CN109949387A 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)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号CN109949387A

(43)申请公布日2019.06.28

(21)申请号201910220637.4

(22)申请日2019.03.22

(71)申请人南京邮电大学

地址210003江苏省南京市鼓楼区新模范

马路66号

申请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

代理人姚姣阳

(51)Int.CI.

GO6T11/00(2006.01)

GO6T17/00(2006.01)

GO6T7/11(2017.01)

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

CN109949387A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

CN109949387A

S101

S101

采用全卷积神经网络(FullyConvolutionalNetworks,FCN)对原始图片1进行标记，区分各个图像部分并进行识别，得到原图像的语义分割图像D;

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，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。各棋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):

S104

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T;

S102

S103

CN109949387A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’。

2.根据权利要求1所述的一种基于深度学习的风景图像后期制作方法，其特征在于，所述步骤S1中，所述全卷积神经网络为扩张卷积神经网络，所述扩张卷积神经网络的输入可以接收任何尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图进行上采样，使其恢复到输入图像的尺寸，从而对每个像素都产生一个预测，并保留了原始输入图像中空间信息，最后奇偶在上采样的特征图进行像素的分类。

3.根据权利要求1所述的一种基于深度学习的风景图像后期制作方法，其特征在于，所述步骤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。

4.根据权利要求1所述的一种基于深度学习的风景图像后期制作方法，其特征在于，所述步骤S5中，按照叠加等级从低到高进行图像覆盖，即高叠加等级区域可以覆盖低叠加等级区域，叠加完毕后的图像进行去噪处理。

CN109949387A说明书1/3页

3

一种基于深度学习的风景图像后期制作方法

技术领域

[0001