CN103440633B

CN103440633B - 一种数字图像自动祛除斑点的方法

Info

Publication number: CN103440633B
Application number: CN201310404195.1A
Authority: CN
Inventors: 张伟; 傅松林; 李志阳; 张长定
Original assignee: XIAMEN MEITUWANG TECHNOLOGY Co Ltd
Current assignee: XIAMEN MEITUWANG TECHNOLOGY Co Ltd
Priority date: 2013-09-06
Filing date: 2013-09-06
Publication date: 2016-01-20
Anticipated expiration: 2033-09-06
Also published as: CN103440633A

Abstract

本发明公开了一种数字图像自动祛除斑点的方法，其特征在于：通过对图像A依次进行灰度化、对比度增强、梯度极大值查找、皮肤排除、孤立点消除、高斯模糊、阈值处理、区域表求和得到结果D；最后根据结果D与梯度极大值查找的结果对图像A里的斑点进行泊松方程处理，得到自动祛痘祛斑祛痣的最终效果。本方案完全省却了数字图像祛斑操作中手动的动作，整个过程可自动完成，无需手动标定和选择斑点，节省了操作时间和步骤。

Description

一种数字图像自动祛除斑点的方法

技术领域

本发明涉及一种数字图像的处理方法，具体涉及一种自动祛除数字图像中斑点的图像处理方法。

背景技术

随着数字便携设备的普及，各种设备包括手机、平板电脑中也随之大量地应用了数字摄像装置，使用户拍摄照片的门槛大大降低，各种和生活有关的拍摄可以通过简单的操作完成，具有十分便利的特点。特别是对个人的自拍，已成为我们日常生活中常见的行为，甚至已经作为一种社交的技术手段。这类针对人像，特别是脸谱的拍摄，通常需要自拍后对图像进行调整和美化。这类操作比较常见的一种就是将图像里一些不想展现的元素祛除(例如痘、斑、痣等)。

虽然现在的图像处理软件很多都可以满足用户的大部分需求，具备这类祛斑的功能，但是现有的祛斑操作仍然步骤繁多，不够便利和快速。如此，如何尽量少地让用户操作，如何更智能、快速地祛除数字图像的暗斑，成为一个亟待解决的问题。

发明内容

针对现有数字图像处理方法缺少快速、自动的处理的解决办法，本发明提出一种数字图像自动祛斑的方法，其方案如下：

一种数字图像自动祛除斑点的方法，它包括以下步骤：

1)接收一数字图像A，对图像A进行灰度化处理，得到灰度图像B；该处理采用下列两式中的一个：

Gray＝0.299*Red+0.587*Green+0.114*Blue；

Gray＝(Red*306+Green*601+Blue*117+512)/1024；

其中，Gray为该灰度图像B各像素点的灰度值，Red、Green、Blue分别为图像A各像素点红、绿、蓝三个通道的颜色值；

2)对灰度图像B进行对比度增强处理，公式为：

nResult＝nColor+(nColor-128)*(1.0+Contrast)/255

其中，nResult表示对比度增强后的灰度值，nColor表示要进行对比度增强的灰度值，Contrast为对比度增强的强度，范围[0.0,1.0]；

3)对灰度图像B进行梯度极大值查找，步骤如下：

首先用

|\begin{matrix} - 1 & - 2 & - 1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{matrix}|

与灰度图像B里的逐个像素点进行卷积运算，然后将计算后的结果进行统计，并将统计结果保存到一个大小为256的数组里，根据统计结果的计算得到阈值K，根据阈值K对卷积运算后的结果进行阈值化处理，大于等于阈值K的设置为255，小于阈值K的设置为0，最终得到梯度结果C；

4)对梯度结果C先后进行皮肤排除与孤立点消除处理；

图片A的宽为w，图片的高为h；皮肤识别后的数据为pEdgeTable；i表示当前像素点的行数，j表示当前的列数；

皮肤排除的步骤：判断当前的像素点是否是皮肤；如果是皮肤的话，则将其所对应的梯度结果C上的值设置为255；该皮肤判断的方法可采用多种现有技术，如下述文献提及的方法M.J.JonesandJ.M.Rehg,“StatisticalColorModelswithApplicationtoSkinDetection”Proc.CVPR,1999.

该孤立点消除处理步骤为：

a.建立边缘个数统计表，过程如下：建立一个数组pSumTable，并都初始化为0，数组的大小为(w+1)*(h+1)；接着从第2行开始进行计算，并且每行计算时都是从第2列开始的(即第一行和第一列的数据都不用参与这个计算)，每行从预设passSum＝0开始赋值；

passSum＝passSum+(pEdgeTable[j*(w+1)+i]&0x01)；

pSumTable[j*(w+1)+i]＝pSumTable[(j-1)*(w+1)+i]+passSum；

b.剔除不连续的点：设定一个大小为3x3的窗口，首先判断pEdgeTable当前像素点的值是否等于0，如果等于0，则继续遍历下一个像素点，否则执行下面操作：

计算pEdgeTable当前像素点为中心的所述窗口内其他像素的值；假设上为top，下为bottom，左为left，右为right，则

top＝max(0,j-1)；

bottom＝min(h,j+2)；

right＝min(w,i+2)；

left＝max(0,i-1)；

假设上一个搜索窗口内的Edge个数为preWinEdgeCount；当前搜索窗口内的Edge个数为curWinEdgeCount；

先计算上一个搜索窗口内的Edge个数：

p1＝(w+1)*top+left；

p2＝(w+1)*bottom+left；

offset＝right-left；

preWinEdgeCount＝pSumTable[p2+offset]+pSumTable[p1]-pSumTable[p2]-pSumTable[p1+offset]；

接下来预设r＝2，并做循环，直到r大于5则跳出循环，以下为循环的步骤：

计算当前搜索窗口内的Edge个数：

top＝max(0,j-r)；

bottom＝min(h,j+r+1)；

right＝min(w,i+r+1)；

left＝max(0,i-r)；

p1＝(w+1)*top+left；

p2＝(w+1)*bottom+left；

offset＝right-left；

curWinEdgeCount＝pSumTable[p2+offset]+pSumTable[p1]-pSumTable[p2]-pSumTable[p1+offset]；

判断curWinEdgeCount-preWinEdgeCount是否小于2，如果小于的话，则认定为不连续的边缘，归为奇异点，将pEdgeTable在该像素点的值设为0；否则将preWinEdgeCount＝curWinEdgeCount；

6)对梯度结果C进行高斯模糊处理，并做阈值处理；

高斯模糊是用正态分布计算图像中每个像素的变换：

G (u, v) = \frac{1}{2 {πσ}^{2}} e^{- (u^{2} + v^{2}) / (2 σ^{2})}

其中r是模糊半径，σ是正态分布的标准偏差，u是原像素点在x轴上的位置偏移值，v是原像素点在y轴上的位置偏移值；

阈值的公式为：如果大于等于阈值K2的话，则值设置为255，否则设置为0。这边K2的范围[0,128]；

6)根据灰度图像B进行区域表求和得到结果D；

结果D的数组大小为图片的宽w与图片的高h的乘积，假设为数组GraySumArea[w][h]，先预设数组的所有值为0；

接着计算数组第一行的值，公式为：

GraySumArea[i][0]＝GraySumArea[i-1][0]+grayi；

其中i从1开始直到w为止；grayi为坐标(i,0)上像素点的灰度值；

接着计算数组第一列的值，公式为：

GraySumArea[0][j]＝GraySumArea[0][j-1]+grayj；

其中j从1开始到h为止；grayj为坐标为(0,j)上像素点的灰度值；

接着计算数组剩余的值，公式为：

GraySumArea[i][j]＝grayij+GraySumArea[i][j-1]+GraySumArea[i-1][j]-GraySumArea[i-1][j-1]；

其中i从1开始到w为止；j从1开始到h为止；grayij为坐标为(i,j)上像素点的灰度值；

7)根据结果D与梯度结果C对图像A里的斑点进行泊松方程处理，得到自动祛痘祛斑祛痣的最终效果；首先利用结果D进行判断每个像素点是否为斑点；判断规则为判断该像素点在结果D上的值与周围值的差值，判断差值是否小于R值，如果是的话，则不是斑点，继续遍历下一个像素；否则继续判断该像素点在梯度结果C上的值，如果大于T值，则不是斑点；否则是斑点；其中，R的范围为[64，220]，T的范围为[64,192]；

当该像素点为斑点时，则根据泊松方程Δφ＝f对该点进行肤色值的进行融合计算；经过泊松方程处理后得到该像素点新的颜色值，得到自动祛痘祛斑祛痣的最终效果。

作为本方案的优选者，可以有如下改进：所述步骤2)中，所述对比度增强的强度Contrast为0.15。所述步骤5)中的阈值K2设为20。所述步骤7)中R为200，T为128。

本方案带来的有益效果有：

1.完全省却了数字图像祛斑操作中手动的动作，整个过程可自动完成，无需手动标定和选择斑点，节省了操作时间和步骤；

2.在触控屏数字设备中避免了不准确的手势触控带来失效模式，可以仅适用菜单/按钮进行快速操作，不会产生失误。

具体实施方式

本实施例一种数字图像自动祛除斑点的方法，它包括以下步骤：

1)接收一人脸图像A数字图像A，对图像A进行灰度化处理，得到灰度图像B；该处理采用下列两式中的一个：

Gray＝0.299*Red+0.587*Green+0.114*Blue；

Gray＝(Red*306+Green*601+Blue*117+512)/1024；

2)对灰度图像B进行对比度增强处理，公式为：

nResult＝nColor+(nColor-128)*(1.0+Contrast)/255

其中，nResult表示对比度增强后的灰度值，nColor表示要进行对比度增强的灰度值，Contrast为对比度增强的强度，取0.15；

3)对灰度图像B进行梯度极大值查找，步骤如下：

首先用

|\begin{matrix} - 1 & - 2 & - 1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{matrix}|

4)对梯度结果C先后进行皮肤排除与孤立点消除处理；

图片A的宽为w＝480，图片的高为h＝640；皮肤识别后的数据为pEdgeTable；i表示当前像素点的行数，j表示当前的列数；

皮肤排除的步骤：判断当前的像素点是否是皮肤；如果是皮肤的话，则将其所对应的梯度结果C上的值设置为255；

本方案采用基于肤色模型的皮肤识别判断方法，步骤如下：

(1)对图像进行人脸识别，获取人脸区域；

(2)对步骤(1)获取的人脸区域进行均值计算，获取平均肤色；

(2.1)初始化原始皮肤模型；

(2.1.1)创建肤色模型，大小为256*256；

(2.1.2)依次对肤色模型进行赋值，具体伪代码如下；

预设临时变量AlphaValue、nMax、i、j为整数类型。

肤色模型变量为SkinModel[256][256]

For(i＝0；i<256；i++)

{

判断i是否大于128，如果大于128，则AlphaValue为255，否则为i*2；

计算获得nMax的值，计算公式为nMax＝min(256,AlphaValue*2)；

For(j＝0；j<nMax；j++)

{

计算对应位置的肤色模型的值，计算公式为SkinModel[i][j]＝AlphaValue-(j/2)；

}

For(j＝nMax.j<256；j++)

{

初始对应位置的肤色模型的值为0；

}

}；

(2.2)计算整个图像的颜色均值，作为初始皮肤的阈值；

(2.2.1)遍历整个图像的像素点，将红色通道、绿色通道、蓝色通道的颜色值累加，得到颜色累加值；

(2.2.2)将颜色累加值除以像素点的总数，得到红色通道、绿色通道、蓝色通道的均值，作为初始皮肤的阈值。

(2.3)根据步骤(2.2)获取得的初始皮肤的阈值计算人脸区域的平均肤色。

(2.3.1)根据如下公式计算平均肤色的黑白值：

GRAY1＝0.299*RED+0.587*GREEN+0.114*BLUE

其中，GRAY1为灰度图的当前像素点的灰度值；RED、GREEN、BLUE分别为图像的当前像素点的红、绿、蓝通道的颜色值；

(2.3.2)将步骤(2.3.1)中的黑白值作为阈值，用来排除人脸区域非皮肤的部分；

并依次遍历人脸区域里的像素点的颜色值，根据如下公式获得平均肤色：

skin＝SkinModel[red][blue]；

其中，skin为经过皮肤模型的颜色映射后的皮肤值；SkinModel为步骤(2.1)的初始化原始皮肤模型；red为红色通道的颜色值；blue为蓝色通道的颜色值。

(3)根据步骤(2)获取的平均肤色计算当前图像的肤色概率映射表；

(3.1)创建肤色概率映射表，大小为256*256；

(3.2)依次对肤色概率映射表进行赋值，具体伪代码如下；

预设临时变量i、j、SkinRed_Left、AlphaValue、Offset、TempAlphaValue、OffsetJ为整数类型；

肤色概率映射表的变量为SkinProbability[256][256]；

SkinRed为步骤(2.2.2)计算得到的红色通道的均值；SkinBlue为步骤

(2.2.2)计算得到的蓝色通道的均值；

预设SkinRed_Left的值，计算公式为：SkinRed_Left＝SkinRed-128；

For(i＝0；i<256；i++)

{

计算Offset的值，公式为Offset＝max(0,min(255,i-SkinRed_Left))；

判断Offset的值是否小于128，如果小于的，话则AlphaValue＝Offset*2；如果大于等于128的话，则AlphaValue＝255；

For(j＝0；j<256；j++)

{

计算OffsetJ的值，公式为OffsetJ＝max(0,j-SkinBlue)；

计算TempAlphaValue的值，公式为TempAlphaValue＝max(AlphaValue-(OffsetJ*2),0)；

判断TempAlphaValue的值。如果大于160的话，则SkinProbability[i][j]的值为255；

如果小于90的话，则SkinProbability[i][j]的值为0；否则

SkinProbability[i][j]的值为TempAlphaValue+30；

}

}；

(4)根据步骤(3)获取的肤色概率映射表对当前图像进行肤色识别，并获得当前图像的肤色概率的结果图，通过如下公式进行实现：

skinColor＝SkinProbability[red][blue]

其中，skinColor为结果图的肤色概率值；SkinProbability为肤色概率映射表；red为像素点的红色通道的颜色值；blue为像素点的蓝色通道的颜色值。

该孤立点消除处理步骤为：

passSum＝passSum+(pEdgeTable[j*(w+1)+i]&0x01)；

pSumTable[j*(w+1)+i]＝pSumTable[(j-1)*(w+1)+i]+passSum；

top＝max(0,j-1)；

bottom＝min(h,j+2)；

right＝min(w,i+2)；

left＝max(0,i-1)；

先计算上一个搜索窗口内的Edge个数：

p1＝(w+1)*top+left；

p2＝(w+1)*bottom+left；

offset＝right-left；

计算当前搜索窗口内的Edge个数：

top＝max(0,j-r)；

bottom＝min(h,j+r+1)；

right＝min(w,i+r+1)；

left＝max(0,i-r)；

p1＝(w+1)*top+left；

p2＝(w+1)*bottom+left；

offset＝right-left；

5)对梯度结果C进行高斯模糊处理，并做阈值处理；

高斯模糊是用正态分布计算图像中每个像素的变换：

G (u, v) = \frac{1}{2 {πσ}^{2}} e^{- (u^{2} + v^{2}) / (2 σ^{2})}

阈值的公式为：如果大于等于阈值K2的话，则值设置为255，否则设置为0，；2取20；

6)根据灰度图像B进行区域表求和得到结果D；

接着计算数组第一行的值，公式为：

GraySumArea[i][0]＝GraySumArea[i-1][0]+grayi；

其中i从1开始直到w为止；grayi为坐标(i,0)上像素点的灰度值；

接着计算数组第一列的值，公式为：

GraySumArea[0][j]＝GraySumArea[0][j-1]+grayj；

其中j从1开始到h为止；grayj为坐标为(0,j)上像素点的灰度值；

接着计算数组剩余的值，公式为：

7)根据结果D与梯度结果C对图像A里的斑点进行泊松方程处理，得到自动祛痘祛斑祛痣的最终效果；首先利用结果D进行判断每个像素点是否为斑点；判断规则为判断该像素点在结果D上的值与周围值的差值，判断差值是否小于R值，如果是的话，则不是斑点，继续遍历下一个像素；否则继续判断该像素点在梯度结果C上的值，如果大于T值，则不是斑点；否则是斑点；其中，R为200，T为128；

当该像素点为斑点时，则根据泊松方程Δφ＝f对该点进行肤色值的进行融合计算；经过泊松方程处理后得到该像素点新的颜色值，得到自动祛痘祛斑祛痣的最终效果，在不影响头像肤色、毛发等细节的前提下，肉眼已经不可见其上的痣点。

Claims

1.一种数字图像自动祛除斑点的方法，其特征在于：它包括以下步骤：

Gray＝0.299*Red+0.587*Green+0.114*Blue；

Gray＝(Red*306+Green*601+Blue*117+512)/1024；

2)对灰度图像B进行对比度增强处理，公式为：

nResult＝nColor+(nColor-128)*(1.0+Contrast)/255；

3)对灰度图像B进行梯度极大值查找，步骤如下：

首先用与灰度图像B里的逐个像素点进行卷积运算，然后将计算后的结果进行统计，并将统计结果保存到一个大小为256的数组里，根据统计结果的计算得到阈值K，根据阈值K对卷积运算后的结果进行阈值化处理，大于等于阈值K的设置为255，小于阈值K的设置为0，最终得到梯度结果C；

4)对梯度结果C先后进行皮肤排除与孤立点消除处理；

该孤立点消除处理步骤为：

passSum＝passSum+(pEdgeTable[j*(w+1)+i]&0x01)；

pSumTable[j*(w+1)+i]＝pSumTable[(j-1)*(w+1)+i]+passSum；

top＝max(0,j-1)；

bottom＝min(h,j+2)；

right＝min(w,i+2)；

left＝max(0,i-1)；

先计算上一个搜索窗口内的Edge个数：

p1＝(w+1)*top+left；

p2＝(w+1)*bottom+left；

offset＝right-left；

计算当前搜索窗口内的Edge个数：

top＝max(0,j-r)；

bottom＝min(h,j+r+1)；

right＝min(w,i+r+1)；

left＝max(0,i-r)；

p1＝(w+1)*top+left；

p2＝(w+1)*bottom+left；

offset＝right-left；

5)对梯度结果C进行高斯模糊处理，并做阈值处理；

高斯模糊是用正态分布计算图像中每个像素的变换：

；

阈值的公式为：如果大于等于阈值K2的话，则值设置为255，否则设置为0，这边K2的范围[0,128]；

6)根据灰度图像B进行区域表求和得到结果D；

接着计算数组第一行的值，公式为：

GraySumArea[i][0]＝GraySumArea[i-1][0]+grayi；

其中i从1开始直到w为止；grayi为坐标(i,0)上像素点的灰度值；

接着计算数组第一列的值，公式为：

GraySumArea[0][j]＝GraySumArea[0][j-1]+grayj；

其中j从1开始到h为止；grayj为坐标为(0,j)上像素点的灰度值；

接着计算数组剩余的值，公式为：

2.根据权利要求1所述一种数字图像自动祛除斑点的方法，其特征在于：所述步骤2)中，所述对比度增强的强度Contrast为0.15。

3.根据权利要求1所述一种数字图像自动祛除斑点的方法，其特征在于：所述步骤5)中的阈值K2设为20。

4.根据权利要求1所述一种数字图像自动祛除斑点的方法，其特征在于：所述步骤7)中R为200，T为128。