System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,尤其涉及一种图像处理模型训练方法、图像处理方法和装置。
技术介绍
1、在一些图像处理场景中,例如普通图像打印场景,需要对彩色图像进行黑白滤镜处理,以将彩色图像转换为黑白图像,进而打印出黑白图像。
2、现有技术中,在对彩色图像进行黑白滤镜处理时,通常是采用二值化算法,例如局部阈值算法或者全局阈值算法,对彩色图像进行黑白滤镜处理,以将其转换为黑白图像。
3、然而,采用上述二值化算法对彩色图像进行黑白滤镜处理,会导致转换得到的黑白图像的效果较差,因此,如何获取到转换效果较好的黑白图像,是本领域技术人员亟待解决的问题。
技术实现思路
1、本专利技术提供一种图像处理模型训练方法、图像处理方法和装置,可以获取到转换效果较好的黑白图像,从而提高了转换得到的黑白图像的图像质量。
2、本专利技术提供一种图像处理模型训练方法,该图像处理模型训练方法可以包括:
3、获取多个彩色图像样本,以及各彩色图像样本对应的黑白图像。
4、将所述多个彩色图像样本输入至初始图像处理模型中,得到所述各彩色图像样本对应的预测黑白图像。
5、根据所述各彩色图像样本对应的所述黑白图像和所述预测黑白图像,对所述初始图像处理模型的模型参数进行更新,以得到训练后的图像处理模型。
6、根据本专利技术提供的一种图像处理模型训练方法,所述初始图像处理模型包括下采样网络和上采样网络,所述将所述多个彩色图像样本输入至初始图像处理模型中,
7、针对每个所述彩色图像样本执行以下处理:
8、将所述彩色图像样本输入至所述下采样网络中,得到所述彩色图像样本对应的多个第一特征图;将所述彩色图像样本对应的多个第一特征图输入至所述上采样网络中,得到所述彩色图像样本对应的所述预测黑白图像。
9、根据本专利技术提供的一种图像处理模型训练方法,所述下采样网络包括多个依次串联的第一深度可分离卷积层,所述将所述彩色图像样本输入至所述下采样网络中,得到所述彩色图像样本对应的多个第一特征图,包括:
10、将所述彩色图像样本输入至首个第一深度可分离卷积层中,得到首个第一深度可分离卷积层输出的第一特征图;
11、针对非首个第一深度可分离卷积层,将前一个第一深度可分离卷积层输出的第一特征图输入至所述非首个第一深度可分离卷积层,得到所述非首个第一深度可分离卷积层输出的第一特征图。
12、根据本专利技术提供的一种图像处理模型训练方法,
13、所述上采样网络包括多个依次串联的第二深度可分离卷积层和一个特征融合层,且所述首个第一深度可分离卷积层与所述特征融合层对应,所述非首个第一深度可分离卷积层与所述多个第二深度可分离卷积层一一对应;
14、其中,所述将所述彩色图像样本对应的多个第一特征图输入至所述上采样网络中,得到所述彩色图像样本对应的所述预测黑白图像,包括:
15、将尾个第一深度可分离卷积层输出的第一特征图,输入至首个第二深度可分离卷积层中,并通过所述首个第二深度可分离卷积层对所述尾个第一深度可分离卷积层输出的第一特征图进行上采样,得到所述首个第二深度可分离卷积层输出的第二特征图;
16、将除所述首个第一深度可分离卷积层和所述尾个第一深度可分离卷积层之外的其他第一深度可分离卷积层各自输出的第一特征图,分别输入至各自在所述上采样网络中对应的第二深度可分离卷积层中,通过所述第二深度可分离卷积层对前一个第二深度可分离卷积层输出的第二特征图进行上采样,并将上采样结果和所述第二深度可分离卷积层对应的第一深度可分离卷积层输出的第一特征图进行融合,得到尾个第二深度可分离卷积层输出的第二特征图;
17、将所述首个第一深度可分离卷积层输出的第一特征图和所述尾个第二深度可分离卷积层输出的第二特征图进行融合,得到所述彩色图像样本对应的所述预测黑白图像。
18、根据本专利技术提供的一种图像处理模型训练方法,获取彩色图像样本对应的黑白图像,包括:
19、在所述彩色图像样本的光照差异大于第一阈值的情况下,采用局部阈值算法对所述彩色图像样本进行黑白滤镜处理,或者,在所述彩色图像样本的局部噪声大于第二阈值的情况下,采用全局阈值算法对所述彩色图像样本进行黑白滤镜处理,得到所述彩色图像样本对应的初始黑白图像;
20、在所述初始黑白图像存在噪点的情况下,对所述初始黑白图像进行抹除处理,和/或,在所述初始黑白图像存在前景缺失的情况下,对所述初始黑白图像进行修补处理,得到所述彩色图像样本对应的所述黑白图像。
21、根据本专利技术提供的一种图像处理模型训练方法,所述根据所述各彩色图像样本对应的所述黑白图像和所述预测黑白图像,对所述初始图像处理模型的模型参数进行更新,包括:
22、针对所述各彩色图像样本,根据所述彩色图像样本对应的所述黑白图像和所述预测黑白图像,构造所述彩色图像样本对应的平均绝对误差损失和交叉熵损失。
23、根据所述各彩色图像样本对应的平均绝对误差损失和交叉熵损失,对所述初始图像处理模型的模型参数进行更新。
24、根据本专利技术提供的一种图像处理模型训练方法,所述根据所述各彩色图像样本对应的平均绝对误差损失和交叉熵损失,对所述初始图像处理模型的模型参数进行更新,包括:
25、根据所述各彩色图像样本对应的平均绝对误差损失和交叉熵损失,确定所述多个彩色图像样本对应的平均损失。
26、根据所述平均损失,对所述初始图像处理模型的模型参数进行更新。
27、本专利技术还提供一种图像处理方法,该图像处理方法可以包括:
28、获取待处理彩色图像。
29、将所述待处理彩色图像输入至图像处理模型中,得到所述待处理彩色图像对应的黑白图像;其中,所述图像处理模型为上述任一种所述的图像处理模型。
30、根据本专利技术提供的一种图像处理方法,所述将所述待处理彩色图像输入至图像处理模型中,得到所述待处理彩色图像对应的黑白图像,包括:
31、将所述待处理彩色图像输入至所述图像处理模型中的下采样网络中,得到所述待处理彩色图像对应的多个第一特征图。
32、将所述待处理彩色图像对应的多个第一特征图输入至所述图像处理模型中的上采样网络中,得到所述黑白图像。
33、根据本专利技术提供的一种图像处理方法,所述下采样网络包括多个依次串联的第一深度可分离卷积层,所述将所述待处理彩色图像输入至所述图像处理模型中的下采样网络中,得到所述待处理彩色图像对应的多个第一特征图,包括:
34、将所述待处理彩色图像输入至首个第一深度可分离卷积层中,得到首个第一深度可分离卷积层输出的第一特征图。
35、针对非首个第一深度可分离卷积层,将前一个第一深度可分离卷积层输出的第一特征图输入至所述非首个第一深度可分离卷积层,得到所述非首个第一深度可分离卷积层输出的本文档来自技高网...
【技术保护点】
1.一种图像处理模型训练方法,其特征在于,包括:
2.根据权利要求1所述的图像处理模型训练方法,其特征在于,所述初始图像处理模型包括下采样网络和上采样网络,所述将所述多个彩色图像样本输入至初始图像处理模型中,得到所述各彩色图像样本对应的预测黑白图像,包括:
3.根据权利要求2所述的图像处理模型训练方法,其特征在于,所述下采样网络包括多个依次串联的第一深度可分离卷积层,所述将所述彩色图像样本输入至所述下采样网络中,得到所述彩色图像样本对应的多个第一特征图,包括:
4.根据权利要求3所述的图像处理模型训练方法,其特征在于,所述上采样网络包括多个依次串联的第二深度可分离卷积层和一个特征融合层,且所述首个第一深度可分离卷积层与所述特征融合层对应,所述非首个第一深度可分离卷积层与所述多个第二深度可分离卷积层一一对应;
5.根据权利要求1-4任一项所述的图像处理模型训练方法,其特征在于,获取彩色图像样本对应的黑白图像,包括:
6.根据权利要求1-4任一项所述的图像处理模型训练方法,其特征在于,所述根据所述各彩色图像样本对应的所述黑白
7.一种图像处理方法,其特征在于,包括:
8.根据权利要求7所述的图像处理方法,其特征在于,所述将所述待处理彩色图像输入至图像处理模型中,得到所述待处理彩色图像对应的黑白图像,包括:
9.根据权利要求7或8所述的图像处理方法,其特征在于,所述方法还包括:
10.一种图像处理模型训练装置,其特征在于,包括:
...【技术特征摘要】
1.一种图像处理模型训练方法,其特征在于,包括:
2.根据权利要求1所述的图像处理模型训练方法,其特征在于,所述初始图像处理模型包括下采样网络和上采样网络,所述将所述多个彩色图像样本输入至初始图像处理模型中,得到所述各彩色图像样本对应的预测黑白图像,包括:
3.根据权利要求2所述的图像处理模型训练方法,其特征在于,所述下采样网络包括多个依次串联的第一深度可分离卷积层,所述将所述彩色图像样本输入至所述下采样网络中,得到所述彩色图像样本对应的多个第一特征图,包括:
4.根据权利要求3所述的图像处理模型训练方法,其特征在于,所述上采样网络包括多个依次串联的第二深度可分离卷积层和一个特征融合层,且所述首个第一深度可分离卷积层与所述特征融合层对应,所述非首个第一深度可分离卷积层...
【专利技术属性】
技术研发人员:林文松,陈荣华,
申请(专利权)人:珠海金山办公软件有限公司,
类型:发明
国别省市:
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。