CN103440633B - 一种数字图像自动祛除斑点的方法 - Google Patents
一种数字图像自动祛除斑点的方法 Download PDFInfo
- Publication number
- CN103440633B CN103440633B CN201310404195.1A CN201310404195A CN103440633B CN 103440633 B CN103440633 B CN 103440633B CN 201310404195 A CN201310404195 A CN 201310404195A CN 103440633 B CN103440633 B CN 103440633B
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- gray
- result
- spot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
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
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 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:
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;
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,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 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=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:
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;
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:
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,;2取20;
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 (4)
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:
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;
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:
;
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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404195.1A CN103440633B (zh) | 2013-09-06 | 2013-09-06 | 一种数字图像自动祛除斑点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310404195.1A CN103440633B (zh) | 2013-09-06 | 2013-09-06 | 一种数字图像自动祛除斑点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440633A CN103440633A (zh) | 2013-12-11 |
CN103440633B true CN103440633B (zh) | 2016-01-20 |
Family
ID=49694325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310404195.1A Active CN103440633B (zh) | 2013-09-06 | 2013-09-06 | 一种数字图像自动祛除斑点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440633B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732510B (zh) * | 2013-12-23 | 2017-12-19 | 浙江大华技术股份有限公司 | 一种相机镜头黑斑检测方法及装置 |
CN104834429A (zh) * | 2014-02-10 | 2015-08-12 | 联想(北京)有限公司 | 一种界面显示方法及电子设备 |
CN103929629B (zh) * | 2014-04-24 | 2018-11-06 | 厦门美图网科技有限公司 | 一种基于图像主要颜色的图像处理方法 |
CN106296576B (zh) * | 2016-08-05 | 2019-07-16 | 厦门美图之家科技有限公司 | 图像处理方法和图像处理装置 |
CN106875332A (zh) * | 2017-01-23 | 2017-06-20 | 深圳市金立通信设备有限公司 | 一种图像处理方法及终端 |
CN109558878B (zh) * | 2017-09-27 | 2022-11-22 | 北京国双科技有限公司 | 图像识别方法和装置 |
CN109345480B (zh) * | 2018-09-28 | 2020-11-27 | 广州云从人工智能技术有限公司 | 一种基于图像修复模型的人脸自动去痘方法 |
CN109389562B (zh) * | 2018-09-29 | 2022-11-08 | 深圳市商汤科技有限公司 | 图像修复方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299267A (zh) * | 2008-07-02 | 2008-11-05 | 北京中星微电子有限公司 | 一种人脸图像处理方法及装置 |
CN101916370A (zh) * | 2010-08-31 | 2010-12-15 | 上海交通大学 | 人脸检测中非特征区域图像处理的方法 |
CN103268475A (zh) * | 2013-05-10 | 2013-08-28 | 中科创达软件股份有限公司 | 一种基于人脸、肤色检测的皮肤美容方法 |
-
2013
- 2013-09-06 CN CN201310404195.1A patent/CN103440633B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299267A (zh) * | 2008-07-02 | 2008-11-05 | 北京中星微电子有限公司 | 一种人脸图像处理方法及装置 |
CN101916370A (zh) * | 2010-08-31 | 2010-12-15 | 上海交通大学 | 人脸检测中非特征区域图像处理的方法 |
CN103268475A (zh) * | 2013-05-10 | 2013-08-28 | 中科创达软件股份有限公司 | 一种基于人脸、肤色检测的皮肤美容方法 |
Non-Patent Citations (1)
Title |
---|
基于人脸识别的图像美化系统设计与实现;叶龙宝;《中国优秀硕士学位论文全文数据库信息科技辑 》;20120715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103440633A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103440633B (zh) | 一种数字图像自动祛除斑点的方法 | |
KR102554724B1 (ko) | 이미지 내 객체를 식별하기 위한 방법 및 상기 방법을 실행하기 위한 모바일 디바이스 | |
CN104574285B (zh) | 一种自动祛除图像黑眼圈的方法 | |
US10509948B2 (en) | Method and device for gesture recognition | |
CN104282002B (zh) | 一种数字图像的快速美容方法 | |
CN106326823B (zh) | 一种获取图片中头像的方法和系统 | |
CN104599297B (zh) | 一种对人脸自动上腮红的图像处理方法 | |
CN102521579B (zh) | 一种基于二维平面摄像头推的动作识别方法及系统 | |
CN105243371A (zh) | 一种人脸美颜程度的检测方法、系统及拍摄终端 | |
CN104331690B (zh) | 一种基于单张图像的肤色人脸检测方法及系统 | |
CN105260720B (zh) | 指纹识别的方法及装置 | |
CN106097354B (zh) | 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 | |
CN104679242A (zh) | 基于单目视觉复杂背景下的手势分割方法 | |
CN114612941B (zh) | 一种基于掌静脉特征的多模式身份认证方法、装置及系统 | |
CN104156643A (zh) | 一种利用眼睛视线来实现密码输入的方法及其硬件装置 | |
CN112712569B (zh) | 一种肤色检测方法、装置、移动终端和存储介质 | |
CN106651879A (zh) | 一种指甲图像的提取方法及系统 | |
CN109344706A (zh) | 一种可单人操作的人体特殊姿势照片的获取方法 | |
CN110363747A (zh) | 智能化异常细胞判断方法、装置及计算机可读存储介质 | |
CN104392211A (zh) | 一种基于显著性检测的皮肤识别方法 | |
CN109712095A (zh) | 一种快速边缘保留的人脸美化方法 | |
CN108345867A (zh) | 面向智能家居场景的手势识别方法 | |
CN101968849B (zh) | 一种基于3g智能手机的图片去红眼方法 | |
CN106097261A (zh) | 图像处理方法和装置 | |
CN113221606B (zh) | 一种基于ims视频会议登录的人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |