图像处理方法、图像处理模型的训练方法及装置制造方法及图纸

本申请实施例提供了一种图片处理方法、装置、电子设备及计算机可读存储介质，涉及人工智能及图像处理技术领域。该方法包括：获取待处理的原始图片，确定原始图片的原始色彩模式；若原始图片的原始色彩模式与目标色彩模式不一致，则将原始图片输入至预先训练的图像处理模型，根据图像处理模型的输出结果获得目标图片；图像处理模型是基于多个样本图片对神经网络模型训练而成的，每个样本图片对的第一图片和第二图片中相同位置的目标像素点的色彩模式分别为原始色彩模式和目标色彩模式。本申请实施例可更细粒度地识别出各个像素点的色彩模式的转换关系，提升用户查看图片的体验，也避免了不同色彩模式下查看图片导致的不清晰问题。晰问题。晰问题。

【技术实现步骤摘要】
图像处理方法、图像处理模型的训练方法及装置


[0001]本申请涉及机器学习及图像处理
，具体而言，本申请涉及一种图像处理方法、图像处理模型的训练方法、装置、电子设备、计算机可读存储介质及计算机程序产品。

技术介绍

[0002]如今，许多电子设备的用户界面会带有深色模式。深色模式可以改善视力，并且可以在强光下达到更好的可视性。深色模式逐渐得到更多应用程序的支持，很多应用程序也开发了属于自己的深色模式，使得用户能够在不同环境下选择更加舒适的色彩模式。
[0003]目前，用户可以在不同色彩模式下进行截屏，然后将截图保存下来，便于后续查看。截屏是指截取电子设备屏幕上的信息，而截图是指由电子设备截屏后得到的可视图片，因此，截图保存了在截屏时当前屏幕上各个像素点的色彩信息。
[0004]然而，现有方案中至少存在如下问题，若用户在明亮场景下查看深色模式的截图，则容易出现阅读不清晰的情况。若用户在黑暗场景下查看浅色模式的截图，则容易出现比较刺眼的效果，影响了用户使用体验。

技术实现思路

[0005]本申请实施例提供了一种图像处理方法、图像处理模型的训练方法、装置、电子设备、计算机可读存储介质及计算机程序产品，可以解决现有技术的上述问题。所述技术方案如下：
[0006]根据本申请实施例的第一个方面，提供了一种图片处理方法，该方法包括：
[0007]获取待处理的原始图片，确定原始图片的原始色彩模式；
[0008]若原始图片的原始色彩模式与目标色彩模式不一致，则将原始图片输入至预先训练的图像处理模型，根据图像处理模型的输出结果获得目标图片，目标图片的色彩模式为目标色彩模式；
[0009]其中，图像处理模型是基于多个样本图片对神经网络模型训练而成的，每个样本图片对包括具有相同图片内容的第一图片和第二图片，且第一图片和第二图片中相同位置的目标像素点的色彩模式分别为原始色彩模式和目标色彩模式，目标像素点为第一图片的至少部分像素点。
[0010]根据本申请实施例的第二个方面，提供了一种图像处理模型的训练方法，包括：
[0011]获得多个样本图片对，每个样本图片对包括具有相同图片内容的第一图片和第二图片，且第一图片和第二图片中相同位置的目标像素点的色彩模式分别为原始色彩模式和目标色彩模式，目标像素点为第一图片的至少部分图像区域；
[0012]以多个样本图片对进行对神经网络模型训练，获得图像处理模型。
[0013]根据本申请实施例的第三个方面，提供了一种图像处理装置，包括：
[0014]原始模式确定模块，用于获取待处理的原始图片，确定原始图片的原始色彩模式；
[0015]目标图片获得模块，用于若原始图片的原始色彩模式与目标色彩模式不一致，则
将原始图片输入至预先训练的图像处理模型，根据图像处理模型的输出结果获得目标图片，目标图片的色彩模式为目标色彩模式；
[0016]其中，图像处理模型是基于多个样本图片对神经网络模型训练而成的，每个样本图片对包括具有相同图片内容的第一图片和第二图片，且第一图片和第二图片中相同位置的目标像素点的色彩模式分别为原始色彩模式和目标色彩模式，目标像素点为第一图片的至少部分像素点。
[0017]作为一种可选实施例，图像处理模型是以多个样本图片对第一神经网络模型进行对抗学习训练而成，在训练时，一个样本图片对中的第一图片和第二图片分别为训练样本和训练样本的训练标签，第一神经网络模型包括生成器和判别器；
[0018]图像处理模型是通过以下方法训练而成：
[0019]将每个训练样本输入至生成器，获得生成器对训练样本添加对抗噪声获得的对抗样本图片，将相应的训练标签和对抗样本图片作为一组训练样本；
[0020]将各组训练样本输入至判别器，对生成器和判别器进行迭代地对抗训练，直至达到第一迭代停止条件，将迭代停止后的生成器作为图像处理模型；
[0021]其中，目标图片为图像处理模型的输出结果。
[0022]作为一种可选实施例，图像处理模型以多个样本图片对对第二神经网络模型进行图像分割学习训练而成时，在训练时，以一个样本图片对中的任意一幅图片作为训练样本，确定该训练样本中各像素点的类别标签，类别标签用于表征像素点是否为目标像素点；
[0023]图像处理模型是通过以下方法训练而成：
[0024]将每个训练样本输入至第二神经网络模型，获得每个训练样本中各像素点的类别预测结果；
[0025]根据每个训练样本中各像素点的类别预测结果和类别标签间的差异对第二神经网络模型进行训练，直至达到第二迭代停止条件，将迭代停止后的第二神经网络模型作为图像处理模型。
[0026]作为一种可选实施例，将各组训练样本输入至判别器，对生成器和判别器进行迭代地对抗训练，包括基于各组训练样本重复执行以下操作，直至达到第一迭代停止条件：
[0027]对于每组训练样本，将该组训练样本输入至判别器，得到该组训练样本中每幅图片的类别识别结果以及像素信息，类别识别结果用于标识该幅图片的类别为对抗样本图片或训练标签；
[0028]对于每组训练样本，根据该组训练样本中每幅图片的类别识别结果与实际类别间的差异，以及该组训练样本中两幅图片间的像素信息的差异获得损失函数；
[0029]根据各组训练样本的损失函数确定训练总损失，根据训练总损失更新生成器和判别器的参数。
[0030]作为一种可选实施例，该组训练样本中两幅图片间的像素信息的差异包括颜色差异，颜色差异的获得方式包括：
[0031]对于每个像素点，确定该像素点在该组训练样本中两幅图片的颜色值间的差异；
[0032]基于所有像素点对应的差异，确定该组训练样本中两幅图片间的颜色差异。
[0033]作为一种可选实施例，该组训练样本中两幅图片间的像素信息的差异包括色调差异，色调差异的获得方式包括：
[0034]对于每个像素点，确定该像素点在该组训练样本中两幅图片的颜色值间的相似度；
[0035]基于所有像素点对应的相似度，确定该组训练样本中两幅图片间的色调差异。
[0036]作为一种可选实施例，目标图片获得模块包括：
[0037]目标像素点获得单元，用于根据图像处理模型的输出结果，确定原始图片中的目标像素点；
[0038]模式调整单元，用于将目标像素点的色彩模式调整为目标色彩模式，获得目标图片。
[0039]根据本申请实施例的第四个方面，提供了一种图像处理模型的训练装置，该装置包括：
[0040]样本获得模块，用于获得多个样本图片对，每个样本图片对包括具有相同图片内容的第一图片和第二图片，且第一图片和第二图片中相同位置的目标像素点的色彩模式分别为原始色彩模式和目标色彩模式，目标像素点为第一图片的至少部分图像区域；
[0041]训练模块，用于以多个样本图片对进行对神经网络模型训练，获得图像处理模型。
[0042]作为一种可选实施例，图像处理模型是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片处理方法，其特征在于，包括：获取待处理的原始图片，确定所述原始图片的原始色彩模式；若所述原始图片的原始色彩模式与目标色彩模式不一致，则将所述原始图片输入至预先训练的图像处理模型，根据所述图像处理模型的输出结果获得目标图片，所述目标图片的色彩模式为所述目标色彩模式；其中，所述图像处理模型是基于多个样本图片对神经网络模型训练而成的，每个样本图片对包括具有相同图片内容的第一图片和第二图片，且所述第一图片和所述第二图片中相同位置的目标像素点的色彩模式分别为所述原始色彩模式和所述目标色彩模式，所述目标像素点为所述第一图片的至少部分像素点。2.根据权利要求1所述的方法，其特征在于，所述图像处理模型是以多个样本图片对第一神经网络模型进行对抗学习训练而成，在训练时，一个样本图片对中的第一图片和第二图片分别为训练样本和训练样本的训练标签，所述第一神经网络模型包括生成器和判别器；所述图像处理模型是通过以下方法训练而成：将每个训练样本输入至所述生成器，获得所述生成器对所述训练样本添加对抗噪声获得的对抗样本图片，将相应的训练标签和所述对抗样本图片作为一组训练样本；将各组训练样本输入至判别器，对所述生成器和所述判别器进行迭代地对抗训练，直至达到第一迭代停止条件，将迭代停止后的生成器作为所述图像处理模型；其中，所述目标图片为所述图像处理模型的输出结果。3.根据权利要求1所述的方法，其特征在于，所述图像处理模型以多个样本图片对对第二神经网络模型进行图像分割学习训练而成时，在训练时，以一个样本图片对中的任意一幅图片作为训练样本，确定该训练样本中各像素点的类别标签，所述类别标签用于表征像素点是否为所述目标像素点；所述图像处理模型是通过以下方法训练而成：将每个训练样本输入至第二神经网络模型，获得每个训练样本中各像素点的类别预测结果；根据每个训练样本中各像素点的类别预测结果和类别标签间的差异对所述第二神经网络模型进行训练，直至达到第二迭代停止条件，将迭代停止后的第二神经网络模型作为所述图像处理模型。4.根据权利要求2所述的方法，其特征在于，所述将各组训练样本输入至判别器，对所述生成器和所述判别器进行迭代地对抗训练，包括基于各组训练样本重复执行以下操作，直至达到第一迭代停止条件：对于每组训练样本，将该组训练样本输入至所述判别器，得到该组训练样本中每幅图片的类别识别结果以及像素信息，所述类别识别结果用于标识该幅图片的类别为对抗样本图片或训练标签；对于每组训练样本，根据该组训练样本中每幅图片的类别识别结果与实际类别间的差异，以及该组训练样本中两幅图片间的像素信息的差异获得损失函数；根据各组训练样本的损失函数确定训练总损失，根据所述训练总损失更新所述生成器和所述判别器的参数。
5.根据权利要求4所述的方法，其特征在于，该组训练样本中两幅图片间的像素信息的差异包括颜色差异，所述颜色差异的获得方式包括：对于每个像素点，确定该像素点在该组训练样本中两幅图片的颜色值间的差异；基于所有像素点对应的差异，确定该组训练样本中两幅图片间的颜色差异。6.根据权利要求4所述的方法，其特征在于，该组训练样本中两幅图片间的像素信息的差异包括色调差异，所述色调差异的获得方式包括：对于每个像素点，确定该像素点在该组训练样本中两幅图片的颜色值间的相似度；基于所有像素点对应的相似度，确定该组训练样本中两幅图片间的色调差异。7.根据权利要求3所述的方法，其特征在于，所述根据所述图像处理模型的输出结果获得目标图片，包括：根据所述图像处理模型的输出结果，确定所述原始图片中的所述目标像素点...

【专利技术属性】
技术研发人员：余自强，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：