图像局部特征迁移方法与装置
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种图像局部特征迁移方法与装置。
背景技术
随着人工智能技术的发展,在线试衣/妆、图片美容等图像处理技术蓬勃发展。在这些图像处理技术中,对局部进行改变成为研究的重点。
以虚拟美发技术为例,相关技术往往通过把图片格式转换成HSV,并在HSV颜色空间中使用模板像素对图片中头发所对应的区域进行替换,这种技术对于颜色过深的区域(比如黑色),效果并不明显;或者,通过对用户头部建立三维模型,并将发型、发色模板迁移到三维模型上以获取美发效果图,这种技术过于依赖模版,灵活性低且融合效果生硬。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种图像局部特征迁移方法与图像局部特征迁移装置,用于至少在一定程度上克服由于相关技术的限制和缺陷而导致的图像局部改变效果生硬、方案受限等问题。
根据本公开实施例的第一方面,提供一种图像局部特征迁移方法,包括:获取待处理图片、待迁移区域种类、特征参数;根据所述待迁移区域种类确定所述待处理图片中的待迁移区域;根据所述特征参数和所述待处理图片通过预设神经网络生成特征迁移图片;根据所述待迁移区域和所述特征迁移图片生成特征迁移区域;根据所述待迁移区域和所述特征迁移区域生成效果图片;
在本公开的一种示例性实施例中,所述待迁移区域种类包括人像头发,所述特征参数包括发型参数、发色参数,所述待迁移区域包括人像头发区域。
在本公开的一种示例性实施例中,所述预设神经网络基于循环对抗生成网络形成。
在本公开的一种示例性实施例中,所述根据所述待迁移区域种类确定所述待处理图片中的待迁移区域包括:
根据所述待迁移区域种类,通过FCN网络对所述待处理图像进行分割,求出所述待迁移区域的掩膜。
在本公开的一种示例性实施例中,所述根据所述特征参数和所述待处理图片通过预设神经网络生成特征迁移图片包括:
根据所述特征参数确定预设神经网络;
将所述待迁移区域的数据以及所述结果参数输入所述预设神经网络;
根据所述预设神经网络的输出数据生成所述特征迁移图片。
在本公开的一种示例性实施例中,所述根据所述待迁移区域和所述特征迁移图片生成特征迁移区域包括:
对所述待迁移区域与所述特征迁移图片对应于所述待迁移区域的位置求解像素值加权和以确定所述特征迁移区域的像素值,其中所述待迁移区域的权重大于所述特征迁移图片的权重。
在本公开的一种示例性实施例中,所述根据所述待迁移区域和所述特征迁移区域生成效果图片包括:
在所述待处理图片中将所述待迁移区域的像素值对应替换为所述特征迁移区域的像素值。
根据本公开实施例的第二方面,提供一种图像局部特征迁移装置,包括:
数据获取模块,设置为获取待处理图片、待迁移区域种类、特征参数;
局部分割模块,设置为根据所述待迁移区域种类确定所述待处理图片中的待迁移区域;
特征转换模块,设置为根据所述特征参数和所述待处理图片通过预设神经网络生成特征迁移图片;
局部转换模块,设置为根据所述待迁移区域和所述特征迁移图片生成特征迁移区域;
效果融合模块,设置为根据所述待迁移区域和所述特征迁移区域生成效果图片。
根据本公开的第三方面,提供一种图像局部特征迁移装置,包括:存储器;以及耦合到所属存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行如上述任意一项所述的方法。
根据本公开的第四方面,提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如上述任意一项所述的图像局部特征迁移方法。
本公开实施例通过对待处理图像进行分割,并通过预设神经网络对整体图片进行特征迁移后与分割得出的待迁移区域进行像素融合,可以有效利用预设神经网络的特征迁移效果提高迁移效果的自然度,降低对前景色/背景色对比度的要求;此外,通过使用预设神经网络完成局部特征迁移,可以允许输入多种特征参数,增加迁移特征的灵活性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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是本公开示例性实施例中图像局部特征迁移方法的流程图。
图2A和图2B分别是循环对抗生成网络上半流程算法和下半流程算法的示意图。
图3是本公开示例性实施例中图像局部特征迁移方法的子流程图。
图4是本公开示例性实施例中生成特征迁移区域的示意图。
图5示意性示出本公开一个示例性实施例中一种图像局部特征迁移装置的方框图。
图6示意性示出本公开一个示例性实施例中一种电子设备的方框图。
图7示意性示出本公开一个示例性实施例中一种计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
下面结合附图对本公开示例实施方式进行详细说明。
图1示意性示出本公开示例性实施例中图像局部特征迁移方法的流程图。参考图1,图像局部特征迁移方法100可以包括:
步骤S102,获取待处理图片、待迁移区域种类、特征参数;
步骤S104,根据所述待迁移区域种类确定所述待处理图片中的待迁移区域;
步骤S106,根据所述特征参数和所述待处理图片通过预设神经网络生成特征迁移图片;
步骤S108,根据所述待迁移区域和所述特征迁移图片生成特征迁移区域;
步骤S110,根据所述待迁移区域和所述特征迁移区域生成效果图片。
本公开实施例通过对待处理图像进行分割,并通过预设神经网络对整体图片进行特征迁移后与分割得出的待迁移区域进行像素融合,可以有效利用预设神经网络的特征迁移效果提高迁移效果的自然度,降低对前景色/背景色对比度的要求;此外,通过使用预设神经网络完成局部特征迁移,可以允许输入多种特征参数,增加迁移特征的灵活性。
下面,对图像局部特征迁移方法100的各步骤进行详细说明。
在步骤S102,获取待处理图片、待迁移区域种类、特征参数。
在本公开实施例中,待处理图片例如可以为人像图片,该人像图片例如可以为用户自拍人像图片。此时,待迁移区域种类可以包括人像的五官区域、头发区域、躯干区域、四肢区域、手足区域等等人体各类区域。当待处理图片为其他种类例如风景类图片时,待迁移区域种类也可以为山、树、天空、土地等等,本领域技术人员可以根据本方案实现多种图片的多种局部迁移。待迁移区域种类可以由用户点选或由程序自动提供,本公开不以此为限。
区别于相关技术的是,本公开提供的方法能够允许用户自行设置局部区域的特征参数,而不受限于模板。例如,当待迁移区域种类为人像头发时,用户可以自行设置头发的发型参数(例如头发弯曲程度数值、头发长短数值)或者发色参数(例如发色的RGB值)等。具体而言,可以为用户提供能够点选或拖拽的预览模板,允许用户在模板上调整发型或发色,并获取用户最终确定的头发参数作为特征参数,无需用户设置具体数值。特征参数的获取可以通过多种方式,本公开不以此为限。
在步骤S104,根据所述待迁移区域种类确定所述待处理图片中的待迁移区域。
在本公开实施例中,当待迁移区域种类为人像头发时,可以通过FCN网络对待处理图像进行分割,求出头发区域的掩膜。FCN(Fully Convolutional Network,全卷积网络)用于对图像进行像素级的分类,解决语义级别的图像分割(semantic segmentation)问题。FCN接收任意尺寸的输入图像,采用反卷积层对最后一个卷积层的特征图谱进行上采样,使它恢复到输入图像相同尺寸,从而可以对每个像素都产生一个预测,同时保留原始输入图像的空间信息,最后在上采样的特征图上进行逐像素分类。
通过FCN对待处理图像进行分割可以对头发区域取得较好的分割效果,降低发色对分割效果的影响,减少对前景色/背景色对比度的要求。在其他实施例中,本领域技术人员也可以自行设置其他图像分割方法,以准确确定待迁移区域的范围。
在步骤S106,根据所述特征参数和所述待处理图片通过预设神经网络生成特征迁移图片。
在本公开实施例中,预设神经网络基于循环对抗生成网络(CycleGAN)形成。图2A和图2B分别是循环对抗生成网络上半流程算法和下半流程算法的示意图。
参考图2A,以染发效果为例,判别器A判断原始图片A是否符合染发效果的特征参数,输出判断值(例如0为不符合,1为符合);生成器A2B作用于原始图片A生成染发特效图片B;判别器B判断图片B是否符合染发效果的特征参数;生成器B2A作用于图片B,生成假原始图片C。
参考图2B,CycleGAN网络的下半流程为上半流程的镜像过程。判别器B判断染发特效图片B是否符合染发效果的特征参数,输出判决参数DB
网络结构的整体损失函数表示为:
L=LGAN(GA,DB,A,B)+LGAN(GB,DA,A,B)+λLCYC(GA,DB,A,B)……(1)
其中,LGAN(GA,DB,A,B)为图2A所示上半流程中A→G_B的判别器的损失函数,LGAN(GB,DA,A,B)为图2B所示下半流程B→G_A的判别器的损失函数,λLCYC(GA,DB,A,B)为循环转换A→G_B→C_A和B→G_A→C_B的损失函数。
该预设神经网络的训练过程包括通过大量的数据训练使网络的整体损失函数L的值达到最小。
图3是本公开一个实施例中生成特征迁移图片的流程图。
参考图3,步骤S106可以包括:
步骤S1061,根据所述特征参数确定预设神经网络;
步骤S1062,将所述待迁移区域的数据以及所述结果参数输入所述预设神经网络;
步骤S1063,根据所述预设神经网络的输出数据生成所述特征迁移图片。
可以将待处理图片作为输入对应该待迁移区域种类且通过该特征参数训练的预设神经网络的原始图片,接收预设神经网络输出的特征迁移图片。例如,根据原始人像图片和美发参数,使用该美发参数对应的预设神经网络输出符合该美发参数的特征迁移图片,这张特征迁移图片的头发部分和其他部分(例如人脸)都具有迁移特征。
值得一提的是,虽然说明书中描述有先后,但是步骤S102和步骤S106可以同时发生,本公开不以此为限。
在步骤S108,根据所述待迁移区域和所述特征迁移图片生成特征迁移区域。
在本公开实施例中,可以对待迁移区域与特征迁移图片对应于待迁移区域的位置求解像素值加权和以确定特征迁移区域的像素值,其中待迁移区域的权重大于特征迁移图片的权重。例如图4中,可以计算左侧原始图片A中的待迁移区域A1和右侧特征迁移图片B中对应位置B1中的各像素计算加权和以生成区域C1。A1区域的权重大于B1区域的权重,有利于保持边界的平滑过渡,但是需要注意B1区域的权重不能等于0。
在步骤S110,根据所述待迁移区域和所述特征迁移区域生成效果图片。
最后,可以在待处理图片中将待迁移区域的像素值对应替换为特征迁移区域的像素值,以生成具有上述特征参数的特征迁移区域的效果图片。准确而言,效果图片C包括图4中的C1区域与不迁移区域A2。
本公开实施例通过对待处理图像进行分割,并通过预设神经网络对整体图片进行特征迁移后与分割得出的待迁移区域进行像素融合,可以有效利用预设神经网络的特征迁移效果提高迁移效果的自然度,降低对前景色/背景色对比度的要求;此外,通过使用预设神经网络完成局部特征迁移,可以允许输入多种特征参数,增加迁移特征的灵活性,解决相关技术中图像局部变换受限于模板的问题。
对应于上述方法实施例,本公开还提供一种图像局部特征迁移装置,可以用于执行上述方法实施例。
图5示意性示出本公开一个示例性实施例中一种图像局部特征迁移装置的方框图。
参考图5,图像局部特征迁移装置500可以包括:
数据获取模块502,设置为获取待处理图片、待迁移区域种类、特征参数;
局部分割模块504,设置为根据所述待迁移区域种类确定所述待处理图片中的待迁移区域;
特征转换模块506,设置为根据所述特征参数和所述待处理图片通过预设神经网络生成特征迁移图片;
局部转换模块508,设置为根据所述待迁移区域和所述特征迁移图片生成特征迁移区域;
效果融合模块510,设置为根据所述待迁移区域和所述特征迁移区域生成效果图片。
在本公开的一种示例性实施例中,所述待迁移区域种类包括人像头发,所述特征参数包括发型参数、发色参数,所述待迁移区域包括人像头发区域。
在本公开的一种示例性实施例中,所述预设神经网络基于循环对抗生成网络形成。
在本公开的一种示例性实施例中,局部分割模块504设置为:
根据所述待迁移区域种类,通过FCN网络对所述待处理图像进行分割,求出所述待迁移区域的掩膜。
在本公开的一种示例性实施例中,特征转换模块506设置为:
根据所述特征参数确定预设神经网络;
将所述待迁移区域的数据以及所述结果参数输入所述预设神经网络;
根据所述预设神经网络的输出数据生成所述特征迁移图片。
在本公开的一种示例性实施例中,局部转换模块508设置为:
对所述待迁移区域与所述特征迁移图片对应于所述待迁移区域的位置求解像素值加权和以确定所述特征迁移区域的像素值,其中所述待迁移区域的权重大于所述特征迁移图片的权重。
在本公开的一种示例性实施例中,效果融合模块510设置为:
在所述待处理图片中将所述待迁移区域的像素值对应替换为所述特征迁移区域的像素值。
由于装置500的各功能已在其对应的方法实施例中予以详细说明,本公开于此不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图1中所示的步骤S102:获取待处理图片、待迁移区域种类、特征参数;步骤S104:根据所述待迁移区域种类确定所述待处理图片中的待迁移区域;步骤S106:根据所述特征参数和所述待处理图片通过预设神经网络生成特征迁移图片;步骤S108:根据所述待迁移区域和所述特征迁移图片生成特征迁移区域。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和构思由权利要求指出。