CN110349108A - 处理图像的方法、装置、电子设备、及存储介质 - Google Patents

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人脸图像；将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵；对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵；根据设定阈值对所述第二斑痘概率矩阵进行阈值化得到二值的阈值矩阵；根据所述阈值矩阵对所述原始图像进行修复处理。本公开实施例的技术方案能够在对人脸上的斑痘修复时避免照片失真。

Description

处理图像的方法、装置、电子设备、及存储介质

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斑点和痘印，为用户实时呈现无斑痘的靓照。而目前的美颜相机在祛除斑点和痘印后得到的美颜图像与真实图像相比往往失真较大，效果普遍不好。

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，以在修复人脸上的斑痘时避免照片失真。

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人脸图像；

将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，所述斑痘概率矩阵的尺寸与所述人脸图像的尺寸相同，所述斑痘概率矩阵的元素表示所述人脸图像中对应位置像素是斑痘的概率值；

对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵，所述第二斑痘概率矩阵的尺寸与所述原始图像的尺寸相同；

根据设定阈值对所述第二斑痘概率矩阵进行阈值化得到二值的阈值矩阵；

根据所述阈值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；

人脸图像获取单元，用于获取所述原始图像中待处理的人脸图像；

模型检测单元，用于将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，所述斑痘概率矩阵的尺寸与所述人脸图像的尺寸相同，所述斑痘概率矩阵的元素表示所述人脸图像中对应位置像素是斑痘的概率值；

反变换单元，用于对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵，所述第二斑痘概率矩阵的尺寸与所述原始图像的尺寸相同；

二值化单元，用于根据设定阈值对所述第二斑痘概率矩阵进行阈值化得到二值的阈值矩阵；

图像修复单元，用于根据所述阈值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。

本公开实施例提出的技术方案的有益技术效果是：

本公开实施例通过获取包括人脸的原始图像，以及其中待处理的人脸图像；，将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，并进行反变换得到所述原始图像对应的第二斑痘概率矩阵，进行阈值化得到二值的阈值矩阵，据此对原始图像进行修复处理，能够在对人脸上的斑痘修复时避免照片失真。

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斑痘检测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斑痘检测模型的训练装置的结构示意图；

图5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斑痘修复的情况，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，以拍摄出已修复斑痘的照片或录相。

在步骤S120中，获取所述原始图像中待处理的人脸图像。

例如，可将所述原始图像进行面部轮廓分析得到脸部轮廓信息，根据所述脸部轮廓信息对所述原始图像进行裁剪得到待处理的人脸图像。

在步骤S130中，将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，所述斑痘概率矩阵的尺寸与所述人脸图像的尺寸相同，所述斑痘概率矩阵的元素表示所述人脸图像中对应位置像素是斑痘的概率值。

本实施例要求所述斑痘检测模型能够在输入人脸图像后，得到所述人脸图像对应的斑痘概率矩阵，具体模型的训练方法和特点，本实施例对此不作限定，本实施例后面有一单独的示例性实施例，提供了一种斑痘检测模型的训练方法的，可采用该方法或类似的方法训练本步骤要求的斑痘检测模型，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。

在步骤S140中，对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵，所述第二斑痘概率矩阵的尺寸与所述原始图像的尺寸相同。

例如根据所述原始图像的尺寸、以及所述待处理的人脸图像在所述原始图像中的位置信息，确定进行反变换的参数信息，根据所述参数信息对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵。所述反变换的方法包括多种，例如仿射映射。

例如，在所述第二斑痘概率矩阵中所述人脸图像对应像素之外的其他像素值填充0。因此，得到的所述第二斑痘概率矩阵中，与所述斑痘概率矩阵对应位置的像素同所述斑痘概率矩阵相同，所述斑痘概率矩阵对应位置之外的像素值为0。

在步骤S150中，根据设定阈值对所述第二斑痘概率矩阵进行阈值化得到二值的阈值矩阵。

即将所述第二斑痘概率矩阵中，大于所述阈值的元素重置为1，小于所述阈值的元素重置为0，为1的元素表示对应位置是斑或痘，需要修复，为0的元素表示对应位置不是斑和痘，无需修复。

在步骤S160中，根据所述阈值矩阵对所述原始图像进行修复处理。

即根据所述阈值矩阵确定所述原始图像中待修复的像素，对所述待修复的像素采用基于快速匹配的方法或深度学习方法进行修复。

进行图像修复的方法包括多种，本实施例的技术方案对此并不作限定。例如可采用基于快速匹配的方法进行图像修复，该方法假设图像里的一个区域要修复，算法从这个区域的边界开始，逐渐地进入区域，把边界内的所有东西填充上，它取要修复的部分周围的一个像素周围的一小片邻居。这个像素被周围已知的像素的标准加权和替换掉。选择权重是很重要的。要修复的点周围像素的权重较高。和正常边界近的，还有在边界轮廓上的像素的权重较高。当像素被修复以后，它会通过快速匹配方法(FMM)移动到最近的像素。FMM保证那些已知像素周围的像素首先被修复，所以这个就像人工启发式的操作一样。

又如还可基于流体动力学和偏微分方程算法的方法进行修复，首从已知区域先沿着边缘到未知区域访问，在匹配边要修复区域边界的梯度向量时持续画等值线，这时候用到流体动力学，之后会填充颜色以减小最小方差。

需要说明的是，本实施例所述的图理图像的方法，可用于对已拍摄的包括人脸的照片进行事后修复处理，也可以在实时进行滤镜拍摄的过程中进行及时修复出理，以拍摄出已修复的照片或录相。

与现有技术采用将脸部区域裁剪出来做祛除斑点和痘印等修复处理，然后将做完修复处理的图片恢复到源图里面不同，本实施例的技术方案克服了上述现有技术处理的图像失真较大，效果较差的问题。

本实施例的技术方案通过获取包括人脸的原始图像，以及其中待处理的人脸图像；，将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，并进行反变换得到所述原始图像对应的第二斑痘概率矩阵，进行阈值化得到二值的阈值矩阵，据此对原始图像进行修复处理，能够在对人脸上的斑痘修复时避免照片失真。

图2是本公开实施例提供的一种斑痘检测模型的训练方法的流程示意图，如图2所示，本实施例所述的斑痘检测模型的训练方法包括：

在步骤S210中，获取训练样本集合，其中，训练样本包括人脸图像和用于表示人脸图像中各像素是否是斑痘的标注斑痘概率矩阵。

因此，所述标注斑痘概率矩阵的尺寸和训练样本的人脸图像的尺寸相同，所述标注斑痘概率矩阵的元素表示所述人脸图像中对应位置像素是斑痘的概率值，所述人脸图像上没有斑痘的位置的像素，在标注斑痘概率矩阵的对应位置的元素为0，所述人脸图像上斑痘所在位置的像素，在标注斑痘概率矩阵的对应位置的元素为1。

在步骤S220中，确定初始化的斑痘检测模型，其中所述初始化的斑痘检测模型包括用于输出人脸图像中各像素是斑痘的概率的目标层。

初始化的斑痘检测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图像作为初始化的斑痘检测模型的输入，将与输入的人脸图像对应的标注斑痘概率矩阵作为初始化的斑痘检测模型的期望输出，训练得到所述斑痘检测模型。

本实施例的技术方案公开了一种斑痘检测模型的训练方法，通过获取包括人脸图像和用于表示人脸图像中各像素是否是斑痘的标注斑痘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图像作为初始化的斑痘检测模型的输入，将与输入的人脸图像对应的标注斑痘概率矩阵作为初始化的斑痘检测模型的期望输出，训练得到所述斑痘检测模型，以用于在处理图像时，通过该方案得到的斑痘检测模型，生成人脸图像对应的斑痘概率矩阵。

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、人脸图像获取单元320、模型检测单元330、反变换单元340、二值化单元350和图像修复单元360。

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；

所述人脸图像获取单元320被配置为，用于获取所述原始图像中待处理的人脸图像；

所述模型检测单元330被配置为，用于将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，所述斑痘概率矩阵的尺寸与所述人脸图像的尺寸相同，所述斑痘概率矩阵的元素表示所述人脸图像中对应位置像素是斑痘的概率值；

所述反变换单元340被配置为，用于对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵，所述第二斑痘概率矩阵的尺寸与所述原始图像的尺寸相同；

所述二值化单元350被配置为，用于根据设定阈值对所述第二斑痘概率矩阵进行阈值化得到二值的阈值矩阵。

需要说明的是，所述第二斑痘概率矩阵中，与所述斑痘概率矩阵对应位置的像素同所述斑痘概率矩阵相同，所述斑痘概率矩阵对应位置之外的像素值为0。

所述图像修复单元360被配置为，用于根据所述阈值矩阵对所述原始图像进行修复处理。

进一步地，所述人脸图像获取单元320被配置为，用于将所述原始图像进行面部轮廓分析得到脸部轮廓信息，根据所述脸部轮廓信息对所述原始图像进行裁剪得到待处理的人脸图像。

进一步地，所述反变换的方法包括仿射映射。

进一步地，所述反变换单元350被配置为，用于根据所述原始图像的尺寸、以及所述待处理的人脸图像在所述原始图像中的位置信息，确定进行反变换的参数信息，根据所述参数信息对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵。

进一步地，所述图像修复单元360被配置为，用于根据所述阈值矩阵确定所述原始图像中待修复的像素，对所述待修复的像素采用基于快速匹配的装置或深度学习装置进行修复。

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，所述处理图像的装置用于滤镜拍摄。

进一步地，所述模型检测单元330中所述斑痘检测模型通过斑痘检测模型的训练装置的各模块训练得到。

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。

图4示出了本公开实施例提供的一种斑痘检测模型的训练装置的结构示意图，如图4所示，本实施例所述的斑痘检测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，训练样本包括人脸图像和用于表示人脸图像中各像素是否是斑痘的标注斑痘概率矩阵；

所述模型确定模块420被配置为，用于确定初始化的斑痘检测模型，其中所述初始化的斑痘检测模型包括用于输出人脸图像中各像素是斑痘的概率的目标层；

所述模型训练模块430被配置为，用于利用机器学习的方法，将所述训练样本集合中的训练样本中的人脸图像作为初始化的斑痘检测模型的输入，将与输入的人脸图像对应的标注斑痘概率矩阵作为初始化的斑痘检测模型的期望输出，训练得到所述斑痘检测模型。

本实施例提供的斑痘检测模型的训练装置可执行本公开实施例方法实施例所提供的斑痘检测模型的训练方法，具备执行方法相应的功能模块和有益效果。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备500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5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5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501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人脸图像；

将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，所述斑痘概率矩阵的尺寸与所述人脸图像的尺寸相同，所述斑痘概率矩阵的元素表示所述人脸图像中对应位置像素是斑痘的概率值；

对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵，所述第二斑痘概率矩阵的尺寸与所述原始图像的尺寸相同；

根据设定阈值对所述第二斑痘概率矩阵进行阈值化得到二值的阈值矩阵；

根据所述阈值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，所述的处理图像的方法中，获取所述原始图像中待处理的人脸图像还包括：

将所述原始图像进行面部轮廓分析得到脸部轮廓信息，根据所述脸部轮廓信息对所述原始图像进行裁剪得到待处理的人脸图像。

根据本公开的一个或多个实施例，所述的处理图像的方法中，所述反变换的方法包括仿射映射。

根据本公开的一个或多个实施例，所述的处理图像的方法中，对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵包括：

根据所述原始图像的尺寸、以及所述待处理的人脸图像在所述原始图像中的位置信息，确定进行反变换的参数信息，根据所述参数信息对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵。

根据本公开的一个或多个实施例，所述的处理图像的方法中，根据所述阈值矩阵对所述原始图像进行修复处理包括：

根据所述阈值矩阵确定所述原始图像中待修复的像素，对所述待修复的像素采用基于快速匹配的方法或深度学习方法进行修复。

根据本公开的一个或多个实施例，所述的处理图像的方法中，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，所述的处理图像的方法用于滤镜拍摄。

根据本公开的一个或多个实施例，所述的处理图像的方法中，所述斑痘检测模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括人脸图像和用于表示人脸图像中各像素是否是斑痘的标注斑痘概率矩阵；

确定初始化的斑痘检测模型，其中所述初始化的斑痘检测模型包括用于输出人脸图像中各像素是斑痘的概率的目标层；

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图像作为初始化的斑痘检测模型的输入，将与输入的人脸图像对应的标注斑痘概率矩阵作为初始化的斑痘检测模型的期望输出，训练得到所述斑痘检测模型。

根据本公开的一个或多个实施例，所述的处理图像的装置中，所述人脸图像获取单元用于：将所述原始图像进行面部轮廓分析得到脸部轮廓信息，根据所述脸部轮廓信息对所述原始图像进行裁剪得到待处理的人脸图像。

根据本公开的一个或多个实施例，所述的处理图像的装置中，所述反变换的方法包括仿射映射。

根据本公开的一个或多个实施例，所述的处理图像的装置中，所述反变换单元用于：

根据所述原始图像的尺寸、以及所述待处理的人脸图像在所述原始图像中的位置信息，确定进行反变换的参数信息，根据所述参数信息对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵。

根据本公开的一个或多个实施例，所述的处理图像的装置中，所述图像修复单元用于：

根据所述阈值矩阵确定所述原始图像中待修复的像素，对所述待修复的像素采用基于快速匹配的装置或深度学习装置进行修复。

根据本公开的一个或多个实施例，所述的处理图像的装置中，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，所述的处理图像的装置用于滤镜拍摄。

根据本公开的一个或多个实施例，所述的处理图像的装置中，所述模型检测单元中所述斑痘检测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，训练样本包括人脸图像和用于表示人脸图像中各像素是否是斑痘的标注斑痘概率矩阵；

模型确定模块，用于确定初始化的斑痘检测模型，其中所述初始化的斑痘检测模型包括用于输出人脸图像中各像素是斑痘的概率的目标层；

模型训练模块，用于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图像作为初始化的斑痘检测模型的输入，将与输入的人脸图像对应的标注斑痘概率矩阵作为初始化的斑痘检测模型的期望输出，训练得到所述斑痘检测模型。

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 (11)

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人脸图像；

将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，所述斑痘概率矩阵的尺寸与所述人脸图像的尺寸相同，所述斑痘概率矩阵的元素表示所述人脸图像中对应位置像素是斑痘的概率值；

对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵，所述第二斑痘概率矩阵的尺寸与所述原始图像的尺寸相同；

根据设定阈值对所述第二斑痘概率矩阵进行阈值化得到二值的阈值矩阵；

根据所述阈值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，获取所述原始图像中待处理的人脸图像包括：

将所述原始图像进行面部轮廓分析得到脸部轮廓信息；

根据所述脸部轮廓信息对所述原始图像进行裁剪得到待处理的人脸图像。

3.根据权利要求1所述的方法，其特征在于，所述反变换的方法包括仿射映射。

4.根据权利要求1所述的方法，其特征在于，对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵包括：

根据所述原始图像的尺寸、以及所述待处理的人脸图像在所述原始图像中的位置信息，确定进行反变换的参数信息；

根据所述参数信息对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵。

5.根据权利要求1所述的方法，其特征在于，根据所述阈值矩阵对所述原始图像进行修复处理包括：

根据所述阈值矩阵确定所述原始图像中待修复的像素，对所述待修复的像素采用基于快速匹配的方法或深度学习方法进行修复。

6.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。

7.根据权利要求6所述的方法，其特征在于，所述方法用于滤镜拍摄。

8.根据权利要求1-7之一所述的方法，其特征在于，所述斑痘检测模型通过如下步骤训练得到：

获取训练样本集合，其中，训练样本包括人脸图像和用于表示人脸图像中各像素是否是斑痘的标注斑痘概率矩阵；

确定初始化的斑痘检测模型，其中所述初始化的斑痘检测模型包括用于输出人脸图像中各像素是斑痘的概率的目标层；

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图像作为初始化的斑痘检测模型的输入，将与输入的人脸图像对应的标注斑痘概率矩阵作为初始化的斑痘检测模型的期望输出，训练得到所述斑痘检测模型。

9.一种处理图像的装置，其特征在于，

原始图像获取单元，用于获取包括人脸的原始图像；

人脸图像获取单元，用于获取所述原始图像中待处理的人脸图像；

模型检测单元，用于将所述人脸图像输入至预先训练的斑痘检测模型，得到所述人脸图像对应的斑痘概率矩阵，所述斑痘概率矩阵的尺寸与所述人脸图像的尺寸相同，所述斑痘概率矩阵的元素表示所述人脸图像中对应位置像素是斑痘的概率值；

反变换单元，用于对所述斑痘概率矩阵进行反变换得到所述原始图像对应的第二斑痘概率矩阵，所述第二斑痘概率矩阵的尺寸与所述原始图像的尺寸相同；

二值化单元，用于根据设定阈值对所述第二斑痘概率矩阵进行阈值化得到二值的阈值矩阵；

图像修复单元，用于根据所述阈值矩阵对所述原始图像进行修复处理。

10.一种电子设备，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1-8中任一项所述方法的指令。

11.一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1-8任一项所述方法的步骤。