本发明专利技术提供了一种图像的风格化处理方法。该方法，包括：将内容图像输入至第一CNN模型，得到初始图像；根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，其中，所述风格图像的样式用于对所述内容图像的内容进行风格化处理；根据所述感知损失函数训练所述第一CNN模型，以利用训练后的第一CNN模型对所述内容图像进行风格化处理得到最终风格化图像。本方案在增加文字与背景图像的融合度的同时，可以保留了文字部分本身的边缘信息，在实现提高图像验证码的安全系数的同时，还可以提高肉眼识别图像验证码中文字部分的正确率。另外，通过感知损失函数对第一CNN模型进行训练，有利于缩减第一CNN模型响应时间，加快对模型的训练效率。
【技术实现步骤摘要】
图像的风格化处理方法、装置、介质和电子设备
本专利技术涉及图像处理
，更具体地，本专利技术涉及一种图像的风格化处理方法、图像的风格化处理装置、计算机可读介质和电子设备。
技术介绍
本部分旨在为权利要求书中陈述的本专利技术提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。随着人们安全意识的普遍提高，图像验证码已广泛地应用于各类互联网产品中，以减少产品免受恶意攻击，从而保障人们的互联网产品使用体验。示意性的图像验证码如附图图1a所示出，图像验证码包括背景部分和文字部分，按照提示：“请依次点击‘裂’‘奉’‘夏’”，依次点击图像中对应的文字，如附图图1b所示：在依次点击‘裂’、‘奉’、‘夏’后，便显示“验证成功”；否则，则验证失败。然而，对于图1a、图1b示出的在图中依次点选文字的图像验证方式，可按照检测出的文字在图像中依次匹配出每个文字的位置，便可以被识别，因此安全系数较低。现有技术中，为了解决上述问题，第一种图像的风格化处理方法是：在验证码图像的生成过程中，将文字部分做扭曲、旋转、艺术化和色彩渲染后，贴图于背景部分的任意位置上。但是，由于生成的图像验证码中文字部分与背景部分割裂感较强，通过颜色分割就能粗略定位出文字的位置。因此，为了减少第一种图像的风格化处理方法产生的文字部分与背景部分的割裂感的问题，在第二种图像的风格化处理方法中，将验证码图像做整体的图像后处理操作，可以在一定程度上缓解文字部分与背景部分的违和感。然而，通过现有技术中提供的图像的风格化处理方法得到的图像验证码存在降低用户的使用体验的问题。
技术实现思路
但是，通过现有技术中提供的图像的风格化处理方法导致图像验证码中文字部分边缘模糊，肉眼辨别的正确率低，因此，降低了用户的使用体验。为此，非常需要一种改进的图像的风格化处理方法，以提高图像验证码的安全系数，还可以提高肉眼识别图像验证码中文字部分的正确率。在本上下文中，本专利技术的实施方式期望提供一种图像的风格化处理方法、图像的风格化处理装置、计算机可读介质和电子设备。在本专利技术实施方式的第一方面中，提供了一种图像的风格化处理方法，包括：将内容图像输入至第一卷积神经网络(ConvolutionalNeuralNetworks，简称：CNN)模型，得到初始图像；根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，其中，所述风格图像的样式用于对所述内容图像的内容进行风格化处理；根据所述感知损失函数训练所述第一CNN模型，以利用训练后的第一CNN模型对所述内容图像进行风格化处理得到最终风格化图像。在本专利技术的一些实施例中，基于前述方案，根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，包括：将所述初始图像、所述内容图像以及风格图像输入第二CNN模型，根据所述第二CNN模型的输出确定感知损失函数；其中，所述第二CNN模型为训练后的分类模型。在本专利技术的一些实施例中，基于前述方案，根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，包括：通过所述第二CNN模型分别提取所述初始图像、所述内容图像和所述风格图像的特征，得到对应的待验证特征、内容特征和风格特征；根据所述待验证特征和所述内容特征，确定内容重建损失函数；以及，根据所述待验证特征和所述风格特征，确定风格重建损失函数；根据所述内容重建损失函数和所述风格重建损失函数确定感知损失函数；其中，所述内容重建损失函数表征所述初始图像在内容上与所述内容图像的相似度，所述风格重建损失函数表征所述初始图像在样式上与所述风格图像的相似度。在本专利技术的一些实施例中，基于前述方案，根据所述感知损失函数训练所述第一CNN模型，包括：通过对所述感知损失函数采用梯度下降的处理方式获得处理结果；根据所述处理结果更新所述第一CNN模型的模型参数，以完成对所述第一CNN模型的训练。在本专利技术的一些实施例中，基于前述方案，根据所述感知损失函数训练所述第一CNN模型，包括：通过实例归一化方式对所述第一CNN模型的特征图进行正则化；根据正则化后的特征图和更新后的模型参数完成对所述第一CNN模型的训练。在本专利技术的一些实施例中，基于前述方案，通过实例归一化方式对所述第一CNN模型的特征图进行正则化，包括：对于所述第一CNN模型的第t层特征图集中的第i个特征图：根据所述特征图中每个像素值确定根据所述特征图的均值；根据所述特征图中每个像素值和所述特征图的均值确定所述特征图的方差；根据所述特征图的均值和所述特征图的方差对所述特征图中每个像素值进行正则化。在本专利技术的一些实施例中，基于前述方案，所述内容图像包含点选式验证码图像；其中，所述点选式验证码图像为融合有文字的图像。在本专利技术的一些实施例中，基于前述方案，所述内容图像的内容包括图像结构，所述风格图像的样式包括图像纹理。在本专利技术实施方式的第二方面中，提供了一种图像的风格化处理装置，包括：初始图像获取模块，用于将内容图像输入至第一CNN模型，得到初始图像；感知损失函数确定模块，用于根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，其中，所述风格图像的样式用于对所述内容图像的内容进行风格化处理；风格化图像输出模块，用于根据所述感知损失函数训练所述第一CNN模型，以利用训练后的第一CNN模型对所述内容图像进行风格化处理得到最终风格化图像。在本专利技术实施方式的第三方面中，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述第一方面中所述的图像的风格化处理方法。在本专利技术实施方式的第四方面中，提供了一种电子设备，包括：处理器和存储器，所述存储器存储有可执行指令，所述处理器用于调用所述存储器存储的可执行指令执行如上述第一方面中所述的图像的风格化处理方法。根据本专利技术提供的实施方式中，一方面，将内容图像输入至第一CNN模型，利用深度学习技术对内容图像进行风格化处理。以使得在保留图像语义信息和图像中目标边缘轮廓的前提下，对内容图像赋予风格图像的风格样式。从而，有利于增加图像验证码的多样性，增加文字与背景图像的融合度，同时保留了文字部分本身的边缘信息，从而实现提高图像验证码的安全系数的同时，还可以提高肉眼识别图像验证码中文字部分的正确率。另一方面，通过第一CNN模型输出的初始图像与内容图像和风格图像确定感知损失函数，并通过感知损失函数对第一CNN模型进行训练，有利于缩减第一CNN模型响应时间，加快对模型的训练效率。附图说明通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，其中：图1a和图1b示意性地示出了
技术介绍
中图像验证码的示意图；图2a-图2c示意性地示出了根据本专利技术一些实施例的应用场景的示意图；图3示意性地示出了根据本专利技术实施例的图像的风格化处理方法的流程示意图；图4示意性地示出了根据本专利技术实施例的对第一CNN模型的训练阶段的应用场景图；图5示意性地示出了根据本专利技术实施例的根据第二CNN模型确定感知损失函数的方法的流程示意图；图6示意性地示出了根据本专利技术实施例的训练第一CNN模型的方法的流程示意图；图7示意性地示出了根据本专利技术另一实施例的训练第一CNN模型的方法的流程示意图；图8示意性地示出了本文档来自技高网...
【技术保护点】
1.一种图像的风格化处理方法，包括：将内容图像输入至第一卷积神经网络CNN模型，得到初始图像；根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，其中，所述风格图像的样式用于对所述内容图像的内容进行风格化处理；根据所述感知损失函数训练所述第一CNN模型，以利用训练后的第一CNN模型对所述内容图像进行风格化处理得到最终风格化图像。
【技术特征摘要】
1.一种图像的风格化处理方法，包括：将内容图像输入至第一卷积神经网络CNN模型，得到初始图像；根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，其中，所述风格图像的样式用于对所述内容图像的内容进行风格化处理；根据所述感知损失函数训练所述第一CNN模型，以利用训练后的第一CNN模型对所述内容图像进行风格化处理得到最终风格化图像。2.根据权利要求1所述的方法，其中，根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，包括：将所述初始图像、所述内容图像以及风格图像输入第二CNN模型，根据所述第二CNN模型的输出确定感知损失函数；其中，所述第二CNN模型为训练后的分类模型。3.根据权利要求2所述的方法，其中，根据所述初始图像、所述内容图像以及风格图像确定感知损失函数，包括：通过所述第二CNN模型分别提取所述初始图像、所述内容图像和所述风格图像的特征，得到对应的待验证特征、内容特征和风格特征；根据所述待验证特征和所述内容特征，确定内容重建损失函数；以及，根据所述待验证特征和所述风格特征，确定风格重建损失函数；根据所述内容重建损失函数和所述风格重建损失函数确定感知损失函数；其中，所述内容重建损失函数表征所述初始图像在内容上与所述内容图像的相似度，所述风格重建损失函数表征所述初始图像在样式上与所述风格图像的相似度。4.根据权利要求3所述的方法，其中，根据所述感知损失函数训练所述第一CNN模型，包括：通过对所述感知损失函数采用梯度下降的处理方式获得处理结果；根据所述处理结果更新所述第一CNN模型的模型参数，以完成对所述第一CNN模型的训练。5.根据权利要求4所述的方法，其...
【专利技术属性】
技术研发人员：胡孟，杨卫强，朱浩齐，
申请(专利权)人：网易杭州网络有限公司，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。