本公开涉及图像处理领域，尤其涉及一种图像美化方法及装置。
背景技术：
目前，针对图像的美化方法并未考虑图像中目标物体的特性，美化效果较差。例如，针对车辆图像的美化方法并未考虑图像中车辆的特性。因此，需要提出一种美化效果较好的图像美化方法。
技术实现要素：
为克服相关技术中存在的问题，本公开提供一种图像美化方法及装置。
根据本公开实施例的第一方面，提供一种图像美化方法，包括：
获取待美化图像中目标物体的颜色以及各个颜色对应的比例；
根据所述目标物体的颜色以及各个颜色对应的比例，对所述待美化图像进行美化，得到美化后的图像。
在一种可能的实现方式中，获取待美化图像中目标物体的颜色以及各个颜色对应的比例，包括：
将所述待美化图像输入检测网络，得到所述待美化图像中的目标区域；
获取所述目标区域中目标物体的颜色以及各个颜色对应的比例；
其中，所述检测网络为更快速区域卷积神经网络Faster RCNN。
在一种可能的实现方式中，获取所述目标区域中目标物体的颜色以及各个颜色对应的比例，包括：
将所述目标区域输入分类网络，得到所述目标区域中目标物体的颜色以及各个颜色对应的比例；其中，所述分类网络根据各个样本图像中目标物体的颜色以及各个颜色对应的比例训练得到。
在一种可能的实现方式中，根据所述目标物体的颜色以及各个颜色对应的比例，对所述待美化图像进行美化，得到美化后的图像，包括：
根据所述目标物体的颜色以及各个颜色对应的比例，确定所述待美化图像对应的美化方案；
根据所述美化方案对所述待美化图像进行美化，得到美化后的图像。
根据本公开实施例的第二方面，提供一种图像美化装置，包括：
获取模块，用于获取待美化图像中目标物体的颜色以及各个颜色对应的比例；
美化模块，用于根据所述目标物体的颜色以及各个颜色对应的比例，对所述待美化图像进行美化，得到美化后的图像。
在一种可能的实现方式中，所述获取模块包括：
检测子模块，用于将所述待美化图像输入检测网络，得到所述待美化图像中的目标区域；
获取子模块，用于获取所述目标区域中目标物体的颜色以及各个颜色对应的比例；
其中，所述检测网络为更快速区域卷积神经网络Faster RCNN。
在一种可能的实现方式中，所述获取子模块用于：
将所述目标区域输入分类网络，得到所述目标区域中目标物体的颜色以及各个颜色对应的比例；其中，所述分类网络根据各个样本图像中目标物体的颜色以及各个颜色对应的比例训练得到。
在一种可能的实现方式中，所述美化模块包括：
确定子模块，用于根据所述目标物体的颜色以及各个颜色对应的比例，确定所述待美化图像对应的美化方案；
美化子模块，用于根据所述美化方案对所述待美化图像进行美化，得到美化后的图像。
根据本公开实施例的第三方面，提供图像美化装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行时实现上述的方法。
根据本公开实施例的第四方面，提供一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：本公开的图像美化方法及装置，通过获取待美化图像中目标物体的颜色以及各个颜色对应的比例，根据该目标物体的颜色以及各个颜色对应的比例，对该待美化图像进行美化，得到美化后的图像，由此针对具有不同颜色目标物体的图像，能够采用不同的美化方案进行美化，增加图像美化的针对性，提高图像美化的效果。
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是根据一示例性实施例示出的一种图像美化方法的流程图。
图2是根据一示例性实施例示出的车辆图像的示意图。
图3是根据一示例性实施例示出的分类网络的框图。
图4是根据一示例性实施例示出的车辆图像的示意图。
图5是根据一示例性实施例示出的一种图像美化装置的框图。
图6是根据一示例性实施例示出的一种图像美化装置的框图。
图7是根据一示例性实施例示出的一种用于图像美化的装置800的框图。
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。
图1是根据一示例性实施例示出的一种图像美化方法的流程图。该方法用于具有图像拍摄功能或图像处理功能的照相机、智能手机、平板电脑、PC(Personal Computer，个人计算机)或可穿戴设备中。如图1所示，该图像美化方法包括步骤S11至步骤S12。
在步骤S11中，获取待美化图像中目标物体的颜色以及各个颜色对应的比例。
其中，目标物体可以指待美化图像中的对象。例如，待美化图像为车辆图像，可以设定目标物体为车辆。再例如，待美化图像为建筑图像，可以设定目标物体为建筑。
在一种可能的实现方式中，获取待美化图像中目标物体的颜色以及各个颜色对应的比例(步骤S11)，可以包括：将待美化图像输入检测网络，得到该待美化图像中的目标区域；获取该目标区域中目标物体的颜色以及各个颜色对应的比例；其中，检测网络为更快速区域卷积神经网络Faster RCNN(Faster Region Convolutional Neural Network，更快速区域卷积神经网络)。
需要说明的是，尽管以Faster RCNN作为示例介绍了检测网络如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景灵活设定检测网络，例如RCNN或Fast RCNN。
其中，目标区域可以指待美化图像中目标物体所在的区域。待美化图像中可以存在一个或多个目标区域。在每次检测到待美化图像中的一个目标物体时，可以采用矩形框选中目标物体，并将该矩形框选中的区域作为一个目标区域。
需要说明的是，尽管以矩形框选中的区域作为示例介绍了目标区域如上，但本领域技术人员能够理解，本公开应不限于此。本领域技术人员可以根据实际应用场景灵活设定目标区域，例如将圆形框选中的区域作为目标区域。
作为一个示例，待美化图像为车辆图像，目标物体为车辆。将车辆图像输入Faster RCNN，确定车辆图像中的车辆区域。在每次检测到车辆图像中的一个车辆时，可以采用矩形框选中车辆，并将该矩形框选中的区域作为一个车辆区域。图2是根据一示例性实施例示出的车辆图像的示意图。如图2所示，可以获取车辆图像中的两个车辆区域。
其中，目标物体的颜色可以包括单一颜色，例如黑色、白色、灰色、红色、蓝色、黄色或棕色等；目标物体的颜色还可以包括混合颜色，例如红黄色、红黑色或蓝黑色等，本公开对目标物体的颜色不做限制。
在一种可能的实现方式中，获取该目标区域中目标物体的颜色以及各个颜色对应的比例，包括：将该目标区域输入分类网络，得到该目标区域中目标物体的颜色以及各个颜色对应的比例；其中，分类网络根据各个样本图像中目标物体的颜色以及各个颜色对应的比例训练得到。
在一种可能的实现方式中，设计分类网络。其中，分类网络可以包括特征提取网络和颜色分类网络。特征提取网络可以从图像中提取特征信息。特征提取网络可以为CNN(Convolutional Neural Network，卷积神经网络)，例如VGG16。颜色分类网络可以根据特征提取网络提取的特征信息，对该目标区域中目标物体的颜色进行识别和分类，从而得到该目标区域中目标物体的颜色以及各个颜色对应的比例。颜色分类网络可以为RNN(Recurrent Neural Network，循环神经网络)。
本公开的图像美化方法，通过RNN网络确定目标区域中目标物体的颜色，能够较好地消除环境中光照强度、拍照角度等因素对目标物体的颜色的影响。此外，通过RNN网络能够克服相关技术中分类网络只能对单一颜色进行分类的缺点，并且能够输出各个颜色对应的比例，增加图像美化的针对性，提高图像美化的效果。
图3是根据一示例性实施例示出的分类网络的框图。如图3所示，特征提取网络可以包括VGG16的Conv1-Conv5层，颜色分类网络可以包括2个FC(Fully Connected Layers，全连接层)和n+1个隐藏层，n为正整数。其中，2个FC的输出节点数可以为4096个。n+1个隐藏层可以表示为H0，H1，……，Hn-1和Hn。H0的输入可以为X0<Start>，输出可以为Y0，R0；H1的输入可以为X1<Y0，R0>，H1的输出可以为Y1，R1；以此类推，Hn-1的输入可以为Xn-1<Yn-2，Rn-2>，Hn-1的输出可以为Yn-1，Rn-1；Hn的输入可以为Xn<Yn-1，Rn-1>，Hn的输出可以为Yn，Rn。Yi表示第i个隐藏层Hi输出的车辆区域中车辆的颜色分类，Ri表示第i个隐藏层Hi输出的车辆区域中车辆的各个颜色对应的比例，i为取值0～n的正整数。
在一种可能的实现方式中，收集一定数量的样本图像，并针对各个样本图像进行标注，标注内容可以包括样本图像中目标物体的颜色以及各个颜色对应的比例，将标记后的样本图像输入分类网络进行训练，得到收敛的分类网络。所得到的收敛的分类网络可以用于确定待美化图像中目标物体的颜色以及各个颜色对应的比例。其中，收敛的分类网络可以指分类网络处于稳定状态或训练次数达到预设阈值。
作为一个示例，收集一定数量的车辆样本图像，并针对各个车辆样本图像进行标注，标注内容可以包括车辆样本图像中车辆的颜色以及各个颜色对应的比例，将标记后的车辆样本图像输入分类网络进行训练，得到收敛的分类网络。所得到的收敛的分类网络可以用于确定车辆图像中车辆的颜色以及各个颜色对应的比例。
需要说明的是，本领域技术人员能够理解，样本图像数量越多，训练得到的分类网络分类效果越好。由此，可以通过增加样本图像的数量，提高分类网络的可靠性和稳定性。
在步骤S12中，根据该目标物体的颜色以及各个颜色对应的比例，对该待美化图像进行美化，得到美化后的图像。
在一种可能的实现方式中，根据该目标物体的颜色以及各个颜色对应的比例，对该待美化图像进行美化，得到美化后的图像(步骤S12)，可以包括：根据该目标物体的颜色以及各个颜色对应的比例，确定该待美化图像对应的美化方案；根据该美化方案对该待美化图像进行美化，得到美化后的图像。
可以根据统计经验设定目标物体的颜色以及各个颜色对应的比例和美化方案之间的对应关系。例如，设定的原则可以包括：
在目标物体的颜色为单一颜色的情况下，若目标物体的颜色属于冷色系，则可以设定用于柔和颜色的美化方案；若目标物体的颜色属于暖色系，则可以设定用于增亮颜色的美化方案。
在目标物体的颜色为混合颜色的情况下，若目标物体的冷色系与暖色系的比例大于或等于第一阈值(例如第一阈值为2)，则可以设定针对目标物体的全部颜色采用柔和颜色的美化方案；若目标物体的冷色系与暖色系的比例小于或等于第二阈值(例如第二阈值为0.5)，则可以设定针对目标物体的全部颜色采用增亮颜色的美化方案；若目标物体的冷色系和暖色系的比例小于第一阈值且大于第二阈值，则可以设定针对目标物体的冷色系颜色采用柔和颜色、针对目标物体的暖色系颜色采用增亮颜色的美化方案。
其中，柔和的程度，增亮的程度，以及柔和、增量的具体方式可以根据需要来设计。
需要说明的是，尽管以柔和颜色或增亮颜色作为示例介绍了美化方案如上，但本领域技术人员能够理解，本公开应不限于此。
图4是根据一示例性实施例示出的车辆图像的示意图。作为一个示例，如图4所示，将车辆图像输入检测网络，得到该车辆图像中的车辆区域1。将车辆区域1输入分类网络。分类网络从车辆区域1中提取特征信息，并根据提取的特征信息，对车辆区域1中车辆的颜色进行识别和分类，从而得到车辆区域1中车辆的颜色以及各个颜色对应的比例，例如红色(3)和黑色(1)。由此根据红色(3)和黑色(1)，确定该车辆图像对应的美化方案为增亮颜色的美化方案，并根据增亮颜色的美化方案对该车辆图像进行美化，得到美化后的车辆图像。
本公开的图像美化方法，通过获取待美化图像中目标物体的颜色以及各个颜色对应的比例，根据该目标物体的颜色以及各个颜色对应的比例，对该待美化图像进行美化，得到美化后的图像，由此针对具有不同颜色目标物体的图像，能够采用不同的美化方案进行美化，增加图像美化的针对性，提高图像美化的效果。
图5是根据一示例性实施例示出的一种图像美化装置的框图。该装置用于具有图像拍摄功能或图像处理功能的照相机、智能手机、平板电脑、PC或可穿戴设备中。参照图5，该图像美化装置包括：
获取模块51，用于获取待美化图像中目标物体的颜色以及各个颜色对应的比例；美化模块52，用于根据所述目标物体的颜色以及各个颜色对应的比例，对所述待美化图像进行美化，得到美化后的图像。
图6是根据一示例性实施例示出的一种图像美化装置的框图。参照图6：
在一种可能的实现方式中，所述获取模块51包括：检测子模块511，用于将所述待美化图像输入检测网络，得到所述待美化图像中的目标区域；获取子模块512，用于获取所述目标区域中目标物体的颜色以及各个颜色对应的比例；其中，所述检测网络为更快速区域卷积神经网络Faster RCNN。
在一种可能的实现方式中，所述获取子模块512用于：将所述目标区域输入分类网络，得到所述目标区域中目标物体的颜色以及各个颜色对应的比例；其中，所述分类网络根据各个样本图像中目标物体的颜色以及各个颜色对应的比例训练得到。
在一种可能的实现方式中，所述美化模块52包括：确定子模块521，用于根据所述目标物体的颜色以及各个颜色对应的比例，确定所述待美化图像对应的美化方案；美化子模块522，用于根据所述美化方案对所述待美化图像进行美化，得到美化后的图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开的图像美化装置，通过获取待美化图像中目标物体的颜色以及各个颜色对应的比例，根据该目标物体的颜色以及各个颜色对应的比例，对该待美化图像进行美化，得到美化后的图像，由此针对具有不同颜色目标物体的图像，能够采用不同的美化方案进行美化，增加图像美化的针对性，提高图像美化的效果。
图7是根据一示例性实施例示出的一种用于图像美化的装置800的框图。例如，装置800可以是照相机、移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等具有图像拍摄功能或图像处理功能的设备。
参照图7，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，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。