CN110111239B - 一种基于tof相机软分割的人像头部背景虚化方法 - Google Patents

一种基于tof相机软分割的人像头部背景虚化方法 Download PDF

Info

Publication number
CN110111239B
CN110111239B CN201910348618.XA CN201910348618A CN110111239B CN 110111239 B CN110111239 B CN 110111239B CN 201910348618 A CN201910348618 A CN 201910348618A CN 110111239 B CN110111239 B CN 110111239B
Authority
CN
China
Prior art keywords
information
portrait
noise
tof camera
soft
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
CN201910348618.XA
Other languages
English (en)
Other versions
CN110111239A (zh
Inventor
马原曦
王岑
张迎梁
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.)
Plex VR Digital Technology Shanghai Co Ltd
Original Assignee
Plex VR Digital Technology Shanghai 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 Plex VR Digital Technology Shanghai Co Ltd filed Critical Plex VR Digital Technology Shanghai Co Ltd
Priority to CN201910348618.XA priority Critical patent/CN110111239B/zh
Publication of CN110111239A publication Critical patent/CN110111239A/zh
Application granted granted Critical
Publication of CN110111239B publication Critical patent/CN110111239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于tof相机软分割的人像头部背景虚化方法，包括步骤S1：分析人像头部噪声，步骤S2：提取tof相机下的基于深度学习的语义信息，步骤S3：进行基于tof相机下的头部软分割，步骤S4：利用所述软分割权重和tof参数的高斯卷积对整张照片卷积处理，实现人像背景的虚化。本发明利用软分割技术(alpha matting)来大大优化人像模式的效果。利用本发明的技术可以把人像边缘的发丝信息全部保留，而虚化不属于人部分的背景信息。把本发明的算法集成到手机显卡中之后，拍摄虚化速度和苹果手机拍摄速度基本相同。

Description

一种基于tof相机软分割的人像头部背景虚化方法
技术领域
本发明涉及计算机视觉领域，尤其涉及一种基于tof相机软分割的人像头部背景虚化方法。
背景技术
目前众多手机和专业摄像机厂商都推出了各自的人像拍摄系统。比如小米华为苹果手机都对于单独拍摄人物有着自己的优化算法。但是无论是前置高清摄像头还是后置双摄或者三摄，都不能很好地对人物边缘进行很好的优化。本发明对比实验了目前市面上各大手机相机厂商对于相同人物进行拍摄获得的结果发现，更多的手机算法是利用模拟大光圈技术做到背景虚化功能或者利用人脸识别技术进行人物美颜。但是这样的技术很容易造成人物边缘细节的丢失。特别是对人物头部边缘放大之后，更多的头部边缘已经和背景一起虚化融合进去。造成了对于照片真实度以及美感的丢失。现有人像背景虚化功能很容易造成人物边缘细节的丢失，从而造成画面的不真实。
因此，本领域的技术人员致力于开发一种基于tof相机软分割的人像头部背景虚化方法，利用基于tof的头部软分割技术实现的人像背景虚化功能，可以做到精确到头发丝级别的人像背景虚化功能。头部软分割技术具体指的是，单独对头发部分进行alpha matte值的计算，即头发的每一个像素点都会获得一个0到1的浮点型值。其中越接近1说明是头发的概率就越大。这种计算方法不同于单纯地区分前后景进行人像分割(CN103871051B，CN108154465A，CN108154466A)，这些方法每一个像素值不是0就是1，并没有中间的浮点数值。单纯只区分前后景，并没有毛发边缘的渐变效果，对背景进行高斯滤波后，会造成头发边缘部分异常模糊，不利于人像模式美感。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是克服现有技术中人像背景不能精确虚化的问题。
为实现上述目的，本发明提供了一种基于tof相机软分割的人像头部背景虚化方法，包括以下步骤：
步骤S1：分析人像头部噪声，利用tof相机对所述人像头发部分进行连续实验分析，最后得出所述人像头发部分在tof相机下的噪声特征；
步骤S2：提取tof相机下的基于深度学习的语义信息，采集人像不同角度的照片，使用手工标注的方式对人像头部进行分割，每张照片包括tof深度信息，将RGBD信息输入神经网络，并输出为头发遮蔽层信息；
在对所述神经网络训练后，把所述神经网络的编码器中的第二层和解码器部分的倒数第二层提出，合并为语义信息；
利用度量学习对所述神经网络进行二次学习，使得属于同类的语义信息更加接近，不同类的语义信息距离更加远，最终得到多维语义信息；
步骤S3：基于tof相机下的头部软分割，构建整张图片的拉普拉斯矩阵，融合图片的低维特征信息、高维图片语义信息以及tof相机的噪声信息，在求解头发软分割参数，最后结合tof相机获取面部以及身体信息，得到最终软分割结果，即人像中每一个像素的软分割权重；
步骤S4：利用所述软分割权重和tof参数的高斯卷积对整张照片卷积处理，实现人像背景的虚化。
进一步地，所述噪声特征的提取需要对每一个像素点的噪声特征进行提取，所述每一个像素点的噪声特征通过4维特征向量体现，所述4维特征向量为：
Figure BDA0002043195980000021
其中，V为8*8核下的方差信息。
进一步地，所述神经网络中的噪声检测模块是通过利用所述神经网络两层之间相减实现的。
进一步地，所述步骤S3基于tof相机下的头部软分割，还包括以下步骤：
步骤S3-1、获得低维度图片特征信息：
对所述人像照片进行超像素的分割，得到多个超像素值，对每一个超像素求得超像素平均值，然后获取低维度图片特征信息，即颜色矩阵；
步骤S3-2、获得高维度语义信息：
利用训练好的特征提取神经网络，对所述人像照片的每一个像素值映射为一个15维的语义信息，最后求得语义权重矩阵；
步骤S3-3、获得tof噪声信息：
对所述人像照片进行噪声特征提取，提取后，每一个像素值都可以被映射为一个所述4维的特征向量，最后求得噪声权重矩阵；
步骤S3-4、获得优化矩阵和优化方程：
联合以上所述颜色矩阵、语义权重矩阵、噪声权重矩阵，以及所述软分割基础矩阵，得到最终优化矩阵形式，再联合多种约束，得到最终的优化方程。
进一步地，所述图片颜色矩阵为：
Figure BDA0002043195980000022
其中，Cs和Ct为两个超像素值的颜色平均，a和b均为可调节参数，erf为高斯距离方差。
进一步地，所述语义权重矩阵为：
Figure BDA0002043195980000031
其中，f为神经网络提取的15维度信息，a和b为可调节参数。
进一步地，所述噪声权重矩阵：
Figure BDA0002043195980000032
其中，g为四维噪声权重信息，a和b为可调节参数。
进一步地，所述优化矩阵为：
Figure BDA0002043195980000033
所述优化方程为：
E＝EL+ES+λEC
其中，
Figure BDA0002043195980000034
El代表软分割基本方程；
Figure BDA0002043195980000035
Ec代表又有预测透明度的权重之和为1；
Figure BDA0002043195980000036
Es代表每一个透明度很大概率接近1或者0。
进一步地，所述软分割权重为0到1的float型参数，所述像素软分割权重为1代表是人物，软分割权重为0代表是背景，所述像素软分割权重在0和1之间，则为人像的边缘。
进一步地，所述卷积处理的公式为：
Figure BDA0002043195980000037
其中，Di为以像素i为中心的宽度为w×w的tof深度权重窗口；Ai为以像素i为中心的宽度为w×w的软分割权重窗口；Gi为以像素i为中心的宽度为w×w的高斯权重窗口；I(x,y)为位置为x，y的照片RGB信息；ri为像素i的最终结果。
本发明利用最新的软分割技术(alpha matting)来大大优化人像模式的效果。通过图3可以非常明显地看出，利用本发明的技术可以把人像边缘的发丝信息全部保留，而虚化不属于人部分的背景信息。把本发明的算法集成到手机显卡中之后，拍摄虚化速度和苹果手机拍摄速度基本相同。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的人像头部背景虚化流程示意图；
图2是本发明的一个较佳实施例的人像头部不同位置的方差分布图；
图3是本发明的一个较佳实施例的深度学习网络结构示意图；
图4是本发明的一个较佳实施例的人像头部背景虚化效果对比图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
如图1所示，本发明的人像拍摄解决方案，创新性地结合tof相机，对人像头发部分进行噪声分析，从而优化人像头发部分的软分割技术。最后结合tof对人像的深度信息和头部软分割结果，实现人像背景虚化功能。
步骤S1，人像头部噪声分析。
本发明利用tof相机对人像头发部分进行大量连续的实验分析，最后得出人像头发部分在tof相机下具有特别的噪声性质。头发部分不同位置的方差分布不同，但是都明显高于人像其他位置部分的方差。
如图2所示，经过多次实验表明，对于1920*1080的照片选择8*8的核计算方差的效果最佳。同时，为了有效计算头发位置下的噪声，本发明对每一个像素点进行噪声特征提取，对于每一个像素点本发明都能够获取一个4*1的向量。
Figure BDA0002043195980000041
其中，V为8*8核下的方差信息。
步骤S2，tof相机下的基于深度学习技术的语义信息提取
本发明对人像不同角度(上半身占比百分之70)采集了近一万张照片。这个数据集包括20个不同发型不同年龄下的人，10个男士，10个女士。使用手工标注的方式对人像头部进行分割，每张照片都包括tof深度信息。然后本发明设计的神经网络，输入为RGBD信息，输出为头发遮蔽层(mask)信息。神经网络为编码器-解码器(Encoder-Decoder)类型，网络细节如图3。本发明利用两层之间相减的办法实现了网络中噪声检测模块，大幅度提升网络的检测精度。
在训练结束之后，本发明把神经网络的编码器(Encoder)中的第二层和解码器(Decoder)部分的倒数第二层提出，合并为语义信息。利用度量学习(metric learning)技术对网络进行二次学习，主要使得属于同一类的语义信息更加接近，不同类的语义信息距离更加远。最终得到的每个像素的100维信息，进行主成分分析(PCA)降维分解，最终得到15维的语义信息。
步骤S3，tof相机下的头部软分割
本发明构建整张图片的拉普拉斯矩阵，创新性地融合图片的低维度特征信息，高维度图片语义信息以及tof相机的噪声信息。在通过结合多种优化方式的优化方式求解最佳的头发软分割参数。最后结合tof相机获取面部以及身体信息，得到最终软分割结果。
1)低维度图片特征信息：
本发明对照片进行超像素(super-pixel)的分割，得到约100多个超像素值。本发明对每一个超像素求得超像素平均值。然后获取低维度图片特征信息。本发明求得图片颜色矩阵：
Figure BDA0002043195980000051
其中，Cs和Ct为两个超像素值的颜色平均，a和b均为可调节参数。erf为高斯距离方差。
2)高维度语义信息：
利用本发明训练好的特征提取神经网络，本发明可以对每一个像素值映射为一个15维的语义信息。最后本发明求得语义权重矩阵：
Figure BDA0002043195980000052
其中，f为神经网络提取的15维度信息，a和b为可调节参数。
3)tof噪声信息：
本发明对tof照片进行噪声特征提取，提取后，每一个像素值都可以被映射为一个4维的特征向量。最后本发明求得噪声权重矩阵：
Figure BDA0002043195980000053
其中，g为四维噪声权重信息，a和b为可调节参数。
4)创新型软分割矩阵+联合优化方程：
本发明联合以上三个矩阵，以及软分割基础矩阵，得到最终优化矩阵形式：
Figure BDA0002043195980000054
本发明联合多种约束，得到最终的优化方程。
E＝EL+Es+λEC
其中，
Figure BDA0002043195980000055
El代表软分割基本方程。
Figure BDA0002043195980000061
Ec代表又有预测透明度的权重之和为1
Figure BDA0002043195980000062
Es代表每一个透明度很大概率接近1或者0。
步骤S4，基于tof信息和头部软分割技术的人像背景虚化功能
本发明已经获取了人像每一个像素值的软分割权重。权重为0到1的float型参数。如果是1，代表一定是人物。如果是0，代表一定是背景。在0和1之间的参数位置，多数为人物的边缘。本发明利用添加软分割参数和tof参数的高斯卷积对整张照片做最后卷积处理，本发明可以很完美地实现本发明想要的功能。
主要公式为：
Figure BDA0002043195980000063
其中，Di为以像素i为中心的宽度为w×w的tof深度权重窗口。Ai为以像素i为中心的宽度为w×w的软分割权重窗口。Gi为以像素i为中心的宽度为w×w的高斯权重窗口。I(x,y)为位置为x，y的照片RGB信息。ri为像素i的最终结果。
现如今，手机拍摄技术更新换代非常快。目前大部分新款手机后置都添加了深度摄像头。本发明就是抓住这个多出来的信息，利用最新的软分割技术(alpha matting)来大大优化人像模式的效果。通过图4可以非常明显地看出，利用本发明的技术可以把人像边缘的发丝信息全部保留，而虚化不属于人部分的背景信息。把本发明的算法集成到手机显卡中之后，拍摄虚化速度和苹果手机拍摄速度基本相同。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于tof相机软分割的人像头部背景虚化方法，其特征在于，包括以下步骤：
步骤S1：分析人像头部噪声，利用tof相机对所述人像头发部分进行连续实验分析，最后得出所述人像头发部分在tof相机下的噪声特征；
步骤S2：提取tof相机下的基于深度学习的语义信息，采集人像不同角度的照片，使用手工标注的方式对人像头部进行分割，每张照片包括tof深度信息，将RGBD信息输入神经网络，并输出为头发遮蔽层信息；
在对所述神经网络训练后，把所述神经网络的编码器中的第二层和解码器部分的倒数第二层提出，合并为语义信息；
利用度量学习对所述神经网络进行二次学习，使得属于同类的语义信息更加接近，不同类的语义信息距离更加远，最终得到多维语义信息；
步骤S3：基于tof相机下的头部软分割，构建整张图片的拉普拉斯矩阵，融合图片的低维特征信息、高维图片语义信息以及tof相机的噪声信息，在求解头发软分割参数，最后结合tof相机获取面部以及身体信息，得到最终软分割结果，即人像中每一个像素的软分割权重；
步骤S4：利用所述软分割权重和tof参数的高斯卷积对整张照片卷积处理，实现人像背景的虚化。
2.如权利要求1所述的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述噪声特征的提取需要对每一个像素点的噪声特征进行提取，所述每一个像素点的噪声特征通过4维特征向量体现，所述4维特征向量为：
Figure FDA0002043195970000011
其中，V为8*8核下的方差信息。
3.如权利要求1所述的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述神经网络中的噪声检测模块是通过利用所述神经网络两层之间相减实现的。
4.如权利要求2所述的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述步骤S3基于tof相机下的头部软分割，还包括以下步骤：
步骤S3-1、获得低维度图片特征信息：
对所述人像照片进行超像素的分割，得到多个超像素值，对每一个超像素求得超像素平均值，然后获取低维度图片特征信息，即颜色矩阵；
步骤S3-2、获得高维度语义信息：
利用训练好的特征提取神经网络，对所述人像照片的每一个像素值映射为一个15维的语义信息，最后求得语义权重矩阵；
步骤S3-3、获得tof噪声信息：
对所述人像照片进行噪声特征提取，提取后，每一个像素值都可以被映射为一个所述4维的特征向量，最后求得噪声权重矩阵；
步骤S3-4、获得优化矩阵和优化方程：
联合以上所述颜色矩阵、语义权重矩阵、噪声权重矩阵，以及所述软分割基础矩阵，得到最终优化矩阵形式，再联合多种约束，得到最终的优化方程。
5.如权利要求4所述的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述图片颜色矩阵为：
Figure FDA0002043195970000021
其中，Cs和Ct为两个超像素值的颜色平均，a和b均为可调节参数，erf为高斯距离方差。
6.如权利要求5所述的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述语义权重矩阵为：
Figure FDA0002043195970000022
其中，f为神经网络提取的15维度信息，a和b为可调节参数。
7.如权利要求6所述的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述噪声权重矩阵：
Figure FDA0002043195970000023
其中，g为四维噪声权重信息，a和b为可调节参数。
8.如权利要求7所述的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述优化矩阵为：
Figure FDA0002043195970000024
所述优化方程为：
E＝EL+ES+λEC
其中，
Figure FDA0002043195970000025
El代表软分割基本方程；
Figure FDA0002043195970000026
Ec代表又有预测透明度的权重之和为1；
Figure FDA0002043195970000031
Es代表每一个透明度很大概率接近1或者0。
9.如权利要求7所述的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述软分割权重为0到1的float型参数，所述像素软分割权重为1代表是人物，软分割权重为0代表是背景，所述像素软分割权重在0和1之间，则为人像的边缘。
10.如权利要求1的基于tof相机软分割的人像头部背景虚化方法，其特征在于，所述卷积处理的公式为：
Figure FDA0002043195970000032
其中，Di为以像素i为中心的宽度为w×w的tof深度权重窗口；Ai为以像素i为中心的宽度为w×w的软分割权重窗口；Gi为以像素i为中心的宽度为w×w的高斯权重窗口；I(x,y)为位置为x，y的照片RGB信息；ri为像素i的最终结果。
CN201910348618.XA 2019-04-28 2019-04-28 一种基于tof相机软分割的人像头部背景虚化方法 Active CN110111239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910348618.XA CN110111239B (zh) 2019-04-28 2019-04-28 一种基于tof相机软分割的人像头部背景虚化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910348618.XA CN110111239B (zh) 2019-04-28 2019-04-28 一种基于tof相机软分割的人像头部背景虚化方法

Publications (2)

Publication Number Publication Date
CN110111239A CN110111239A (zh) 2019-08-09
CN110111239B true CN110111239B (zh) 2022-12-20

Family

ID=67487144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910348618.XA Active CN110111239B (zh) 2019-04-28 2019-04-28 一种基于tof相机软分割的人像头部背景虚化方法

Country Status (1)

Country Link
CN (1) CN110111239B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110596725B (zh) * 2019-09-19 2022-03-04 深圳奥锐达科技有限公司 基于插值的飞行时间测量方法及测量系统
CN111524060B (zh) * 2020-03-31 2023-04-14 厦门亿联网络技术股份有限公司 一种实时人像背景虚化的系统、方法、存储介质和设备
CN113313646B (zh) * 2021-05-27 2024-04-16 Oppo广东移动通信有限公司 图像处理方法及装置、电子设备、计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9558268B2 (en) * 2014-08-20 2017-01-31 Mitsubishi Electric Research Laboratories, Inc. Method for semantically labeling an image of a scene using recursive context propagation
CN105389584B (zh) * 2015-10-13 2018-07-10 西北工业大学 基于卷积神经网络与语义转移联合模型的街景语义标注方法
CN108564528A (zh) * 2018-04-17 2018-09-21 福州大学 一种基于显著性检测的肖像照片自动背景虚化方法

Also Published As

Publication number Publication date
CN110111239A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
Li et al. Low-light image and video enhancement using deep learning: A survey
US11158091B2 (en) Methods and systems for human imperceptible computerized color transfer
CN108932693B (zh) 基于人脸几何信息的人脸编辑补全方法及装置
US10509954B2 (en) Method and system of image segmentation refinement for image processing
CN107862698B (zh) 基于k均值聚类的光场前景分割方法及装置
Gao et al. Sand-dust image restoration based on reversing the blue channel prior
EP2374107B1 (en) Devices and methods for processing images using scale space
CN110111239B (zh) 一种基于tof相机软分割的人像头部背景虚化方法
KR101198322B1 (ko) 얼굴 표정 인식 방법 및 시스템
CN107452010A (zh) 一种自动抠图算法和装置
CN107644429A (zh) 一种基于强目标约束视频显著性的视频分割方法
CN111402170B (zh) 图像增强方法、装置、终端及计算机可读存储介质
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
CN106651879B (zh) 一种指甲图像的提取方法及系统
CN113658197B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN105898111A (zh) 一种基于谱聚类的视频去雾方法
CN108596992B (zh) 一种快速实时的唇彩化妆方法
CN111105368A (zh) 图像处理方法及其装置、电子设备和计算机可读存储介质
Fuh et al. Mcpa: A fast single image haze removal method based on the minimum channel and patchless approach
CN103473789A (zh) 一种融合多线索的人体视频分割方法
Arsic et al. Improved lip detection algorithm based on region segmentation and edge detection
Lee et al. Ramp distribution-based contrast enhancement techniques and over-contrast measure
CN108765384B (zh) 一种联合流形排序和改进凸包的显著性检测方法
Park et al. Enhancing underwater color images via optical imaging model and non-local means denoising
CN106296740B (zh) 一种基于低秩稀疏表达的目标精细轮廓跟踪方法

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
GR01 Patent grant
GR01 Patent grant