一种图像处理的方法、装置、存储介质及电子设备制造方法及图纸

本申请提供一种图像处理的方法、装置、存储介质及电子设备，该方法包括步骤：将待测图像及对应的背景图像输入预先生成的神经网络模型，获取所述神经网络模型的输出结果，其中所述待测图像的背景与所述背景图像匹配；根据所获得的输出结果获取前景图像；其中，所述神经网络模型以背景样本图像及拍摄样本图像为样本数据训练生成，所述拍摄样本数据图像为包括前景标注信息的样本图像，所述拍摄样本图像的背景与背景样本图像匹配。通过本申请提出的方法可以减少模型的训练的时间、降低图像处理的复杂度以及增加图像处理的准确度。

【技术实现步骤摘要】
一种图像处理的方法、装置、存储介质及电子设备
本申请涉及互联网领域，尤其涉及一种图像处理的方法、装置、存储介质及电子设备。
技术介绍
“抠图”是图像处理中最常做的操作之一，指的是将图像中需要的部分(前景)从图像中精确地提取出来。随着神经网络的技术日趋成熟，神经网络的技术被越来越广泛地应用在图像处理领域。但是，目前的神经网络模型需要采集大量的样本进行训练，才能达到较为准确的预测效果。并且目前的神经网络模型的训练过程较为复杂，加上训练样本数据较多，存在训练时间长及训练成本较高等缺陷。
技术实现思路
本申请提供了一种图像处理的方法、装置、存储介质及电子设备，旨在减少神经网络模型的训练的时间、降低图像处理的复杂度以及增加图像处理的准确度。具体地，本申请是通过如下技术方案实现的：一种图像处理的方法，所述方法包括：将待测图像及对应的背景图像输入预先生成的神经网络模型，获取所述神经网络模型的输出结果，其中所述待测图像的背景与所述背景图像匹配；根据所获得的输出结果获取前景图像；其中，所述神经网络模型以背景样本图像及拍摄样本图像为样本数据训练生成，所述拍摄样本数据图像为包括前景标注信息的样本图像，所述拍摄样本图像的背景与背景样本图像匹配。在一些例子中，所述神经网络模型包括以下任一：卷积神经网络模型、深度神经网络模型、深度全卷积神经网络模型、循环神经网络模型、全卷积神经网络模型及深度卷积神经网络模型。在一些例子中，所述神经网络模型包括：20层卷积层、5层池化层及5层反卷积层；所述卷积层对输入的待测图像及对应的背景图像进行特征提取，获得特征图，所述池化层对提取出来的特征图进行下采样，所述反卷积层将下采样之后的特征图进行上采样，得到与待测图像尺寸相匹配的输出结果。在一些例子中，所述待测图像包括待处理视频流中至少一帧图像帧。在一些例子中，获取所述前景图像之后，所述方法还包括：获取另一背景图像，将所述前景图像与另一背景图像合成目标图像。在一些例子中，获取所述前景图像之后，所述方法还包括：获取前景图像中的选定部分，将所述选定部分与所述背景图像合成新的背景图片输入神经网络模型。一种直播方法，所述方法包括：获取主播客户端所在电子设备的摄像头捕获的背景图像；获取主播客户端所在电子设备的摄像头捕获的待测图像，所述待测图像的背景与所述背景图像匹配；将所述背景图像及待测图像输入预先生成的神经网络模型，获取所述神经网络模型的输出结果；根据所获得的输出结果获取前景图像；将所述前景图像与另一背景图像合成目标图像，将所述目标图像分发给相应的观众客户端；其中，所述神经网络模型以背景样本图像及拍摄样本图像为样本数据训练生成，所述拍摄样本数据图像为包括前景标注信息的样本图像，所述拍摄样本图像的背景与背景样本图像匹配。在一些例子中，包括：处理模块：用于将待测图像及对应的背景图像输入预先生成的神经网络模型，获取所述神经网络模型的输出结果，所述待测图像的背景与所述背景图像匹配；获取模块：用于根据所获得的输出结果获取前景图像；其中，所述神经网络模型以背景样本图像及拍摄样本图像为样本数据训练生成，所述拍摄样本数据图像为包括前景标注信息的样本图像，所述拍摄样本图像的背景与背景样本图像匹配；在一些例子中，所述装置还包括编辑模块，获取前景图像之后，所述编辑模块用于获取前景图像中的选定部分，将所述选定部分与所述背景图像合成新的背景图片输入神经网络模型。一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为：将待测图像及对应的背景图像输入预先生成的神经网络模型，获取所述神经网络模型的输出结果，其中所述待测图像的背景与所述背景图像匹配；根据所获得的输出结果获取前景图像；其中，所述神经网络模型以背景样本图像及拍摄样本图像为样本数据训练生成，所述拍摄样本数据图像为包括前景标注信息的样本图像，所述拍摄样本图像的背景与背景样本图像匹配。一种存储介质，其上存储有计算机程序，该程序被处理器执行如下操作：将待测图像及对应的背景图像输入预先生成的神经网络模型，获取所述神经网络模型的输出结果，其中所述待测图像的背景与所述背景图像匹配；根据所获得的输出结果获取前景图像；其中，所述神经网络模型以背景样本图像及拍摄样本图像为样本数据训练生成，所述拍摄样本数据图像为包括前景标注信息的样本图像，所述拍摄样本图像的背景与背景样本图像匹配。本申请的实施例提供的技术方案可以包括以下有益效果：本申请实施例提出的方法，通过以背景样本图像及拍摄样本图像为样本数据训练神经网络模型，其中，拍摄样本图像的背景与背景样本图像匹配，由于以背景样本图像作为参照，大大减少训练模型的复杂度，从而减少了训练时间；并且在使用上述预先生成的神经网络模型进行图像处理时，神经网络模型进行图像处理的过程较为简单，耗时短，可以达到实时抠图的效果。并且在图像处理时，将待测图像及对应的背景图像都输入预先生成的神经网络模型，存在背景图像作为参考，图像处理(抠图)的准确率也会大大提升。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1是本申请一示例性实施例提供的一种图像处理的方法的部分流程图；图2a是本申请一示例性实施例示出的一种生成神经网络模型的方法的部分流程图；图2b是本申请一示例性实施例示出的神经网络模型的示意图；图3是本申请一示例性实施例示出的一种图像处理的示意图；图4是本申请一示例性实施例示出的另一种图像处理的的示意图；图5是本申请一示例性实施例示出的一种直播方法的部分流程图；图6a是本申请一示例性实施例示出的一种图像处理装置的逻辑框图；图6b是本申请一示例性实施例示出的另一种图像处理装置的逻辑框图；图6c是本申请一示例性实施例示出的另一种图像处理装置的逻辑框图；图7是本申请一示例性实施例示出的一种电子设备的逻辑框图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。人工神经网络(ArtificialNeuralNetwork，简称ANN)，亦称为神经网络(NeuralNetwork，ANN)，是由大量处理单元(神经元Neurons)广泛互联而成的网络。神经网络在外界输本文档来自技高网...

【技术保护点】
一种图像处理的方法，其特征在于，所述方法包括：将待测图像及对应的背景图像输入预先生成的神经网络模型，获取所述神经网络模型的输出结果，其中所述待测图像的背景与所述背景图像匹配；根据所获得的输出结果获取前景图像；其中，所述神经网络模型以背景样本图像及拍摄样本图像为样本数据训练生成，所述拍摄样本数据图像为包括前景标注信息的样本图像，所述拍摄样本图像的背景与背景样本图像匹配。

【技术特征摘要】
1.一种图像处理的方法，其特征在于，所述方法包括：将待测图像及对应的背景图像输入预先生成的神经网络模型，获取所述神经网络模型的输出结果，其中所述待测图像的背景与所述背景图像匹配；根据所获得的输出结果获取前景图像；其中，所述神经网络模型以背景样本图像及拍摄样本图像为样本数据训练生成，所述拍摄样本数据图像为包括前景标注信息的样本图像，所述拍摄样本图像的背景与背景样本图像匹配。2.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括以下任一：卷积神经网络模型、深度神经网络模型、深度全卷积神经网络模型、循环神经网络模型、全卷积神经网络模型及深度卷积神经网络模型。3.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括：20层卷积层、5层池化层及5层反卷积层；所述卷积层对输入的待测图像及对应的背景图像进行特征提取，获得特征图，所述池化层对提取出来的特征图进行下采样，所述反卷积层将下采样之后的特征图进行上采样，得到与待测图像尺寸相匹配的输出结果。4.根据权利要求1所述的方法，其特征在于，所述待测图像包括待处理视频流中至少一帧图像帧。5.根据权利要求1所述的方法，其特征在于，获取所述前景图像之后，所述方法还包括：获取另一背景图像，将所述前景图像与另一背景图像合成目标图像。6.根据权利要求1所述的方法，其特征在于，获取所述前景图像之后，所述方法还包括：获取前景图像中的选定部分，将所述选定部分与所述背景图像合成新的背景图...

【专利技术属性】
技术研发人员：刘凌海，莫宇达，王雷，王学文，
申请(专利权)人：广州华多网络科技有限公司，
类型：发明
国别省市：广东,44