CN107563976A - 美颜参数获取方法、装置、可读存储介质和计算机设备 - Google Patents
美颜参数获取方法、装置、可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN107563976A CN107563976A CN201710737480.3A CN201710737480A CN107563976A CN 107563976 A CN107563976 A CN 107563976A CN 201710737480 A CN201710737480 A CN 201710737480A CN 107563976 A CN107563976 A CN 107563976A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- parameter
- quantized value
- value set
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 22
- 239000006185 dispersion Substances 0.000 claims description 7
- 230000004075 alteration Effects 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 description 22
- 239000000523 sample Substances 0.000 description 21
- 238000003384 imaging method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 208000003351 Melanosis Diseases 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002087 whitening effect Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000003255 anti-acne Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000010981 turquoise Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种美颜参数获取方法、装置、可读存储介质和计算机设备。上述方法包括：获取原始图像中预设区域的第一量化值集合；获取与所述原始图像对应的目标图像中所述预设区域的第二量化值集合；根据预设模型获取由所述第一量化值集合到所述第二量化值集合的美颜参数集合。上述方法，量化原始图像的预设区域的参数值、量化目标图像的预设区域的参数值，再采用预设模型求取将原始图像处理为目标图像的美颜参数集合。通过将图像中量化成参数值的方式，使得美颜参数可通过计算机设备自动调试获取，避免了人工调试导致获取美颜参数不精准的问题。获取的美颜参数更准确，且选取美颜参数的方式更快速，提高了选取美颜参数的效率。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种美颜参数获取方法、装置、可读存储介质和计算机设备。
背景技术
随着智能移动终端的发展，采用智能移动终端进行自拍的技术越来越成熟。用户在采用智能移动终端进行自拍后，可采用美颜技术对拍摄获取的图像进行美化。其中，美颜技术对图像的美颜处理可包括多种模式，如美白、磨皮、祛斑、增大眼睛、瘦脸、瘦身等。美颜处理中每种美颜模式均设定固定的参数值，根据美颜模式中固定参数值可对图像进行相应的美颜处理。
发明内容
本发明实施例提供一种美颜参数获取方法、装置、可读存储介质和计算机设备，可以快速获取美颜参数。
一种美颜参数获取方法，包括：
获取原始图像中预设区域的第一量化值集合；
获取与所述原始图像对应的目标图像中所述预设区域的第二量化值集合；
根据预设模型获取由所述第一量化值集合到所述第二量化值集合的美颜参数集合。
一种美颜参数获取装置，包括：
第一获取模块，用于获取原始图像中预设区域的第一量化值集合；
第二获取模块，用于获取与所述原始图像对应的目标图像中所述预设区域的第二量化值集合；
计算模块，用于根据预设模型获取由所述第一量化值集合到所述第二量化值集合的美颜参数集合。
一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行如上所述的美颜参数获取方法。
一种计算机设备，包括存储器及处理器，所述存储器中储存有计算机可读指令，所述指令被所述处理器执行时，使得所述处理器执行如上所述的美颜参数获取方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中移动终端的内部结构示意图；
图2为一个实施例中美颜参数获取方法的流程图；
图3为一个实施例中获取原始图像中人脸图像的预设区域的示意图；
图4为一个实施例中采用梯度下降算法求取美颜参数集合的流程图；
图5为一个实施例中根据梯度下降算法求取美颜参数集合的示意图；
图6为另一个实施例中美颜参数获取方法的流程图；
图7为一个实施例中美颜参数获取装置的结构框图；
图8为一个实施例中图7中第一获取模块702的结构框图；
图9为一个实施例中图7中第二获取模块704的结构框图；
图10为一个实施例中图7中计算模块706的结构框图；
图11为另一个实施例中美颜参数获取装置的结构框图；
图12为一个实施例中图像处理电路的示意图。
具体实施方式
为了使本发明的目的、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仅用以解释本发明，并不用于限定本发明。
可以理解，本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本发明的范围的情况下，可以将第一获取模块称为第二获取模块，且类似地，可将第二获取模块称为第一获取模块。第一获取模块和第二获取模块两者都是获取模块，但其不是同一获取模块。
以计算机设备为移动终端为例。图1为一个实施例中移动终端10的内部结构示意图。如图1所示，该移动终端10包括通过系统总线连接的处理器、非易失性存储介质、内存储器和网络接口、显示屏和输入装置。其中，移动终端10的非易失性存储介质存储有操作系统和计算机可读指令。该计算机可读指令被处理器执行时以实现一种图像处理方法。该处理器用于提供计算和控制能力，支撑整个移动终端10的运行。移动终端10中的内存储器为非易失性存储介质中的计算机可读指令的运行提供环境。网络接口用于与服务器进行网络通信。移动终端10的显示屏可以是液晶显示屏或者电子墨水显示屏等，输入装置可以是显示屏上覆盖的触摸层，也可以是移动终端10外壳上设置的按键、轨迹球或触控板，也可以是外接的键盘、触控板或鼠标等。该移动终端10可以是手机、平板电脑或者个人数字助理或穿戴式设备等。本领域技术人员可以理解，图1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移动终端10的限定，具体的移动终端10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。
图2为一个实施例中美颜参数获取方法的流程图。如图2所示，一种美颜参数获取方法，包括步骤202至步骤206。其中：
202，获取原始图像中预设区域的第一量化值集合。
原始图像是指未经图像处理的包含人脸的图像，可为摄像设备直接拍摄获取的图像。进一步的，原始图像可为用户的自拍照、大头照等。采用人类特征辨别技术，可对图像中人脸按肤色、肤质、年龄、性别等进行划分，将图像划分为不同类型。将图像按不同维度划分后，可从一类图像中挑选一张图像或多张图像作为原始图像。
采用图像探针可获取原始图像中人脸图像的预设区域，上述图像探针是预存于计算机设备中人脸模板，图像探针中包括多个预设区域，如：美白区域、祛斑区域等。其中，图像探针中预设区域位于人脸图像上固定区域。通过在原始图像中人脸图像上添加图像探针，可定性分析原始图像中人脸图像的预设区域的参数。如图3所示，在原始图像中人脸图像30上添加图像探针，上述图像探针包括美白区域302和祛斑区域304。其中，美白区域302在人脸的下巴区域，祛斑区域304在人脸的左脸区域。通过识别美白区域302的肤色，可将美白区域302的肤色定性分析为白、偏白、黄、黑等。通过识别祛斑区域304皮肤的细纹和毛孔等，将祛斑区域304的皮肤状态定性分析为光滑、一般、粗糙等。
在原始图像的人脸图像上添加图像探针后，可定量分析原始图像中预设区域内的参数值，即将原始图像中预设区域的参数值量化。其中，预设区域的肤色、皮肤状态等可用色彩值、边缘信息、边缘强度等表示。除量化原始图像的色彩值、边缘信息、边缘强度外，还可量化原始图像的锐度、对比度和原始图像中人脸轮廓的曲线等。
图像的色彩值可用色彩空间表示。常用的色彩空间包括RGB(Red、Green、Blue，红绿蓝色彩模式)、CMYK(Cyan、Magenta、Yellow、KeyPlate，印刷四色模式)、Lab(L表示亮度Luminosity，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围)等。在不同的色彩空间中，单一色彩均可用唯一数值表示。例如，在RGB色彩空间中，{R＝255，G＝255，B＝255}代表白色。
图像的边缘信息是指图像中周围像素灰度急剧变化的像素的集合，图像的边缘信息是图像的基本特征。对图像进行边缘检测可获取图像的边缘信息。图像的边缘检测可采用多种边缘检测算子，如Roberts Cross算子，Prewitt算子，Sobel算子，Kirsch算子，罗盘算子等。图像的边缘检测可包括以下几个步骤：
(1)滤波。边缘检测算法主要是基于图像强度的一阶和二阶导数，但图像中噪声会造成导数的计算误差较大，采用滤波器可减小图像中噪声给边缘检测带来的误差。
(2)增强。增强算法可突出显示图像中邻域(或局部)强度值有显著变化的点，通过计算图像的梯度幅度可进行图像的边缘增强。
(3)检测。根据梯度幅值阈值来检测图像中的边缘点。
(4)定位。根据子像素分辨率来获取边缘像素的位置或方向。
在获取到图像的边缘信息后，可进一步获取图像的边缘强度。图像的边缘强度是指图像边缘像素的梯度的幅值。其中，图像边缘像素的梯度为对图像基于亮度的一阶导数，即图像中原始数据亮度的梯度。幅值是指在一个周期内，数据变化的最大绝对值。
图像的锐度是指图像边缘的对比度，可用亮度对于空间的导数幅度来表示。图像的对比度是指图像中最亮的白和最暗的黑之间不同亮度层级的测量。图像人脸轮廓的曲线是根据人脸特征识别人脸后，提取人脸轮廓，对人脸轮廓进行拟合得到的曲线。
上述原始图像中预设区域的第一量化值集合可包括色彩值、边缘信息、边缘强度和人脸轮廓的曲线。进一步的，第一量化值集合还可包括锐度值、对比度值等。
204，获取与原始图像对应的目标图像中预设区域的第二量化值集合。
目标图像为对原始图像进行图像处理后的图像。例如，目标图像可为采用第三方软件进行自动修图后得到的图像(如采用第三方软件对原始图像进行一键美颜后得到的图像)；目标图像也可为采用第三方软件进行手动修图后得到的图像。在获取原始图像中预设区域的第一量化值集合后，在目标图像上添加图像探针，获取与原始图像相同的预设区域，再获取目标图像中预设区域的第二量化值集合。上述第二量化值集合可包括色彩值、边缘信息、边缘强度和人脸轮廓的曲线。进一步的，第二量化值集合还可包括锐度值、对比度值等。获取色彩值、边缘信息、边缘强度、人脸轮廓的曲线、锐度值和对比度值的方法与步骤202中方法相同，在此不再赘述。其中，不同原始图像对应的图像探针相同或不同原始图像对应给的图像探针不同，即不同原始图像中预设区域相同或不同。原始图像和目标图像对应的图像探针相同。
206，根据预设模型获取由第一量化值集合到第二量化值集合的美颜参数集合。
预设模型可为人工神经网络模型、深度学习模型或梯度下降算法模型。美颜参数集合是将原始图像处理为目标图像的多个美颜参数的集合。根据上述美颜参数集合，计算机设备可通过最少次数的迭代运算将原始图像处理为目标图像，即上述美颜参数集合为将原始图像处理为目标图像的最优美颜参数集合。
人工神经网络模型是一种运算模型，由大量的节点相互联接构成。每个节点代表一种特定的输出函数，上述输出函数可称为激励函数。每两个节点的连接信号可代表对通过该连接信号的加权值，即权重值。人工神经网络模型中网络连接的方式不同，其对应的权重值和激励函数不同。其中，针对某一具体问题设置的反馈型人工神经网络，可快速寻找到最优解。例如，针对美颜参数设置的反馈型人工神经网络，获取可将原始图像处理为目标图像的最少次迭代运算的美颜参数集合。
深度学习模型是机器学习中一种基于对数据进行表征学习的模型。观测值可采用多种方式表示(如一张图像可表示为图像中每个像素强度值的向量，或一系列边、或特定形状的区域等)，使用某些特定的表示方法可从实例中学习任务。基于深度学习模型，可以学习人工调试参数获取美颜参数的过程，进而获取可将原始图像处理为目标图像的最少次迭代运算的美颜参数集合。
梯度下降算法模型是基于梯度下降算法的模型。梯度下降算法是一种最优化算法，是求解无约束优化问题最简单的算法之一。通过梯度下降算法模型可求取美颜参数。其中，采用梯度下降算法求取美颜参数的步骤包括：
(1)确定样本的拟合函数和损失函数。损失函数是指用于评估拟合函数对样本拟合程度的函数。
(2)确定算法步长。算法步长是指在梯度下降迭代的过程中，每一步沿梯度负方向前进的长度。
(3)初始化参数，获取初始值的损失函数的梯度，上述初始值为预设的已知值。
(4)将算法步长与损失函数的梯度相乘，得到初始值下降的距离值。
(5)获取初始值下降的最大距离值对应的参数作为美颜参数。
(6)在初始值下降最大距离值得到目标值后，将上述目标值作为下一轮的初始值重复上述步骤(3)至(6)，直到目标值为预设的目标值。
传统技术中，图像美颜参数的获取依靠人工调试。通过人工多次迭代调试参数后再判断图像的差异，再选取美颜参数，选取美颜参数效率较为低下。
本发明实施例中美颜参数获取方法，量化原始图像的预设区域的参数值、量化目标图像的预设区域的参数值，再采用预设模型求取将原始图像处理为目标图像的美颜参数集合。通过将图像中量化成参数值的方式，使得美颜参数可通过计算机设备自动调试获取，避免了人工调试导致获取美颜参数不精准的问题。获取的美颜参数更准确，且选取美颜参数的方式更快速，提高了选取美颜参数的效率。
将图像按不同维度划分后，挑选一类图像中一张图像或多张图像。对原始图像求取最优美颜参数集合，有利于根据求取的最优美颜参数集合对原始图像代表的一类图像进行图像处理。
在一个实施例中，预设模型为梯度下降算法模型；步骤206根据预设模型获取由第一量化值集合到第二量化值集合的美颜参数集合包括：
402，根据第一量化值集合和第二量化值集合获取拟合函数。
404，获取预设的算法步长。
406，根据梯度下降算法依次获取步长内美颜参数，得到美颜参数集合，美颜参数集合用于将原始图像处理为目标图像。
在获取到第一量化值集合和第二量化值集合后，可采用梯度下降算法获取第一量化值集合到第二量化值集合的美颜参数集合。其中，第一量化值集合可表示为多维空间中一个点、第二量化值集合可表示为多维空间中一个点。在多维空间中，已知第一量化值集合和第二量化值集合对应的两个点，通过调整某已知函数的系数值，使得上述函数与已知两个点的差别(最小二乘意义上差别)最小，则上述函数为已知两个点的拟合函数，上述拟合函数可为直线或曲线。在一个实施例中，若获取到多个(两个以上)量化值集合，即在多维空间中存在多个已知点，则根据多个已知点进行拟合，获取多个量化值集合的拟合函数。
图5为一个实施例中根据梯度下降算法求取美颜参数集合的示意图。如图5所示，将梯度下降算法比拟为下山的过程，每步的距离值一定。第一量化值集合对应的高度值为A，第二量化值集合对应的高度值为B。采用梯度下降算法求取第一量化值集合到第二量化值集合的美颜参数集合即为求取由山坡上高度值为A的点到高度值为B的点的步数最少的路径。其中，求取由点A到点B的步数最少的路径的步骤如下：
(1)根据点A和点B获取拟合函数。
(2)获取算法步长，即获取每一步的距离值。
(3)随机初始化函数，运行梯度下降算法，求取当前值的最优参数。即由点A随机向各个方向跨出相同距离的一步，选取下降高度最大的一步，获取对应的参数。
(4)将当前值运行最优参数后得到的值作为下一轮的当前值，重复上述步骤(3)得到最优参数集合。即由点A沿下降高度最高的一步下降后到达点C后，再由点C随机向各个方向跨出相同距离的一步，选取下降高度最大的一步，直到最终到达点B，则获取的路径为步数最少的路径。
图5中路径502为由点A到点B的步数最少的路线，即由第一量化值集合到第二量化值集合的美颜参数集合。根据上述美颜参数集合可将第一量化值集合经过最少次数的迭代运算得到第二量化值集合。
在梯度下降算法中，可采用函数的导数表示函数值下降的幅度。在随机初始化参数运行梯度下降算法求取到当前值对应的美颜参数后，将当前值对应的美颜参数存储。其中，第一量化值集合包括色彩值、边缘信息、边缘强度和人脸轮廓的曲线；第二量化值集合包括色彩值、边缘信息、边缘强度和人脸轮廓的曲线。在Lab色彩空间中，可采用色差值ΔE表示两种色彩的差异；在RGB色彩空间中，可计算两种色彩RGB的差值表示两种色彩的差异；在YUV色彩空间中，可计算两种色彩UV的差值表示两种色彩的差异。根据编码后的边缘信息可计算图像边缘的差异。根据边缘强度的差值也可计算图像边缘的差异。根据曲线的离散程度可表示两条曲线的差异。
本发明实施例中美颜参数获取方法，采用梯度下降算法求取由第一量化值集合到第二量化值集合的美颜参数集合，提高了求取美颜参数的效率，求取的美颜参数更加准确，使得计算机设备采用美颜参数集合处理图像的效率更高，节省了系统资源。
在一个实施例中，还可采用随机初始化参数、多参数遍历求取最优解的方式求取美颜参数。
在一个实施例中，步骤202获取原始图像中预设区域的第一量化值集合包括：
(1)识别原始图像中人脸区域，获取原始图像中人脸区域的第一人脸特征信息，根据第一人脸特征信息确定原始图像中人脸区域对应的第一美颜区域。
(2)获取第一美颜区域内图像的预设参数的数值。
在获取到原始图像后，可根据人脸识别技术识别原始图像中人脸区域。人脸识别技术可基于人的脸部特征，对图像判别是否存在人脸，若图像存在人脸，再获取图像中人脸的位置、大小和人脸中面部器官的位置(如人脸中眼睛、鼻子、嘴巴的位置)。在通过人脸识别技术识别到原始图像中人脸区域后，可获取原始图像中人脸区域的人脸特征信息，即第一人脸特征信息。人脸特征信息为能够标识人脸的信息(如人脸的面部器官等)。根据上述第一人脸特征信息，可在原始图像的人脸区域上添加图像探针，上述图像探针包括预设区域。将上述图像探针添加到原始图像中人脸区域后，图像探针中预设区域即为原始图像中人脸区域对应的第一美颜区域。第一美颜区域内图像的预设参数包括色彩值、边缘信息、边缘强度、锐度、对比度和人脸轮廓的曲线。上述预设参数的数值具体可通过步骤202中具体步骤求取。
本发明实施例中美颜参数获取方法，通过将原始图像中预设区域的参数值量化，使得图像处理过程可量化。将图像处理过程由人工调试转换为算法自动运行，提高了效率。
在一个实施例中，步骤204获取与原始图像对应的目标图像中预设区域的第二量化值集合包括：
(1)识别目标图像中人脸区域，获取目标图像中人脸区域的第二人脸特征信息，根据第二人脸特征信息确定目标图像中人脸区域对应的第二美颜区域。
(2)获取第二美颜区域内图像的预设参数的数值。
在获取原始图像中第一美颜区域内图像的预设参数的数值后，获取与原始图像对应的目标图像，即原始图像经过图像处理后得到的图像。通过人脸识别技术识别目标图像中人脸区域，获取目标图像中人脸区域的人脸特征信息，即第二人脸特征信息。根据上述第二人脸特征信息在目标图像中人脸区域添加图像探针。在目标图像中人脸区域添加图像探针后，图像探针中预设区域即为目标图像中人脸区域对应的第二美颜区域。第二美颜区域内图像的预设参数包括色彩值、边缘信息、边缘强度、锐度、对比度和人脸轮廓的曲线。上述预设参数的数值具体可通过步骤202中具体步骤求取。
本发明实施例中美颜参数获取方法，通过将目标图像中预设区域的参数值量化，使得图像处理过程可量化。将图像处理过程由人工调试转换为算法自动运算，提高了效率。
在一个实施例中，第一量化值包括第一色彩值和第一形状曲线；第二量化值包括第二色彩值和第二形状曲线；根据预设算法可获取第一色彩值与第二色彩值之间的色差值，以及第一形状曲线与第二形状曲线的离散程度。
图像的色彩值可用色彩空间表示。常用的色彩空间有RGB、CMYK、Lab等。在不同的色彩空间中，单一色彩均能用唯一数值表示。在不同色彩空间中，均可计算两种色彩的色差值，上述色差值可表示色彩的差异。
图像中人脸的轮廓可采用人脸识别技术获取。在人脸识别技术出图像中人脸区域，根据肤色、人脸景深值等信息可获取人脸的轮廓。在获取人脸的轮廓后可进一步提取人脸的轮廓曲线。其中，人脸的轮廓曲线是指图像中人脸未被头发遮盖部分的曲线。在获取到人脸的轮廓曲线后，对人脸的轮廓曲线进行拟合，获取拟合曲线。通过计算不同图像中人脸对应的拟合曲线的曲线离散程度即可得到人脸轮廓的差异。在对图像进行图像处理时，通过对图像进行瘦脸处理可使人脸轮廓发生变化，原始图像人脸对应的拟合曲线与目标图像人脸对应的拟合区域的离散程度即可表示对原始图像人脸进行瘦脸的程度。
本发明实施例中美颜参数获取方法，将图像中色彩量化、图像中人脸轮廓量化。通过对图像中参数的量化，可通过数学计算的方式求取原始图像与目标图像的差异，即将原始图像与目标图像的差异值量化。获取美颜参数的方式更智能、更快捷。
图6为另一个实施例中美颜参数获取方法的流程图。如图6所示，一种美颜参数获取方法，包括步骤602至步骤618。其中：
602，选取目标图像中预设区域。目标图像为原始图像经过图像处理后得到的图像，在目标图像上添加图像探针，即可得到目标图像的预设区域。
604，量化目标图像中预设区域的参数值。上述参数值可包括色彩值、边缘信息、边缘强度、人脸轮廓的曲线、锐度和对比度等。量化步骤具体参考步骤202。
606，选取原始图像。
608，随机初始化美颜参数，运行美颜程序对原始图像进行美颜处理。根据随机初始化得到的美颜参数对原始图像进行美颜处理，得到美颜处理后图像。
610，获取处理后图像与目标图像相同的预设区域。在美颜处理后图像上添加图像探针，得到与目标图像相同的预设区域。
612，量化处理后图像中预设区域的参数值。上述参数值可包括色彩值、边缘信息、边缘强度、人脸轮廓的曲线、锐度和对比度等。量化步骤具体参考步骤202。
614，采用梯度下降算法获取美颜参数。采用梯度下降算法获取最优美颜参数，即通过上述美颜参数处理原始图像后，处理后图像与目标图像的差异最小。
616，判断梯度下降算法是否结束。若是，进入步骤618；若否，返回步骤608。
618，获取美颜参数集合。
本发明实施例中美颜参数获取方法，采用美颜程序对原始图像进行美颜处理，根据梯度下降算法比较处理后图像与目标图像的差异，选取处理后图像与目标图像差异最小参数作为美颜参数。通过上述方法获取美颜参数集合后，可提高对图像进行美颜处理的效率。
图7为一个实施例中美颜参数获取装置的结构框图。如图7所示，一种美颜参数获取装置，包括第一获取模块702、第二获取模块704和计算模块706。
第一获取模块702，用于获取原始图像中预设区域的第一量化值集合。
第二获取模块704，用于获取与原始图像对应的目标图像中预设区域的第二量化值集合。
计算模块706，用于根据预设模型获取由第一量化值集合到第二量化值集合的美颜参数集合。
图8为一个实施例中图7中第一获取模块702的结构框图。如图8所示，第一获取模块702包括：
第一识别单元802，用于识别原始图像中人脸区域，获取原始图像中人脸区域的第一人脸特征信息，根据第一人脸特征信息确定原始图像中人脸区域对应的第一美颜区域。
第一获取单元804，用于获取第一美颜区域内图像的预设参数的数值。
图9为一个实施例中图7中第二获取模块704的结构框图。如图9所示，第二获取模块704包括：
第二识别单元902，识别目标图像中人脸区域，获取目标图像中人脸区域的第二人脸特征信息，根据第二人脸特征信息确定目标图像中人脸区域对应的第二美颜区域。
第二获取单元904，获取第二美颜区域内图像的预设参数的数值。
图10为一个实施例中图7中计算模块706的结构框图。如图10所示，计算模块706包括：
拟合单元1002，用于根据第一量化值集合和第二量化值集合获取拟合函数。
计算单元1004，用于获取预设的算法步长；根据梯度下降算法依次获取步长内美颜参数，得到美颜参数集合，美颜参数集合用于将原始图像处理为目标图像。
在一个实施例中，第一量化值包括第一色彩值和第一形状曲线；第二量化值包括第二色彩值和第二形状曲线。图11为另一个实施例中美颜参数获取装置的结构框图。如图11所示，一种美颜参数获取装置，包括第一获取模块1102、第二获取模块1104、计算模块1106和差值模块1108。其中，第一获取模块1102、第二获取模块1104、计算模块1106与图7中对应的模块功能相同。
差值模块1108，用于根据预设算法可获取第一色彩值与第二色彩值之间的色差值，以及第一形状曲线与第二形状曲线的离散程度。
上述美颜参数获取装置中各个模块的划分仅用于举例说明，在其他实施例中，可将美颜参数获取装置按照需要划分为不同的模块，以完成上述美颜参数获取装置的全部或部分功能。
本发明实施例还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行以下步骤：
(1)获取原始图像中预设区域的第一量化值集合。
(2)获取与原始图像对应的目标图像中预设区域的第二量化值集合。
(3)根据预设模型获取由第一量化值集合到第二量化值集合的美颜参数集合。
在一个实施例中，预设模型为梯度下降算法模型；步骤(3)根据预设模型获取由第一量化值集合到第二量化值集合的美颜参数集合包括：根据第一量化值集合和第二量化值集合获取拟合函数；获取预设的算法步长；根据梯度下降算法依次获取步长内美颜参数，得到美颜参数集合，美颜参数集合用于将原始图像处理为目标图像。
在一个实施例中，步骤(1)获取原始图像中预设区域的第一量化值集合包括：识别原始图像中人脸区域，获取原始图像中人脸区域的第一人脸特征信息，根据第一人脸特征信息确定原始图像中人脸区域对应的第一美颜区域；获取第一美颜区域内图像的预设参数的数值。
在一个实施例中，步骤(2)获取与原始图像对应的目标图像中预设区域的第二量化值集合包括：识别目标图像中人脸区域，获取目标图像中人脸区域的第二人脸特征信息，根据第二人脸特征信息确定目标图像中人脸区域对应的第二美颜区域；获取第二美颜区域内图像的预设参数的数值。
在一个实施例中，第一量化值包括第一色彩值和第一形状曲线；第二量化值包括第二色彩值和第二形状曲线；根据预设算法可获取第一色彩值与第二色彩值之间的色差值，以及第一形状曲线与第二形状曲线的离散程度。
本发明实施例还提供一种计算机设备。上述计算机设备中包括图像处理电路，图像处理电路可以利用硬件和/或软件组件实现，可包括定义ISP(Image SignalProcessing，图像信号处理)管线的各种处理单元。图9为一个实施例中图像处理电路的示意图。如图9所示，为便于说明，仅示出与本发明实施例相关的图像处理技术的各个方面。
本发明实施例还提供一种计算机设备。上述计算机设备中包括图像处理电路，图像处理电路可以利用硬件和/或软件组件实现，可包括定义ISP(Image SignalProcessing，图像信号处理)管线的各种处理单元。图12为一个实施例中图像处理电路的示意图。如图12所示，为便于说明，仅示出与本发明实施例相关的图像处理技术的各个方面。
如图12所示，图像处理电路包括ISP处理器1240和控制逻辑器1250。成像设备1210捕捉的图像数据首先由ISP处理器1240处理，ISP处理器1240对图像数据进行分析以捕捉可用于确定和/或成像设备1210的一个或多个控制参数的图像统计信息。成像设备1210可包括具有一个或多个透镜1212和图像传感器1214的照相机。图像传感器1214可包括色彩滤镜阵列(如Bayer滤镜)，图像传感器1214可获取用图像传感器1214的每个成像像素捕捉的光强度和波长信息，并提供可由ISP处理器1240处理的一组原始图像数据。传感器1220(如陀螺仪)可基于传感器1220接口类型把采集的图像处理的参数(如防抖参数)提供给ISP处理器1240。传感器1220接口可以利用SMIA(Standard Mobile Imaging Architecture，标准移动成像架构)接口、其它串行或并行照相机接口或上述接口的组合。
此外，图像传感器1214也可将原始图像数据发送给传感器1220，传感器1220可基于传感器1220接口类型把原始图像数据提供给ISP处理器1240，或者传感器1220将原始图像数据存储到图像存储器1230中。
ISP处理器1240按多种格式逐个像素地处理原始图像数据。例如，每个图像像素可具有8、10、12或14比特的位深度，ISP处理器1240可对原始图像数据进行一个或多个图像处理操作、收集关于图像数据的统计信息。其中，图像处理操作可按相同或不同的位深度精度进行。
ISP处理器1240还可从图像存储器1230接收图像数据。例如，传感器1220接口将原始图像数据发送给图像存储器1230，图像存储器1230中的原始图像数据再提供给ISP处理器1240以供处理。图像存储器1230可为存储器装置的一部分、存储设备、或电子设备内的独立的专用存储器，并可包括DMA(Direct Memory Access，直接直接存储器存取)特征。
当接收到来自图像传感器1214接口或来自传感器1220接口或来自图像存储器1230的原始图像数据时，ISP处理器1240可进行一个或多个图像处理操作，如时域滤波。处理后的图像数据可发送给图像存储器1230，以便在被显示之前进行另外的处理。ISP处理器1240还可从图像存储器1230接收处理数据，对所述处理数据进行原始域中以及RGB和YCbCr颜色空间中的图像数据处理。处理后的图像数据可输出给显示器1280，以供用户观看和/或由图形引擎或GPU(Graphics Processing Unit，图形处理器)进一步处理。此外，ISP处理器1240的输出还可发送给图像存储器1230，且显示器1280可从图像存储器1230读取图像数据。在一个实施例中，图像存储器1230可被配置为实现一个或多个帧缓冲器。此外，ISP处理器1240的输出可发送给编码器/解码器1270，以便编码/解码图像数据。编码的图像数据可被保存，并在显示于显示器1280设备上之前解压缩。
ISP处理器1240处理图像数据的步骤包括：对图像数据进行VFE(Video FrontEnd，视频前端)处理和CPP(Camera Post Processing，摄像头后处理)处理。对图像数据的VFE处理可包括修正图像数据的对比度或亮度、修改以数字方式记录的光照状态数据、对图像数据进行补偿处理(如白平衡，自动增益控制，γ校正等)、对图像数据进行滤波处理等。对图像数据的CPP处理可包括对图像进行缩放、向每个路径提供预览帧和记录帧。其中，CPP可使用不同的编解码器来处理预览帧和记录帧。ISP处理器1240处理后的图像数据可发送给美颜模块1260，以便在被显示之前对图像进行美颜处理。美颜模块1260对图像数据美颜处理可包括：美白、祛斑、磨皮、瘦脸、祛痘、增大眼睛等。其中，美颜模块1260可为移动终端中CPU(Central Processing Unit，中央处理器)、GPU或协处理器等。美颜模块1260处理后的数据可发送给编码器/解码器1270，以便编码/解码图像数据。编码的图像数据可被保存，并在显示于显示器1280设备上之前解压缩。其中，美颜模块1260还可位于编码器/解码器1270与显示器1280之间，即美颜模块对已成像的图像进行美颜处理。上述编码器/解码器1270可为移动终端中CPU、GPU或协处理器等。
ISP处理器1240确定的统计数据可发送给控制逻辑器1250单元。例如，统计数据可包括自动曝光、自动白平衡、自动聚焦、闪烁检测、黑电平补偿、透镜1212阴影校正等图像传感器1214统计信息。控制逻辑器1250可包括执行一个或多个例程(如固件)的处理器和/或微控制器，一个或多个例程可根据接收的统计数据，确定成像设备1210的控制参数以及ISP处理器1240的控制参数。例如，成像设备1210的控制参数可包括传感器1220控制参数(例如增益、曝光控制的积分时间)、照相机闪光控制参数、透镜1212控制参数(例如聚焦或变焦用焦距)、或这些参数的组合。ISP控制参数可包括用于自动白平衡和颜色调整(例如，在RGB处理期间)的增益水平和色彩校正矩阵，以及透镜1212阴影校正参数。
以下为运用图12中图像处理技术实现美颜参数获取方法的步骤：
(1)获取原始图像中预设区域的第一量化值集合。
(2)获取与原始图像对应的目标图像中预设区域的第二量化值集合。
(3)根据预设模型获取由第一量化值集合到第二量化值集合的美颜参数集合。
在一个实施例中，预设模型为梯度下降算法模型；步骤(3)根据预设模型获取由第一量化值集合到第二量化值集合的美颜参数集合包括：根据第一量化值集合和第二量化值集合获取拟合函数；获取预设的算法步长；根据梯度下降算法依次获取步长内美颜参数，得到美颜参数集合，美颜参数集合用于将原始图像处理为目标图像。
在一个实施例中，步骤(1)获取原始图像中预设区域的第一量化值集合包括：识别原始图像中人脸区域，获取原始图像中人脸区域的第一人脸特征信息，根据第一人脸特征信息确定原始图像中人脸区域对应的第一美颜区域；获取第一美颜区域内图像的预设参数的数值。
在一个实施例中，步骤(2)获取与原始图像对应的目标图像中预设区域的第二量化值集合包括：识别目标图像中人脸区域，获取目标图像中人脸区域的第二人脸特征信息，根据第二人脸特征信息确定目标图像中人脸区域对应的第二美颜区域；获取第二美颜区域内图像的预设参数的数值。
在一个实施例中，第一量化值包括第一色彩值和第一形状曲线；第二量化值包括第二色彩值和第二形状曲线；根据预设算法可获取第一色彩值与第二色彩值之间的色差值，以及第一形状曲线与第二形状曲线的离散程度。
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，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种美颜参数获取方法，其特征在于，包括：
获取原始图像中预设区域的第一量化值集合；
获取与所述原始图像对应的目标图像中所述预设区域的第二量化值集合；
根据预设模型获取由所述第一量化值集合到所述第二量化值集合的美颜参数集合。
2.根据权利要求1所述的美颜参数获取方法，其特征在于：所述预设模型为梯度下降算法模型；
所述根据预设模型获取由所述第一量化值集合到所述第二量化值集合的美颜参数集合包括：
根据所述第一量化值集合和所述第二量化值集合获取拟合函数；
获取预设的算法步长；
根据梯度下降算法依次获取所述步长内美颜参数，得到所述美颜参数集合，所述美颜参数集合用于将所述原始图像处理为所述目标图像。
3.根据权利要求1所述的美颜参数获取方法，其特征在于，所述获取原始图像中预设区域的第一量化值集合包括：
识别所述原始图像中人脸区域，获取所述原始图像中人脸区域的第一人脸特征信息，根据所述第一人脸特征信息确定所述原始图像中人脸区域对应的第一美颜区域；
获取所述第一美颜区域内图像的预设参数的数值。
4.根据权利要求1所述的美颜参数获取方法，其特征在于，所述获取与所述原始图像对应的目标图像中所述预设区域的第二量化值集合包括：
识别所述目标图像中人脸区域，获取所述目标图像中人脸区域的第二人脸特征信息，根据所述第二人脸特征信息确定所述目标图像中人脸区域对应的第二美颜区域；
获取所述第二美颜区域内图像的预设参数的数值。
5.根据权利要求1至4中任一项所述的美颜参数获取方法，其特征在于：
所述第一量化值包括第一色彩值和第一形状曲线；所述第二量化值包括第二色彩值和第二形状曲线；
根据预设算法可获取所述第一色彩值与所述第二色彩值之间的色差值，以及第一形状曲线与第二形状曲线的离散程度。
6.一种美颜参数获取装置，其特征在于，包括：
第一获取模块，用于获取原始图像中预设区域的第一量化值集合；
第二获取模块，用于获取与所述原始图像对应的目标图像中所述预设区域的第二量化值集合；
计算模块，用于根据预设模型获取由所述第一量化值集合到所述第二量化值集合的美颜参数集合。
7.根据权利要求6所述的美颜参数获取装置，其特征在于：所述预设模型为梯度下降算法模型；
所述计算模块还包括：
拟合单元，用于根据所述第一量化值集合和所述第二量化值集合获取拟合函数；
计算单元，用于获取预设的算法步长；根据梯度下降算法依次获取所述步长内美颜参数，得到所述美颜参数集合，所述美颜参数集合用于将所述原始图像处理为所述目标图像。
8.根据权利要求6所述的美颜参数获取装置，其特征在于，所述第一获取模块还包括：
第一识别单元，用于识别所述原始图像中人脸区域，获取所述原始图像中人脸区域的第一人脸特征信息，根据所述第一人脸特征信息确定所述原始图像中人脸区域对应的第一美颜区域；
第一获取单元，用于获取所述第一美颜区域内图像的预设参数的数值。
9.根据权利要求6所述的美颜参数获取装置，其特征在于，所述第二获取模块还包括：
第二识别单元，识别所述目标图像中人脸区域，获取所述目标图像中人脸区域的第二人脸特征信息，根据所述第二人脸特征信息确定所述目标图像中人脸区域对应的第二美颜区域；
第二获取单元，获取所述第二美颜区域内图像的预设参数的数值。
10.根据权利要求6至9中任一项所述的美颜参数获取装置，其特征在于：
所述第一量化值包括第一色彩值和第一形状曲线；所述第二量化值包括第二色彩值和第二形状曲线；
所述装置还包括：
差值模块，用于根据预设算法可获取所述第一色彩值与所述第二色彩值之间的色差值，以及第一形状曲线与第二形状曲线的离散程度。
11.一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述的美颜参数获取方法。
12.一种计算机设备，包括存储器及处理器，所述存储器中储存有计算机可读指令，所述指令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5中任一项所述的美颜参数获取方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710737480.3A CN107563976B (zh) | 2017-08-24 | 2017-08-24 | 美颜参数获取方法、装置、可读存储介质和计算机设备 |
| PCT/CN2018/101723 WO2019037739A1 (zh) | 2017-08-24 | 2018-08-22 | 图像处理参数获取方法、可读存储介质和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710737480.3A CN107563976B (zh) | 2017-08-24 | 2017-08-24 | 美颜参数获取方法、装置、可读存储介质和计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107563976A true CN107563976A (zh) | 2018-01-09 |
| CN107563976B CN107563976B (zh) | 2020-03-27 |
Family
ID=60976205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710737480.3A Expired - Fee Related CN107563976B (zh) | 2017-08-24 | 2017-08-24 | 美颜参数获取方法、装置、可读存储介质和计算机设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107563976B (zh) |
| WO (1) | WO2019037739A1 (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165700A (zh) * | 2018-10-18 | 2019-01-08 | 广州智颜科技有限公司 | 一种美容液的挤出控制方法、装置及系统 |
| CN109255331A (zh) * | 2018-09-18 | 2019-01-22 | 北京达佳互联信息技术有限公司 | 图片处理方法、装置、电子设备及存储介质 |
| WO2019037739A1 (zh) * | 2017-08-24 | 2019-02-28 | Oppo广东移动通信有限公司 | 图像处理参数获取方法、可读存储介质和计算机设备 |
| CN109859299A (zh) * | 2019-03-27 | 2019-06-07 | 腾讯科技（深圳）有限公司 | 人像图片处理方法、装置、计算机可读存储介质和计算机设备 |
| CN109918985A (zh) * | 2018-12-17 | 2019-06-21 | 福建大红鹰卫浴发展有限公司 | 一种自动调节温度的智能旋转龙头系统 |
| CN110020990A (zh) * | 2018-01-10 | 2019-07-16 | 中兴通讯股份有限公司 | 一种移动终端的全局美肤方法、装置、设备及存储介质 |
| CN110110778A (zh) * | 2019-04-29 | 2019-08-09 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
| CN110248104A (zh) * | 2019-07-22 | 2019-09-17 | 联想(北京)有限公司 | 一种图像处理方法、装置及电子设备 |
| CN110717209A (zh) * | 2018-06-27 | 2020-01-21 | 西安海平方网络科技有限公司 | 设计方案的量化结果获取方法、装置、设备和存储介质 |
| CN111445383A (zh) * | 2020-03-20 | 2020-07-24 | 北京迈格威科技有限公司 | 影像参数的调节方法、装置及系统 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115050065B (zh) * | 2022-04-26 | 2024-05-31 | 杭州海马体摄影有限公司 | 一种基于曲线的皮肤滤镜建模方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521807A (zh) * | 2011-12-02 | 2012-06-27 | 中国科学院自动化研究所 | 利用颜色空间分布对颜色进行传递的方法 |
| CN103605975A (zh) * | 2013-11-28 | 2014-02-26 | 小米科技有限责任公司 | 一种图像处理的方法、装置及终端设备 |
| CN105450907A (zh) * | 2014-07-31 | 2016-03-30 | 北京展讯高科通信技术有限公司 | 智能终端及其视频稳像系统模型参数的标定方法及装置 |
| CN105825486A (zh) * | 2016-04-05 | 2016-08-03 | 北京小米移动软件有限公司 | 美颜处理的方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899905B (zh) * | 2015-06-08 | 2017-09-29 | 深圳市诺比邻科技有限公司 | 人脸图像处理方法及装置 |
| CN105205779B (zh) * | 2015-09-15 | 2018-10-19 | 厦门美图之家科技有限公司 | 一种基于图像变形的眼部图像处理方法、系统及拍摄终端 |
| CN106998423A (zh) * | 2016-01-26 | 2017-08-01 | 宇龙计算机通信科技(深圳)有限公司 | 图像处理方法及装置 |
| CN106657793B (zh) * | 2017-01-11 | 2019-01-22 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
| CN107563976B (zh) * | 2017-08-24 | 2020-03-27 | Oppo广东移动通信有限公司 | 美颜参数获取方法、装置、可读存储介质和计算机设备 |
-
2017
- 2017-08-24 CN CN201710737480.3A patent/CN107563976B/zh not_active Expired - Fee Related
-
2018
- 2018-08-22 WO PCT/CN2018/101723 patent/WO2019037739A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521807A (zh) * | 2011-12-02 | 2012-06-27 | 中国科学院自动化研究所 | 利用颜色空间分布对颜色进行传递的方法 |
| CN103605975A (zh) * | 2013-11-28 | 2014-02-26 | 小米科技有限责任公司 | 一种图像处理的方法、装置及终端设备 |
| CN105450907A (zh) * | 2014-07-31 | 2016-03-30 | 北京展讯高科通信技术有限公司 | 智能终端及其视频稳像系统模型参数的标定方法及装置 |
| CN105825486A (zh) * | 2016-04-05 | 2016-08-03 | 北京小米移动软件有限公司 | 美颜处理的方法及装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019037739A1 (zh) * | 2017-08-24 | 2019-02-28 | Oppo广东移动通信有限公司 | 图像处理参数获取方法、可读存储介质和计算机设备 |
| CN110020990A (zh) * | 2018-01-10 | 2019-07-16 | 中兴通讯股份有限公司 | 一种移动终端的全局美肤方法、装置、设备及存储介质 |
| CN110020990B (zh) * | 2018-01-10 | 2023-11-07 | 中兴通讯股份有限公司 | 一种移动终端的全局美肤方法、装置、设备及存储介质 |
| CN110717209A (zh) * | 2018-06-27 | 2020-01-21 | 西安海平方网络科技有限公司 | 设计方案的量化结果获取方法、装置、设备和存储介质 |
| CN109255331A (zh) * | 2018-09-18 | 2019-01-22 | 北京达佳互联信息技术有限公司 | 图片处理方法、装置、电子设备及存储介质 |
| CN109255331B (zh) * | 2018-09-18 | 2019-08-09 | 北京达佳互联信息技术有限公司 | 图片处理方法、装置、电子设备及存储介质 |
| CN109165700A (zh) * | 2018-10-18 | 2019-01-08 | 广州智颜科技有限公司 | 一种美容液的挤出控制方法、装置及系统 |
| CN109918985A (zh) * | 2018-12-17 | 2019-06-21 | 福建大红鹰卫浴发展有限公司 | 一种自动调节温度的智能旋转龙头系统 |
| CN109859299A (zh) * | 2019-03-27 | 2019-06-07 | 腾讯科技（深圳）有限公司 | 人像图片处理方法、装置、计算机可读存储介质和计算机设备 |
| CN110110778A (zh) * | 2019-04-29 | 2019-08-09 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
| CN110248104A (zh) * | 2019-07-22 | 2019-09-17 | 联想(北京)有限公司 | 一种图像处理方法、装置及电子设备 |
| CN111445383A (zh) * | 2020-03-20 | 2020-07-24 | 北京迈格威科技有限公司 | 影像参数的调节方法、装置及系统 |
| CN111445383B (zh) * | 2020-03-20 | 2024-02-13 | 北京迈格威科技有限公司 | 影像参数的调节方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107563976B (zh) | 2020-03-27 |
| WO2019037739A1 (zh) | 2019-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563976A (zh) | 美颜参数获取方法、装置、可读存储介质和计算机设备 | |
| JP7027537B2 (ja) | 画像処理方法および装置、電子機器、ならびにコンピュータ可読記憶媒体 | |
| CN107451969A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
| CN107800966B (zh) | 图像处理的方法、装置、计算机可读存储介质和电子设备 | |
| CN107862657A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
| CN107730446B (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
| CN108537155A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| US7986352B2 (en) | Image generation system including a plurality of light receiving elements and for correcting image data using a spatial high frequency component, image generation method for correcting image data using a spatial high frequency component, and computer-readable recording medium having a program for performing the same | |
| CN107911625A (zh) | 测光方法、装置、可读存储介质和计算机设备 | |
| CN107993209B (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| CN111292246B (zh) | 图像颜色校正方法、存储介质及内窥镜 | |
| KR20150142038A (ko) | 모션 고스트 필터링을 위한 기준 이미지 선택 | |
| CN107395991B (zh) | 图像合成方法、装置、计算机可读存储介质和计算机设备 | |
| CN108419028A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
| JP2008113222A (ja) | 画像処理装置、撮影装置、および、これらにおける画像処理方法ならびに当該方法をコンピュータに実行させるプログラム | |
| CN108805265A (zh) | 神经网络模型处理方法和装置、图像处理方法、移动终端 | |
| CN107862659A (zh) | 图像处理方法、装置、计算机设备及计算机可读存储介质 | |
| CN107945106B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN104869380A (zh) | 图像处理设备和图像处理方法 | |
| CN107909058A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN107194900A (zh) | 图像处理方法、装置、计算机可读存储介质和移动终端 | |
| CN102638639A (zh) | 图像处理装置、摄像装置以及图像处理方法 | |
| CN102088539B (zh) | 一种预拍照画质评价方法和系统 | |
| CN109242794A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN107317967A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200327 |