本公开涉及电子通信技术领域，尤其涉及图像处理方法及装置。
背景技术
随着电子通信技术的发展，各种终端设备被广泛使用，例如，智能手机、平板电脑等。用户在使用终端设备的时候，通常会依照自己的喜好设置显示的主题风格，随着用户数量的增加，主题风格越来越多元化，不同的用户喜欢不同的主题风格，同一个用户也会更换正在使用的主题风格，而这些主题风格是预先设计好的，用户可以去下载，但不能修改，有很大局限性。
技术实现要素：
本公开实施例提供一种图像处理方法及装置，能够解决终端设备显示的主题风格局限性较大的问题。技术方案如下：
根据本公开实施例的第一方面，提供一种图像处理方法，应用于服务器，该方法包括：
获取用户选择的具有目标主题风格的参考图像；
获取参考图像的图像特征，参考图像的图像特征用于指示目标主题风格；
根据参考图像的图像特征生成神经网络模型；
生成终端显示界面，并利用神经网络模型对终端显示界面进行图像处理，使得终端显示界面具有目标主题风格；
向终端设备发送终端显示界面。
将用户选择的图像作为参考图像，并根据参考图像生成神经网络模型，利用神经网络模型对终端显示界面进行处理就使得每一个终端显示界面都可以具有参考图像所具有的目标主题风格，用户只需要提供一个自己选择的参考图像，就可以将终端设备显示的主题风格变为参考图像的目标主题风格，用户能够自由定义终端设备显示的主题风格，解决了终端设备显示的主题风格局限性较大的问题，更好的满足了用户需求。
在一个实施例中，获取参考图像的图像特征，包括：
利用特征提取模型对参考图像的数据进行计算得到参考图像的图像特征。
对参考图像的数据进行计算得到图像特征，能够准确反映参考图像的主题风格。
在一个实施例中，根据参考图像的图像特征生成神经网络模型，包括：
生成神经网络初始模型，神经网络初始模型是预先设定的数学模型；
利用神经网络初始模型对训练图像进行图像处理得到转换图像；
调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致；
将参数调整后的神经网络初始模型作为神经网络模型。
利用参考图像的图像特征对神经网络初始模型进行训练，得到能够将图像转换为目标主题风格的神经网络模型，不需要用户操作，又能满足不同用户的需求。
在一个实施例中，该方法还包括：
在转换图像的图像特征与参考图像的特征图像特征之间的差值在第一预设范围内时，确定转换图像的图像特征与参考图像的图像特征一致。
图像特征的差值越小，说明两个图像的主题风格越相近，根据图像特征的差值来调整神经网络初始模型的参数，能够使得神经网络模型转换得到的图像具有更明显的目标主题风格。
在一个实施例中，调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致，包括：
调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致，并且满足转换图像的内容与训练图像的内容之间的差异在第二预设范围内。
转换图像的内容与训练图像的内容之间的差异越大，转换图像就越失真，二者之间的差异在第二预设范围内保证了神经网络模型转换后的图像在具有目标主题风格的同时，不会失真。
在一个实施例中，获取用户选择的具有目标主题风格的参考图像，包括：
接收终端设备发送的参考图像。
用户通过终端设备发送参考图像，自由度更大，用户可以根据自己的意愿变更终端设备显示的主题风格。
根据本公开实施例的第二方面，提供一种服务器，该服务器包括：获取模块、特征模块、神经网络模块、转换模块和发送模块；
获取模块，用于获取用户选择的具有目标主题风格的参考图像；
特征模块，用于获取参考图像的图像特征，参考图像的图像特征用于指示目标主题风格；
神经网络模块，用于根据参考图像的图像特征生成神经网络模型；
转换模块，用于生成终端显示界面，并利用神经网络模型对终端显示界面进行图像处理，使得终端显示界面具有目标主题风格；
发送模块，用于向终端设备发送终端显示界面。
在一个实施例中，特征模块，还用于利用特征提取模型对参考图像的数据进行计算得到参考图像的图像特征。
在一个实施例中，神经网络模块包括初始子模块、处理子模块、训练子模块和生成子模块；
初始子模块，用于生成神经网络初始模型，神经网络初始模型是预先设定的数学模型；
处理子模块，用于利用神经网络初始模型对训练图像进行图像处理得到转换图像；
训练子模块，用于调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致；
生成子模块，用于将参数调整后的神经网络初始模型作为神经网络模型。
在一个实施例中，训练子模块，还用于在转换图像的图像特征与参考图像的特征图像特征之间的差值在第一预设范围内时，确定转换图像的图像特征与参考图像的图像特征一致。
在一个实施例中，训练子模块，还用于调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致，并且满足转换图像的内容与训练图像的内容之间的差异在第二预设范围内。
在一个实施例中，获取模块包括接收子模块；
接收子模块，用于接收终端设备发送的参考图像。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种图像处理方法的流程图；
图2是本公开实施例提供的一种模型训练方法的逻辑图；
图3是本公开实施例提供的一种服务器的结构图；
图4是本公开实施例提供的一种服务器的结构图；
图5是本公开实施例提供的一种服务器的结构图。
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公开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、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供一种图像处理方法，应用于服务器，参照图1所示，本实施例提供的图像处理方法包括以下步骤：
101、获取用户选择的具有目标主题风格的参考图像。
用户可以在终端设备上选择一个图像作为参考图像，然后终端设备将用户选择的参考图像发送至服务器，参考图像的主题风格即为目标主题风格。例如，在一个实施例中，获取用户选择的具有目标主题风格的参考图像，包括：
接收终端设备发送的参考图像。用户通过终端设备发送参考图像，自由度更大，用户可以根据自己的意愿变更终端设备显示的主题风格。例如，用户通过终端设备在网上看到一个自己喜欢的图片，就可以将该图片作为参考图像由终端设备发送至服务器，该图片的主题风格(即参考图像的主题风格)即为目标主题风格。
102、获取参考图像的图像特征。
参考图像的图像特征用于指示目标主题风格。
在一个实施例中，获取参考图像的图像特征，包括：利用特征提取模型对参考图像的数据进行计算得到参考图像的图像特征。
例如，特征提取模型可以包含一个矩阵，将参考图像的像素值构成的矩阵与特征提取模型的矩阵进行运算即可得到参考图像的图像特征，该图像特征也可以由矩阵表示，当然，此处只是举例说明，并不代表本公开局限于此。对参考图像的数据进行计算得到图像特征，能够准确反映参考图像的主题风格。
103、根据参考图像的图像特征生成神经网络模型。
神经网络模型是用于对图像进行处理的，可以包含一个矩阵，将一个图像的像素值形成的矩阵与神经网络模型的矩阵进行运算，就可以得到一个新的图像的像素值形成的矩阵，根据新的图像的像素值所显示的新的图像会具有目标主题风格，也就具有参考图像的图像特征，而生成神经网络模型的过程，需要通过处理多个图像对神经网络模型进行训练，使得经过神经网络模型运算后得图像能够具备参考图像的图像特征。
在一个实施例中，根据参考图像的图像特征生成神经网络模型，包括：
生成神经网络初始模型，神经网络初始模型是预先设定的数学模型；利用神经网络初始模型对训练图像进行图像处理得到转换图像；调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致；将参数调整后的神经网络初始模型作为神经网络模型。
训练图像和转换图像可以是多个，本公开对其数量不做限制，利用参考图像的图像特征对神经网络初始模型进行训练，得到能够将图像转换为目标主题风格的神经网络模型，不需要用户操作，又能满足不同用户的需求。
基于上述生成神经网络模型的实施例，此处，对如何确定转换图像的图像特征与参考图像的图像特征一致进行说明，例如，在一个实施例中，该方法还包括：在转换图像的图像特征与参考图像的特征图像特征之间的差值在第一预设范围内时，确定转换图像的图像特征与参考图像的图像特征一致。
图像特征的差值越小，说明两个图像的主题风格越相近，根据图像特征的差值来调整神经网络初始模型的参数，能够使得神经网络模型转换得到的图像具有更明显的目标主题风格。
基于上述生成神经网络模型的实施例，在确定转换图像的图像特征与参考图像的图像特征一致的时候，也可以加入其他条件，即利用多个条件对神经网络初始模型进行训练，得到最终的神经网络模型。例如，在一个实施例中，调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致，包括：调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致，并且满足转换图像的内容与训练图像的内容之间的差异在第二预设范围内。
转换图像的内容与训练图像的内容之间的差异越大，转换图像就越失真，二者之间的差异在第二预设范围内保证了神经网络模型转换后的图像在具有目标主题风格的同时，不会失真。
综合上述实施例，此处，列举一个具体示例说明神经网络模型的训练过程，当然，此处只是示例性说明，并不代表本公开局限于此。如图2所示，图2是一种模型训练方法的逻辑图，图2中，训练图像可以是多个，一个训练图像通过神经网络初始模型处理后得到一个对应的转换图像，因此，转换图像也是多个，分别与训练图像一一对应。例如，用n个训练图像对神经网络初始模型进行训练，n为大于1的整数，利用神经网络初始模型对第n个训练图像进行图像处理得到第n个转换图像，n为区间[1,n]内的整数；利用特征提取模型对第n个转换图像得到第n个转换图像的图像特征，将第n个转换图像的图像特征与参考图像的图像特征进行比较，并且将第n个转换图像的内容与第n个训练图像的内容进行比较；调整神经网络初始模型的参数使得第n个转换图像满足预设条件，预设条件包括：第n个转换图像的图像特征与参考图像的特征图像特征之间的差值在第一预设范围内，并且第n个转换图像的内容与第n个训练图像的内容之间的差异在第二预设范围内；n个训练图像都经过神经网络初始模型的处理后，即可生成最终的神经网络模型。
需要说明的是，在调整神经网络初始模型的参数时，可以有多种方式，此处，列举两个示例进行说明。在第一个示例中，神经网络初始模型对n个训练图像一个一个处理，根据每一个转换图像按照预设步长调整参数，在根据第n+1个转换图像调整参数时，不再考虑第n个转换图像，因为是按照预设步长调整，经过大量图像的训练，神经网络初始模型的参数会在一个相对固定的值附近浮动；在第二个示例中，根据n个转换图像对神经网络初始模型的参数进行调整，使得n个转换图像均满足预设条件。当然，此处只是示例性说明，并不代表本公开局限于此。
104、生成终端显示界面，并利用神经网络模型对终端显示界面进行图像处理，使得终端显示界面具有目标主题风格。
105、向终端设备发送终端显示界面。
在一种应用场景中，服务器接收终端设备发送的服务请求，并执行指示的操作，将原本需要终端设备执行的操作由服务器执行，终端设备只需要接收服务器发送的显示界面并显示，终端设备的所有显示界面均由服务器发送，而终端显示界面都利用神经网络模型进行了图像处理，则终端设备显示的主题风格就成为了目标主题风格，而目标主题风格由用户自行设定，满足了不同用户的需求。
本公开实施例提供的图像处理方法，服务器将用户选择的图像作为参考图像，并根据参考图像生成神经网络模型，利用神经网络模型对终端显示界面进行处理就使得每一个终端显示界面都可以具有参考图像所具有的目标主题风格，用户只需要提供一个自己选择的参考图像，就可以将终端设备显示的主题风格变为参考图像的目标主题风格，用户能够自由定义终端设备显示的主题风格，解决了终端设备显示的主题风格局限性较大的问题，更好的满足了用户需求。
基于上述图1对应的实施例中所描述的图像处理方法，本公开实施例提供一种服务器，用于执行上述图1对应的实施例中所描述的图像处理方法，如图3所示，图3是本公开实施例提供的一种服务器的结构图，该服务器30包括：获取模块301、特征模块302、神经网络模块303、转换模块304和发送模块305；
获取模块301，用于获取用户选择的具有目标主题风格的参考图像；
特征模块302，用于获取参考图像的图像特征，参考图像的图像特征用于指示目标主题风格；
神经网络模块303，用于根据参考图像的图像特征生成神经网络模型；
转换模块304，用于生成终端显示界面，并利用神经网络模型对终端显示界面进行图像处理，使得终端显示界面具有目标主题风格；
发送模块305，用于向终端设备发送终端显示界面。
在一个实施例中，特征模块302，还用于利用特征提取模型对参考图像的数据进行计算得到参考图像的图像特征。
在一个实施例中，如图4所示，神经网络模块303包括初始子模块3031、处理子模块3032、训练子模块3033和生成子模块3034；
初始子模块3031，用于生成神经网络初始模型，神经网络初始模型是预先设定的数学模型；
处理子模块3032，用于利用神经网络初始模型对训练图像进行图像处理得到转换图像；
训练子模块3033，用于调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致；
生成子模块3034，用于将参数调整后的神经网络初始模型作为神经网络模型。
在一个实施例中，训练子模块3033，还用于在转换图像的图像特征与参考图像的特征图像特征之间的差值在第一预设范围内时，确定转换图像的图像特征与参考图像的图像特征一致。
在一个实施例中，训练子模块3033，还用于调整神经网络初始模型的参数，使得转换图像的图像特征与参考图像的图像特征一致，并且满足转换图像的内容与训练图像的内容之间的差异在第二预设范围内。
在一个实施例中，如图5所示，获取模块301包括接收子模块3011；
接收子模块3011，用于接收终端设备发送的参考图像。
本公开实施例提供的服务器，将用户选择的图像作为参考图像，并根据参考图像生成神经网络模型，利用神经网络模型对终端显示界面进行处理就使得每一个终端显示界面都可以具有参考图像所具有的目标主题风格，用户只需要提供一个自己选择的参考图像，就可以将终端设备显示的主题风格变为参考图像的目标主题风格，用户能够自由定义终端设备显示的主题风格，解决了终端设备显示的主题风格局限性较大的问题，更好的满足了用户需求。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。