本发明涉及图像处理领域,具体涉及一种图像风格化迁移的方法。
背景技术:
1、现有的图片处理方案都是对内容图片进行统一的风格迁移,有些甚至要求内容图片和风格图片同样大小,这种方式无法对内容图片中的对象进行个性化的风格迁移。
2、为了实现对内容图片中的对象进行个性化的风格迁移,因此,提出一种图像风格化迁移的方法。
技术实现思路
1、本发明所要解决的技术问题在于:如何解决现有的图片处理方案无法对内容图片中的对象进行个性化的风格迁移的问题,提供了一种图像风格化迁移的方法。
2、本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
3、s1、获取内容图片数据和风格图片数据;
4、s2、建立图片学习模型,根据学习模型分别对内容图片数据和风格图片数据进行语义分析;
5、s3、分别提取内容图片数据的特征对象与风格图片数据的特征对象,并使用第一规则将内容图片数据的特征对象转换成风格图片数据的特征对象;
6、s4、输出风格图片数据,并将风格图片数据发送到预设终端。
7、优选的,所述图片学习模型为卷积神经网络。
8、优选的,所述s3具体为:
9、先提取内容图片数据的特征对象与风格图片数据的特征对象;
10、再分别建立内容图片数据的特征对象的数据集合和风格图片数据的特征对象的数据集合;
11、利用第一规则将内容图片数据的特征对象转换成风格图片数据的特征图片。
12、优选的,所述第一规则具体为:
13、以神经风格迁移法建立内容图片数据的特征对象到风格图片数据的特征图片的转换的映射关系。
14、一种图像风格化迁移系统,包括:
15、图像采集模块,用于获取内容图片数据和风格图片数据,
16、图像分析模块,用于建立图片学习模型,根据学习模型分别对内容图片数据和风格图片数据进行语义分析;
17、图像处理模块,用于分别提取内容图片数据的特征对象与风格图片数据的特征对象,并使用第一规则将内容图片数据的特征对象转换成风格图片数据的特征对象;
18、图片输出模块,用于输出风格图片数据,并将风格图片数据发送到预设终端。
19、优选的,所述图片学习模型为卷积神经网络。
20、优选的,所述图像处理模块的具体处理过程为:
21、先提取内容图片数据的特征对象与风格图片数据的特征对象;
22、再分别建立内容图片数据的特征对象的数据集合和风格图片数据的特征对象的数据集合;
23、利用第一规则将内容图片数据的特征对象转换成风格图片数据的特征图片。
24、优选的,所述第一规则具体为:
25、以神经风格迁移法建立内容图片数据的特征对象到风格图片数据的特征图片的转换的映射关系。
26、本发明相比现有技术具有以下优点:该图像风格化迁移的方法通过对内容图片进行语义分析,将图片划分成不同的对象,然后从风格图片中提取对象和风格元素,将内容图片中的对象元素与风格图片中的对象元素进行匹配,将风格图片中的对象元素的风格作用到内容图片中匹配的对象元素,从而实现内容图片中对象元素的针对性的风格迁移。
1.一种图像风格化迁移的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种图像风格化迁移的方法,其特征在于:所述图片学习模型为卷积神经网络。
3.根据权利要求1所述的一种图像风格化迁移的方法,其特征在于:所述s3具体为:
4.根据权利要求3所述的一种图像风格化迁移的方法,其特征在于:所述第一规则具体为:
5.一种图像风格化迁移系统,其特征在于,包括:
6.根据权利要求5所述的一种图像风格化迁移系统,其特征在于:所述图片学习模型为卷积神经网络。
7.根据权利要求5所述的一种图像风格化迁移系统,其特征在于:所述图像处理模块的具体处理过程为:
8.根据权利要求7所述的一种图像风格化迁移系统,其特征在于:所述第一规则具体为: