CN110288516A - 图像处理的方法、装置、设备及计算机可读存储介质 - Google Patents
图像处理的方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110288516A CN110288516A CN201910570341.5A CN201910570341A CN110288516A CN 110288516 A CN110288516 A CN 110288516A CN 201910570341 A CN201910570341 A CN 201910570341A CN 110288516 A CN110288516 A CN 110288516A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- original image
- material area
- area image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000000463 material Substances 0.000 claims abstract description 169
- 210000000056 organ Anatomy 0.000 claims description 70
- 210000004209 hair Anatomy 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 11
- 210000004709 eyebrow Anatomy 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例提供了一种图像处理的方法、装置、设备及计算机可读存储介质,该方法包括:获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征;根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。该方法快速实现了目标图像与原始图像在整体和各区域上都很相似,产生了美化效果。
Description
技术领域
本申请涉及计算机技术领域,具体而言,本申请涉及一种图像处理的方法、装置、设备及计算机可读存储介质。
背景技术
随着直播行业的火爆和人工智能技术的兴起,各种美颜算法实时运行在直播镜头之前,给人一种美感。人们有在网络世界构建另一个完美自己的需求,希望通过已有的素材,快速生成与真人图像(原始图像)的各区域和真人图像的整体上都很相似的素材图像(目标图像),要美且像本人。目前主要的美颜手段都是对人脸进行磨皮,或者加一些特效,美化效果差。
发明内容
本申请针对现有的方式的缺点,提出一种图像处理的方法、装置、设备及计算机可读存储介质,用以解决如何快速实现目标图像与原始图像在各区域和整体上都很相似,从而产生了美化效果的问题。
第一方面,本申请提供了一种图像处理的方法,包括:
获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;
根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征;
根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;
根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与原始图像每一区域相匹配的素材区域图像;
将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。
第二方面,本申请提供了一种图像处理的装置,包括:
第一处理模块,用于获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;
第二处理模块,用于根据所述各区域的多个关键点,确定所述原始图像各区域的形状上下文直方图特征;
第三处理模块,用于根据所述原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;
第四处理模块,用于根据所述针对各个区域的多个成本矩阵,从所述各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;
第五处理模块,用于将与所述原始图像每一区域相匹配的素材区域图像进行拼接,得到所述原始图像对应的目标图像。
第三方面,本申请提供了一种电子设备,包括:处理器、存储器和总线;
总线,用于连接处理器和存储器;
存储器,用于存储操作指令;
处理器,用于通过调用操作指令,执行本申请第一方面的图像处理的方法。
第四方面,本申请提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被用于执行本申请第一方面的图像处理的方法。
本申请实施例提供的技术方案,至少具有如下有益效果:
获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征;根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。如此,实现了快速的为原始图像各区域匹配到对应的素材区域图像,将匹配到的素材区域图像进行拼接,从而得到的目标图像与原始图像在整体和各区域上都很相似,产生了美化的效果,显著地提升了用户体验。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种图像处理的方法的流程示意图;
图2为本申请实施例提供的另一种图像处理的方法的流程示意图;
图3为本申请实施例提供的一种图像处理的装置的结构示意图;
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
本申请实施例中提供了一种图像处理的方法,该方法的流程示意图如图1所示,该方法包括:
S101,获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位。
可选地,区域可以为原始图像的各面部器官区域,例如眼部区域、眉毛区域、眼睛区域,还可以是头发区域,多个关键点位于对应区域的轮廓上。
可选地,当原始图像各区域为原始图像的各面部器官区域时,获取原始图像各区域的多个关键点,包括:
获取原始图像的多个稠密关键点;
将原始图像的多个稠密关键点进行分类,得到原始图像的每一面部器官区域的多个稠密关键点;
对原始图像的每一面部器官区域的多个稠密关键点进行采样,得到采样后的原始图像的每一面部器官区域的多个关键点。使用稠密关键点提取器官的轮廓,并进行有效采样,得到比较稀疏但是完整的器官轮廓,降低后续匹配的时间复杂度。
可选地,稠密关键点是普通关键点的升级版,一个人的面部有81个或106个普通关键点,一个人的面部有1000个稠密关键点,面部器官都有数量不等的稠密关键点,例如,脸的轮廓上有273个稠密关键点,眉毛区域的轮廓上有64个稠密关键点,眼睛区域的轮廓上有63个稠密关键点。
可选地,对一个人的面部的稠密关键点进行分类,得到面部的每个局部器官的稠密关键点,例如左眉区域的轮廓上的稠密关键点,并对左眉区域的轮廓上的稠密关键点进行有效采样到一个预设的数量,该数量为第一数值。
可选地,将各素材区域图像的形状上下文直方图特征存入到高性能键值数据库Redis中作查询使用。Redis支持的键值类型有:String字符类型、map散列类型、list列表类型、set集合类型和sortedset有序集合类型。
可选地,眉毛区域的轮廓上有64个稠密关键点,但是高性能键值数据库Redis中的眉毛区域的轮廓上只有30个普通关键点,因此,需要对眉毛区域的轮廓上的64个稠密关键点进行采样,得到30个稠密关键点,这样眉毛区域的轮廓上的30个稠密关键点的数量与高性能键值数据库Redis中的眉毛区域的轮廓上的30个普通关键点的数量相同,第一数值取值为30。
可选地,当原始图像的区域为原始图像的头发区域时,获取原始图像各区域的多个关键点,包括:
获取原始图像的头发区域的灰度图;
根据原始图像的头发区域的灰度图,确定原始图像的头发区域的轮廓;
对原始图像的头发区域的轮廓进行采样,得到原始图像的头发区域的多个区域关键点。
S102,根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征。
可选地,将原始图像的每一面部器官区域的多个关键点和原始图像的头发区域的多个区域关键点,输入预设的形状上下文向量提取器进行形状上下文直方图特征提取,得到原始图像的每一面部器官区域的形状上下文直方图特征和原始图像的头发区域的形状上下文直方图特征。
可选地,预设的形状上下文向量提取器为区域中一个关键点提取一个向量,这个向量表示这个关键点,一个区域由预设的形状上下文向量提取器提取的包括多个向量的形状上下文直方图特征来表示。形状上下文直方图特征是采用一种基于形状轮廓的特征描述方法,其在对数极坐标系下利用直方图描述形状特征能够很好地反映轮廓上采样点的分布情况。
S103,根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵。
可选地,素材区域图像是针对人身体的每个器官设计的卡通素材,例如眉毛、鼻子、嘴巴的卡通素材,或针对人的头发设计的卡通素材。预设的各素材区域图像的形状上下文直方图特征存放在高性能键值数据库Redis,从高性能键值数据库Redis中查询使用预设的各素材区域图像。原始图像的一个区域为眉毛,相应区域的预设的卡通素材也为眉毛。
可选地,面部器官区域的每个关键点与素材区域的每个关键点之间可以得到卡方距离,这样就可以构成COST成本矩阵,成本矩阵的每个元素表示面部器官区域的某个关键点与素材区域的某个关键点之间的卡方距离。卡方距离用来衡量面部器官区域的某个关键点与素材区域的某个关键点之间的差异性。
可选地,根据原始图像的每一面部器官区域的形状上下文直方图特征、原始图像的头发区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,通过卡方距离计算,得到针对原始图像的每一面部器官区域的多个成本矩阵和针对原始图像的头发区域的多个成本矩阵,预设的各素材区域图像包括各面部器官素材图像和头发素材图像,成本矩阵的每个元素表征区域的一个关键点与相应区域的一个素材区域图像的一个关键点的卡方距离。
S104,根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与原始图像每一区域相匹配的素材区域图像。
可选地,根据原始图像的任一区域对应的N个成本矩阵,为任一区域的每个关键点都匹配到预设的任一素材区域图像中的与每个关键点的卡方距离最小的关键点,将任一区域的所有关键点对应的最小卡方距离相加作为任一区域与任一素材区域图像之间的成本值,得到任一区域与预设的N个素材区域图像之间的N个成本值,N为正整数,将N个成本值中最小的成本值对应的素材区域图像作为与任一区域相匹配的素材区域图像。
可选地,根据原始图像的任一面部器官区域对应的N个成本矩阵,通过Hungarian匈牙利算法得到任一面部器官与预设的N个面部器官素材区域图像之间的N个第一成本值,N为正整数,将N个第一成本值中最小的第一成本值对应的面部器官素材区域图像作为与任一面部器官相匹配的素材区域图像。
可选地,根据原始图像的头发区域对应的M个成本矩阵,通过Hungarian匈牙利算法得到原始图像的头发区域与预设的M个头发素材区域图像之间的M个第二成本值,M为正整数,将M个第二成本值中最小的第二成本值对应的头发素材区域图像作为与原始图像的头发相匹配的素材区域图像。
S105,将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。
可选地,将与原始图像每一区域相匹配的素材区域图像按照对应区域在原图像中的位置进行拼接,得到原始图像对应的目标图像。
可选地,确定预设的各素材区域图像的形状上下文直方图特征的方式,包括:
获取各素材区域图像;
通过alpha阿尔法通道提取各素材区域图像的轮廓;
对各素材区域图像的轮廓进行采样,确定各素材区域图像的多个关键点;
将各素材区域图像的多个关键点输入预设的形状上下文向量提取器进行形状上下文直方图特征提取,得到预设的各素材区域图像的形状上下文直方图特征。
可选地,alpha阿尔法通道是一个8位的灰度通道,该通道用256级灰度来记录图像中的透明度信息,定义透明、不透明和半透明区域,其中白表示不透明,黑表示透明,灰表示半透明。
可选地,素材为卡通素材,将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像,包括:
将与原始图像每一区域相匹配的卡通素材区域图像进行拼接,得到原始图像对应的卡通图像。
可选地,针对人身体的每个器官,例如眉毛、鼻子、嘴巴等,以及头发,都设计好很多卡通素材。针对输入的一张真人的图像,从素材库中寻找最相似的卡通素材,将这些最相似的卡通素材拼接到一起,产出一张卡通化的人物图像,该卡通化的人物图像与真人的图像有较大的相似度。
本申请实施例中,获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征;根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。如此,实现了快速的为原始图像各区域匹配到对应的素材区域图像,将匹配到的素材区域图像进行拼接,从而得到的目标图像与原始图像在整体和各区域上都很相似,产生了美化的效果,显著地提升了用户体验。
本申请实施例中提供了另一种图像处理的方法,该方法的流程示意图如图2所示,该方法包括:
S201,获取真人图像的面部器官的稠密关键点。
可选地,原始图像为真人图像。稠密关键点是普通关键点的升级版,一个人的面部器官有81个或106个普通关键点,一个人的面部器官有1000个稠密关键点,面部器官都有数量不等的稠密关键点,例如,面部器官中的脸的轮廓上有273个稠密关键点,面部器官中的眉毛区域的轮廓上有64个稠密关键点,面部器官中的眼睛区域的轮廓上有63个稠密关键点。
S202,将真人图像的面部器官的稠密关键点进行分类,得到真人图像的每一面部器官区域的多个稠密关键点。
可选地,对一个人的面部器官的稠密关键点进行分类,得到面部器官中的每一面部器官区域的稠密关键点,例如左眉区域的轮廓上的稠密关键点,并对左眉区域的轮廓上的稠密关键点进行有效采样到一个预设的数量,该数量为第一数值。
可选地,将卡通素材区域图像的形状上下文直方图特征存入到高性能键值数据库Redis中作查询使用。Redis支持的键值类型有:String字符类型、map散列类型、list列表类型、set集合类型和sortedset有序集合类型。
可选地,眉毛区域的轮廓上有64个稠密关键点,但是高性能键值数据库Redis中的眉毛区域的轮廓上只有30个普通关键点,因此,需要对眉毛区域的轮廓上的64个稠密关键点进行采样,得到30个稠密关键点,这样眉毛区域的轮廓上的30个稠密关键点的数量与高性能键值数据库Redis中的眉毛区域的轮廓上的30个普通关键点的数量相同,第一数值取值为30。
S203,获取真人图像的头发区域的灰度图。
S204,根据真人图像的头发区域的灰度图,确定真人图像的头发区域的轮廓,对真人图像的头发区域的轮廓进行采样,得到真人图像的头发区域的多个区域关键点。
S205,根据真人图像的每一面部器官区域的多个稠密关键点和真人图像的头发区域的多个区域关键点,得到真人图像的每一面部器官区域的形状上下文直方图特征和真人图像的头发区域的形状上下文直方图特征。
可选地,将真人图像的每一面部器官区域的多个稠密关键点和真人图像的头发区域的多个区域关键点,输入预设的形状上下文向量提取器进行形状上下文直方图特征提取,得到真人图像的每一面部器官区域的形状上下文直方图特征和真人图像的头发区域的形状上下文直方图特征。
S206,从Redis中调用卡通素材区域图像的形状上下文直方图特征,通过卡方距离计算,得到针对真人图像的每一面部器官区域的多个成本矩阵和针对真人图像的头发区域的多个成本矩阵。
可选地,对真人图像的每个部位,例如,面部器官区域、头发区域,从Redis中调用卡通素材区域图像的形状上下文直方图特征,根据真人图像的每一面部器官区域的形状上下文直方图特征、真人图像的头发区域的形状上下文直方图特征和相应区域的各卡通素材区域图像的形状上下文直方图特征,并使用卡方距离公式(1)计算相应的COST成本矩阵,公式(1)如下所示:
其中,公式(1)中的x为卡通素材区域图像的形状上下文直方图特征中的向量表示的关键点,y为真人图像的每一面部器官区域的形状上下文直方图特征或真人图像的头发区域的形状上下文直方图特征中向量表示的关键点。面部器官区域的每个关键点与卡通素材区域的每个关键点之间通过公式(1)得到卡方距离,这样就可以构成COST成本矩阵,成本矩阵的每个元素表示面部器官区域的某个关键点与卡通素材区域的某个关键点之间的卡方距离。卡方距离用来衡量面部器官区域的某个关键点与卡通素材区域的某个关键点之间的差异性。
S207,根据针对真人图像各个区域的多个成本矩阵,从各卡通素材区域图像中筛选出与真人图像每一区域相匹配的卡通素材区域图像。
可选地,根据真人图像的任一面部器官区域对应的N个成本矩阵,通过Hungarian匈牙利算法得到任一面部器官与预设的N个面部器官卡通区域素材图像之间的N个第一成本值,例如,N取值为10,将10个第一成本值中最小的第一成本值对应的面部器官卡通素材区域图像作为与任一面部器官相匹配的卡通素材区域图像。不同面部器官可以对应有不同预设数量的素材,得到的第一成本值的个数也不同。为面部器官的每个关键点都匹配到面部器官素材图像与其卡方距离最小的关键点,将所有关键点的最小卡方距离相加作为面部器官与面部器官素材的第一成本值。
可选地,根据真人图像的头发区域对应的M个成本矩阵,通过Hungarian匈牙利算法得到真人图像的头发区域与预设的M个头发素材区域图像之间的M个第二成本值,例如,M取值为10,将10个第二成本值中最小的第二成本值对应的头发卡通素材区域图像作为与真人图像的头发相匹配的卡通素材区域图像。
S208,将与真人图像每一区域相匹配的卡通素材区域图像进行拼接,得到真人图像对应的卡通图像。
应用本申请实施例,至少具有如下有益效果:
实现了快速的为真人的原始图像各区域匹配到对应的卡通素材区域图像,将匹配到的卡通素材区域图像进行拼接,从而得到真人的原始图像对应的卡通图像,卡通图像与真人的原始图像在整体和各区域上都很相似,产生了美化的效果,显著地提升了用户体验。
实施例二
基于相同的发明构思,本申请实施例还提供了一种图像处理的装置,该装置的结构示意图如图3所示,图像处理的装置30,包括第一处理模块301、第二处理模块302、第三处理模块303、第四处理模块304和第五处理模块305。
第一处理模块301,用于获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;
第二处理模块302,用于根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征;
第三处理模块303,用于根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;
第四处理模块304,用于根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与原始图像每一区域相匹配的素材区域图像;
第五处理模块305,用于将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。
可选地,当原始图像各区域为原始图像的各面部器官区域时,第一处理模块301,具体用于获取原始图像的多个稠密关键点;将原始图像的多个稠密关键点进行分类,得到原始图像的每一面部器官区域的多个稠密关键点;对原始图像的每一面部器官区域的多个稠密关键点进行采样,得到采样后的原始图像的每一面部器官区域的多个关键点。
可选地,当原始图像的区域为原始图像的头发区域时,第一处理模块301,具体用于获取原始图像的头发区域的灰度图;根据原始图像的头发区域的灰度图,确定原始图像的头发区域的轮廓;对原始图像的头发区域的轮廓进行采样,得到原始图像的头发区域的多个区域关键点。
可选地,第二处理模块302,具体用于将原始图像的每一面部器官区域的多个关键点和原始图像的头发区域的多个区域关键点,输入预设的形状上下文向量提取器进行形状上下文直方图特征提取,得到原始图像的每一面部器官区域的形状上下文直方图特征和原始图像的头发区域的形状上下文直方图特征。
可选地,第三处理模块303,具体用于根据原始图像的每一面部器官区域的形状上下文直方图特征、原始图像的头发区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,通过卡方距离计算,得到针对原始图像的每一面部器官区域的多个成本矩阵和针对原始图像的头发区域的多个成本矩阵,预设的各素材区域图像包括各面部器官素材图像和头发素材图像,成本矩阵的每个元素表征区域的一个关键点与相应区域的一个素材区域图像的一个关键点的卡方距离。
可选地,第四处理模块304,具体用于根据原始图像的任一区域对应的N个成本矩阵,为任一区域的每个关键点都匹配到预设的任一素材区域图像中的与每个关键点的卡方距离最小的关键点,将任一区域的所有关键点对应的最小卡方距离相加作为任一区域与任一素材区域图像之间的成本值,得到任一区域与预设的N个素材区域图像之间的N个成本值,N为正整数,将N个成本值中最小的成本值对应的素材区域图像作为与任一区域相匹配的素材区域图像。
可选地,确定预设的各素材区域图像的形状上下文直方图特征的方式,包括:
获取各素材区域图像;
通过阿尔法通道提取各素材区域图像的轮廓;
对各素材区域图像的轮廓进行采样,确定各素材区域图像的多个关键点;
将各素材区域图像的多个关键点输入预设的形状上下文向量提取器进行形状上下文直方图特征提取,得到预设的各素材区域图像的形状上下文直方图特征。
可选地,素材为卡通素材,第五处理模块305,具体用于将与原始图像每一区域相匹配的卡通素材区域图像进行拼接,得到原始图像对应的卡通图像。
应用本申请实施例,至少具有如下有益效果:
获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征;根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。如此,实现了快速的为原始图像各区域匹配到对应的素材区域图像,将匹配到的素材区域图像进行拼接,从而得到的目标图像与原始图像在整体和各区域上都很相似,产生了美化的效果,显著地提升了用户体验。
本申请实施例提供的图像处理的装置中未详述的内容,可参照上述实施例一提供的图像处理的方法,本申请实施例提供的图像处理的装置能够达到的有益效果与上述实施例一提供的图像处理的方法相同,在此不再赘述。
实施例三
基于相同的发明构思,本申请实施例还提供了一种电子设备,该电子设备的结构示意图如图4所示,该电子设备7000包括至少一个处理器7001、存储器7002和总线7003,至少一个处理器7001均与存储7002电连接;存储器7002被配置用于存储有至少一个计算机可执行指令,处理器7001被配置用于执行该至少一个计算机可执行指令,从而执行如本申请实施例一中任意一个实施例或任意一种可选实施方式提供的任意一种图像处理的方法的步骤。
进一步,处理器7001可以是FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其它具有逻辑处理能力的器件,如MCU(Microcontroller Unit,微控制单元)、CPU(Central Process Unit,中央处理器)。
应用本申请实施例,至少具有如下有益效果:
获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征;根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。如此,实现了快速的为原始图像各区域匹配到对应的素材区域图像,将匹配到的素材区域图像进行拼接,从而得到的目标图像与原始图像在整体和各区域上都很相似,产生了美化的效果,显著地提升了用户体验。
实施例四
基于相同的发明构思,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序用于被处理器执行时实现本申请实施例一中任意一个实施例或任意一种图像处理的方法的步骤。
本申请实施例提供的计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(RandomAccess Memory,随即存储器)、EPROM(Erasable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,可读存储介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。
应用本申请实施例,至少具有如下有益效果:
获取原始图像各区域的多个关键点,各区域对应人像中不同的各个身体部位;根据各区域的多个关键点,确定原始图像各区域的形状上下文直方图特征;根据原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;根据针对各个区域的多个成本矩阵,从各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;将与原始图像每一区域相匹配的素材区域图像进行拼接,得到原始图像对应的目标图像。如此,实现了快速的为原始图像各区域匹配到对应的素材区域图像,将匹配到的素材区域图像进行拼接,从而得到的目标图像与原始图像在整体和各区域上都很相似,产生了美化的效果,显著地提升了用户体验。
本技术领域技术人员可以理解,可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解,可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现,从而通过计算机或其他可编程数据处理方法的处理器来执行本申请公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
本技术领域技术人员可以理解,本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (11)
1.一种图像处理的方法,其特征在于,包括:
获取原始图像各区域的多个关键点,所述各区域对应人像中不同的各个身体部位;
根据所述各区域的多个关键点,确定所述原始图像各区域的形状上下文直方图特征;
根据所述原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;
根据所述针对各个区域的多个成本矩阵,从所述各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;
将与所述原始图像每一区域相匹配的素材区域图像进行拼接,得到所述原始图像对应的目标图像。
2.根据权利要求1所述的方法,其特征在于,当所述原始图像各区域为所述原始图像的各面部器官区域时,所述获取原始图像各区域的多个关键点,包括:
获取所述原始图像的多个稠密关键点;
将所述原始图像的多个稠密关键点进行分类,得到所述原始图像的每一面部器官区域的多个稠密关键点;
对所述原始图像的每一面部器官区域的多个稠密关键点进行采样,得到采样后的原始图像的每一面部器官区域的多个关键点。
3.根据权利要求1所述的方法,其特征在于,当所述原始图像的区域为所述原始图像的头发区域时,所述获取原始图像各区域的多个关键点,包括:
获取所述原始图像的头发区域的灰度图;
根据所述原始图像的头发区域的灰度图,确定所述原始图像的头发区域的轮廓;
对所述原始图像的头发区域的轮廓进行采样,得到所述原始图像的头发区域的多个区域关键点。
4.根据权利要求2所述的方法,其特征在于,所述根据所述各区域的多个关键点,确定所述原始图像各区域的形状上下文直方图特征,包括:
将所述原始图像的每一面部器官区域的多个关键点和所述原始图像的头发区域的多个区域关键点,输入预设的形状上下文向量提取器进行形状上下文直方图特征提取,得到所述原始图像的每一面部器官区域的形状上下文直方图特征和所述原始图像的头发区域的形状上下文直方图特征。
5.根据权利要求4所述的方法,其特征在于,所述根据所述原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵,包括:
根据所述原始图像的每一面部器官区域的形状上下文直方图特征、所述原始图像的头发区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,通过卡方距离计算,得到针对所述原始图像的每一面部器官区域的多个成本矩阵和针对所述原始图像的头发区域的多个成本矩阵,所述预设的各素材区域图像包括各面部器官素材图像和头发素材图像,所述成本矩阵的每个元素表征所述区域的一个关键点与相应区域的一个素材区域图像的一个关键点的卡方距离。
6.根据权利要求5所述的方法,其特征在于,根据针对任一区域的多个成本矩阵,从所述各素材区域图像中筛选出与所述任一区域相匹配的素材区域图像,包括:
根据所述原始图像的任一区域对应的N个成本矩阵,为所述任一区域的每个关键点都匹配到预设的任一素材区域图像中的与所述每个关键点的卡方距离最小的关键点,将所述任一区域的所有关键点对应的最小卡方距离相加作为所述任一区域与所述任一素材区域图像之间的成本值,得到所述任一区域与预设的N个素材区域图像之间的N个成本值,N为正整数,将N个成本值中最小的成本值对应的素材区域图像作为与所述任一区域相匹配的素材区域图像。
7.根据权利要求1所述的方法,其特征在于,确定所述预设的各素材区域图像的形状上下文直方图特征的方式,包括:
获取各素材区域图像;
通过阿尔法通道提取所述各素材区域图像的轮廓;
对所述各素材区域图像的轮廓进行采样,确定所述各素材区域图像的多个关键点;
将所述各素材区域图像的多个关键点输入预设的形状上下文向量提取器进行形状上下文直方图特征提取,得到所述预设的各素材区域图像的形状上下文直方图特征。
8.根据权利要求1所述的方法,其特征在于,所述素材为卡通素材,所述将与所述原始图像每一区域相匹配的素材区域图像进行拼接,得到所述原始图像对应的目标图像,包括:
将与所述原始图像每一区域相匹配的卡通素材区域图像进行拼接,得到所述原始图像对应的卡通图像。
9.一种图像处理的装置,其特征在于,包括:
第一处理模块,用于获取原始图像各区域的多个关键点,所述各区域对应人像中不同的各个身体部位;
第二处理模块,用于根据所述各区域的多个关键点,确定所述原始图像各区域的形状上下文直方图特征;
第三处理模块,用于根据所述原始图像各区域的形状上下文直方图特征和相应区域的预设的各素材区域图像的形状上下文直方图特征,确定针对各个区域的多个成本矩阵;
第四处理模块,用于根据所述针对各个区域的多个成本矩阵,从所述各素材区域图像中筛选出与所述原始图像每一区域相匹配的素材区域图像;
第五处理模块,用于将与所述原始图像每一区域相匹配的素材区域图像进行拼接,得到所述原始图像对应的目标图像。
10.一种电子设备,其特征在于,包括:处理器、存储器;
所述存储器,用于存储计算机程序;
所述处理器,用于通过调用所述计算机程序,执行上述权利要求1-8中任一项所述的图像处理的方法。
11.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序用于被处理器执行时实现如权利要求1-8中任一项所述的图像处理的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570341.5A CN110288516A (zh) | 2019-06-27 | 2019-06-27 | 图像处理的方法、装置、设备及计算机可读存储介质 |
US17/612,750 US20220245777A1 (en) | 2019-06-27 | 2020-05-19 | Image processing method, apparatus and device and computer-readable storage medium |
PCT/CN2020/091046 WO2020259129A1 (zh) | 2019-06-27 | 2020-05-19 | 图像处理的方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570341.5A CN110288516A (zh) | 2019-06-27 | 2019-06-27 | 图像处理的方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110288516A true CN110288516A (zh) | 2019-09-27 |
Family
ID=68019366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910570341.5A Pending CN110288516A (zh) | 2019-06-27 | 2019-06-27 | 图像处理的方法、装置、设备及计算机可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220245777A1 (zh) |
CN (1) | CN110288516A (zh) |
WO (1) | WO2020259129A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020259129A1 (zh) * | 2019-06-27 | 2020-12-30 | 北京迈格威科技有限公司 | 图像处理的方法、装置、设备及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567051A (zh) * | 2009-06-03 | 2009-10-28 | 复旦大学 | 一种基于特征点的图像配准方法 |
CN101650784A (zh) * | 2009-09-23 | 2010-02-17 | 南京大学 | 一种利用结构上下文特征进行图像匹配的方法 |
CN102622420A (zh) * | 2012-02-22 | 2012-08-01 | 哈尔滨工程大学 | 基于颜色特征和形状上下文的商标图像检索方法 |
CN103049340A (zh) * | 2012-10-26 | 2013-04-17 | 中山大学 | 基于纹理上下文约束的视觉词汇的图像超分辨率重建方法 |
CN103679200A (zh) * | 2013-12-14 | 2014-03-26 | 复旦大学 | 一种用于图像匹配、识别、检索的频域形状描述方法 |
CN103854278A (zh) * | 2012-12-06 | 2014-06-11 | 五邑大学 | 基于连通区域质心形状上下文的印刷电路板图像配准方法 |
US20150221048A1 (en) * | 2014-02-06 | 2015-08-06 | Frederic Zenhausern | Method and system for matching a gear and travel storage for processing a transaction in an on-demand service system |
CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
US20180095174A1 (en) * | 2016-09-30 | 2018-04-05 | Faro Technologies, Inc. | Three-dimensional coordinate measuring device |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096353B (zh) * | 2014-05-05 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及装置 |
CN104915634B (zh) * | 2015-02-16 | 2019-01-01 | 百度在线网络技术(北京)有限公司 | 基于人脸识别技术的图像生成方法和装置 |
CN108717719A (zh) * | 2018-05-23 | 2018-10-30 | 腾讯科技(深圳)有限公司 | 卡通人脸图像的生成方法、装置及计算机存储介质 |
CN109299720B (zh) * | 2018-07-13 | 2022-02-22 | 沈阳理工大学 | 一种基于轮廓片段空间关系的目标识别方法 |
CN110288516A (zh) * | 2019-06-27 | 2019-09-27 | 北京迈格威科技有限公司 | 图像处理的方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-06-27 CN CN201910570341.5A patent/CN110288516A/zh active Pending
-
2020
- 2020-05-19 WO PCT/CN2020/091046 patent/WO2020259129A1/zh active Application Filing
- 2020-05-19 US US17/612,750 patent/US20220245777A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567051A (zh) * | 2009-06-03 | 2009-10-28 | 复旦大学 | 一种基于特征点的图像配准方法 |
CN101650784A (zh) * | 2009-09-23 | 2010-02-17 | 南京大学 | 一种利用结构上下文特征进行图像匹配的方法 |
CN102622420A (zh) * | 2012-02-22 | 2012-08-01 | 哈尔滨工程大学 | 基于颜色特征和形状上下文的商标图像检索方法 |
CN103049340A (zh) * | 2012-10-26 | 2013-04-17 | 中山大学 | 基于纹理上下文约束的视觉词汇的图像超分辨率重建方法 |
CN103854278A (zh) * | 2012-12-06 | 2014-06-11 | 五邑大学 | 基于连通区域质心形状上下文的印刷电路板图像配准方法 |
CN103679200A (zh) * | 2013-12-14 | 2014-03-26 | 复旦大学 | 一种用于图像匹配、识别、检索的频域形状描述方法 |
US20150221048A1 (en) * | 2014-02-06 | 2015-08-06 | Frederic Zenhausern | Method and system for matching a gear and travel storage for processing a transaction in an on-demand service system |
US20180095174A1 (en) * | 2016-09-30 | 2018-04-05 | Faro Technologies, Inc. | Three-dimensional coordinate measuring device |
CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
Non-Patent Citations (1)
Title |
---|
SERGE BELONGIE 等: "Shape matching and Object Recognition Using Shape Contexts", 《IEEE TRANSLATIONS ON PATTERN ANALYSIS AND MATCHING INTELLINGENCE》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020259129A1 (zh) * | 2019-06-27 | 2020-12-30 | 北京迈格威科技有限公司 | 图像处理的方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020259129A1 (zh) | 2020-12-30 |
US20220245777A1 (en) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717977B (zh) | 游戏角色脸部处理的方法、装置、计算机设备及存储介质 | |
CN110309837B (zh) | 基于卷积神经网络特征图的数据处理方法及图像处理方法 | |
CN109492627B (zh) | 一种基于全卷积网络的深度模型的场景文本擦除方法 | |
JP2022548712A (ja) | フィーチャーピラミッドを融合した敵対的生成ネットワークによる画像ヘイズ除去方法 | |
CN109003282A (zh) | 一种图像处理的方法、装置及计算机存储介质 | |
CN109829959B (zh) | 基于人脸解析的表情编辑方法及装置 | |
CN111161201B (zh) | 基于细节增强通道注意力的红外与可见光图像融合方法 | |
CN109416727A (zh) | 一种人脸图像中眼镜去除方法及装置 | |
CN110288513B (zh) | 用于改变人脸属性的方法、装置、设备和存储介质 | |
CN110738102A (zh) | 一种人脸识别方法及系统 | |
CN110458084A (zh) | 一种基于倒置残差网络的人脸年龄估计方法 | |
CN116433914A (zh) | 一种二维医学图像分割方法及系统 | |
CN110363770A (zh) | 一种边缘引导式红外语义分割模型的训练方法及装置 | |
CN112949707B (zh) | 一种基于多尺度语义信息监督的跨模态人脸图像生成方法 | |
CN112017162B (zh) | 病理图像处理方法、装置、存储介质和处理器 | |
CN112149732A (zh) | 图像保护方法、装置、电子设备及存储介质 | |
CN105678714A (zh) | 一种图像处理方法和装置 | |
CN111177249A (zh) | 一种基于联邦学习思想的多数据源数据可视化方法和装置 | |
CN113449776A (zh) | 基于深度学习的中草药识别方法、装置及存储介质 | |
CN113392791A (zh) | 一种皮肤预测处理方法、装置、设备及存储介质 | |
Guo et al. | Multifeature extracting CNN with concatenation for image denoising | |
CN110288516A (zh) | 图像处理的方法、装置、设备及计算机可读存储介质 | |
CN114049290A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN110956599A (zh) | 图片处理方法和装置、存储介质及电子装置 | |
CN116740362A (zh) | 一种基于注意力的轻量化非对称场景语义分割方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |