CN110324533A - 处理图像的方法、装置、电子设备、及存储介质 - Google Patents
处理图像的方法、装置、电子设备、及存储介质 Download PDFInfo
- Publication number
- CN110324533A CN110324533A CN201910620706.0A CN201910620706A CN110324533A CN 110324533 A CN110324533 A CN 110324533A CN 201910620706 A CN201910620706 A CN 201910620706A CN 110324533 A CN110324533 A CN 110324533A
- Authority
- CN
- China
- Prior art keywords
- topography
- original image
- feature
- probability matrix
- 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 56
- 238000012876 topography Methods 0.000 claims abstract description 149
- 239000011159 matrix material Substances 0.000 claims abstract description 141
- 230000009466 transformation Effects 0.000 claims abstract description 33
- 230000008439 repair process Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 111
- 235000002673 Dioscorea communis Nutrition 0.000 claims description 96
- 241000544230 Dioscorea communis Species 0.000 claims description 96
- 208000035753 Periorbital contusion Diseases 0.000 claims description 96
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 35
- 238000010586 diagram Methods 0.000 description 16
- 238000005282 brightening Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
- H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种处理图像的方法、装置、电子设备、及存储介质,方法包括:获取包括人脸的原始图像;获取所述原始图像中待处理的至少一个局部图像;分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵;根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵;根据所述第二特征概率矩阵对所述原始图像进行修复处理,能减少图像处理的计算量,能提高图像处理的速度。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及一种处理图像的方法、装置、电子设备、及存储介质。
背景技术
随着用户终端(例如智能手机)拍照功能日益强大,越来越多的用户喜欢使用用户终端来进行拍照,特别是有些爱美的用户喜欢使用手机的美颜相机拍照。
用户使用手机的美颜相机拍照时,需要即时对原始照片祛除面部眼袋、黑眼圈、法令纹等,为用户实时呈现无眼袋、黑眼圈和法令纹的靓照。而目前的美颜相机在祛除眼袋、黑眼圈和法令纹时,通常是对整个原始图像逐像素进行分析,往往计算量较大,处理速度较慢。
发明内容
有鉴于此,本公开实施例提供一种处理图像的方法、装置、电子设备、及存储介质,以减少图像处理的计算量,提高图像处理的速度。
本公开实施例的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开实施例的实践而习得。
第一方面,本公开实施例提供了一种处理图像的方法,包括:
获取包括人脸的原始图像;
获取所述原始图像中待处理的至少一个局部图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,所述至少一个特征概率矩阵的尺寸与对应的局部图像的尺寸相同,所述至少一个特征概率矩阵的元素表示对应的局部图像中对应位置像素具有设定特征的概率值;
根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,所述第二特征概率矩阵的尺寸与所述原始图像的尺寸相同;
根据所述第二特征概率矩阵对所述原始图像进行修复处理。
第二方面,本公开实施例还提供了一种处理图像的装置,包括:
原始图像获取单元,用于获取包括人脸的原始图像;
局部图像获取单元,用于获取所述原始图像中待处理的至少一个局部图像;
模型识别单元,用于分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,所述至少一个特征概率矩阵的尺寸与对应的局部图像的尺寸相同,所述至少一个特征概率矩阵的元素表示对应的局部图像中对应位置像素具有设定特征的概率值;
反变换单元,用于根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,所述第二特征概率矩阵的尺寸与所述原始图像的尺寸相同;
修复处理单元,用于根据所述第二特征概率矩阵对所述原始图像进行修复处理。
第三方面,本公开实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中任一项所述方法的指令。
第四方面,本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一项所述方法的步骤。
本公开实施例通过获取包括人脸的原始图像,并获取其中待处理的至少一个局部图像,分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,以据此对所述原始图像进行修复处理,以减少图像处理的计算量,能提高图像处理的速度。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对本公开实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本公开实施例中的一部分实施例,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,还可以根据本公开实施例的内容和这些附图获得其他的附图。
图1是本公开实施例提供的一种处理图像的方法的流程示意图;
图2是本公开实施例提供的一种特征识别模型的训练方法的流程示意图;
图3是本公开实施例提供的一种处理图像的装置的结构示意图;
图4是本公开实施例提供的一种特征识别模型的训练装置的结构示意图;
图5是本公开实施例提供的一种眼袋识别子模型的训练装置的结构示意图;
图6是本公开实施例提供的一种黑眼圈识别子模型的训练装置的结构示意图;
图7是本公开实施例提供的一种法令纹识别子模型的训练装置的结构示意图;
图8示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
为使本公开实施例解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本公开实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本公开实施例中的一部分实施例,而不是全部的实施例。基于本公开实施例中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开实施例保护的范围。
需要说明的是,本公开实施例中术语“系统”和“网络”在本文中常被可互换使用。本公开实施例中提到的“和/或”是指”包括一个或更多个相关所列项目的任何和所有组合。本公开的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于限定特定顺序。
还需要说明是,本公开实施例中下述各个实施例可以单独执行,各个实施例之间也可以相互结合执行,本公开实施例对此不作具体限制。
下面结合附图并通过具体实施方式来进一步说明本公开实施例的技术方案。
图1示出了本公开实施例提供的一种处理图像的方法的流程示意图,本实施例可适用于对图像中人脸上的设定特征(例如眼袋、黑眼圈、法令纹等)进行修复的情况,该方法可以由配置于电子设备中的处理图像的装置来执行,如图1所示,本实施例所述的处理图像的方法包括:
在步骤S110中,获取包括人脸的原始图像。
例如,可以是预先拍摄的图像,也可以是实时获取摄像头采集到的照片,将所述照片缓存到缓冲区中作为所述原始图像。对于前者,可采用本实施例的技术方案用来对图片进行后期修复,对于后者,可采用本实施的技术方案实时进行滤镜拍摄,以拍摄出已修复黑眼圈、眼袋和/或法令纹的照片或录相。
在步骤S120中,获取所述原始图像中待处理的至少一个局部图像。
所述局部图像是指需要进行修复处理的目标局部图像,例如眼袋区域图像、黑眼圈区域图像和/或法令纹区域图像。
例如,可对所述原始图像进行面部图像分割得到待处理的所述至少一个局部图像。
在步骤S130中,分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,所述至少一个特征概率矩阵的尺寸与对应的局部图像的尺寸相同,所述至少一个特征概率矩阵的元素表示对应的局部图像中对应位置像素具有设定特征的概率值。
本实施例要求所述特征识别模型能够在输入区域图像后,得到所述区域图像对应的特征概率矩阵,具体模型的训练方法和特点,本实施例对此不作限定,本公开实施例后面有一单独的示例性实施例,提供了一种特征识别模型的训练方法,可采用该方法或类似的方法训练本步骤要求的特征识别模型,也可对下述训练方法进行变形或适应性修改,只要能满足本步骤的要求即可。
例如,所述至少一个局部图像包括所述原始图像中一个或两个待处理的眼袋区域图像,所述特征识别模型包括眼袋识别子模型。
又如,所述至少一个局部图像包括所述原始图像中一个或两个待处理的黑眼圈区域图像,所述特征识别模型包括黑眼圈识别子模型。
再如,所述至少一个局部图像包括所述原始图像中一个或两个待处理的法令纹区域图像,所述特征识别模型包括法令纹识别子模型。
具体地,例如所述至少一个局部图像包括所述原始图像中待处理的两个眼袋区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个眼袋区域图像输入至预先训练的眼袋识别子模型,得到两个眼袋概率矩阵,所述两个眼袋概率矩阵的尺寸分别与所述两个眼袋区域图像的尺寸相同,所述两个眼袋概率矩阵的元素表示对应的眼袋区域图像中对应位置像素是眼袋的概率值。
又如,所述至少一个局部图像包括所述原始图像中待处理的两个黑眼圈区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个黑眼圈区域图像输入至预先训练的黑眼圈识别子模型,得到两个黑眼圈概率矩阵,所述两个黑眼圈概率矩阵的尺寸分别与所述两个黑眼圈区域图像的尺寸相同,所述两个黑眼圈概率矩阵的元素表示对应的黑眼圈区域图像中对应位置像素是黑眼圈的概率值。
再如,所述至少一个局部图像包括所述原始图像中待处理的两个法令纹区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个法令纹区域图像输入至预先训练的法令纹识别子模型,得到两个法令纹概率矩阵,所述两个法令纹概率矩阵的尺寸分别与所述两个法令纹区域图像的尺寸相同,所述两个法令纹概率矩阵的元素表示对应的法令纹区域图像中对应位置像素是法令纹的概率值。
在步骤S140中,根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,所述第二特征概率矩阵的尺寸与所述原始图像的尺寸相同。
根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵。例如待处理的至少一个局部图像为两个黑眼圈区域图像,或待处理的至少一个局部图像为两个法令纹区域图像,可采用本步骤的方法,根据两个特征概率矩阵进行反变换,得到所述原始图像对应的第二特征概率矩阵。或者,待处理的至少一个局部图像为两个黑眼圈区域图像和两个法令纹区域图像,且确定后续对原始图像在黑眼圈区域图像位置和法令纹区域图像位置作相同的亮化处理,也可可采用本步骤的方法,根据四个特征概率矩阵进行反变换,得到所述原始图像对应的第二特征概率矩阵。
在步骤S150中,根据所述第二特征概率矩阵对所述原始图像进行修复处理。
例如根据所述第二特征概率矩阵对所述原始图像进行曲线加亮或gamma校正。
本领域普通技术人员需要明确的是,若对原始图像进行修复处理时,对各局部图像的位置的修复处理为无差别的操作,则可根据所有的局部图像对应的特征概率矩阵进行反变换,得到所述原始图像对应的第二特征概率矩阵,并据此对所述原始图像进行修复处理。例如待处理的至少一个局部图像为两个黑眼圈区域图像,或待处理的至少一个局部图像为两个法令纹区域图像,可采用本实施例的技术方案,根据两个特征概率矩阵进行反变换,得到所述原始图像对应的第二特征概率矩阵,并据此对所述原始图像进行修复处理。
反之,若对原始图像进行修复处理时,对各局部图像的位置的修复处理时进行不同的操作,则可根据所有的局部图像对应的特征概率矩阵进行反变换,得到所述原始图像对应的第二特征概率矩阵,并据此对所述原始图像进行修复处理。例如待处理的至少一个局部图像为两个黑眼圈区域图像,或待处理的至少一个局部图像为两个法令纹区域图像,可采用本实施例的技术方案,根据两个特征概率矩阵进行反变换,得到所述原始图像对应的第二特征概率矩阵,并据此对所述原始图像进行修复处理。
反之,若包括至少两个特征概率矩阵,但是依据该至少两个特征概率矩阵进行修复处理时进行不同的操作,则需要多次采用本实施例所述的方法进行修复处理。例如待处理的至少一个局部图像为两个黑眼圈区域图像和两个法令纹区域图像,进行修复处理时,要求对原始图像的黑眼圈区域进行第一亮化处理,对原始图像的法令纹区域进行第二亮化处理,且所述第一亮化处理与所述第二亮化处理的强度不同,则可采用本实施例所述的方法,首先根据两个黑眼圈区域图像(或者两个法令纹区域图像)执行步骤S110-S150进行第一亮化处理(或第二亮化处理),再根据两个法令纹区域图像(或者两个黑眼圈区域图像)重复执行步骤S110-S150进行第二亮化处理(或第一亮化处理),即可既修复黑眼圈(或法令纹),又修复法令纹(或黑眼圈)。
本实施例的技术方案通过获取包括人脸的原始图像,并获取其中待处理的至少一个局部图像(例如眼袋、黑眼圈和/或法令纹),分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,以据此对所述原始图像进行修复处理,仅着眼于黑眼圈发令纹等所在的特别小的区域,前期仅对小区域的图进行处理,再逆变换到原图大小进行加亮处理,以减少图像处理的计算量,能提高图像处理的速度。
图2是本公开实施例提供的一种特征识别模型的训练方法的流程示意图,本实施例以前述实施例为基础,进行了改进优化。如图2所示,本实施例所述的特征识别模型的训练方法包括:
在步骤S210中,获取训练样本集合。
其中,训练样本包括人脸的局部图像和用于表示人脸的局部图像中各像素是否属于设定特征的概率矩阵。
因此,所述概率矩阵的尺寸和训练样本的人脸的局部图像的尺寸相同,所述概率矩阵的元素表示所述人脸的局部图像中对应位置像素属于设定特征的概率值,所述人脸的局部图像上不属于设定特征的位置的像素,在概率矩阵的对应位置的元素为0,所述人脸的局部图像上属于所述设定特征的像素,在概率矩阵的对应位置的元素为1。
在步骤S220中,确定初始化的特征识别模型。
其中所述初始化的特征识别模型包括用于输出人脸的局部图像中各像素是否属于设定特征的概率的目标层。
初始化的特征识别模型可以是各种类型的未经训练的或未训练完成的人工神经网络,例如深度学习模型。
在步骤S230中,利用机器学习的方法,将所述训练样本集合中的训练样本中的人脸的局部图像作为初始化的特征识别模型的输入,将与输入的人脸的局部图像对应的标注是否属于设定特征的概率矩阵作为初始化的特征识别模型的期望输出,训练得到所述特征识别模型。
本实施例的技术方案公开了一种特征识别模型的训练方法,通过获取包括人脸的区域图像和用于表示人脸的区域图像中各像素是否属于设定特征的概率矩阵的多个训练本组成的训练样本集合,利用机器学习的方法,将所述训练样本集合中的训练样本中的人脸的区域图像作为初始化的特征识别模型的输入,将与输入的人脸的区域图像对应的标注是否属于设定特征的概率矩阵,作为初始化的特征识别模型的期望输出,训练得到所述特征识别模型,以用于在处理图像时,通过该方案得到的特征识别模型,以分别得到至少一个局部图像对应的概率矩阵,以根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,据此对原始图像进行修复处理。
图3示出了本公开实施例提供的一种处理图像的装置的结构示意图,如图3所示,本实施例所述的处理图像的装置包括原始图像获取单元310、局部图像获取单元320、模型识别单元330、反变换单元340和修复处理单元350。
所述原始图像获取单元310被配置为,用于获取包括人脸的原始图像;
所述局部图像获取单元320被配置为,用于获取所述原始图像中待处理的至少一个局部图像;
所述模型识别单元330被配置为,用于分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,所述至少一个特征概率矩阵的尺寸与对应的局部图像的尺寸相同,所述至少一个特征概率矩阵的元素表示对应的局部图像中对应位置像素具有设定特征的概率值;
所述反变换单元340被配置为,用于根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,所述第二特征概率矩阵的尺寸与所述原始图像的尺寸相同;
所述修复处理单元350被配置为,用于根据所述第二特征概率矩阵对所述原始图像进行修复处理。
进一步地,所述反变换单元340被配置为,用于分别根据所述原始图像对所述至少一个特征概率矩阵进行反变换对反变换结果进行叠加得到所述原始图像对应的第二特征概率矩阵。
进一步地,所述修复处理单元350被配置为,用于根据所述第二特征概率矩阵对所述原始图像进行曲线加亮或gamma校正。
进一步地,所述原始图像获取单元310被配置为,用于获取摄像头采集到的照片,将所述照片缓存到缓冲区中作为所述原始图像。
进一步地,所述局部图像获取单元320被配置为,用于对所述原始图像进行面部图像分割得到待处理的所述至少一个局部图像。
进一步地,所述模型识别单元330中所述特征识别模型通过如下模块训练得到:
样本获取模块(图3中未示出)被配置为,用于获取训练样本集合,其中,训练样本包括人脸的局部图像和用于表示人脸的局部图像中各像素是否属于设定特征的概率矩阵;
模型确定模块(图3中未示出)被配置为,用于确定初始化的特征识别模型,其中所述初始化的特征识别模型包括用于输出人脸的局部图像中各像素是否属于设定特征的概率的目标层;
模型训练模块(图3中未示出)被配置为,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的局部图像作为初始化的特征识别模型的输入,将与输入的人脸的局部图像对应的标注是否属于设定特征的概率矩阵作为初始化的特征识别模型的期望输出,训练得到所述特征识别模型。
进一步地,所述至少一个局部图像包括所述原始图像中一个或两个待处理的眼袋区域图像,所述特征识别模型包括眼袋识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的黑眼圈区域图像,所述特征识别模型包括黑眼圈识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的法令纹区域图像,所述特征识别模型包括法令纹识别子模型。
进一步地,所述至少一个局部图像包括所述原始图像中待处理的两个眼袋区域图像;
所述模型识别单元330被配置为,用于分别将所述两个眼袋区域图像输入至预先训练的眼袋识别子模型,得到两个眼袋概率矩阵,所述两个眼袋概率矩阵的尺寸分别与所述两个眼袋区域图像的尺寸相同,所述两个眼袋概率矩阵的元素表示对应的眼袋区域图像中对应位置像素是眼袋的概率值。
或者,所述至少一个局部图像包括所述原始图像中待处理的两个黑眼圈区域图像;
所述模型识别单元330被配置为,用于分别将所述两个黑眼圈区域图像输入至预先训练的黑眼圈识别子模型,得到两个黑眼圈概率矩阵,所述两个黑眼圈概率矩阵的尺寸分别与所述两个黑眼圈区域图像的尺寸相同,所述两个黑眼圈概率矩阵的元素表示对应的黑眼圈区域图像中对应位置像素是黑眼圈的概率值。
再或者,所述至少一个局部图像包括所述原始图像中待处理的两个法令纹区域图像;
所述模型识别单元330被配置为,用于分别将所述两个法令纹区域图像输入至预先训练的法令纹识别子模型,得到两个法令纹概率矩阵,所述两个法令纹概率矩阵的尺寸分别与所述两个法令纹区域图像的尺寸相同,所述两个法令纹概率矩阵的元素表示对应的法令纹区域图像中对应位置像素是法令纹的概率值。
本实施例提供的处理图像的装置可执行本公开实施例所提供的处理图像的方法,具备执行方法相应的功能模块和有益效果。
图4是本公开实施例提供的一种特征识别模型的训练装置的结构示意图如图4所示,本实施例所述的特征识别模型的训练装置包括样本获取模块410、模型确定模块420和模型训练模块430。
所述样本获取模块410被配置为,用于获取训练样本集合,其中,训练样本包括人脸的局部图像和用于表示人脸的局部图像中各像素是否属于设定特征的概率矩阵。
所述模型确定模块420被配置为,用于确定初始化的特征识别模型,其中所述初始化的特征识别模型包括用于输出人脸的局部图像中各像素是否属于设定特征的概率的目标层。
所述模型训练模块430被配置为,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的局部图像作为初始化的特征识别模型的输入,将与输入的人脸的局部图像对应的标注是否属于设定特征的概率矩阵作为初始化的特征识别模型的期望输出,训练得到所述特征识别模型。
进一步地,所述至少一个局部图像包括所述原始图像中一个或两个待处理的眼袋区域图像,所述特征识别模型包括眼袋识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的黑眼圈区域图像,所述特征识别模型包括黑眼圈识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的法令纹区域图像,所述特征识别模型包括法令纹识别子模型。
进一步地,所述特征识别模型的训练装置可包括眼袋识别子模型的训练装置、黑眼圈识别子模型的训练装置、和/或法令纹识别子模型的训练装置。
其中,如图5所示,所述眼袋识别子模型的训练装置可包括第一样本获取子模块411、第一模型确定子模块421和第一模型训练子模块431。
所述第一样本获取子模块411被配置为,用于获取训练样本集合,其中,训练样本包括人脸的眼袋区域图像和用于表示人脸的眼袋区域图像中各像素是否属于眼袋的概率矩阵。
所述第一模型确定子模块421被配置为,用于确定初始化的眼袋识别子模型,其中所述初始化的眼袋识别子模型包括用于输出人脸的眼袋区域图像中各像素是否属于眼袋的概率的目标层。
所述第一模型训练子模块431配置为,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的眼袋区域图像作为初始化的眼袋识别子模型的输入,将与输入的人脸的眼袋区域图像对应的标注是否属于眼袋的概率矩阵作为初始化的眼袋识别子模型的期望输出,训练得到所述眼袋识别子模型。
其中,如图6所示,所述黑眼圈识别子模型的训练装置可包括第二样本获取子模块412、第二模型确定子模块422和第二模型训练子模块432。
所述第二样本获取子模块412被配置为,用于获取训练样本集合,其中,训练样本包括人脸的黑眼圈区域图像和用于表示人脸的黑眼圈区域图像中各像素是否属于黑眼圈的概率矩阵。
所述第二模型确定子模块422被配置为,用于确定初始化的黑眼圈识别子模型,其中所述初始化的黑眼圈识别子模型包括用于输出人脸的黑眼圈区域图像中各像素是否属于黑眼圈的概率的目标层。
所述第二模型训练子模块432配置为,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的黑眼圈区域图像作为初始化的黑眼圈识别子模型的输入,将与输入的人脸的黑眼圈区域图像对应的标注是否属于黑眼圈的概率矩阵作为初始化的黑眼圈识别子模型的期望输出,训练得到所述黑眼圈识别子模型。
其中,如图7所示,所述法令纹识别子模型的训练装置可包括第三样本获取子模块413、第三模型确定子模块423和第三模型训练子模块433。
所述第三样本获取子模块413被配置为,用于获取训练样本集合,其中,训练样本包括人脸的法令纹区域图像和用于表示人脸的法令纹区域图像中各像素是否属于法令纹的概率矩阵。
所述第三模型确定子模块423被配置为,用于确定初始化的法令纹识别子模型,其中所述初始化的法令纹识别子模型包括用于输出人脸的法令纹区域图像中各像素是否属于法令纹的概率的目标层。
所述第三模型训练子模块433配置为,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的法令纹区域图像作为初始化的法令纹识别子模型的输入,将与输入的人脸的法令纹区域图像对应的标注是否属于法令纹的概率矩阵作为初始化的法令纹识别子模型的期望输出,训练得到所述法令纹识别子模型。
本实施例提供的处理图像的装置可执行本公开实施例方法实施例所提供的处理图像的方法,具备执行方法相应的功能模块和有益效果。
下面参考图8,其示出了适于用来实现本公开实施例的电子设备800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开实施例的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开实施例的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开实施例中,计算机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。而在本公开实施例中,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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取包括人脸的原始图像;
获取所述原始图像中待处理的至少一个局部图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,所述至少一个特征概率矩阵的尺寸与对应的局部图像的尺寸相同,所述至少一个特征概率矩阵的元素表示对应的局部图像中对应位置像素具有设定特征的概率值;
根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,所述第二特征概率矩阵的尺寸与所述原始图像的尺寸相同;
根据所述第二特征概率矩阵对所述原始图像进行修复处理。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开实施例各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
根据本公开的一个或多个实施例,所述处理图像的方法中,根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵包括:分别根据所述原始图像对所述至少一个特征概率矩阵进行反变换对反变换结果进行叠加得到所述原始图像对应的第二特征概率矩阵。
根据本公开的一个或多个实施例,根据所述第二特征概率矩阵对所述原始图像进行修复处理包括:
根据所述第二特征概率矩阵对所述原始图像进行曲线加亮或gamma校正。
根据本公开的一个或多个实施例,获取包括人脸的原始图像包括:获取摄像头采集到的照片,将所述照片缓存到缓冲区中作为所述原始图像。
根据本公开的一个或多个实施例,获取所述原始图像中待处理的至少一个局部图像包括:对所述原始图像进行面部图像分割得到待处理的所述至少一个局部图像。
根据本公开的一个或多个实施例,所述特征识别模型通过如下步骤训练得到:
获取训练样本集合,其中,训练样本包括人脸的局部图像和用于表示人脸的局部图像中各像素是否属于设定特征的概率矩阵;
确定初始化的特征识别模型,其中所述初始化的特征识别模型包括用于输出人脸的局部图像中各像素是否属于设定特征的概率的目标层;
利用机器学习的方法,将所述训练样本集合中的训练样本中的人脸的局部图像作为初始化的特征识别模型的输入,将与输入的人脸的局部图像对应的标注是否属于设定特征的概率矩阵作为初始化的特征识别模型的期望输出,训练得到所述特征识别模型。
根据本公开的一个或多个实施例,所述至少一个局部图像包括所述原始图像中一个或两个待处理的眼袋区域图像,所述特征识别模型包括眼袋识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的黑眼圈区域图像,所述特征识别模型包括黑眼圈识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的法令纹区域图像,所述特征识别模型包括法令纹识别子模型。
根据本公开的一个或多个实施例,所述至少一个局部图像包括所述原始图像中待处理的两个眼袋区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个眼袋区域图像输入至预先训练的眼袋识别子模型,得到两个眼袋概率矩阵,所述两个眼袋概率矩阵的尺寸分别与所述两个眼袋区域图像的尺寸相同,所述两个眼袋概率矩阵的元素表示对应的眼袋区域图像中对应位置像素是眼袋的概率值。
根据本公开的一个或多个实施例,所述至少一个局部图像包括所述原始图像中待处理的两个黑眼圈区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个黑眼圈区域图像输入至预先训练的黑眼圈识别子模型,得到两个黑眼圈概率矩阵,所述两个黑眼圈概率矩阵的尺寸分别与所述两个黑眼圈区域图像的尺寸相同,所述两个黑眼圈概率矩阵的元素表示对应的黑眼圈区域图像中对应位置像素是黑眼圈的概率值。
根据本公开的一个或多个实施例,所述至少一个局部图像包括所述原始图像中待处理的两个法令纹区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个法令纹区域图像输入至预先训练的法令纹识别子模型,得到两个法令纹概率矩阵,所述两个法令纹概率矩阵的尺寸分别与所述两个法令纹区域图像的尺寸相同,所述两个法令纹概率矩阵的元素表示对应的法令纹区域图像中对应位置像素是法令纹的概率值。
根据本公开的一个或多个实施例,所述处理图像的装置中,所述反变换单元用于:分别根据所述原始图像对所述至少一个特征概率矩阵进行反变换对反变换结果进行叠加得到所述原始图像对应的第二特征概率矩阵。
根据本公开的一个或多个实施例,所述修复处理单元用于:根据所述第二特征概率矩阵对所述原始图像进行曲线加亮或gamma校正。
根据本公开的一个或多个实施例,所述原始图像获取单元用于:获取摄像头采集到的照片,将所述照片缓存到缓冲区中作为所述原始图像。
根据本公开的一个或多个实施例,所述局部图像获取单元用于:对所述原始图像进行面部图像分割得到待处理的所述至少一个局部图像。
根据本公开的一个或多个实施例,所述模型识别单元中所述特征识别模型通过如下模块训练得到:
样本获取模块,用于获取训练样本集合,其中,训练样本包括人脸的局部图像和用于表示人脸的局部图像中各像素是否属于设定特征的概率矩阵;
模型确定模块,用于确定初始化的特征识别模型,其中所述初始化的特征识别模型包括用于输出人脸的局部图像中各像素是否属于设定特征的概率的目标层;
模型训练模块,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的局部图像作为初始化的特征识别模型的输入,将与输入的人脸的局部图像对应的标注是否属于设定特征的概率矩阵作为初始化的特征识别模型的期望输出,训练得到所述特征识别模型。
根据本公开的一个或多个实施例,所述至少一个局部图像包括所述原始图像中一个或两个待处理的眼袋区域图像,所述特征识别模型包括眼袋识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的黑眼圈区域图像,所述特征识别模型包括黑眼圈识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的法令纹区域图像,所述特征识别模型包括法令纹识别子模型。
根据本公开的一个或多个实施例,所述至少一个局部图像包括所述原始图像中待处理的两个眼袋区域图像;
所述模型识别单元,用于分别将所述两个眼袋区域图像输入至预先训练的眼袋识别子模型,得到两个眼袋概率矩阵,所述两个眼袋概率矩阵的尺寸分别与所述两个眼袋区域图像的尺寸相同,所述两个眼袋概率矩阵的元素表示对应的眼袋区域图像中对应位置像素是眼袋的概率值。
根据本公开的一个或多个实施例,所述至少一个局部图像包括所述原始图像中待处理的两个黑眼圈区域图像;
所述模型识别单元,用于分别将所述两个黑眼圈区域图像输入至预先训练的黑眼圈识别子模型,得到两个黑眼圈概率矩阵,所述两个黑眼圈概率矩阵的尺寸分别与所述两个黑眼圈区域图像的尺寸相同,所述两个黑眼圈概率矩阵的元素表示对应的黑眼圈区域图像中对应位置像素是黑眼圈的概率值。
根据本公开的一个或多个实施例,所述至少一个局部图像包括所述原始图像中待处理的两个法令纹区域图像;
所述模型识别单元,用于分别将所述两个法令纹区域图像输入至预先训练的法令纹识别子模型,得到两个法令纹概率矩阵,所述两个法令纹概率矩阵的尺寸分别与所述两个法令纹区域图像的尺寸相同,所述两个法令纹概率矩阵的元素表示对应的法令纹区域图像中对应位置像素是法令纹的概率值。
根据本公开的一个或多个实施例,所述模型识别单元中所述特征识别模型可通过眼袋识别子模型的训练装置、黑眼圈识别子模型的训练装置、和/或法令纹识别子模型的训练装置训练得到。
根据本公开的一个或多个实施例,所述眼袋识别子模型的训练装置可包括第一样本获取子模块、第一模型确定子模块和第一模型训练子模块。
所述第一样本获取子模块被配置为,用于获取训练样本集合,其中,训练样本包括人脸的眼袋区域图像和用于表示人脸的眼袋区域图像中各像素是否属于眼袋的概率矩阵。
所述第一模型确定子模块被配置为,用于确定初始化的眼袋识别子模型,其中所述初始化的眼袋识别子模型包括用于输出人脸的眼袋区域图像中各像素是否属于眼袋的概率的目标层。
所述第一模型训练子模块配置为,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的眼袋区域图像作为初始化的眼袋识别子模型的输入,将与输入的人脸的眼袋区域图像对应的标注是否属于眼袋的概率矩阵作为初始化的眼袋识别子模型的期望输出,训练得到所述眼袋识别子模型。
其中,所述黑眼圈识别子模型的训练装置可包括第二样本获取子模块、第二模型确定子模块和第二模型训练子模块。
所述第二样本获取子模块被配置为,用于获取训练样本集合,其中,训练样本包括人脸的黑眼圈区域图像和用于表示人脸的黑眼圈区域图像中各像素是否属于黑眼圈的概率矩阵。
所述第二模型确定子模块被配置为,用于确定初始化的黑眼圈识别子模型,其中所述初始化的黑眼圈识别子模型包括用于输出人脸的黑眼圈区域图像中各像素是否属于黑眼圈的概率的目标层。
所述第二模型训练子模块配置为,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的黑眼圈区域图像作为初始化的黑眼圈识别子模型的输入,将与输入的人脸的黑眼圈区域图像对应的标注是否属于黑眼圈的概率矩阵作为初始化的黑眼圈识别子模型的期望输出,训练得到所述黑眼圈识别子模型。
其中,所述法令纹识别子模型的训练装置可包括第三样本获取子模块、第三模型确定子模块和第三模型训练子模块。
所述第三样本获取子模块被配置为,用于获取训练样本集合,其中,训练样本包括人脸的法令纹区域图像和用于表示人脸的法令纹区域图像中各像素是否属于法令纹的概率矩阵。
所述第三模型确定子模块被配置为,用于确定初始化的法令纹识别子模型,其中所述初始化的法令纹识别子模型包括用于输出人脸的法令纹区域图像中各像素是否属于法令纹的概率的目标层。
所述第三模型训练子模块配置为,用于利用机器学习的装置,将所述训练样本集合中的训练样本中的人脸的法令纹区域图像作为初始化的法令纹识别子模型的输入,将与输入的人脸的法令纹区域图像对应的标注是否属于法令纹的概率矩阵作为初始化的法令纹识别子模型的期望输出,训练得到所述法令纹识别子模型。
以上描述仅为本公开实施例的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开实施例中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种处理图像的方法,其特征在于,包括:
获取包括人脸的原始图像;
获取所述原始图像中待处理的至少一个局部图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,所述至少一个特征概率矩阵的尺寸与对应的局部图像的尺寸相同,所述至少一个特征概率矩阵的元素表示对应的局部图像中对应位置像素具有设定特征的概率值;
根据所述原始图像对所述至少一个特征概率矩阵进行反变换,得到所述原始图像对应的第二特征概率矩阵,所述第二特征概率矩阵的尺寸与所述原始图像的尺寸相同;
根据所述第二特征概率矩阵对所述原始图像进行修复处理。
2.根据权利要求1所述的方法,其特征在于,根据所述原始图像对所述至少一个特征概率矩阵进行反变换,得到所述原始图像对应的第二特征概率矩阵包括:分别根据所述原始图像对所述至少一个特征概率矩阵进行反变换,对反变换结果进行叠加得到所述原始图像对应的第二特征概率矩阵。
3.根据权利要求1所述的方法,其特征在于,根据所述第二特征概率矩阵对所述原始图像进行修复处理包括:
根据所述第二特征概率矩阵对所述原始图像进行曲线加亮或gamma校正。
4.根据权利要求1所述的方法,其特征在于,获取包括人脸的原始图像包括:获取摄像头采集到的照片,将所述照片缓存到缓冲区中作为所述原始图像。
5.根据权利要求1所述的方法,其特征在于,获取所述原始图像中待处理的至少一个局部图像包括:
对所述原始图像进行面部图像分割得到待处理的所述至少一个局部图像。
6.根据权利要求1-5之一所述的方法,其特征在于,所述特征识别模型通过如下步骤训练得到:
获取训练样本集合,其中,训练样本包括人脸的局部图像和用于表示人脸的局部图像中各像素是否属于设定特征的概率矩阵;
确定初始化的特征识别模型,其中所述初始化的特征识别模型包括用于输出人脸的局部图像中各像素是否属于设定特征的概率的目标层;
利用机器学习的方法,将所述训练样本集合中的训练样本中的人脸的局部图像作为初始化的特征识别模型的输入,将与输入的人脸的局部图像对应的标注是否属于设定特征的概率矩阵作为初始化的特征识别模型的期望输出,训练得到所述特征识别模型。
7.根据权利要求6所述的方法,其特征在于,所述至少一个局部图像包括所述原始图像中一个或两个待处理的眼袋区域图像,所述特征识别模型包括眼袋识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的黑眼圈区域图像,所述特征识别模型包括黑眼圈识别子模型;和/或
所述至少一个局部图像包括所述原始图像中一个或两个待处理的法令纹区域图像,所述特征识别模型包括法令纹识别子模型。
8.根据权利要求7所述的方法,其特征在于,所述至少一个局部图像包括所述原始图像中待处理的两个眼袋区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个眼袋区域图像输入至预先训练的眼袋识别子模型,得到两个眼袋概率矩阵,所述两个眼袋概率矩阵的尺寸分别与所述两个眼袋区域图像的尺寸相同,所述两个眼袋概率矩阵的元素表示对应的眼袋区域图像中对应位置像素是眼袋的概率值。
9.根据权利要求7所述的方法,其特征在于,所述至少一个局部图像包括所述原始图像中待处理的两个黑眼圈区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个黑眼圈区域图像输入至预先训练的黑眼圈识别子模型,得到两个黑眼圈概率矩阵,所述两个黑眼圈概率矩阵的尺寸分别与所述两个黑眼圈区域图像的尺寸相同,所述两个黑眼圈概率矩阵的元素表示对应的黑眼圈区域图像中对应位置像素是黑眼圈的概率值。
10.根据权利要求7所述的方法,其特征在于,所述至少一个局部图像包括所述原始图像中待处理的两个法令纹区域图像;
分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵包括:
分别将所述两个法令纹区域图像输入至预先训练的法令纹识别子模型,得到两个法令纹概率矩阵,所述两个法令纹概率矩阵的尺寸分别与所述两个法令纹区域图像的尺寸相同,所述两个法令纹概率矩阵的元素表示对应的法令纹区域图像中对应位置像素是法令纹的概率值。
11.一种处理图像的装置,其特征在于,包括:
原始图像获取单元,用于获取包括人脸的原始图像;
局部图像获取单元,用于获取所述原始图像中待处理的至少一个局部图像;
模型识别单元,用于分别将所述至少一个局部图像输入至对应的预先训练的特征识别模型,得到所述至少一个局部图像对应的至少一个特征概率矩阵,所述至少一个特征概率矩阵的尺寸与对应的局部图像的尺寸相同,所述至少一个特征概率矩阵的元素表示对应的局部图像中对应位置像素具有设定特征的概率值;
反变换单元,用于根据所述原始图像对所述至少一个特征概率矩阵进行反变换得到所述原始图像对应的第二特征概率矩阵,所述第二特征概率矩阵的尺寸与所述原始图像的尺寸相同;
修复处理单元,用于根据所述第二特征概率矩阵对所述原始图像进行修复处理。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一项所述方法的指令。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-10任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620706.0A CN110324533A (zh) | 2019-07-10 | 2019-07-10 | 处理图像的方法、装置、电子设备、及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910620706.0A CN110324533A (zh) | 2019-07-10 | 2019-07-10 | 处理图像的方法、装置、电子设备、及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110324533A true CN110324533A (zh) | 2019-10-11 |
Family
ID=68121860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910620706.0A Pending CN110324533A (zh) | 2019-07-10 | 2019-07-10 | 处理图像的方法、装置、电子设备、及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110324533A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325668A (zh) * | 2020-02-06 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 图像处理深度学习模型的训练方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369133A (zh) * | 2016-05-13 | 2017-11-21 | 炬芯(珠海)科技有限公司 | 一种人脸图像美化方法和装置 |
CN108416744A (zh) * | 2018-01-30 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN109377448A (zh) * | 2018-05-20 | 2019-02-22 | 北京工业大学 | 一种基于生成对抗网络的人脸图像修复方法 |
CN109447031A (zh) * | 2018-11-12 | 2019-03-08 | 北京旷视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109685741A (zh) * | 2018-12-28 | 2019-04-26 | 北京旷视科技有限公司 | 一种图像处理方法、装置及计算机存储介质 |
-
2019
- 2019-07-10 CN CN201910620706.0A patent/CN110324533A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369133A (zh) * | 2016-05-13 | 2017-11-21 | 炬芯(珠海)科技有限公司 | 一种人脸图像美化方法和装置 |
CN108416744A (zh) * | 2018-01-30 | 2018-08-17 | 百度在线网络技术(北京)有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN109377448A (zh) * | 2018-05-20 | 2019-02-22 | 北京工业大学 | 一种基于生成对抗网络的人脸图像修复方法 |
CN109447031A (zh) * | 2018-11-12 | 2019-03-08 | 北京旷视科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN109685741A (zh) * | 2018-12-28 | 2019-04-26 | 北京旷视科技有限公司 | 一种图像处理方法、装置及计算机存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325668A (zh) * | 2020-02-06 | 2020-06-23 | 北京字节跳动网络技术有限公司 | 图像处理深度学习模型的训练方法、装置及电子设备 |
CN111325668B (zh) * | 2020-02-06 | 2023-04-18 | 北京字节跳动网络技术有限公司 | 图像处理深度学习模型的训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766777B (zh) | 虚拟形象的生成方法、装置、电子设备及存储介质 | |
CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
CN110288547A (zh) | 用于生成图像去噪模型的方法和装置 | |
CN112528977A (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN109308681A (zh) | 图像处理方法和装置 | |
CN110796721A (zh) | 虚拟形象的颜色渲染方法、装置、终端及存储介质 | |
CN109919244A (zh) | 用于生成场景识别模型的方法和装置 | |
CN110349107B (zh) | 图像增强的方法、装置、电子设备、及存储介质 | |
CN109829432A (zh) | 用于生成信息的方法和装置 | |
CN110059623B (zh) | 用于生成信息的方法和装置 | |
CN110069191B (zh) | 基于终端的图像拖拽变形实现方法和装置 | |
CN109947989A (zh) | 用于处理视频的方法和装置 | |
CN110349161B (zh) | 图像分割方法、装置、电子设备、及存储介质 | |
CN110047122A (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN112800276B (zh) | 视频封面确定方法、装置、介质及设备 | |
CN111402122A (zh) | 图像的贴图处理方法、装置、可读介质和电子设备 | |
CN110062157A (zh) | 渲染图像的方法、装置、电子设备和计算机可读存储介质 | |
CN110570383A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN111209856B (zh) | 发票信息的识别方法、装置、电子设备及存储介质 | |
CN114049674A (zh) | 一种三维人脸重建方法、装置及存储介质 | |
WO2024179333A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111984803A (zh) | 多媒体资源处理方法、装置、计算机设备及存储介质 | |
CN110334650A (zh) | 物体检测方法、装置、电子设备及存储介质 | |
CN112287945A (zh) | 碎屏确定方法、装置、计算机设备及计算机可读存储介质 | |
CN109981989A (zh) | 渲染图像的方法、装置、电子设备和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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |