是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。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。下面将参考附图并结合实施例来详细说明本申请。图1示出了可以应用本申请的图像生成方法或图像生成装置的实施例的示例性系统架构100。如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如游戏类应用、动画展示类应用、即时通信工具、社交平台软件等。终端设备101、102、103可以是具有显示屏并且能够显示图像的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(MovingPictureExpertsGroupAudioLayerIII，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExpertsGroupAudioLayerIV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。服务器105可以是提供各种服务的服务器，例如对终本文档来自技高网...

【技术保护点】
一种图像生成方法，其特征在于，所述方法包括：获取待处理的图像；将所述图像输入预先训练的深度学习网络模型生成处理后的图像，其中，所述深度学习网络模型是将样本图像和对所述样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于所述输出样本和所述输入样本进行深度学习网络模型训练得到的。

【技术特征摘要】
1.一种图像生成方法，其特征在于，所述方法包括：获取待处理的图像；将所述图像输入预先训练的深度学习网络模型生成处理后的图像，其中，所述深度学习网络模型是将样本图像和对所述样本图像执行降质处理操作所得到的图像分别作为输出样本和输入样本，并基于所述输出样本和所述输入样本进行深度学习网络模型训练得到的。2.根据权利要求1所述的方法，其特征在于，所述方法还包括训练深度学习网络模型的步骤，包括：获取样本图像作为输出样本；执行以下至少一项操作以生成输入样本：对所述样本图像执行重光照操作，对所述样本图像执行模糊处理操作，对所述样本图像执行加噪声处理操作；使用所述输入样本和所述输出样本训练所述深度学习网络模型。3.根据权利要求2所述的方法，其特征在于，所述对所述样本图像执行重光照操作，包括：对所述样本图像进行三维重建匹配，得到所述样本图像的三维曲面上的每个像素点的三维法向量；基于球面谐波基图像模型和所述三维法向量确定每个像素点的9维向量；获取每个像素点的颜色信息，并根据所述颜色信息确定每个像素点的反射率；根据所述反射率、所述颜色信息和所述9维向量确定每个像素点的光照的球面谐波系数；调整所述光照的球面谐波系数以生成降质的图像。4.根据权利要求2所述的方法，其特征在于，所述对所述样本图像执行模糊处理操作，包括：采用高斯模...

【专利技术属性】
技术研发人员：黄锦池，陈军宏，
申请(专利权)人：厦门幻世网络科技有限公司，
类型：发明
国别省市：福建,35