图像处理方法、存储介质以及计算机终端技术

本发明专利技术公开了一种图像处理方法、存储介质以及计算机终端。其中，该方法包括：获取目标图像；利用第一处理模型对目标图像进行处理，得到处理结果，其中，第一处理模型基于目标损失函数训练得到，目标损失函数基于第一纹理特征和第二纹理特征构建，第一纹理特征通过第一处理模型对训练图像进行特征提取得到，第二纹理特征通过第二处理模型对训练图像进行特征提取得到，第二处理模型为已经训练好的处理模型。本发明专利技术解决了相关技术中在对图像进行识别或检测的情况下，利用处理模型对图像进行处理得到的处理结果精确度较低的技术问题。得到的处理结果精确度较低的技术问题。得到的处理结果精确度较低的技术问题。

【技术实现步骤摘要】
图像处理方法、存储介质以及计算机终端


[0001]本专利技术涉及图像处理领域，具体而言，涉及一种图像处理方法、存储介质以及计算机终端。

技术介绍

[0002]目前，在图像处理领域，大模型由于参数量过大耗费过多资源而难以部署，因此多采用大模型到小模型进行知识蒸馏的方式，来优化提升小模型的性能。现有方法多采用高层级的深度特征(high
‑
level deep features)信息作为知识，来对小模型进行蒸馏训练。而高层级的深度特征一般是来源于比较大的感受野，缺少很多局部细节，导致对图像进行识别、检测等处理时得到的处理结果中出现边缘不清晰等问题。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种图像处理方法、存储介质以及计算机终端，以至少解决相关技术中在对图像进行识别或检测的情况下，利用处理模型对图像进行处理得到的处理结果精确度较低的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种图像处理方法，包括：获取目标图像；利用第一处理模型对目标图像进行处理，得到处理结果，其中，第一处理模型基于目标损失函数训练得到，目标损失函数基于第一纹理特征和第二纹理特征构建，第一纹理特征通过第一处理模型对训练图像进行特征提取得到，第二纹理特征通过第二处理模型对训练图像进行特征提取得到，第二处理模型为已经训练好的处理模型，第一处理模型和第二处理模型为机器学习模型。
[0006]根据本专利技术实施例的一个方面，提供了一种模型训练方法，包括：获取训练图像；分别利用第一处理模型和第二处理模型对训练图像进行特征提取，得到第一纹理特征和第二纹理特征；基于第一纹理特征和第二纹理特征构建目标损失函数；利用目标损失函数对第一处理模型的模型参数进行更新，得到更新结果。
[0007]根据本专利技术实施例的一个方面，提供了一种图像处理方法，包括：云服务器获取目标图像；云服务器利用第一处理模型对目标图像进行处理，得到处理结果，其中，第一处理模型基于目标损失函数训练得到，目标损失函数基于第一纹理特征和第二纹理特征构建，第一纹理特征通过第一处理模型对训练图像进行特征提取得到，第二纹理特征通过第二处理模型对训练图像进行特征提取得到，第二处理模型为已经训练好的处理模型，第一处理模型和第二处理模型为机器学习模型。
[0008]根据本专利技术实施例的一个方面，提供了一种图像处理方法，包括：在交互界面显示目标图像；在交互界面中感应到目标触控操作的情况下，在交互界面中显示目标图像对应的处理结果，其中，处理结果通过第一处理模型对目标图像进行处理得到，第一处理模型基于目标损失函数训练得到，目标损失函数基于第一纹理特征和第二纹理特征构建，第一纹
理特征通过第一处理模型对训练图像进行特征提取得到，第二纹理特征通过第二处理模型对训练图像进行特征提取得到，第二处理模型为已经训练好的处理模型，第一处理模型和第二处理模型为机器学习模型。
[0009]根据本专利技术实施例的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行权利要求中任意一项图像处理方法，和/或模型训练方法。
[0010]根据本专利技术实施例的一种处理器，处理器用于运行程序，其中，程序运行时执行权利要求中任意一项图像处理方法，和/或模型训练方法。
[0011]在本专利技术实施例中，首先获取目标图像；然后利用第一处理模型对目标图像进行处理，得到处理结果，其中，第一处理模型基于目标损失函数训练得到，目标损失函数基于第一纹理特征和第二纹理特征构建，第一纹理特征通过第一处理模型对训练图像进行特征提取得到，第二纹理特征通过第二处理模型对训练图像进行特征提取得到，第二处理模型为已经训练好的处理模型，第一处理模型和第二处理模型为机器学习模型，实现了提高对图像进行处理的精确度。容易注意到的是，在训练得到第一处理模型的过程中，可以采用已经训练好的处理模型对第一处理模型的训练过程进行监督，通过提取纹理特征使得训练过程中对纹理知识的提取更加的全面，从而能够得到精确度较高的第一处理模型，通过第一处理模型对目标图像进行处理，进而解决了相关技术中在对图像进行识别或检测的情况下，利用处理模型对图像进行处理得到的处理结果精确度较低的技术问题。
附图说明
[0012]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0013]图1示出了一种用于实现图像处理方法的计算机终端(或移动设备)的硬件结构框图；
[0014]图2是根据本专利技术实施例的一种图像处理方法的流程图；
[0015]图3是根据本专利技术实施例的一种轮廓波分解模块的示意图；
[0016]图4是根据本专利技术实施例的一种基于降噪纹理强度均衡模块的示意图；
[0017]图5是根据本专利技术实施例的一种训练学生网络的示意图；
[0018]图6是根据本专利技术实施例的一种模型训练方法的流程图；
[0019]图7是根据本专利技术实施例的另一种图像处理方法的流程图；
[0020]图8是根据本专利技术实施例的另一种图像处理方法的流程图；
[0021]图9是根据本专利技术实施例的一种图像处理装置的示意图；
[0022]图10是根据本专利技术实施例的一种模型训练装置的示意图；
[0023]图11是根据本专利技术实施例的另一种图像处理装置的示意图；
[0024]图12是根据本专利技术实施例的另一种图像处理装置的示意图；
[0025]图13是根据本专利技术实施例的一种计算机终端的结构框图；
[0026]图14是根据本申请实施例的一种图像渲染方法的流程图；
[0027]图15是根据本申请实施例的一种用于实现图像渲染方法的硬件环境示意图；
[0028]图16是根据本申请实施例的另一种用于实现图像渲染方法的硬件环境示意图。
具体实施方式
[0029]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0030]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取目标图像；利用第一处理模型对所述目标图像进行处理，得到处理结果，其中，所述第一处理模型基于目标损失函数训练得到，所述目标损失函数基于第一纹理特征和第二纹理特征构建，所述第一纹理特征通过所述第一处理模型对训练图像进行特征提取得到，所述第二纹理特征通过第二处理模型对所述训练图像进行特征提取得到，所述第二处理模型为已经训练好的处理模型，所述第一处理模型和所述第二处理模型为机器学习模型。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：获取训练图像；分别利用所述第一处理模型和所述第二处理模型对所述训练图像进行特征提取，得到所述第一纹理特征和所述第二纹理特征；基于所述第一纹理特征和所述第二纹理特征构建所述目标损失函数；利用所述目标损失函数对所述第一处理模型的模型参数进行更新，得到更新结果。3.根据权利要求2所述的方法，其特征在于，所述第一纹理特征包括如下至少之一：第一结构化纹理特征和第一统计性纹理特征，利用所述第一处理模型对所述训练图像进行特征提取，得到所述第一纹理特征，包括如下至少之一：利用所述第一处理模型中的第一特征提取模块对所述训练图像进行特征提取，得到所述第一结构化纹理特征，其中，所述第一特征提取模块用于提取所述训练图像中与轮廓信息相关的局部纹理特征；利用所述第一处理模型中的第二特征提取模块对所述训练图像进行特征提取，得到所述第一统计性纹理特征，其中，所述第二特征提取模块用于提取所述训练图像中与显示参数相关的全局纹理特征。4.根据权利要求3所述的方法，其特征在于，所述第二纹理特征包括如下至少之一：第二结构化纹理特征和第二统计性纹理特征，利用所述第二处理模型对所述训练图像进行特征提取，得到所述第二纹理特征，包括：利用所述第二处理模型中的第一特征提取模块对所述训练图像进行特征提取，得到所述第二结构化纹理特征；利用所述第二处理模型中的第二特征提取模块对所述训练图像进行特征提取，得到所述第二统计性纹理特征。5.根据权利要求2所述的方法，其特征在于，在所述第一纹理特征包括：第一结构化纹理特征和第一统计性纹理特征，所述第二纹理特征包括：第二结构化纹理特征和第二统计性纹理特征的情况下，基于所述第一纹理特征和所述第二纹理特征构建目标损失函数，包括：基于所述第一结构化纹理特征和所述第二结构化纹理特征，确定第一损失函数；基于所述第一统计性纹理特征和所述第二统计性纹理特征，确定第二损失函数；基于所述第一损失函数和所述第二损失函数，构建所述目标损失函数。6.根据权利要求4所述的方法，其特征在于，利用所述第二特征提取模块对所述训练图像进行特征提取，得到所述第一统计性纹理特征或所述第二统计性纹理特征，包括：利用目标采样算法对所述训练图像进行采样，得到所述第一处理模型对应的第一图像
或所述第二处理模型对应的第二图像；对所述第一图像进行特征提取，得到所述第一统计性纹理特征，或对所述第二图像进行特征提取，得到所述第二统计性纹理特征。7.根据权利要求6所述的方法，其特征在于，对所述第一图像进行特征提取，得到所述第一统计性纹理特征，或对所述第二图像进行特征提取，得到所述第二统计性纹理特征，包括：基于目标量化级数对所述第一...

【专利技术属性】
技术研发人员：纪德益，赵一儒，陶明渊，黄建强，华先胜，
申请(专利权)人：阿里巴巴达摩院杭州科技有限公司，
类型：发明
国别省市：