[发明专利]图像处理方法、装置及存储介质

权利要求书

1.一种图像处理方法，其特征在于，包括：

获取目标图像，通过训练后的卷积神经网络对所述目标图像进行处理，所述卷积神经网络根据所述目标图像中各像素点的概率类型及对应概率值得到所述目标图像对应的分割图像，所述概率类型包括所述像素点为背景区域的第一概率类型或者为前景区域的第二概率类型；

通过训练后的羽化层对所述目标图像和所述分割图像进行处理，所述羽化层根据所述目标图像和所述分割图像所确定的图像羽化参数，得到所述目标图像对应的目标局部图像。

2.如权利要求1所述的图像处理方法，其特征在于，所述获取目标图像之前，包括：

获取包含多个训练图像的图像训练集，所述训练图像包括携带有对局部图像进行标注的原始图像；

基于所述图像训练集对卷积神经网络和羽化层进行迭代训练，直至损失函数满足收敛条件，得到训练后的所述卷积神经网络和所述羽化层。

3.如权利要求2所述的图像处理方法，其特征在于，所述基于所述图像训练集对卷积神经网络和羽化层进行迭代训练之前，还包括：

对所述原始图像进行图像增广得到对应的增广图像，所述训练图像还包括所述增广图像。

4.如权利要求3所述的图像处理方法，其特征在于，所述对所述原始图像进行图像增广得到对应的增广图像，包括：

对所述原始图像分别进行图像水平平移、图像竖直平移、颜色扰动和/或图像旋转，得到对应的增广图像。

5.如权利要求2所述的图像处理方法，其特征在于，所述基于所述图像训练集对卷积神经网络和羽化层进行迭代训练，直至损失函数满足收敛条件，得到训练后的所述卷积神经网络和所述羽化层，包括：

基于所述图像训练集对卷积神经网络和羽化层进行迭代训练，一次迭代训练中，所述卷积神经网络根据所述训练图像中各像素点的概率类型及对应概率值，得到所述训练图像对应的分割图像，所述羽化层根据所述训练图像和所述分割图像所确定的图像羽化参数，得到所述训练图像的所述标注对应的局部图像；

通过迭代直至所述卷积神经网络和所述羽化层对应的损失函数分别满足收敛条件，得到训练后的所述卷积神经网络和所述羽化层。

6.如权利要求5所述的图像处理方法，其特征在于，所述通过迭代直至所述卷积神经网络和所述羽化层对应的损失函数分别满足收敛条件之前，还包括：

根据颜色损失函数和差分损失函数的组合，得到所述卷积神经网络和所述羽化层对应的损失函数。

7.如权利要求1所述的图像处理方法，其特征在于，所述羽化层根据所述目标图像和所述分割图像所确定的图像羽化参数，得到所述目标图像对应的目标局部图像，包括：

所述羽化层根据所述分割图像所携带的各像素点的概率类型及对应概率值调整所述目标图像的显示参数；

根据所述显示参数需要满足的条件，对所述目标图像的所述显示参数进行调整得到对应的图像羽化参数，根据所述图像羽化参数得到所述目标图像对应的目标局部图像。

8.一种图像处理装置，其特征在于，包括：

获取模块，用于获取目标图像，通过训练后的卷积神经网络对所述目标图像进行处理，所述卷积神经网络根据所述目标图像中各像素点的概率类型及对应概率值得到所述目标图像对应的分割图像，所述概率类型包括所述像素点为背景区域的第一概率类型或者为前景区域的第二概率类型；

处理模块，用于通过训练后的羽化层对所述目标图像和所述分割图像进行处理，所述羽化层根据所述目标图像和所述分割图像所确定的图像羽化参数，得到所述目标图像对应的目标局部图像。

9.如权利要求8所述的图像处理装置，其特征在于，还包括：

训练模块，用于获取包含多个训练图像的图像训练集，所述训练图像包括携带有对局部图像进行标注的原始图像；基于所述图像训练集对卷积神经网络和羽化层进行迭代训练，直至损失函数满足收敛条件，得到训练后的所述卷积神经网络和所述羽化层。