CN109949387B 一种基于深度学习的风景图像后期制作方法 （南京邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN109949387B(45)授权公告日2023.07.07

(21)申请号201910220637.4

(22)申请日2019.03.22

(65)同一申请的已公布的文献号申请公布号CN109949387A

(43)申请公布日2019.06.28

(73)专利权人南京邮电大学

地址210003江苏省南京市鼓楼区新模范

马路66号

(51)Int.CI.

GO6T11/00(2006.01)

GO6T17/00(2006.01)

G06T7/11(2017.01)

(56)对比文件

CN108335306A,2018.07.27

杨曦.基于图像的蛋白质晶体分类方法研究.《知网》.2007,第1-83页.

开发者知识库.FCN的学习及理解Fully

专利权人南京邮电大学盐城大数据研究院有限公司

(72)发明人张晖叶子皓

(74)专利代理机构南京苏科专利代理有限责任公司32102

专利代理师姚姣阳

ConvolutionalNetworksforSemanticSegmentation.《/

blog/2018/05/23/

c2a5f1192769d3d4ce7a5398053b68df.html》.2018,第1-9页.

审查员李会

权利要求书1页说明书3页附图2页

(54)发明名称

一种基于深度学习的风景图像后期制作方法

(57)摘要

CN109949387B一种基于深度学习的风景图像后期制作方法，首先利用全卷积神经网络对原始图片进行标记，区分图片中各图像部分并进行识别，获取原图像的语义分割图像D;然后根据语义分割图像D记录各分割区域的关键坐标并生成对应的图像蒙板，再将图像蒙板与原图像相乘获取分割后的系列图像{x};系列图像{x}根据图像的处理目标和识别标签交由对应的系统模块处理，各系统模块根据处理目标调整图像的参数和重绘，汇总各系统模块输出的图像获取图像集{y};再对图像集{y}进行参数平滑和边缘优化处理；最后通过图像相加的方式合并处理完毕的各区域图像获取最终处理图像。本发明通过设计通用的面向风

CN109949387B

S101

S101

采用全卷积神经网络(FullyConvolutionalNetworks,FCN)对原始图片1进行标

根据语义分制图像D,记录各分割区域的关键坐标并生成对应的图像蒙板，蒙板和原图像进行图像相乘得到分制后的一系列图像{k);

对系列图像{x),根据图像的处理目标和其识别标签交由对应的系统模块处理。各模块根据处理目标调整图像的参数和重绘，汇总各处理模块的输出图像得到处理图像集{y);

对处理后的图像集{y)进行参数平滑和边缘优化处理，使得不同模块处理过的区域间过渡更加平滑；

S105

通过图像相加的方式合并处理完毕的各区域图像得到最终处理图像I;

S104

S102

S103

CN109949387B权利要求书1/1页

2

1.一种基于深度学习的风景图像后期制作方法，其特征在于，包括如下步骤，步骤S1、利用全卷积神经网络FCN对原始图片I进行标记，区分图片I中各图像部分并进行识别，获取原图像的语义分割图像D;

步骤S2、根据语义分割图像D记录各分割区域的关键坐标并生成对应的图像蒙板，再将图像蒙板与原图像进行图像相乘获取分割后的一系列图像{x};

步骤S3、系列图像{x}根据图像的处理目标和识别标签交由对应的系统模块处理，各系统模块根据处理目标调整图像的参数和重绘，汇总各系统模块输出的图像获取处理后的图像集{y};

步骤S4、对处理后的图像集{y}进行参数平滑和边缘优化处理；

步骤S5、通过图像相加的方式合并处理完毕的各区域图像得到最终处理图像I’;

步骤S2中，生成蒙板时对标记区域的边缘部分的像素进行保留，将边缘区域的像素设置为0.5;

步骤S3中，按照{x}中图像的识别标签将图像交由对应的处理模块进行处理；在生成房屋雪景时，将房屋标签的图像和雪景生成指令交由房屋处理模块；处理模块对图像的参数进行调整、添加积雪和落雪；处理模块采用FCN用于语义分割；房屋处理生成雪景过程中使用建筑数据集训练的FCN识别出房屋中会形成积雪的组成部分；处理模块在会形成积雪的地方绘制积雪，根据楼房的阴影关系调整亮度模拟雪景的环境光照，之后根据遮挡关系绘制