买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：腾讯科技(深圳)有限公司

摘要：本申请涉及一种图像处理方法、装置、计算机可读存储介质和计算机设备，所述方法包括：获取待处理图像；对所述待处理图像进行图像语义分割得到语义分割图像；所述语义分割图像包括经过语义分割出的目标区域和非目标区域；对所述待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像；将所述语义分割图像的目标区域和非目标区域与所述姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图；根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行图像分离的透明度遮罩图像。本申请提供的方案可以提高图像处理效率。

主权项：1.一种图像处理方法，包括：获取待处理图像；对所述待处理图像进行图像语义分割得到语义分割图像；所述语义分割图像包括经过语义分割出的目标区域和非目标区域；将所述待处理图像输入姿态识别模型；通过所述姿态识别模型的第一隐层，划分出所述待处理图像中目标所在的图像区域；通过所述姿态识别模型的第二隐层，在所述图像区域中确定骨架关键点；通过所述姿态识别模型输出识别出骨架区域的姿态识别图像；所述骨架区域根据所述骨架关键点预测得到；将所述语义分割图像的目标区域和非目标区域与所述姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图；根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行图像分离的透明度遮罩图像。

全文数据：图像处理方法、装置、计算机可读存储介质和计算机设备技术领域本申请涉及计算机技术领域，特别是涉及一种图像处理方法、装置、计算机可读存储介质和计算机设备。背景技术随着计算机技术的发展，图像处理越来越普遍。其中，抠图技术ImageMatting是应用非常广泛的图像编辑技术。通常在进行图像抠图时，需先生成透明度遮罩图像AlphaMatte，再基于该透明度遮罩图像对图像进行目标抠取。然而，传统的透明度遮罩图像主要是基于三分图Trimap生成，而三分图的生成需要人工参与，从而导致图像处理的效率低下的问题。发明内容基于此，有必要针对图像处理效率低下的技术问题，提供一种图像处理方法、装置、计算机可读存储介质和计算机设备。一种图像处理方法，包括：获取待处理图像；对所述待处理图像进行图像语义分割得到语义分割图像；所述语义分割图像包括经过语义分割出的目标区域和非目标区域；对所述待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像；将所述语义分割图像的目标区域和非目标区域与所述姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图；根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行图像分离的透明度遮罩图像。在一个实施例中，所述对所述待处理图像进行图像语义分割得到语义分割图像，包括：将所述待处理图像输入图像处理模型；通过所述图像处理模型的语义分割分支得到语义分割图像；所述对所述待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像，包括：通过所述图像处理模型的姿态识别分支得到姿态识别图像；其中，所述语义分割图像中的像素点具有表示所属语义类别的像素值、且与所述待处理图像中的像素点对应；所述目标区域的像素点属于目标语义类别；所述非目标区域的像素点不属于所述目标语义类别；所述姿态识别图像中包括的骨架区域根据骨架关键点预测得到。一种图像处理装置，包括：获取模块，用于获取待处理图像；语义分割模块，用于对所述待处理图像进行图像语义分割得到语义分割图像；所述语义分割图像包括经过语义分割出的目标区域和非目标区域；姿态识别模块，用于对所述待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像；融合模块，用于将所述语义分割图像的目标区域和非目标区域与所述姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图；生成模块，用于根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行图像分离的透明度遮罩图像。一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述图像处理方法的步骤。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述图像处理方法的步骤。上述图像处理方法、装置、计算机可读存储介质和计算机设备，在获取到待处理图像后，一方面自动对待处理图像进行图像语义分割得到语义分割图像，另一方面自动对待处理图像进行姿态识别；由于得到的语义分割图像包括经过语义分割出的目标区域和非目标区域，且得到姿态识别图像包括骨架区域，即可自动融合这两帧图像得到划分出前景区域、背景区域和待识别区域的三分图，从而可以根据待处理图像和三分图，生成用于对待处理图像进行图像分离的透明度遮罩图像。整个生成透明度遮罩图像的过程中不需要用户参与，极大地提高了透明度遮罩图像的生成效率，进而提高了图像处理效率。附图说明图1为一个实施例中图像处理方法的应用环境图；图2为一个实施例中图像处理方法的流程示意图；图3为一个实施例中图像语义分割的示意图；图4为一个实施例中人体姿态识别的示意图；图5为一个实施例中融合语义分割图像和姿态识别图像得到三分图的原理示意图；图6为一个实施例中根据待处理图像和三分图得到透明度遮罩图像的示意图；图7为一个实施例中对中间图像进行后处理的示意图；图8为一个实施例中通过透明度遮罩图像对待处理图像进行图像分离的示意图；图9为一个实施例中多种方式下进行人体抠图的抠图效果对比图；图10为一个实施例中图像处理装置的结构框图；图11为另一个实施例中图像处理装置的结构框图；图12为一个实施例中计算机设备的结构框图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。图1为一个实施例中图像处理方法的应用环境图。参照图1，该图像处理方法应用于图像处理系统。该图像处理系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端110和服务器120可单独用于执行该图像处理方法，也可协同用于执行该图像处理方法。如图2所示，在一个实施例中，提供了一种图像处理方法。本实施例主要以该方法应用于计算机设备来举例说明，该计算机设备具体可以是上述图1中的终端110或服务器120。参照图2，该图像处理方法具体包括如下步骤：S202，获取待处理图像。其中，待处理图像是等待通过本申请实施例中提供的图像处理方法进行处理的图像。待处理图像可以是通过图像采集装置实时采集的图像，也可以是从网络上爬取的已有的图像，还可以是从视频中分离出的视频帧图像等。具体地，计算机设备可获取在本机上生成的图像，将该图像作为待处理图像。计算机设备也可从网络上爬取图像，将该图像作为待处理图像。计算机设备还可以获取其他计算机设备传递的图像，将该图像作为待处理图像。S204，对待处理图像进行图像语义分割得到语义分割图像；语义分割图像包括经过语义分割出的目标区域和非目标区域。其中，图像语义分割是将图像中的像素按照表达语义的不同进行分割。图像语义分割用于实现对图像按照语义划分为多个像素区域。本质上，图像语义分割实现的是图像像素级的分类，通过对像素点进行分类，实现整幅图像的语义标注。需要说明的是，本发明实施例中不对分类单位进行限定，可以是逐像素分类，也可以是按图像块分类。一个图像块包括多个像素。目标区域是待处理图像中目标所在的区域。非目标区域是待处理图像中排除目标区域后剩余的区域。目标可以是静态目标，比如建筑物、树木或者静置桌椅等。目标也可以是动态目标，比如自然人、动物或者飞机等。目标可以是完整对象，完整对象比如自然人体或者整栋建筑物等；也可以是局部对象，比如自然人面部、自然人手部或者自然人脚部等。待处理图像中目标的数量可以为一个，也可以多于一个。待处理图像中分割出的目标区域的数量可以为一个，也可以多于一个。具体地，计算机设备可将待处理图像编码为语义分割特征矩阵，然后解码该语义分割特征矩阵得到语义分割图像，再根据属于目标类别的像素点从语义分割图像中分割出目标区域，剩余区域即为非目标区域。其中，语义分割图像中的像素点具有表示所属语义类别的像素值，且与待处理图像中的像素点对应。本领域技术人员可以理解，语义分割特征矩阵是对图像帧中图像内容的语义特征的低维表达，涵盖了该整个图像帧的语义特征信息。语义分割图像是分割为若干个互不重叠的、具有一定语义的区域的图像。语义分割图像中像素点的像素值用于反映相应像素点所属的语义类别。像素点的分类可以是二分类，也可以是多分类。像素点二分类，比如地图图像中对应道路的像素点和其他像素点。像素点多分类，比如风景地图中对应天空的像素点、对应大地的像素点以及对应人物的像素点等。语义分割图像的图像尺寸与原始图像帧的图像尺寸一致。这样，可以理解为对获取的图像帧进行了逐像素点分类，根据语义分割图像中的像素点的像素值，即可得到获取的图像帧中的每个像素点的类别隶属。需要说明的是，本申请实施例中对图像语义分割的方式不进行限定，只要能够从待处理图像中划分出目标区域和非目标区域即可。例如Deeplab方法等。在一个实施例中，待处理图像是包括人体的图像，目标区域为人体区域，非目标区域为非人体区域。这样，计算机设备对待处理图像进行语义分割，即可将待处理图像划分出人体区域和非人体区域两部分。划分出的人体区域可以为一个，也可以多于一个。举例说明，图3示出了一个实施例中图像语义分割的示意图。参考图3，计算机设备对待处理图像310进行人体语义分割，对待处理图像310逐像素进行是否为属于人体语义的语义分割，得到语义分割图像320。该语义分割图像320包括目标区域白色区域321和非目标区域黑色区域322。S206，对待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像。其中，姿态是待处理图像中目标所呈现的形态。比如飞机飞行姿态、自然人走路姿态或者动物奔跑姿态等。骨架区域是目标的支撑结构所在的区域。目标的支撑结构，比如飞机或建筑物的龙骨，或者，自然人或者动物的骨骼等。待处理图像中骨架区域的数量可以为一个，也可以多于一个。具体地，计算机设备检测待处理图像中目标的骨架关键点，根据骨架关键点预测出骨架区域，从而得到识别出骨架区域的姿态识别图像。需要说明的是，本申请实施例中对姿态识别的方式不进行限定，只要能够从待处理图像中划分出骨架区域即可。例如AlphaPose方法或OpenPose方法等。在一个实施例中，待处理图像是包括人体的图像，骨架区域为人体骨架区域。这样，计算机设备对待处理图像进行语义分割，即可从待处理图像划分出人体骨架区域。划分出的人体骨架区域可以为一个，也可以多于一个。举例说明，图4示出了一个实施例中人体姿态识别的示意图。参考图4，计算机设备对待处理图像410进行人体姿态识别得到姿态识别图像420。该姿态识别图像420包括人体骨架区域白色区域421。S208，将语义分割图像的目标区域和非目标区域与姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图。其中，三分图Trimap是标注出图像中区域划分的边缘轮廓的图像，是为图像分离操作提供约束信息的图像。通常情况下三分图包括前景区域、背景区域和待识别区域三个部分。前景区域是需要被分离出的内容所在的区域，背景区域是不需要被分离出的内容所在的区域，待识别区域为不确定是前景区域还是背景区域的区域。具体地，计算机设备可将语义分割图像的目标区域和非目标区域与姿态识别图像的骨架区域进行合并，得到划分出前景区域、背景区域和待识别区域的三分图。比如，计算机设备可将语义分割图像中的非目标区域作为背景区域、将语义分割图像中与姿态识别图像的骨架区域相应的区域作为前景区域、并将目标区域中排除前景区域的区域作为待识别区域，从而得到划分出前景区域、背景区域和待识别区域的三分图。在一个实施例中，在图像分离精度要求高，或者语义分割精度较低的场景下，计算机设备可以语义分割结果为启发信息，将边缘不准确的部分进行扩展，然后再基于边缘扩展后的图像生成三分图。具体地，在一个实施例中，S208包括：在语义分割图像中，扩展目标区域与非目标区域的区域边界；将语义分割图像中扩展后剩余的非目标区域作为背景区域，并将语义分割图像中与姿态识别图像的骨架区域相应的区域作为前景区域，得到划分出前景区域、背景区域和待识别区域的三分图；其中，三分图的待识别区域，为语义分割图像中排除背景区域和前景区域后剩余的区域。在一个实施例中，在语义分割图像中，扩展目标区域与非目标区域的区域边界，包括：对目标区域与非目标区域进行边缘检测，得到目标区域与非目标区域的区域边界；在语义分割图像中以区域边界为中心，向两侧扩展区域边界。其中，边缘通常是指图像在某一局部强度剧烈变化的区域。本实施例中的边缘是指语义分割图像中目标区域与非目标区域的边界。具体地，计算机设备可通过边缘检测算法确定语义分割图像中目标区域与非目标区域的区域边界，然后在语义分割图像中以区域边界为中心，向两侧扩展区域边界。这样扩展的目的是以语义分割的结果为启发信息，将边缘不准确的部分标记成Trimap中的“未知”部分即待识别部分，以便在后续步骤中继续进行处理。本申请实施例中对边缘检测算法不做限定，即能进行边缘检测即可。边缘提取其实也是一种滤波，不同的算子有不同的提取效果。比较常用的方法有三种：Sobel算子、Laplacian算子和Canny算子。图5示出了一个实施例中融合语义分割图像和姿态识别图像得到三分图的原理示意图。参考图5，语义分割图像510中包括白色填充的目标区域511和黑色填充的非目标区域512。计算机设备对语义分割图像510中目标区域511和非目标区域512的区域边界进行扩展，扩展后的语义分割图像520中包括白色填充的目标区域521，灰色填充的扩展区域522和黑色填充的非目标区域523。进一步地，计算机设备可将语义分割图像中扩展后剩余的非目标区域作为背景区域，将语义分割图像中与姿态识别图像的骨架区域相应的区域作为前景区域，剩余的区域作为待识别区域，这样即可得到划分出前景区域、背景区域和待识别区域的三分图。继续参考图5，姿态识别图像530包括白色填充的骨架区域531。计算机设备可将扩展后的语义分割图像520与姿态识别图像530进行合并，将扩展后的语义分割图像520的非目标区域523作为背景区域，将扩展区域522作为待识别区域，将目标区域521中与姿态识别图像530的骨架区域531相应的区域作为前景区域，剩余的目标区域并入待识别区域，这样即合并得到三分图540。该三分图540即包括白色填充的前景区域541、灰色填充的待识别区域542和背景区域543这三个部分。上述实施例中，提供了利用语义分割和姿态识别的结果生成三分图的具体步骤，采用语义分割技术获取前景的粗糙分割边界，然后利用姿态估计提取骨架区域，将姿态估计的结果作为确定前景，将语义分割前景作为不确定区域，以便后续根据该三分图生成更加准确的透明度遮罩图像。S210，根据待处理图像和三分图，生成用于对待处理图像进行图像分离的透明度遮罩图像。其中，图像分离是指将图像中的部分区域从图像中分离出来。图像分离可以通俗地称为图像抠图。透明度遮罩图像也可以称为透明度蒙版，是以透明度为像素点的像素值、用于对图像进行图像分离的图像。举例说明，图像P的透明度遮罩图像A用0到1的小数表示透明度即像素点的像素值，1.0表示完全不透明，0.0表示完全透明，其他值表示部分透明。用透明度遮罩图像A乘以图像P，前景部分实际与1.0相乘，因此值不变，留下来；背景部分实际与0.0相乘，都变为零，被去掉，即完成抠图。可以理解，在根据待处理图像和三分图生成三分图时，由于目前的三分图中划分出的前景区域和待识别区域都很不准确，在局部信息不足的情况下例如对比不够强烈、噪声过大或者主体背景翻转等，可能会做出错误的预测例如将背景判断成了前景，此时则需要考虑到全局信息。目前的三分图虽然粗糙，但是已经有了必要的前景和背景信息，若能够参考全局信息例如临近背景和前景的颜色信息，即可以辅助局部预测，避免错误结果。因此，在本实施例中，根据三分图对待处理图像中待识别区域的目标像素点进行全局采样来生成透明度遮罩图像，这样可以提高生成的透明度遮罩图像的准确性。在一个实施例中，S210包括：根据三分图对待处理图像中待识别区域的目标像素点进行全局采样，为各目标像素点选取相匹配的前景像素点和背景像素点；融合各目标像素点相匹配的前景像素点和背景像素点，得到各目标像素点相应的透明度；根据待处理图像中各像素点相应的透明度，生成用于对待处理图像进行图像分离的透明度遮罩图像。其中，全局采样GlobalSample是指在全局备选样本集Global-sample-set中为待识别区域中的像素点选取最佳候选样本对CandidatePair。全局备选样本集是指待识别区域向前景区域和背景区域扩展得到的区域中的像素。候选样本对是指前景像素点和背景像素点对。为待识别区域中的像素点选取最佳候选样本对时，综合了其与该像素点在颜色空间和几何空间中距离。具体地，计算机设备可根据三分图在待处理图像中确定全局备选样本集和待识别区域，再在该全局备选样本集中，为待识别区域的目标像素点选取相匹配的前景像素点和背景像素点。对于待识别区域的每一个目标像素点，计算机设备可融合该目标像素点相匹配的前景像素点和背景像素点得到融合参数，该融合参数即为该目标像素点相应的透明度，也就是透明度遮罩图像中与该目标像素点相应的像素点的像素值。另外，计算机设备还可根据三分图在待处理图像中确定前景区域和背景区域，将前景区域的像素点相应的透明度设置为1即不透明，也就是透明度遮罩图像中与该像素点相应的像素点的像素值；并将背景区域的像素点相应的透明度设置为0即全透明，也就是透明度遮罩图像中与该像素点相应的像素点的像素值；从而得到用于对待处理图像进行图像分离的透明度遮罩图像。举例说明，图6示出了一个实施例中根据待处理图像和三分图得到透明度遮罩图像的示意图。参考图6，可以看到待处理图像610和三分图620经过全局采样后GlobalSample，可得到透明度遮罩图像630。在本实施例中，根据三分图对待处理图像进行全局采样，能够参考全局的信息，从而提高了生成的透明度遮罩图像的准确性。可以理解，通过全局采样得到的透明度遮罩图像也可能会存在不均匀的区域，为了进一步提升透明度遮罩图像的准确度，可对通过全局采样得到的透明度遮罩图像进行进一步的后处理步骤。在一个实施例中，根据待处理图像中各像素点相应的透明度，生成用于对待处理图像进行图像分离的透明度遮罩图像，包括：将待处理图像中各像素点相应的透明度作为各像素点的像素值，生成中间图像；对中间图像进行滤波和图像形态学操作后，生成用于对待处理图像进行图像分离的透明度遮罩图像。其中，滤波是指在尽量保留图像细节特征的条件下对图像的噪声进行抑制。本实施例中的滤波操作具体可以是导向滤波GuideFilter。图像形态学操作用于对图像的形态进行校正。本实施例中图像形态学操作具体可以是膨胀和腐蚀。膨胀具体是求局部最大值的操作。腐蚀与膨胀相反，具体是求局部最小值的操作。通俗地理解，腐蚀即为使目标区域“变瘦”，膨胀即为使目标区域“变胖”。具体地，计算机设备在根据三分图并通过全局采样确定待处理图像中每个像素点相应的透明度后，即将待处理图像中各像素点相应的透明度作为中间图像中各像素点的像素值，生成中间图像。计算机设备可继续对中间图像进行导向滤波、膨胀操作和腐蚀操作，生成透明度遮罩图像。可以理解，该中间图像也是透明度遮罩图像，只是准确度低于后处理得到的透明度遮罩图像。举例说明，图7示出了一个实施例中对中间图像进行后处理的示意图。参考图7，可以看对中间图像710进行导向滤波操作后，图像精度有了一定的提升，再经过膨胀和腐蚀后得到透明度遮罩图像720，图像精度又有了进一步提升。在本实施例中，通过滤波和图像形态学操作的后处理，使得生成的透明度遮罩图像的精确度有了进一步地提升。在一个实施例中，待处理图像是包括人体的图像，目标区域为人体区域，非目标区域为非人体区域，骨架区域为人体骨架区域。根据待处理图像和三分图，生成用于对待处理图像进行图像分离的透明度遮罩图像，包括：根据待处理图像和三分图，生成用于对待处理图像进行人像抠图的透明度遮罩图像。上述图像处理方法，在获取到待处理图像后，一方面自动对待处理图像进行图像语义分割得到语义分割图像，另一方面自动对待处理图像进行姿态识别；由于得到的语义分割图像包括经过语义分割出的目标区域和非目标区域，且得到姿态识别图像包括骨架区域，即可自动融合这两帧图像得到划分出前景区域、背景区域和待识别区域的三分图，从而可以根据待处理图像和三分图，生成用于对待处理图像进行图像分离的透明度遮罩图像。整个生成透明度遮罩图像的过程中不需要用户参与，极大地提高了透明度遮罩图像的生成效率，进而提高了图像处理效率。在一个实施例中，对待处理图像进行语义分割得到语义分割图像，包括：将待处理图像输入图像语义分割模型；通过图像语义分割模型输出语义类别概率分布矩阵；根据语义类别概率分布矩阵生成语义分割图像；其中，语义分割图像中的像素点具有表示所属语义类别的像素值、且与待处理图像中的像素点对应；目标区域的像素点属于目标语义类别；非目标区域的像素点不属于目标语义类别。其中，图像语义分割模型是经过训练后具备语义分割功能的机器学习模型。机器学习英文全称为MachineLearning，简称ML。机器学习模型可通过样本学习具备特定的能力。机器学习模型可采用神经网络模型、支持向量机或者逻辑回归模型等。神经网络模型比如卷积神经网络等。需要说明的是，图像语义分割模型可以通俗地理解为分类器，用于对输入模型的图像中包括的像素点进行逐像素分类。图像语义分割模型的分类类别的数量可以在训练时自定义控制。在本实施例中，图像语义分割模型被设置为二分类器，分类类别包括目标类别和非目标类别两种。输入模型的图像中属于目标类别的像素点即为目标区域的像素点，不属于目标类别的像素点即为非目标区域的像素点。这样，计算机设备即可根据像素点所属的语义类别对像素点进行划分，在待处理图像中分割出目标区域和非目标区域。语义类别概率分布矩阵的矩阵元素，具有表示属于目标类别的概率值，且与输入模型的图像即待处理图像中的像素点对应。也就是说，假设待处理图像的像素尺寸为2*2，那么语义类别概率分布矩阵的矩阵大小也为2*2，矩阵位置m,n的矩阵元素值即为待处理图像中像素位置m,n的像素点属于目标类别的概率。其中，矩阵图像帧以左上角的矩阵位置像素位置为0,0。具体地，计算机设备可将待处理图像输入事先训练好的图像语义分割模型，通过图像语义分割模型输出语义类别概率分布矩阵。计算机设备可再将语义类别概率分布矩阵中概率值大于预设概率的矩阵元素所对应的像素点围成的区域确定为目标区域，这样待处理图像中剩余的区域即为非目标区域。其中，预设概率是事先设定的用于判定是否被分类为目标类别的分界值。其中，图像语义分割模型通过有监督训练方式训练得到。具体地，计算机设备可获取训练样本，并确定各训练样本对应的训练标签，即各训练样本中各像素点所述的语义类别，从而根据训练样本和相应的训练标签进行有监督训练。在实施例中，在获取到待处理图像后，即自动将该图像输入训练好的机器学习模型，根据机器学习模型输出语义类别概率分布矩阵来确定目标区域和非目标区域。其中，语义类别概率分布矩阵中的矩阵元素，具有表示图像帧中对应的像素点属于目标类别的概率值，这样即可自动根据属于目标类别的像素点来确定目标区域，提高了图像区域划分的准确率，且为后续处理奠定了基础。在一个实施例中，对待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像，包括：将待处理图像输入姿态识别模型；通过姿态识别模型的隐层，确定待处理图像中目标的骨架关键点；通过姿态识别模型输出识别出骨架区域的姿态识别图像；骨架区域根据骨架关键点预测得到。其中，姿态识别模型是经过训练后具备姿态识别功能的机器学习模型。骨架关键点是指骨架上的关键部位的位置点。骨架关键点比如：头部、肩部、肘部、手部、腰部、膝关节或者踝关节等关键部位的关键位置点。骨架关键点之间的连线所在的区域即为骨架区域。隐层是神经网络模型中的一种术语，是相对于输入层和输出层的中间层。隐层中包括对神经网络模型训练得到的模型参数。这里姿态识别模型的隐层是相对于姿态识别模型的输入层和姿态识别模型的输出层的中间层。可以将姿态识别模型的输入层和输出层之间的所有中间层统称为隐层，也可以对这些中间层进行划分，即多层隐层。姿态识别模型的隐层可包括多层神经网络结构。每层神经网络结构可以包括一层或者多层神经网络层。神经网络模型中的隐层用于对输入进行特征提取或者特征变换等。比如，姿态识别模型的隐层可对输入图像进行骨架特征点提取或者目标区域识别等。在一个实施例中，通过姿态识别模型的隐层，确定待处理图像中目标的骨架关键点，包括：通过姿态识别模型的第一隐层，划分出待处理图像中目标所在的图像区域；通过姿态识别模型的第二隐层，在图像区域中确定骨架关键点。具体地，姿态识别模型可以包括多于一层的隐层，不同的隐层的作用各不相同。计算机设备可先通过姿态识别模型的第一隐层划分出待处理图像中目标所在的图像区域，再通过姿态识别模型的第二隐层在划分出的目标所在图像区域中确定骨架关键点。其中，第一隐层所包括的隐层的数量可以是一层，也可以多于一层，第二隐层所包括的隐层的数量可以是一层，也可以多于一层。在模型结构中，第一隐层位于第二隐层之前。第一隐层和第二隐层之间也可以存在隐层。在待处理图像中目标的数量多于一个时，姿态识别模型的第一隐层划分出的图像区域的数量也多于一个。此时，姿态识别模型的第二隐层可在每个图像区域中确定该图像区域内的骨架关键点。可以理解，本实施例中确定待处理图像中目标的骨架关键点的方式，为自上而下的骨架关键点定位方式。即，先通过目标检测将每一目标检测出来，然后在检测框的基础上针对单个目标所在区域做骨架关键点检测。在一个实施例中，通过姿态识别模型的隐层，确定待处理图像中目标的骨架关键点，包括：通过姿态识别模型的第一隐层，确定待处理图像中骨架关键点；通过姿态识别模型的第二隐层，对骨架关键点按目标进行聚类，得到各目标对应的骨架关键点；其中，一个骨架区域根据一个目标对应的骨架关键点预测得到。具体地，姿态识别模型可以包括多于一层的隐层，不同的隐层的作用各不相同。计算机设备可通过姿态识别模型的第一隐层确定待处理图像中骨架关键点，再通过姿态识别模型的第二隐层对骨架关键点按目标进行聚类得到各目标对应的骨架关键点。其中，第一隐层所包括的隐层的数量可以是一层，也可以多于一层，第二隐层所包括的隐层的数量可以是一层，也可以多于一层。在模型结构中，第一隐层位于第二隐层之前。第一隐层和第二隐层之间也可以存在隐层。在待处理图像中目标的数量多于一个时，姿态识别模型的第二隐层对确定的骨架关键点进行聚类，可以得到的骨架关键点组的数量也多于一个。此时，一个骨架关键点组属于一个聚类。可以理解，本实施例中确定待处理图像中目标的骨架关键点的方式，为自下而上的骨架关键点定位方式。即，先将待处理图像中所有的骨架关键点都检测出来，然后通过对这些骨架关键点聚类成不同的目标。进一步地，计算机设备可继续通过姿态识别模型的隐层，根据属于各目标的骨骼关键点确定各目标的骨架区域，进而输出识别出骨架区域的姿态识别图像。其中，姿态识别模型通过有监督训练方式训练得到。具体地，计算机设备可获取训练样本，并确定各训练样本对应的训练标签，即各训练样本对应的标记出骨架区域的图像，从而根据训练样本和相应的训练标签进行有监督训练。上述实施例中，在获取到待处理图像后，即自动将该图像输入训练好的机器学习模型，根据机器学习模型输出识别出骨架区域的姿态识别图像。这样即可将姿态识别图像中的骨架区域作为确定的前景区域，为后续生成三分图奠定了基础。在一个实施例中，对待处理图像进行图像语义分割得到语义分割图像，包括：将待处理图像输入图像处理模型；通过图像处理模型的语义分割分支得到语义分割图像。对待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像，包括：通过图像处理模型的姿态识别分支得到姿态识别图像；其中，语义分割图像中的像素点具有表示所属语义类别的像素值、且与待处理图像中的像素点对应；目标区域的像素点属于目标语义类别；非目标区域的像素点不属于目标语义类别；姿态识别图像中包括的骨架区域根据骨架关键点预测得到。可以理解，本实施例中，图像处理模型包括在前的公共结构和在后的两个并行任务分支，该公共结构的输出分别输出这两个并行的任务分支。其中，公共结构用于对待处理图像进行图像特性提取。并行的任务分支为语义分割分支和姿态识别分支，语义分割分支基于提取的图像特征进行图像语义分割，姿态识别分支则根据提取的图像特征进行姿态识别。该图像处理模型在训练时，并行的任务分支可以分别进行训练。即，固定语义分割分支的模型参数，构建姿态识别分支的损失函数，训练公共结构和姿态估计分支；固定姿态识别分支的模型参数，构建语义分割分支的损失函数，训练公共结构和语义分割分支。该图像处理模型在训练时，并行的任务分支也可以同时进行训练，即构建姿态识别分支和语义分割分支的联合损失函数，同时训练公共结构、语义分割分支和姿态识别分支。在本实施例中，通过采用多任务的方式进行联合训练和预测，这样在预测时，即可一次性得到语义分割的结果和姿态估计的结果，进一步提高效率。在一个实施例中，图像处理方法还包括：将待处理图像中像素点的像素值与透明度遮罩图像中相应像素点的像素值进行运算，根据运算结果从待处理图像中分离出前景区域。其中，透明度遮罩图像是用于描述待处理图像前景和背景的图像，与待处理图像的尺寸相同。透明度遮罩图像中对应待处理图像中前景像素点的像素点的像素值，为表示透明的透明度值；透明度遮罩图像中对应待处理图像中背景像素点的像素点的像素值，为表示不透明的透明度值。这样，在通过透明度遮罩图像对待处理图像进行图像分离时，待处理图像中的前景部分实际与表示透明的透明度值相乘，像素值保持不变从而被保留下来。待处理图像中的背景部分实际与表示不透明的透明度值相乘，像素值发生改变而被起初，即完成图像分离。具体地，计算机设备在得到用于对待处理图像进行图像分离的透明度遮罩图像后，可将待处理图像与透明度遮罩图像中的像素点按位相乘，即将待处理图像中像素点的像素值与透明度遮罩图像中相应像素点的像素值进行乘法运算，从而根据乘法运算结果从待处理图像中分离出前景区域。举例说明，图8为一个实施例中通过透明度遮罩图像对待处理图像进行图像分离的示意图。参考图8，通过透明度遮罩图像810对待处理图像820进行处理后，即可得到目标图像830。可以明显看出，目标图像830中前景区域被保留下来即被分离出，背景部分则通过黑色覆盖而被去除掉。在本实施例中，通过透明度遮罩图像对待处理图像进行处理，分离出前景区域，高效地完成了图像分离，而且为后续的图像编辑处理奠定了基础。在一个具体的实施例中，计算机设备还将通过本申请实施例对人体图像进行人体抠图得到的目标图像，与其他方式对人体图像进行人体抠图得到的目标图像的抠图效果进行了比较。参考图9，图9a为根据图5中扩展后的语义分割图像520进行人体抠图得到的目标图像，图9b为根据图5中语义分割图像510进行人体抠图得到的目标图像，图9c为根据图5中三分图540进行人体抠图得到的目标图像，图9d为根据图7中透明度遮罩图像720进行人体抠图得到的目标图像，图9e为根据对图5中语义分割图像510采用深度学习算法DeepImageMatting生成透明度遮罩图像后进行人体抠图得到的目标图像。对比图9中的各图，可以明显看出，图9d的抠图效果最好，即根据本申请实施例得到的透明度遮罩图像进行人体抠图的效果最好。在一个实施例中，获取待处理图像包括：获取待处理视频；将待处理视频包括的视频帧作为待处理图像。该图像处理方法还包括：对分离出前景区域的待处理图像进行编辑操作，得到相应的编辑图像；根据编辑图像生成目标视频后分享。其中，待处理视频可以是通过图像采集装置实时采集的视频，也可以是从网络上爬取的已有的视频，也可以是从已有的视频中分离出的视频片段，还可以是通过多于一帧图像合成的视频。具体地，计算机设备在获取到待处理视频后，可将待处理视频包括的视频帧作为待处理图像，对每帧待处理图像均执行前述实施例中对待处理图像处理的步骤。计算机设备可将待处理视频帧包括的视频帧均作为待处理图像，计算机设备也可以从待处理视频帧包括的视频帧中选取视频帧作为待处理图像。进一步地，计算机设备可以对分离出前景区域的待处理图像进行编辑操作，得到相应的编辑图像，再根据编辑图像生成目标视频。当计算机设备未将待处理视频中的各视频帧作为待处理视频时，计算机设备还可根据未作为待处理图像的视频帧和生成的编辑图像生成目标视频；当然，计算机设备也可仅根据编辑图像生成目标视频。其中，编辑操作比如更换背景、前景拼接或前景复制等。计算机设备可将生成的目标视频保存在本地，或者传输至其他计算机设备，或者通过社交应用进行分享等。分享目标视频可以是在社交会话中分享，也可以是在社交内容发布平台上进行发布等。举例说明，用户可通过终端上运行的社交应用实时录制视频，将录制的视频作为待处理视频进行处理，在得到目标视频后，在社交应用中进行分享。社交应用比如短视频录制应用等。应该理解的是，虽然上述各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。如图10所示，在一个实施例中，提供了一种图像处理装置1000。参照图10，该图像处理装置1000包括：获取模块1001、语义分割模块1002、姿态识别模块1003、融合模块1004和生成模块1005。获取模块1001，用于获取待处理图像。语义分割模块1002，用于对待处理图像进行图像语义分割得到语义分割图像；语义分割图像包括经过语义分割出的目标区域和非目标区域。姿态识别模块1003，用于对待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像。融合模块1004，用于将语义分割图像的目标区域和非目标区域与姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图。生成模块1005，用于根据待处理图像和三分图，生成用于对待处理图像进行图像分离的透明度遮罩图像。在一个实施例中，语义分割模块1002还用于将待处理图像输入图像语义分割模型；通过图像语义分割模型输出语义类别概率分布矩阵；根据语义类别概率分布矩阵生成语义分割图像；其中，语义分割图像中的像素点具有表示所属语义类别的像素值、且与待处理图像中的像素点对应；目标区域的像素点属于目标语义类别；非目标区域的像素点不属于目标语义类别。在一个实施例中，姿态识别模块1003还用于将待处理图像输入姿态识别模型；通过姿态识别模型的隐层，确定待处理图像中目标的骨架关键点；通过姿态识别模型输出识别出骨架区域的姿态识别图像；骨架区域根据骨架关键点预测得到。在一个实施例中，姿态识别模块1003还用于通过姿态识别模型的第一隐层，划分出待处理图像中目标所在的图像区域；通过姿态识别模型的第二隐层，在图像区域中确定骨架关键点。在一个实施例中，姿态识别模块1003还用于通过姿态识别模型的第一隐层，确定待处理图像中骨架关键点；通过姿态识别模型的第二隐层，对骨架关键点按目标进行聚类，得到各目标对应的骨架关键点；其中，一个骨架区域根据一个目标对应的骨架关键点预测得到。在一个实施例中，融合模块1004还用于在语义分割图像中，扩展目标区域与非目标区域的区域边界；将语义分割图像中扩展后剩余的非目标区域作为背景区域，并将语义分割图像中与姿态识别图像的骨架区域相应的区域作为前景区域，得到划分出前景区域、背景区域和待识别区域的三分图；其中，三分图的待识别区域，为语义分割图像中排除背景区域和前景区域后剩余的区域。在一个实施例中，融合模块1004还用于对目标区域与非目标区域进行边缘检测，得到目标区域与非目标区域的区域边界；在语义分割图像中以区域边界为中心，向两侧扩展区域边界。在一个实施例中，生成模块1005还用于根据三分图对待处理图像中待识别区域的目标像素点进行全局采样，为各目标像素点选取相匹配的前景像素点和背景像素点；融合各目标像素点相匹配的前景像素点和背景像素点，得到各目标像素点相应的透明度；根据三分图中各像素点相应的透明度，生成用于对待处理图像进行图像分离的透明度遮罩图像。在一个实施例中，生成模块1005还用于将三分图中各像素点相应的透明度作为各像素点的像素值，生成中间图像；对中间图像进行滤波和图像形态学操作后，生成用于对待处理图像进行图像分离的透明度遮罩图像。在一个实施例中，目标区域为人体区域；非目标区域为非人体区域。姿态识别模块1003还用于对待处理图像进行人体姿态识别，得到识别出人体骨架区域的姿态识别图像。生成模块1005还用于根据待处理图像和三分图，生成用于对待处理图像进行人像抠图的透明度遮罩图像。如图11所示，在一个实施例中，图像处理装置1000还包括：分离模块1006，用于将待处理图像中像素点的像素值与透明度遮罩图像中相应像素点的像素值进行运算，根据运算结果从待处理图像中分离出前景区域。在一个实施例中，获取模块1001还用于获取待处理视频；将待处理视频包括的视频帧作为待处理图像。分离模块1006还用于对分离出前景区域的待处理图像进行编辑操作，得到相应的编辑图像；根据编辑图像生成目标视频后分享。在一个实施例中，语义分割模块1002还用于将待处理图像输入图像处理模型；通过图像处理模型的语义分割分支得到语义分割图像。姿态识别模块1003还用于通过图像处理模型的姿态识别分支得到姿态识别图像；其中，语义分割图像中的像素点具有表示所属语义类别的像素值、且与待处理图像中的像素点对应；目标区域的像素点属于目标语义类别；非目标区域的像素点不属于目标语义类别；姿态识别图像中包括的骨架区域根据骨架关键点预测得到。上述图像处理装置1000，在获取到待处理图像后，一方面自动对待处理图像进行图像语义分割得到语义分割图像，另一方面自动对待处理图像进行姿态识别；由于得到的语义分割图像包括经过语义分割出的目标区域和非目标区域，且得到姿态识别图像包括骨架区域，即可自动融合这两帧图像得到划分出前景区域、背景区域和待识别区域的三分图，从而可以根据待处理图像和三分图，生成用于对待处理图像进行图像分离的透明度遮罩图像。整个生成透明度遮罩图像的过程中不需要用户参与，极大地提高了透明度遮罩图像的生成效率，进而提高了图像处理效率。图12示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110或服务器120。如图12所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现图像处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行图像处理方法。本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。在一个实施例中，本申请提供的图像处理装置可以实现为一种计算机程序的形式，计算机程序可在如图12所示的计算机设备上运行。计算机设备的存储器中可存储组成该图像处理装置的各个程序模块，比如，图10所示的获取模块1001、语义分割模块1002、姿态识别模块1003、融合模块1004和生成模块1005。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的图像处理方法中的步骤。例如，图12所示的计算机设备可以通过如图10所示的图像处理装置1000中的获取模块1001获取待处理图像。通过语义分割模块1002对待处理图像进行图像语义分割得到语义分割图像；语义分割图像包括经过语义分割出的目标区域和非目标区域。通过姿态识别模块1003对待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像。通过融合模块1004将语义分割图像的目标区域和非目标区域与姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图。通过生成模块1005根据待处理图像和三分图，生成用于对待处理图像进行图像分离的透明度遮罩图像。在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述图像处理方法的步骤。此处图像处理方法的步骤可以是上述各个实施例的图像处理方法中的步骤。在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述图像处理方法的步骤。此处图像处理方法的步骤可以是上述各个实施例的图像处理方法中的步骤。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和或易失性存储器。非易失性存储器可包括只读存储器ROM、可编程ROMPROM、电可编程ROMEPROM、电可擦除可编程ROMEEPROM或闪存。易失性存储器可包括随机存取存储器RAM或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAMSRAM、动态RAMDRAM、同步DRAMSDRAM、双数据率SDRAMDDRSDRAM、增强型SDRAMESDRAM、同步链路SynchlinkDRAMSLDRAM、存储器总线Rambus直接RAMRDRAM、直接存储器总线动态RAMDRDRAM、以及存储器总线动态RAMRDRAM等。以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

权利要求：1.一种图像处理方法，包括：获取待处理图像；对所述待处理图像进行图像语义分割得到语义分割图像；所述语义分割图像包括经过语义分割出的目标区域和非目标区域；对所述待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像；将所述语义分割图像的目标区域和非目标区域与所述姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图；根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行图像分离的透明度遮罩图像。2.根据权利要求1所述的方法，其特征在于，所述对所述待处理图像进行语义分割得到语义分割图像，包括：将所述待处理图像输入图像语义分割模型；通过所述图像语义分割模型输出语义类别概率分布矩阵；根据所述语义类别概率分布矩阵生成语义分割图像；其中，所述语义分割图像中的像素点具有表示所属语义类别的像素值、且与所述待处理图像中的像素点对应；所述目标区域的像素点属于目标语义类别；所述非目标区域的像素点不属于所述目标语义类别。3.根据权利要求1所述的方法，其特征在于，所述对所述待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像，包括：将所述待处理图像输入姿态识别模型；通过所述姿态识别模型的隐层，确定所述待处理图像中目标的骨架关键点；通过所述姿态识别模型输出识别出骨架区域的姿态识别图像；所述骨架区域根据所述骨架关键点预测得到。4.根据权利要求3所述的方法，其特征在于，所述通过所述姿态识别模型的隐层，确定所述待处理图像中目标的骨架关键点，包括：通过所述姿态识别模型的第一隐层，划分出所述待处理图像中目标所在的图像区域；通过所述姿态识别模型的第二隐层，在所述图像区域中确定骨架关键点。5.根据权利要求3所述的方法，其特征在于，所述通过所述姿态识别模型的隐层，确定所述待处理图像中目标的骨架关键点，包括：通过所述姿态识别模型的第一隐层，确定所述待处理图像中骨架关键点；通过所述姿态识别模型的第二隐层，对所述骨架关键点按所述目标进行聚类，得到各目标对应的骨架关键点；其中，一个所述骨架区域根据一个目标对应的骨架关键点预测得到。6.根据权利要求1所述的方法，其特征在于，所述将所述语义分割图像的目标区域和非目标区域与所述姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图，包括：在所述语义分割图像中，扩展所述目标区域与所述非目标区域的区域边界；将所述语义分割图像中扩展后剩余的非目标区域作为背景区域，并将所述语义分割图像中与所述姿态识别图像的骨架区域相应的区域作为前景区域，得到划分出前景区域、背景区域和待识别区域的三分图；其中，所述三分图的待识别区域，为所述语义分割图像中排除所述背景区域和所述前景区域后剩余的区域。7.根据权利要求6所述的方法，其特征在于，所述在所述语义分割图像中，扩展所述目标区域与所述非目标区域的区域边界，包括：对所述目标区域与所述非目标区域进行边缘检测，得到所述目标区域与所述非目标区域的区域边界；在所述语义分割图像中以所述区域边界为中心，向两侧扩展所述区域边界。8.根据权利要求1所述的方法，其特征在于，所述根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行图像分离的透明度遮罩图像包括：根据所述三分图对所述待处理图像中待识别区域的目标像素点进行全局采样，为各所述目标像素点选取相匹配的前景像素点和背景像素点；融合各所述目标像素点相匹配的前景像素点和背景像素点，得到各所述目标像素点相应的透明度；根据所述三分图中各像素点相应的透明度，生成用于对所述待处理图像进行图像分离的透明度遮罩图像。9.根据权利要求8所述的方法，其特征在于，所述根据所述三分图中各像素点相应的透明度，生成用于对所述待处理图像进行图像分离的透明度遮罩图像，包括：将所述三分图中各像素点相应的透明度作为各像素点的像素值，生成中间图像；对所述中间图像进行滤波和图像形态学操作后，生成用于对所述待处理图像进行图像分离的透明度遮罩图像。10.根据权利要求1所述的方法，其特征在于，所述目标区域为人体区域；所述非目标区域为非人体区域；所述对所述待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像，包括：对所述待处理图像进行人体姿态识别，得到识别出人体骨架区域的姿态识别图像；所述根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行图像分离的透明度遮罩图像，包括：根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行人像抠图的透明度遮罩图像。11.根据权利要求1-10中任一项所述的方法，其特征在于，所述方法还包括：将所述待处理图像中像素点的像素值与所述透明度遮罩图像中相应像素点的像素值进行运算，根据运算结果从所述待处理图像中分离出前景区域。12.根据权利要求11所述的方法，其特征在于，所述获取待处理图像包括：获取待处理视频；将所述待处理视频包括的视频帧作为待处理图像；所述方法还包括：对分离出前景区域的所述待处理图像进行编辑操作，得到相应的编辑图像；根据所述编辑图像生成目标视频后分享。13.一种图像处理装置，包括：获取模块，用于获取待处理图像；语义分割模块，用于对所述待处理图像进行图像语义分割得到语义分割图像；所述语义分割图像包括经过语义分割出的目标区域和非目标区域；姿态识别模块，用于对所述待处理图像进行姿态识别，得到识别出骨架区域的姿态识别图像；融合模块，用于将所述语义分割图像的目标区域和非目标区域与所述姿态识别图像的骨架区域进行融合，得到划分出前景区域、背景区域和待识别区域的三分图；生成模块，用于根据所述待处理图像和所述三分图，生成用于对所述待处理图像进行图像分离的透明度遮罩图像。14.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。15.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。

百度查询： 腾讯科技(深圳)有限公司 图像处理方法、装置、计算机可读存储介质和计算机设备