一种图像处理模型训练方法、图像处理方法及电子设备技术

本发明专利技术实施例涉及一种图像处理模型训练方法、图像处理方法及电子设备。图像处理模型训练方法包括采用多个训练图像及其相应的带标注信息的图像对图像处理模型进行训练，针对每一训练图像，训练步骤包括：获取训练图像以及经标注的训练图像的标注阿尔法遮片；获取训练图像的弱标注图，其标识训练图像的前景和背景；将训练图像和弱标注图输入图像处理模型的第一神经网络得到预测阿尔法遮片；利用预测阿尔法遮片和标注阿尔法遮片计算第一神经网络的损失函数值；以及基于第一神经网络的损失函数值，对图像处理模型的参数进行修正。还提供利用经训练的图像处理模型进行图像处理方法，在不需要人工交互的情况下实现快速且高质量提取图像中期望部分。

An Image Processing Model Training Method, Image Processing Method and Electronic Equipment

【技术实现步骤摘要】
一种图像处理模型训练方法、图像处理方法及电子设备
本专利技术总体上涉及图像处理领域，具体涉及一种图像处理模型训练方法、图像处理方法及电子设备。
技术介绍
在图像处理领域，常常涉及对部分图像的提取，例如对图片或视频的背景进行替换，需要将两个或两个以上的图片(视频中的至少一帧图片)通过处理而叠加或组合在一起，得到新的图片或视频。随着对此类图像处理的各种应用需求快速增长，用户也希望这些应用能够自动实现更为自然准确的融合处理效果。目前，一些图像处理应用大多非常耗时，同时，这种图像处理需要高质量的人工标记，这在实际应用中是非常困难的。此外，对于图像的提取效果也比较生硬，影响用户的使用体验。
技术实现思路
针对上述问题，本专利技术的实施例提供一种图像处理模型训练方法、图像处理方法、电子设备及计算机可读存储介质。在本专利技术的第一方面，提供一种图像处理模型训练方法，方法包括采用多个训练图像及其相应的带有标注信息的图像对图像处理模型进行训练，针对每一个训练图像，训练步骤包括：获取训练图像以及经标注的训练图像的标注阿尔法遮片；获取训练图像的弱标注图，弱标注图标识训练图像的前景区域和背景区域；将训练图像和弱本文档来自技高网...

【技术保护点】
1.一种图像处理模型训练方法，其特征在于，所述方法包括采用多个训练图像及其相应的带有标注信息的图像对图像处理模型进行训练，针对每一个训练图像，训练步骤包括：获取训练图像以及经标注的所述训练图像的标注阿尔法遮片；获取所述训练图像的弱标注图，所述弱标注图标识所述训练图像的前景区域和背景区域；将所述训练图像和所述弱标注图输入图像处理模型的第一神经网络，得到预测阿尔法遮片；利用所述预测阿尔法遮片和所述标注阿尔法遮片来计算所述第一神经网络的损失函数值；以及基于所述第一神经网络的损失函数值，对所述图像处理模型的参数进行修正。

【技术特征摘要】
1.一种图像处理模型训练方法，其特征在于，所述方法包括采用多个训练图像及其相应的带有标注信息的图像对图像处理模型进行训练，针对每一个训练图像，训练步骤包括：获取训练图像以及经标注的所述训练图像的标注阿尔法遮片；获取所述训练图像的弱标注图，所述弱标注图标识所述训练图像的前景区域和背景区域；将所述训练图像和所述弱标注图输入图像处理模型的第一神经网络，得到预测阿尔法遮片；利用所述预测阿尔法遮片和所述标注阿尔法遮片来计算所述第一神经网络的损失函数值；以及基于所述第一神经网络的损失函数值，对所述图像处理模型的参数进行修正。2.根据权利要求1所述的方法，其特征在于，其中获取所述训练图像的弱标注图包括：对所述训练图像进行语义分割，得到标识所述训练图像的前景区域和背景区域的分割二元图。3.根据权利要求1所述的方法，其特征在于，其中计算所述第一神经网络的损失函数值包括：计算所述预测阿尔法遮片和所述标注阿尔法遮片之间的误差，以得到全局损失值；以及计算所述预测阿尔法遮片的前背景边缘和所述标注阿尔法遮片的前背景边缘之间的误差，以得到局部损失值。4.根据权利要求3所述的方法，其特征在于，其中计算所述第一神经网络的损失函数值还包括：将所述预测阿尔法遮片和所述标注阿尔法遮片分别输入用于边缘提取的线性滤波器，分别得到预测滤波结果和标注滤波结果；以及计算所述预测滤波结果和所述标注滤波结果之间的误差，以得到滤波损失值。5.根据权利要求4所述的方法，其特征在于，其中对所述输入图像处理模型的参数进行修正包括：对所述全局损失值、所述局部损失值和所述滤波损失值加权求和得到...

【专利技术属性】
技术研发人员：赵维杰，李杳奕，
申请(专利权)人：上海卫莎网络科技有限公司，
类型：发明
国别省市：上海,31