CN104392409B - 一种图像美容的加速方法 - Google Patents

一种图像美容的加速方法 Download PDF

Info

Publication number
CN104392409B
CN104392409B CN201410718813.4A CN201410718813A CN104392409B CN 104392409 B CN104392409 B CN 104392409B CN 201410718813 A CN201410718813 A CN 201410718813A CN 104392409 B CN104392409 B CN 104392409B
Authority
CN
China
Prior art keywords
image
skin
processing
fuzzy
basic algorithm
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
Application number
CN201410718813.4A
Other languages
English (en)
Other versions
CN104392409A (zh
Inventor
张伟
傅松林
李志阳
张长定
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Meitu Technology Co Ltd
Original Assignee
Xiamen Meitu Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen Meitu Technology Co Ltd filed Critical Xiamen Meitu Technology Co Ltd
Priority to CN201410718813.4A priority Critical patent/CN104392409B/zh
Publication of CN104392409A publication Critical patent/CN104392409A/zh
Application granted granted Critical
Publication of CN104392409B publication Critical patent/CN104392409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种图像美容的加速方法，其通过对待处理图像的美容处理进行分解，得到多个基础算法以及各个基础算法的输入源，并对所述的基础算法进行CPU和GPU的性能测试得到该基础算法的CPU处理值和GPU处理值，根据所述基础算法的CPU处理值和GPU处理值对该基础算法进行硬件配置，并根据基础算法的输入源设置各个基础算法之间的执行顺序，最后根据所述的硬件配置和执行顺序对待处理图像进行图像美容处理，从而极大的提高了图像美容处理的效率，特别适用于各种算法复杂步骤繁多的美容处理，美容效果更好更自然。

Description

一种图像美容的加速方法
技术领域
本发明涉及图像处理方法，特别是一种图像美容的加速方法。
背景技术
随着用户对于图像处理方面的要求不断超出CPU的计算能力，CPU处理能力也不断强大，但在进入3D时代后，人们发现庞大的3D图像处理数据计算使得CPU越来越不堪重荷，并且远远超出其计算能力。随着图形计算需求日益增多，作为计算机的显示芯片也飞速发展。随后人们发现显示芯片的计算能力也无法满足快速增长的图形计算需求时，图形，图像计算等计算的功能被脱离出来单独成为一块芯片设计，这就是现在的图形计算处理器——GPU(Graphics Processing Unit)，也就是显卡。
GPU以其高速的浮点运算能力迅速地吸引了人们的眼球，并且在向量计算方面能够获得比CPU高出十倍的计算效率，GPU并行计算的能力更是强大，它内部具有快速存储系统，此外，GPU的硬件设计能够管理数千个并行线程，这数千个线程全部由GPU创建和管理而不需要开发人员进行任何编程与管理。然而，如此强大的计算能力是具有针对性的，如Z-buffering、纹理映射与光照计算等，这类计算都是针对大量的平行数据，运算的数据量大，但是运算的类型却并不复杂，还具有类似性，计算性强但是逻辑性不强。而CPU是设计用来处理通用任务的处理、加工、运算以及系统核心控制等工作，CPU的微架构是为高效率处理数据相关性不大的计算类、复杂繁琐的非计算类等工作而优化的。所以目前CPU和GPU还在自己的轨道上各司其职，人们都只是简单地利用单纯的CPU硬件或者GPU硬件进行算法的处理，或者只是通过CPU读取图像，再通过GPU进行算法的并行处理，无法将两者进行很好的结合。
目前，随着美容算法的不断升级与优化，越来越多效果好而性能慢的模糊算法被研究出来，例如双边滤波等，而且在对图像进行美容处理时，还会对图像进行人脸定位、皮肤识别、皮肤优化、瘦脸瘦身、亮眼、鼻子高光、立体感等更多的步骤来使效果更好，但是处理的时间随着步骤的增加而增加，需要一种能够运用CPU和GPU进行综合处理的图像美容方法，来加快图像美容速度。
发明内容
本发明为解决上述问题，提供了一种图像美容的加速方法，其通过将图像美容算法分解成多个基础算法，并根据各个基础算法的特性以及他们之间的相关性设置执行顺序对图像同时进行CPU和GPU的硬件并行处理，极大的提高了图像美容处理的效率。
为实现上述目的，本发明采用的技术方案为：
一种图像美容的加速方法，其特征在于，包括以下步骤：
10.对待处理图像的美容处理进行分解，得到多个基础算法以及各个基础算法的输入源；
20.对所述的基础算法进行CPU和GPU的性能测试，并根据性能测试的结果标记该基础算法的CPU处理值和GPU处理值；
30.根据所述基础算法的CPU处理值和GPU处理值对该基础算法进行硬件配置；
40.根据所述基础算法的输入源，设置各个基础算法之间的执行顺序；
50.根据所述的基础算法的硬件配置和执行顺序对待处理图像进行图像美容处理。
优选的，所述的基础算法包括以下两种或两种以上的组合：模糊处理、人脸定位、皮肤识别、模糊合成、皮肤优化、瘦脸瘦身、亮眼、鼻子高光。
优选的，所述的步骤50中根据所述的基础算法的硬件配置和执行顺序对待处理图像进行图像美容处理，进一步包括：
51.在GPU执行模糊处理，同时，在CPU依次执行人脸定位和皮肤识别；
52.在GPU依次执行模糊合成和皮肤优化；
53.在GPU执行瘦脸瘦身，同时，在CPU分别执行亮眼和鼻子高光；
54.将步骤53的处理结果进行合成处理。
优选的，所述的模糊处理的输入源是原始图像，处理后得到模糊图像；所述的人脸定位的输入源是原始图像进行，处理后得到人脸区域和关键点定位；所述的皮肤识别的输入源是原始图像，处理后得到皮肤概率图；所述的模糊合成的输入源是包括原始图像、模糊图像和皮肤概率图，合成处理后得到模糊合成图；所述的皮肤优化的输入源是皮肤概率图和模糊合成图，利用皮肤概率图对模糊合成图进行处理得到优化图；所述的瘦脸瘦身、亮眼、鼻子高光的输入源均是优化图，其分别利用优化图进行各自区域的处理，最后进行合成处理得到最终结果图。
优选的，所述的模糊处理包括以下一种或一种以上的组合：中值模糊处理、高斯模糊处理、均值模糊处理、卷积处理。
优选的，所述的皮肤识别，主要是利用对皮肤颜色的分析与建立数据库，对待处理图像进行每个像素点的皮肤概率的判断；所述的模糊合成主要是根据皮肤识别的结果对待处理图像与模糊处理后的模糊图像以皮肤识别的结果作为透明度进行效果合成。
优选的，所述的皮肤优化，主要是对皮肤区域的颜色进行色调的调整，调整算法包括以下一种或一种以上的组合：亮度对比度调整、饱和度调整、曲线调整、色阶调整、颜色调整。
本发明的有益效果是：
本发明的一种图像美容的加速方法，其通过对待处理图像的美容处理进行分解，得到多个基础算法以及各个基础算法的输入源，并对所述的基础算法进行CPU和GPU的性能测试得到该基础算法的CPU处理值和GPU处理值，根据所述基础算法的CPU处理值和GPU处理值对该基础算法进行硬件配置，并根据基础算法的输入源设置各个基础算法之间的执行顺序，最后根据所述的硬件配置和执行顺序对待处理图像进行图像美容处理，从而极大的提高了图像美容处理的效率，特别适用于各种算法复杂步骤繁多的美容处理，美容效果更好更自然。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种图像美容的加速方法的流程简图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明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用以解释本发明，并不用于限定本发明。
如图1所示，本发明的一种图像美容的加速方法，其包括以下步骤：
10.对待处理图像的美容处理进行分解，得到多个基础算法以及各个基础算法的输入源；
20.对所述的基础算法进行CPU和GPU的性能测试，并根据性能测试的结果标记该基础算法的CPU处理值和GPU处理值；
30.根据所述基础算法的CPU处理值和GPU处理值对该基础算法进行硬件配置；
40.根据所述基础算法的输入源，设置各个基础算法之间的执行顺序；
50.根据所述的基础算法的硬件配置和执行顺序对待处理图像进行图像美容处理。
所述的步骤10中，基础算法包括以下两种或两种以上的组合：a.模糊处理、b.人脸定位、c.皮肤识别、d.模糊合成、e.皮肤优化、f.瘦脸瘦身、g.亮眼、h.鼻子高光。具体如下：
a.所述的模糊处理包括以下一种或一种以上的组合：中值模糊处理、高斯模糊处理、均值模糊处理、卷积处理。其中：
中值模糊处理：即中值滤波处理，主要是对要处理的像素点周围的N*N模板像素点的颜色值进行从大到小或者从小到大的排序，得到排序后最中间的那个颜色值，即中位数，然后将该像素点的颜色值设置为其中位数的颜色值；其中，N为模糊的半径。
高斯模糊处理：其主要是采用正态分布计算图像中每个像素的变换，其中，在N维空间的正态分布方程为：
在二维空间的正态分布方程为：
其中r是模糊半径(r2＝u2+v2)，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。
均值模糊处理：它是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素；该临近像素是指以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身；再用模板中的全体像素的平均值来代替原来像素值。
卷积处理：卷积是对矩阵中的每一个元素进行的操作，卷积所实现的功能是由其卷积核的形式决定的，卷积核是一个大小固定、有数值参数构成的矩阵，矩阵的中心为参考点或锚点，矩阵的大小称为核支撑；要计算一个像素点的卷积后的颜色值，首先将核的参考点定位到该像素点，核的其余元素覆盖矩阵中相对应的局部周围点；对于每一个核中的的像素点，得到这个像素点的值与卷积核数组中特定点的值的乘积并求所有这些乘积的累加和，即该特定点的卷积值，用这个结果替代该像素点的颜色值；通过在整个图像上移动卷积核，对图像的每个像素点重复此操作。
b.所述的人脸定位，主要是利用机器学习的方法对图像进行人脸的定位，获取人脸的区域以及关键点的定位。
c.所述的皮肤识别，主要是利用对皮肤颜色的分析与建立数据库，对待处理图像进行每个像素点的皮肤概率的判断。
d.所述的模糊合成主要是根据皮肤识别的结果对待处理图像与模糊处理后的模糊图像以皮肤识别的结果作为透明度进行效果合成。
e.所述的皮肤优化，主要是对皮肤区域的颜色进行色调的调整，调整算法包括以下一种或一种以上的组合：亮度对比度调整、饱和度调整、曲线调整、色阶调整、颜色调整。
f.所述的瘦脸瘦身，主要是利用人脸识别的结果对人脸区域进行变形处理，从而使脸型更好看。
g.所述的亮眼，主要是对眼睛进行提亮的处理，使眼睛更有活力，从而使美容的效果更好。
h.所述的鼻子高光，主要是对鼻子进行光线的提高，从而使鼻子的立体感更好。
所述的步骤20中，对所述的基础算法进行CPU和GPU的性能测试，并根据性能测试的结果标记该基础算法的CPU处理值和GPU处理值；所述的步骤30中，根据所述基础算法的CPU处理值和GPU处理值对该基础算法进行硬件配置，本实施例中各个基础算法的CPU和GPU的性能测试结果以及硬件配置情况如下：
以下预设CPU硬件处理值和GPU硬件处理值相加的和为1。
模糊处理，GPU处理值为0.6，CPU处理值为0.4，因此模糊处理适合在GPU上处理；
人脸定位，由于GPU目前暂时没有比较好的方案，因此人脸定位适合在CPU上处理；
皮肤识别，GPU处理值为0.25，CPU处理值为0.75，因此皮肤识别更适合在CPU上处理；
模糊合成和皮肤优化，GPU处理值为0.7，CPU处理值为0.3，因此模糊合成和皮肤优化适合在GPU上同时处理；
瘦脸瘦身，因为涉及的区域比较大，而且需要插值的计算，GPU处理值为0.65，CPU为0.35，因此瘦脸瘦身适合在GPU上处理；
亮眼、鼻子高光，因为涉及的区域比较小，而且算法简单，GPU处理值为0.2，CPU为0.8，因此亮眼、鼻子高光适合在CPU上处理。
所述的步骤50中，根据所述的基础算法的硬件配置和执行顺序对待处理图像进行图像美容处理，进一步包括：
51.在GPU执行模糊处理，同时，在CPU依次执行人脸定位和皮肤识别；
52.在GPU依次执行模糊合成和皮肤优化；
53.在GPU执行瘦脸瘦身，同时，在CPU分别执行亮眼和鼻子高光；
54.将步骤53的处理结果进行合成处理。
其中，所述的模糊处理的输入源是原始图像，处理后得到模糊图像；所述的人脸定位的输入源是原始图像进行，处理后得到人脸区域和关键点定位；所述的皮肤识别的输入源是原始图像，处理后得到皮肤概率图；所述的模糊合成的输入源是包括原始图像、模糊图像和皮肤概率图，合成处理后得到模糊合成图；所述的皮肤优化的输入源是皮肤概率图和模糊合成图，利用皮肤概率图对模糊合成图进行处理得到优化图；所述的瘦脸瘦身、亮眼、鼻子高光的输入源均是优化图，其分别利用优化图进行各自区域的处理，最后进行合成处理得到最终结果图；从而极大的提高了图像美容处理的效率，特别适用于各种算法复杂步骤繁多的美容处理，美容效果更好更自然。
上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种图像美容的加速方法，其特征在于，包括以下步骤：
10.对待处理图像的美容处理进行分解，得到多个基础算法以及各个基础算法的输入源；
20.对所述的基础算法进行CPU和GPU的性能测试，并根据性能测试的结果标记该基础算法的CPU处理值和GPU处理值；
30.根据所述基础算法的CPU处理值和GPU处理值对该基础算法进行硬件配置，所述硬件配置是指配置CPU或者配置GPU；
40.根据所述基础算法的输入源，设置各个基础算法之间的执行顺序；
50.根据所述的基础算法的硬件配置和执行顺序对待处理图像进行图像美容处理。
2.根据权利要求1所述的一种图像美容的加速方法，其特征在于：所述的基础算法包括以下两种以上的组合：模糊处理、人脸定位、皮肤识别、模糊合成、皮肤优化、瘦脸瘦身、亮眼、鼻子高光。
3.根据权利要求2所述的一种图像美容的加速方法，其特征在于：所述的步骤50中根据所述的基础算法的硬件配置和执行顺序对待处理图像进行图像美容处理，进一步包括：
51.在GPU执行模糊处理，同时，在CPU依次执行人脸定位和皮肤识别；
52.在GPU依次执行模糊合成和皮肤优化；
53.在GPU执行瘦脸瘦身，同时，在CPU分别执行亮眼和鼻子高光；
54.将步骤53的处理结果进行合成处理。
4.根据权利要求3所述的一种图像美容的加速方法，其特征在于：所述的模糊处理的输入源是原始图像，处理后得到模糊图像；所述的人脸定位的输入源是原始图像，处理后得到人脸区域和关键点定位；所述的皮肤识别的输入源是原始图像，处理后得到皮肤概率图；所述的模糊合成的输入源是包括原始图像、模糊图像和皮肤概率图，合成处理后得到模糊合成图；所述的皮肤优化的输入源是皮肤概率图和模糊合成图，利用皮肤概率图对模糊合成图进行处理得到优化图；所述的瘦脸瘦身、亮眼、鼻子高光的输入源均是优化图，其分别利用优化图进行各自区域的处理，最后进行合成处理得到最终结果图。
5.根据权利要求2或3或4所述的一种图像美容的加速方法，其特征在于：所述的模糊处理包括以下一种或两种以上的组合：中值模糊处理、高斯模糊处理、均值模糊处理、卷积处理。
6.根据权利要求2或3或4所述的一种图像美容的加速方法，其特征在于：所述的皮肤识别，主要是利用对皮肤颜色的分析与建立数据库，对待处理图像进行每个像素点的皮肤概率的判断；所述的模糊合成主要是根据皮肤识别的结果对待处理图像与模糊处理后的模糊图像以皮肤识别的结果作为透明度进行效果合成。
7.根据权利要求2或3或4所述的一种图像美容的加速方法，其特征在于：所述的皮肤优化，主要是对皮肤区域的颜色进行色调的调整，调整算法包括以下一种或两种以上的组合：亮度对比度调整、饱和度调整、曲线调整、色阶调整、颜色调整。
CN201410718813.4A 2014-12-01 2014-12-01 一种图像美容的加速方法 Active CN104392409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410718813.4A CN104392409B (zh) 2014-12-01 2014-12-01 一种图像美容的加速方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410718813.4A CN104392409B (zh) 2014-12-01 2014-12-01 一种图像美容的加速方法

Publications (2)

Publication Number Publication Date
CN104392409A CN104392409A (zh) 2015-03-04
CN104392409B true CN104392409B (zh) 2018-05-01

Family

ID=52610307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410718813.4A Active CN104392409B (zh) 2014-12-01 2014-12-01 一种图像美容的加速方法

Country Status (1)

Country Link
CN (1) CN104392409B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732495B (zh) * 2015-03-23 2018-11-06 厦门美图之家科技有限公司 一种基于模糊的自动色调的图像处理方法和系统
CN106688016A (zh) * 2016-11-30 2017-05-17 深圳市大疆创新科技有限公司 处理视频流的方法和终端
CN108289185B (zh) * 2017-01-09 2021-08-13 腾讯科技（深圳）有限公司 一种视频通信方法、装置及终端设备
CN108337465B (zh) * 2017-02-09 2021-05-14 腾讯科技（深圳）有限公司 视频处理方法和装置
CN107895352A (zh) * 2017-10-30 2018-04-10 维沃移动通信有限公司 一种图像处理方法及移动终端
CN108073909B (zh) * 2017-12-29 2019-10-25 深圳云天励飞技术有限公司 合成模糊人脸图像的方法和装置、计算机装置及存储介质
CN109089043B (zh) * 2018-08-30 2021-07-30 Oppo广东移动通信有限公司 拍摄图像预处理方法、装置、存储介质及移动终端

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI417811B (zh) * 2008-12-31 2013-12-01 Altek Corp The Method of Face Beautification in Digital Image
CN103455790B (zh) * 2013-06-24 2017-10-13 厦门美图网科技有限公司 一种基于肤色模型的皮肤识别方法
CN103413270A (zh) * 2013-08-15 2013-11-27 北京小米科技有限责任公司 一种图像的处理方法、装置和终端设备
CN103593834B (zh) * 2013-12-03 2017-06-13 厦门美图网科技有限公司 一种智能添加景深的图像增强方法
CN103632336B (zh) * 2013-12-17 2016-04-27 武汉大学 基于负载分配的遥感影像cpu/gpu协同处理方法
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

Also Published As

Publication number Publication date
CN104392409A (zh) 2015-03-04

Similar Documents

Publication Publication Date Title
CN104392409B (zh) 一种图像美容的加速方法
Qin et al. A GAN-based image synthesis method for skin lesion classification
Shan et al. Automatic facial expression recognition based on a deep convolutional-neural-network structure
Han et al. A comparative study on illumination preprocessing in face recognition
CN110032271B (zh) 对比度调节装置及其方法、虚拟现实设备及存储介质
WO2020119458A1 (zh) 脸部关键点检测方法、装置、计算机设备和存储介质
JP6728487B2 (ja) 電子装置及びその制御方法
CN104331858B (zh) 一种同时利用cpu和gpu进行图像处理的加速方法
Hassanzadeh et al. Non-linear grayscale image enhancement based on firefly algorithm
CN103839269A (zh) 基于四元数和模糊c均值聚类的图像分割方法
Ahmad et al. Illumination normalization using independent component analysis and filtering
Zhao et al. Fine-grained diabetic wound depth and granulation tissue amount assessment using bilinear convolutional neural network
CN109166139A (zh) 一种结合快速背景抑制的尺度自适应目标跟踪方法
Tang et al. Contrast-dependent surround suppression models for contour detection
Zhu et al. A fusion method for infrared–visible image and infrared-polarization image based on multi-scale center-surround top-hat transform
Yang et al. Learning feature-rich integrated comprehensive context networks for automated fundus retinal vessel analysis
de Pontes Oliveira et al. A data augmentation methodology to improve age estimation using convolutional neural networks
CN113379623B (zh) 图像处理方法、装置、电子设备及存储介质
Kim et al. Detail restoration and tone mapping networks for x-ray security inspection
CN110473281A (zh) 三维模型的描边处理方法、装置、处理器及终端
Goga et al. Hand gesture recognition using 3D sensors
CN107729992B (zh) 一种基于反向传播的深度学习方法
Valverde et al. Multiple sclerosis lesion detection and segmentation using a convolutional neural network of 3D patches
Xu et al. An edge guided coarse-to-fine generative network for image outpainting
Vidya et al. Local and global transformations to improve learning of medical images applied to chest radiographs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant