CN111598903A - 人像分割方法、装置、存储介质和电子设备 - Google Patents
人像分割方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111598903A CN111598903A CN202010433504.8A CN202010433504A CN111598903A CN 111598903 A CN111598903 A CN 111598903A CN 202010433504 A CN202010433504 A CN 202010433504A CN 111598903 A CN111598903 A CN 111598903A
- Authority
- CN
- China
- Prior art keywords
- portrait
- mask
- target image
- position information
- segmentation
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种人像分割方法、装置、存储介质和电子设备,其中,方法包括:获取目标图像的第一人像掩膜;基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜;采用所述第二人像掩膜,从所述目标图像中分割出人像。基于目标图像的第一人像掩膜,确定目标图像的第二人像掩膜,再采用第二人像掩膜对目标图像进行人像分割。采用本申请实施例,可以更准确地从目标图像中分割出人像。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种人像分割方法、装置、存储介质和电子设备。
背景技术
人像分割技术是一种将图像中的人像从背景中分离出来的技术。人像分割技术已被广泛地应用在视频或相片中的人像背景虚化、图像背景替换等领域。现有技术中,可获得人像分割模型输出的人像分割掩膜,根据人像分割掩膜从原始图像中分割出人像。
发明内容
为了解决上述问题,本申请实施例提供了一种人像分割方法、装置、存储介质和电子设备,可以较准确地从图像中分割出人像。本技术方案如下:
第一方面,本申请实施例提供了一种人像分割方法,包括以下步骤:
获取目标图像的第一人像掩膜;
基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜;
采用所述第二人像掩膜,从所述目标图像中分割出人像。
第二方面,本申请实施例提供了一种人像分割装置,包括:
第一掩膜获取单元,用于获取目标图像的第一人像掩膜;
第二掩膜确定单元,用于基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜;
人像分割单元,用于采用所述第二人像掩膜,从所述目标图像中分割出人像。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项方法的步骤。
第四方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项方法的步骤。
在本申请实施例中,获取目标图像的第一人像掩膜;基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜;采用所述第二人像掩膜,从所述目标图像中分割出人像。基于目标图像的第一人像掩膜,确定目标图像的第二人像掩膜,再采用第二人像掩膜对目标图像进行人像分割。相比直接通过第一人像掩膜对目标图像进行人像分割的技术方案,在获得初步的人像掩膜之后,对人像的边缘进行精细的定位获得了更精确的人像结果,进而可以更准确地从目标图像中分割出人像。
附图说明
图1为本申请实施例提供的一种人像分割方法的流程示意图;
图2为本申请实施例提供的一种获取第二人像掩膜方法的流程示意图;
图3为本申请实施例提供的一种人像分割系统的组成示意图;
图4为本申请实施例提供的一种获取第一人像掩膜方法的流程示意图;
图5为本申请实施例提供的一种从第一人像掩膜转换为第二人像掩膜的示意图;
图6为本申请实施例提供的一种人像分割装置的结构示意图;
图7为本申请实施例所涉及的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请进行进一步的介绍。
在下述介绍中,术语“第一”、“第二”仅为用于描述的目的,而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例,不同实施例之间可以替换或者合并组合,因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含特征A、B、C,另一个实施例包含特征B、D,那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例,并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下,对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行,并且可以添加、省略或组合各种步骤。此外,可以将关于一些示例描述的特征组合到其他示例中。
可利用训练好的人像分割模型对原始图像进行处理,获得所述人像分割模型输出的人像分割掩膜,根据人像分割掩膜从所述原始图像中分割出人像。其中,人像分割模型可利用普通卷积、深度可分离卷积以及带洞卷积训练得到。上述的人像分割方法往往无法较准确地从图像中分割出人像,影响了后续应用的正常进行。
参见图1,图1是本申请实施例提供的一种人像分割方法的流程示意图,所述方法包括:
S101、获取目标图像的第一人像掩膜。
目标图像即为要进行人像分割的图像。目标图像中可包含有至少一个人像。可通过照相机等设备获取目标图像,也可直接读取存储设备中已保存的目标图像。本申请实施例对获取目标图像的方式不做限定。
利用第一人像掩膜可对目标图像的全部区域或部分区域进行遮挡,来从目标图像中分割出人像来。人像掩膜的具体实现方式可根据需要进行确定。如第一人像掩膜可以为二值图像,每个像素值为0或1,用1表示目标图像对应的像素属于人像,用0表示目标图像对应的像素属于背景。第一人像掩膜中的每个像素值也可设为不大于1的数值,代表目标图像对应的像素属于人像的概率。
S102、基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜。
可将目标图像、第一人像掩膜等信息作为参数,输入至对应的人像再分割模型中,以确定第二人像掩膜。上述人像再分割模型可采用卷积神经网络(CNN,ConvolutionalNeural Network)、多层感知机(MLP,Multilayer Perceptron)等。
利用第二人像掩膜可对目标图像的全部区域或部分区域进行遮挡,来从目标图像中分割出人像来。人像掩膜的具体实现方式可根据需要进行确定。如第二人像掩膜可以为二值图像,每个像素值为0或1,用1表示目标图像对应的像素属于人像,用0表示目标图像对应的像素属于背景。第二人像掩膜中的每个像素值也可设为不大于1的数值,代表目标图像对应的像素属于人像的概率。
S103、采用所述第二人像掩膜,从所述目标图像中分割出人像。
若第二人像分割掩膜的分辨率和目标图像相同,可直接将第二人像分割掩膜与目标图像进行匹配就可以从中分割出人像。例如,当第二人像掩膜可以为二值图像时,将第二人像分割掩膜中所有像素值为1的位置在目标图像中对应的像素保留,所有像素值为0的位置在原始图像中对应的像素设置为预设的像素值,最终获得的图像即人像分割结果。若第二人像分割掩膜的分辨率和目标图像不同,则应该先将第二人像分割掩膜的分辨调整为目标图像的尺寸,然后再将第二人像分割掩膜与目标图像进行匹配。
可选地,步骤S101可包括:
对所述目标图像进行预处理;
采用人像分割模型,获取所述预处理后的图像的人像响应谱,所述人像响应谱用于表征所述预处理后的图像中每个像素点属于人像的概率;
对所述人像响应谱进行二值化处理,并根据二值化处理后的人像响应谱确定所述第一人像掩膜。
人像分割模型可采用CNN模型、MLP模型等。人像分割面模型对于输入的图像属性可能会有有一些要求,因此可先对目标图像进行预处理,以使预处理后的图像满足人像分割模型的要求。
作为一种可实施方式,对所述目标图像的各像素的像素值进行归一化处理。人像分割模型可能要求输入图像的像素值为归一化的图像,如像素值应当在[0,1]之间。如果目标图像不满足归一化的要求,应当将其归一化。归一化可通过多种方式实现,如目标图像的像素值为[0,255]之间的整数,可以通过像素值除以255的方式进行归一化处理。
作为一种可实施方式,对所述目标图像进行下采样处理。人像分割模型可要求输入图像的尺寸为预设分辨率。如果目标图像的分辨率不是预设分辨率,可对其进行下采样或上采样处理,将其调整为预设分辨率。此外,对目标图像进行下采样处理,可以减少系统的计算量,提升系统的处理速度。
可选地,所述对所述人像响应谱进行二值化处理,包括:
若所述人像响应谱中的响应值大于或等于预设阈值,则将所述响应值设置为1;
若所述人像响应谱中的响应值小于所述预设阈值,则将所述响应值设置为0。
人像响应谱中的响应值用于表征所述预处理后的图像中每个像素点属于人像的概率。预设阈值可根据需要进行设定。一般地,可将预设阈值设置为0.5。如果人像响应谱中的响应值大于或等于预设阈值,可认为响应值在目标图像的对应像素点属于人像,将所述响应值设置为1。如果人像响应谱中的响应值小于预设阈值,可认为响应值在目标图像的对应像素点属于背景,将所述响应值设置为0。二值化处理后的人像响应谱得到的第一人像掩膜。在第一人像掩膜的分辨率和目标图像的分辨率相同的情况下,第一人像掩膜中0和1的交界的位置信息即为目标图像中人像边缘的位置信息。
本申请实施例提供的人像分割方法,在得到初步的第一人像掩膜之后,再利用第一人像掩膜得到更为精确的第二人像掩膜,通过第二人像掩膜对目标图像进行人像分割。相比直接通过第一人像掩膜对目标图像进行人像分割的技术方案,可以更准确地从目标图像中分割出人像。
参见图2,图2为本申请实施例提供的一种获取第二人像掩膜方法的流程示意图,所述方法包括:
S201、根据所述第一人像掩膜,获取所述目标图像中人像边缘的位置信息。
利用第一人像掩膜可对目标图像的全部区域或部分区域进行遮挡,来从目标图像中分割出人像来。人像掩膜的具体实现方式可根据需要进行确定。如第一人像掩膜可以为二值图像,每个像素值为0或1,用1表示目标图像对应的像素属于人像,用0表示目标图像对应的像素属于背景。第一人像掩膜中的每个像素值也可设为不大于1的数值,代表目标图像对应的像素属于人像的概率。在第一人像掩膜的分辨率和目标图像的分辨率相同的情况下,第一人像掩膜中0和1的交界的位置信息即为目标图像中人像边缘的位置信息。
可选地,S201可包括:
对所述第一人像掩膜进行上采样处理,得到第三人像掩膜,所述第三人像掩膜的分辨率与所述目标图像的分辨率相同;
根据所述第三人像掩膜,获取所述目标图像中人像边缘的位置信息。
第一人像掩膜的分辨率可能与目标图像的分辨率不同,可先对第一人像掩膜进行上采样处理,得到与目标图像分辨率相同的第三人像掩膜。可采用双线性插值、转置卷积等方法实现对第一人像掩膜的上采样处理。
可选地,所述根据所述第三人像掩膜,获取所述目标图像中人像边缘的位置信息,包括:
提取所述第三人像掩膜中人像边缘的位置信息,将所述第三人像掩膜中人像边缘的位置信息确定为所述目标图像中人像边缘的位置信息。
第一人像掩膜和第三人像掩膜可以有多种组成方式。如第一人像掩膜可以为二值图像,则对第一人像掩膜进行上采样处理而得到的第三人像掩膜也为二值图像。第三人像掩膜中0和1的交界的位置信息即为目标图像中人像边缘的位置信息。如第一人像掩膜中的每个像素值也可设为不大于1的数值,则对第一人像掩膜进行上采样处理而得到的第三人像掩膜中的每个像素值也为不大于1的数值。第三人像掩膜中的每个像素值代表了目标图像中对应像素点属于人像的概率。根据上述概率可获取到目标图像中人像边缘的位置信息。
S202、获取所述目标图像中所述位置信息指示的像素的像素值。
S203、将所述位置信息指示的像素的像素值以及所述人像响应谱作为输入至多层感知机模型中,得到所述目标图像的所述第二人像掩膜。
人像响应谱用于表征所述预处理后的图像中每个像素点属于人像的概率。人像响应谱相比第一人像掩膜更能确切地表征目标图像的人像分割结果。将目标图像中通过第一人像掩膜得到的人像边缘的像素值和人像响应谱输入到多层感知机模型中,得到目标图像的所述第二人像掩膜。
本申请实施例提供的第二人像掩膜的获取方法,通过将由第一人像掩膜得到的目标图像的人像边缘的像素值和人像响应谱输入到多层感知机模型中,获得第二人像掩膜。第二人像掩膜是在第一人像掩膜的基础上,再次进行处理得到的,也就是说,在获得初步的人像掩膜之后,通过一个只需要少量计算量的多层感知机去对人像的边缘进行精细的定位。在只需要少量计算量作为代价的基础上,获得了更精确的人像结果,可以更准确地从目标图像中分割出人像。
现有的人像分割方法虽然可具有较高的精度,但是对于人像与背景交界区域的界定不清晰,会存在明显的锯齿和错分割的情况。本申请实施例的技术方案在人像分割模型预测得到初步的掩膜之后,引入了一个额外的多层感知机对人像和背景交界的边缘区域进行再分类,获得更精确的人像掩膜。该多层感知机参数量较小,可以在极少的增加计算量的基础上,明显的优化人像分割结果的精度。为使本申请的技术方案更加便于理解,以下提供一种人像分割技术方案的具体实施方案。
图3为本申请实施例提供的一种人像分割的系统的组示意图。如图3所示,系统输入图像,上述输入图像可以为通过相机拍摄带有人像的图片。人像分割模块,用于基于人像分割模型去检测图像中的人像区域,初步获得人像的掩膜,该人像的掩膜即为第一人像掩膜。边缘区域再分割模块,用于根据该掩膜获得人像与背景区域交界的位置结合事先训练好的多层感知机模型去对边缘区域的掩膜做精细的分类,得到第二人像掩膜。最后,人像获取模块根据最终获得的精确第二人像掩膜从原图中提取人像。
图4为本申请实施例提供的一种获取第一人像掩膜方法的流程示意图。图4的流程示意图对应于上述图3中的人像分割模块的处理流程。图3中的人像分割模块是基于卷积神经网络进行人像分割的,具体处理步骤如下:
步骤1、通过相机拍摄获取原始图片;
步骤2、将图片的各个像素值归一化到-1到1之间,作为卷积网络的输入;
步骤3、基于事先训练好的人像分割模型,获得图片对于人像的响应谱。该响应谱代表了图片每个像素是否属于人像的概率,该概率是0到1之间的值,该值越大则代表该像素属于人像的概率越大;
步骤4、对获得的响应谱做二值化处理获得人像的掩膜区域。响应谱中概率大于0.5的代表人取值为1,反之则作为背景取值为0。
图5为本申请实施例提供的一种从第一人像掩膜转换为第二人像掩膜的示意图。图5中灰块和白块交界的区域即对应于输入图像中人像与背景边缘的位置区域。图5的示意图对应于上述图3中的边缘区域再分割模块的处理流程。图3中的边缘区域再分割模块的具体处理步骤如下:
步骤1、对获取的人像掩膜进行上采样。为了减少人像分割模型的计算量,该模型获得的掩膜的分辨率是输入图片的1/8,这样的掩膜难以在原图上获得精确的人像结果,所以需要上采样回原图大小作为进一步再分割的输入;
步骤2、根据上采样后的掩膜提取人像与背景边缘的位置信息,并根据该位置信息获得原图中的边缘的像素值以及分割模型最后一层特征谱上边缘对应的特征值作为多层感知机的输入。上述分割模型最后一层特征谱上边缘对应的特征值即为上述图4中步骤3获取到的人像响应谱对应的特征值。
步骤3、根据获得的输入特征及事先训练好的多层感知机重新对边缘区域进行类别的判断,从而获得精确的人像掩膜。
本申请实施例提出一种基于边缘再分割的人像分割方法,在获得初步的人像掩膜之后,通过一个只需要少量计算量的多层感知机去对人像的边缘进行精细的定位。在只需要少量计算量作为代价的基础上,获得了更精确的人像结果。本实施例的方法可对人像掩膜的再分割获得了更精确的人像分割结果。能够为人像虚化、人像留色等人像分割的进一步应用提供了可靠的结果。
请参见图6,图6是本申请实施例提供的一种人像分割装置结构示意图。如图6所示,所述装置应用于制造执行系统服务器中,所示人像分割装置包括:
第一掩膜获取单元601,用于获取目标图像的第一人像掩膜;
第二掩膜确定单元602,用于基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜;
人像分割单元603,用于采用所述第二人像掩膜,从所述目标图像中分割出人像。
可选地,所述第一掩膜获取单元601具体用于:
对所述目标图像进行预处理;
采用人像分割模型,获取所述预处理后的图像的人像响应谱,所述人像响应谱用于表征所述预处理后的图像中每个像素点属于人像的概率;
对所述人像响应谱进行二值化处理,并根据二值化处理后的人像响应谱确定所述第一人像掩膜。
可选地,所述第一掩膜获取单元601还用于:
对所述目标图像的各像素的像素值进行归一化处理;
和/或,
对所述目标图像进行下采样处理。
可选地,所述第一掩膜获取单元601具体用于:
若所述人像响应谱中的响应值大于或等于预设阈值,则将所述响应值设置为1;
若所述人像响应谱中的响应值小于所述预设阈值,则将所述响应值设置为0。
可选地,所述第二掩膜确定单元602具体用于:
根据所述第一人像掩膜,获取所述目标图像中人像边缘的位置信息;
获取所述目标图像中所述位置信息指示的像素的像素值;
将所述位置信息指示的像素的像素值以及所述人像响应谱作为输入至多层感知机模型中,得到所述目标图像的所述第二人像掩膜。
可选地,所述第二掩膜确定单元602具体用于:
对所述第一人像掩膜进行上采样处理,得到第三人像掩膜,所述第三人像掩膜的分辨率与所述目标图像的分辨率相同;
根据所述第三人像掩膜,获取所述目标图像中人像边缘的位置信息。
可选地,所述第二掩膜确定单元602具体用于:
提取所述第三人像掩膜中人像边缘的位置信息,将所述第三人像掩膜中人像边缘的位置信息确定为所述目标图像中人像边缘的位置信息。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是FPGA(Field-Programmable Gate Array,现场可编程门阵列)、IC(Integrated Circuit,集成电路)等。
本申请实施例的各处理单元和/或模块,可通过实现本申请实施例所述的功能的模拟电路而实现,也可以通过执行本申请实施例所述的功能的软件而实现。
本申请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,该程序被处理器执行时实现上述人像分割方法的步骤。其中,计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC),或适合于存储指令和/或数据的任何类型的媒介或设备。
参见图7,其示出了本申请实施例所涉及的一种电子设备的结构示意图,该电子设备可以用于实施上述实施例中提供的人像分割方法。具体来讲:
存储器1020可用于存储软件程序以及模块,处理器1080通过运行存储在存储器1020的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1020可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据终端设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1020可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1020还可以包括存储器控制器,以提供处理器1080和输入单元1030对存储器1020的访问。
输入单元1030可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元1030可包括触敏表面1031(例如:触摸屏、触摸板或触摸框)。触敏表面1031,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面1031上或在触敏表面1031附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面1031可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器1080,并能接收处理器1080发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面1031。
显示单元1040可用于显示由用户输入的信息或提供给用户的信息以及终端设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1040可包括显示面板1041,可选的,可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板1041。进一步的,触敏表面1031可覆盖显示面板1041,当触敏表面1031检测到在其上或附近的触摸操作后,传送给处理器1080以确定触摸事件的类型,随后处理器1080根据触摸事件的类型在显示面板1041上提供相应的视觉输出。虽然触敏表面1031与显示面板1041可以是作为两个独立的部件来实现输入和输入功能,但是在某些实施例中,可以将触敏表面1031与显示面板1041集成而实现输入和输出功能。
处理器1080是终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分,通过运行或执行存储在存储器1020内的软件程序和/或模块,以及调用存储在存储器1020内的数据,执行终端设备的各种功能和处理数据,从而对终端设备进行整体监控。可选的,处理器1080可包括一个或多个处理核心;其中,处理器1080可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1080中。
具体在本实施例中,终端设备的显示单元是触摸屏显示器,终端设备还包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行述一个或者一个以上程序包含实现上述人像分割方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
以上介绍仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种人像分割方法,其特征在于,所述方法包括:
获取目标图像的第一人像掩膜;
基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜;
采用所述第二人像掩膜,从所述目标图像中分割出人像。
2.根据权利要求1所述的方法,其特征在于,所述获取目标图像的第一人像掩膜,包括:
对所述目标图像进行预处理;
采用人像分割模型,获取所述预处理后的图像的人像响应谱,所述人像响应谱用于表征所述预处理后的图像中每个像素点属于人像的概率;
对所述人像响应谱进行二值化处理,并根据二值化处理后的人像响应谱确定所述第一人像掩膜。
3.根据权利要求2所述的方法,其特征在于,所述对所述目标图像进行预处理,包括:
对所述目标图像的各像素的像素值进行归一化处理;
和/或,
对所述目标图像进行下采样处理。
4.根据权利要求2所述的方法,其特征在于,所述对所述人像响应谱进行二值化处理,包括:
若所述人像响应谱中的响应值大于或等于预设阈值,则将所述响应值设置为1;
若所述人像响应谱中的响应值小于所述预设阈值,则将所述响应值设置为0。
5.根据权利要求3所述的方法,其特征在于,所述基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜,包括:
根据所述第一人像掩膜,获取所述目标图像中人像边缘的位置信息;
获取所述目标图像中所述位置信息指示的像素的像素值;
将所述位置信息指示的像素的像素值以及所述人像响应谱作为输入至多层感知机模型中,得到所述目标图像的所述第二人像掩膜。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一人像掩膜,获取所述目标图像中人像边缘的位置信息,包括:
对所述第一人像掩膜进行上采样处理,得到第三人像掩膜,所述第三人像掩膜的分辨率与所述目标图像的分辨率相同;
根据所述第三人像掩膜,获取所述目标图像中人像边缘的位置信息。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第三人像掩膜,获取所述目标图像中人像边缘的位置信息,包括:
提取所述第三人像掩膜中人像边缘的位置信息,将所述第三人像掩膜中人像边缘的位置信息确定为所述目标图像中人像边缘的位置信息。
8.一种人像分割装置,其特征在于,所述装置包括:
第一掩膜获取单元,用于获取目标图像的第一人像掩膜;
第二掩膜确定单元,用于基于所述目标图像和所述第一人像掩膜,确定所述目标图像的第二人像掩膜;
人像分割单元,用于采用所述第二人像掩膜,从所述目标图像中分割出人像。
9.一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,该程序被处理器执行时实现所述权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433504.8A CN111598903B (zh) | 2020-05-21 | 2020-05-21 | 人像分割方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433504.8A CN111598903B (zh) | 2020-05-21 | 2020-05-21 | 人像分割方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598903A true CN111598903A (zh) | 2020-08-28 |
CN111598903B CN111598903B (zh) | 2023-09-29 |
Family
ID=72182839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010433504.8A Active CN111598903B (zh) | 2020-05-21 | 2020-05-21 | 人像分割方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598903B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102340A (zh) * | 2020-09-25 | 2020-12-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN112215906A (zh) * | 2020-09-04 | 2021-01-12 | 北京迈格威科技有限公司 | 图像处理方法、装置和电子设备 |
CN112489063A (zh) * | 2020-12-10 | 2021-03-12 | 北京金山云网络技术有限公司 | 图像分割方法、图像分割模型的训练方法和装置 |
CN112861661A (zh) * | 2021-01-22 | 2021-05-28 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备及计算机可读存储介质 |
CN113608805A (zh) * | 2021-07-08 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 掩膜预测方法、图像处理方法、显示方法及设备 |
CN117237397A (zh) * | 2023-07-13 | 2023-12-15 | 天翼爱音乐文化科技有限公司 | 基于特征融合的人像分割方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171677A (zh) * | 2017-12-07 | 2018-06-15 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN108898610A (zh) * | 2018-07-20 | 2018-11-27 | 电子科技大学 | 一种基于mask-RCNN的物体轮廓提取方法 |
CN108961279A (zh) * | 2018-06-28 | 2018-12-07 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置及移动终端 |
CN110310293A (zh) * | 2019-07-04 | 2019-10-08 | 北京字节跳动网络技术有限公司 | 人体图像分割方法及设备 |
CN111179282A (zh) * | 2019-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
-
2020
- 2020-05-21 CN CN202010433504.8A patent/CN111598903B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171677A (zh) * | 2017-12-07 | 2018-06-15 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN108961279A (zh) * | 2018-06-28 | 2018-12-07 | Oppo(重庆)智能科技有限公司 | 图像处理方法、装置及移动终端 |
CN108898610A (zh) * | 2018-07-20 | 2018-11-27 | 电子科技大学 | 一种基于mask-RCNN的物体轮廓提取方法 |
CN110310293A (zh) * | 2019-07-04 | 2019-10-08 | 北京字节跳动网络技术有限公司 | 人体图像分割方法及设备 |
CN111179282A (zh) * | 2019-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 图像处理方法、图像处理装置、存储介质与电子设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215906A (zh) * | 2020-09-04 | 2021-01-12 | 北京迈格威科技有限公司 | 图像处理方法、装置和电子设备 |
CN112102340A (zh) * | 2020-09-25 | 2020-12-18 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN112102340B (zh) * | 2020-09-25 | 2024-06-11 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN112489063A (zh) * | 2020-12-10 | 2021-03-12 | 北京金山云网络技术有限公司 | 图像分割方法、图像分割模型的训练方法和装置 |
CN112861661A (zh) * | 2021-01-22 | 2021-05-28 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备及计算机可读存储介质 |
CN113608805A (zh) * | 2021-07-08 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 掩膜预测方法、图像处理方法、显示方法及设备 |
CN113608805B (zh) * | 2021-07-08 | 2024-04-12 | 阿里巴巴创新公司 | 掩膜预测方法、图像处理方法、显示方法及设备 |
CN117237397A (zh) * | 2023-07-13 | 2023-12-15 | 天翼爱音乐文化科技有限公司 | 基于特征融合的人像分割方法、系统、设备及存储介质 |
CN117237397B (zh) * | 2023-07-13 | 2024-05-28 | 天翼爱音乐文化科技有限公司 | 基于特征融合的人像分割方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111598903B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598903B (zh) | 人像分割方法、装置、存储介质和电子设备 | |
CN110837403B (zh) | 机器人过程自动化 | |
CN112102164B (zh) | 一种图像处理方法、装置、终端及存储介质 | |
CN108647351B (zh) | 文本图像的处理方法、装置、存储介质及终端 | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
US8417026B2 (en) | Gesture recognition methods and systems | |
CN112380566A (zh) | 用于对文档图像进行脱敏的方法、装置、电子设备及介质 | |
US20210312605A1 (en) | Information processing apparatus, information processing method of information processing apparatus, and storage medium | |
WO2021159843A1 (zh) | 对象识别方法和装置、电子设备、存储介质 | |
KR20210036319A (ko) | 텍스트 콘텐츠의 식별 방법, 장치 및 전자 기기 | |
KR20210128491A (ko) | 위험 주행 행위 식별 방법, 장치, 전자 설비 및 저장매체 | |
CN110634095B (zh) | 水印添加方法、水印识别方法、装置和电子设备 | |
CN110390295B (zh) | 一种图像信息识别方法、装置及存储介质 | |
CN115761826A (zh) | 掌静脉有效区域提取方法、系统、介质及电子设备 | |
CN111523292B (zh) | 用于获取图像信息的方法和装置 | |
CN111054072B (zh) | 一种角色模型拖尾的方法、装置、设备及存储介质 | |
CN117058421A (zh) | 基于多头模型的图像检测关键点方法、系统、平台及介质 | |
CN113724237B (zh) | 齿痕识别方法、装置、计算机设备及存储介质 | |
CN111476740B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
Dehankar et al. | Detecting centroid for hand gesture recognition using morphological computations | |
CN117765617B (zh) | 基于用户手势行为的指令生成方法、系统及存储介质 | |
CN111931812A (zh) | 视觉算法的测试方法、装置、存储介质和电子设备 | |
WO2023246193A1 (zh) | 一种图像清晰度确定方法、装置、设备及存储介质 | |
CN110875875B (zh) | 电子红包消息检测方法、检测装置及终端设备 | |
CN115689944A (zh) | 一种图像增强方法、装置、计算机设备以及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |