CN111738050A - 用于处理图像的方法及电子设备 - Google Patents
用于处理图像的方法及电子设备 Download PDFInfo
- Publication number
- CN111738050A CN111738050A CN202010221014.1A CN202010221014A CN111738050A CN 111738050 A CN111738050 A CN 111738050A CN 202010221014 A CN202010221014 A CN 202010221014A CN 111738050 A CN111738050 A CN 111738050A
- Authority
- CN
- China
- Prior art keywords
- image
- wavelet
- wavelet decomposition
- source image
- source
- 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 54
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 133
- 230000001815 facial effect Effects 0.000 claims abstract description 109
- 230000036548 skin texture Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 20
- 239000003550 marker Substances 0.000 description 11
- 230000002950 deficient Effects 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 210000004709 eyebrow Anatomy 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000720 eyelash Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
-
- 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
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
一种方法包括:确定指示与源图像中的至少一个面部相关联的至少一个面部特性的信息;基于所确定的信息使用滤波器来对源图像进行处理以获得滤波图像;对滤波图像和源图像中的每一个图像执行小波分解;基于所确定的信息,确定与对滤波图像和源图像中的每一个图像的小波分解相关联的权重因子;以及,基于权重因子,根据滤波图像和源图像中的每一个图像的小波分解获得小波图像,以用于生成纹理恢复图像。
Description
相关申请的交叉引用
本申请要求于2019年3月25日向印度知识产权局提交的印度专利申请No.201941011541(PS)和于2019年12月27日向印度知识产权局提交的印度专利申请No.201941011541(CS)的优先权,这两件专利中的每件专利的公开内容通过引用整体并入本文中。
技术领域
本公开涉及图像处理。更具体地,本公开涉及用于处理面部图像的方法及电子设备。
背景技术
随着技术的进步,电子设备(例如,数码相机、智能电话、笔记本电脑、膝上型电脑等)能够捕获和处理图像以增强对象的外观。图像捕获设备经常捕获人脸,并且面部增强或美化应用在捕获自拍图像并将其发布到社交媒体上的用户中非常受欢迎。
发明内容
根据本公开的一方面,提供了一种基于源图像生成纹理恢复图像的方法。该方法包括:确定与源图像相关联的信息。该信息指示与源图像中的至少一个面部相关联的至少一个面部特性。该方法包括:基于与源图像相关联的信息,使用滤波器对源图像进行处理以获得滤波图像。此外,该方法包括:对滤波图像和源图像中的每一个图像执行小波分解。该方法还包括:基于与源图像相关联的信息,确定与滤波图像和源图像中的每一个图像的小波分解相关联的权重因子。此外,该方法包括:基于权重因子根据滤波图像和源图像中的每一个图像的小波分解获得小波图像,以用于生成纹理恢复图像,以用于处理源图像。
根据本公开的一方面,提供了一种用于基于源图像生成纹理恢复图像的电子设备。该电子设备包括处理器,处理器被配置为确定与源图像相关联的信息。该信息指示与源图像中的至少一个面部相关联的至少一个面部特性。处理器被配置为:基于与源图像相关联的信息,使用滤波器对源图像进行处理以获得滤波图像。此外,处理器被配置为:对滤波图像和源图像中的每一个图像执行小波分解。处理器还被配置为:基于与源图像相关联的信息,确定与滤波图像和源图像中的每一个图像的小波分解相关联的权重因子。此外,处理器被被配置为:基于权重因子,根据滤波图像和源图像中的每一个图像的小波分解获得小波图像,以用于生成纹理恢复图像,以用于处理源图像。
附图说明
根据结合附图而进行的以下描述,本公开的某些实施例的上述和其他方面、特征和优点将更加清楚,在附图中:
图1示出了根据实施例的用于通过增强源图像来生成纹理恢复图像的电子设备的框图;
图2A示出了根据实施例的用于性别确定的流程图;
图2B示出了根据实施例的用于年龄确定的流程图;
图3是示出了根据实施例的生成瑕疵去除图像的流程图;
图4示出了根据实施例的生成掩模图像(masked image)的流程图;
图5示出了根据实施例的生成滤波图像的流程图;
图6示出了根据实施例的生成小波分解图像的框图;
图7示出了根据实施例的与小波分解图像相关联的权重因子确定的框图;
图8A示出了根据实施例的生成纹理恢复图像的流程图;
图8B示出了根据实施例的生成增强的图像的流程图;以及
图9示出了根据本公开的实施例的用于通过增强源图像来生成纹理恢复图像的流程图。
具体实施方式
参考附图提供以下描述,以帮助全面理解由权利要求书及其等同物限定的本公开的各种实施例。其包括用于帮助理解的各种具体细节,但是这些具体细节仅被认为是示例性的。因此,本领域普通技术人员将认识到,在不脱离本公开的范围和精神的情况下,可以对本文所述的各种实施例进行各种改变和修改。另外,为了描述的清楚和简洁,可以省略对公知的功能和构造的描述。
在以下描述和权利要求书中使用的术语和词语不限于书面含义,而是仅是由发明人使用以使得对本公开的理解能够清楚和一致。因此,对于本领域技术人员显而易见的是,提供对本公开的各种实施例的以下描述仅是出于说明的目的,而不是出于限制由所附的权利要求书及其等同物限定的本公开的目的。
应当理解,除非上下文另外明确指出,否则单数形式的“一”、“一个”和“所述”包括复数引用。因此,例如,对“一个组件表面”的引用包括对一个或多个此类表面的引用。
如本文所使用的,术语“第一”或“第一个”和“第二”或“第二个”可以修饰相应的组件,而与重要性或顺序无关,并且用于将一个组件与另一个组件区分开,而不对组件进行限制。出于促进对本公开的原理的理解的目的,现在将参考附图中示出的实施例,并且将使用特定的语言来描述实施例。然而,应理解,不旨在限制本公开的范围,在所示出的系统中的这些改变和其他的修改、以及所预期的对本文中所示出的本公开的原理的这些其他的应用是本公开所涉及的领域中的技术人员通常会想到的。除非另外定义,否则本文中使用的所有技术术语和科学术语具有与本公开所属领域中的技术人员通常理解的相同的含义。本文提供的系统、方法和示例仅是说明性的且不旨在具有限制性。
附图用于帮助容易地理解各种技术特征,并且应当理解,本文中呈现的实施例不受附图限制。因此,本公开应被解释为扩展到除了在附图中具体列出的那些之外的任何变化、等同物和替代。尽管本文可以使用术语第一、第二等来描述各种元素,但是这些元素不应受这些术语限制。这些术语通常仅用于将一个元素和另一个元素区分开。
下文将参考附图详细描述本公开的实施例。
电子设备(例如,数码相机、智能电话、平板电脑、膝上型电脑等)能够捕获和处理图像,以增强对象的外观。如所讨论的,人脸是图像捕获设备最常捕获的对象,并且面部增强或美化应用在捕获自拍类型的图像并将其发布在社交媒体上的用户中非常流行。这些应用采用执行各种功能或步骤(例如,面部柔化)的滤波器,以生成增强的面部图像。面部柔化执行完美的瑕疵去除,同时保留底层的皮肤纹理,以提供看起来自然的美丽的面部。
滤波器去除所捕获的面部图像中的底层的细粒度的皮肤纹理,同时平滑面部图像中的任何瑕疵。这样会在相关技术的装置的增强的图像中产生人造或伪造的皮肤。
图1示出了根据实施例的用于通过增强源图像来生成纹理恢复图像的电子设备100的框图。
在实施例中,电子设备100能够捕获、处理和呈现(render)所捕获的图像。电子设备100可以体现在智能电话、平板电脑、数码相机、摄影机、计算机设备和摄像机之一中。在实施例中,电子设备100可以被体现为能够捕获图像的任何设备,但是这不是限制性的。本公开的实施例还可以应用于电视或计算机经由有线网络或无线网络通信地连接到图像捕获设备的情况。
电子设备100可以可互换地被称为设备。电子设备100能够捕获与场景相关联的静止图像或运动图像。电子设备100可以包括显示器102和与显示器102通信的图像捕获设备104。图像捕获设备104可以被配置为在显示器102上呈现场景。在实施例中,电子设备100的显示器102可以包括但不限于触摸屏显示器。在实施例中,可以经由显示器102操作电子设备100,以控制用于在显示器102上呈现场景的图像捕获设备104。
此外,电子设备100包括处理器106、模块108、数据部110和存储器112。显示器102、图像捕获设备104、处理器106、模块108和存储器112经由总线彼此通信地耦接。除了其他用处之外,数据部110用作用于存储由处理器106处理、接收和生成的数据的库。
处理器106可以是单个处理单元或多个单元,该多个单元中的所有单元可以包括多个计算单元。处理器106可以被实现为一个或多个微处理器、微计算机、微控制器、数字信号处理器、中央处理单元、状态机、逻辑电路和/或基于操作指令来操纵信号的任何设备。除了其他能力之外,处理器106被配置为获取和执行存储在存储器112中的计算机可读指令和数据。
存储器112可以包括本领域技术人员已知的任何非暂时性计算机可读存储介质,包括例如易失性存储器(例如,静态随机存取存储器(SRAM)和动态随机存取存储器(DRAM))、和/或非易失性存储器(例如,只读存储器(ROM)、可擦除可编程ROM、闪存、硬盘、光盘和磁带)。
除了其他事项,模块108包括执行特定任务或实现数据类型的例程、程序、对象、组件、数据结构等。模块108也可以被实现为信号处理器、状态机、逻辑电路和/或基于操作指令来操纵信号的任何其他设备或组件。
此外,模块108可以以硬件、由处理单元执行的指令或其组合来实现。处理单元可以包括计算机、处理器、状态机、逻辑阵列或能够对指令进行处理的任何其他合适的设备。处理单元可以是通用处理器,其执行指令以使通用处理器执行所需的任务,或者处理单元可以专用于执行所需的功能。例如,模块108可以是包含存储在机器(例如,计算机可读存储介质,比如内部存储器或外部存储器)中的一个或多个指令的软件(例如,程序),其在由处理器或处理单元执行时可以执行所描述的功能中的任何功能。
在实施例中,模块108可以包括面部检测器114和图像处理器116。面部检测器114和图像处理器116彼此通信。除了其他用处以外,数据部110用作用于存储由模块108中的一个或多个模块处理、接收和生成的数据的库。在实施例中,模块108可以被实现为处理器106的一部分,可以在处理器106的外部,可以是存储器112的一部分,和/或可以是与处理器106分离的硬件的一部分。
图2A示出了根据实施例的用于利用源图像进行性别确定的流程图。
参考图2A,面部检测器114可以被配置为接收源图像。此外,面部检测器114可以被配置为检测源图像中的至少一个面部。在实施例中,至少一个面部可以可互换地被称为面部。面部可以被检测为人脸。面部检测器114可以被配置为从要被处理的源图像获得感兴趣区域(ROI)202。ROI 202可以指示源图像中存在的人的面部。因此,ROI 202可以可互换地被称为面部ROI 202,但这不是限制性的。
在实施例中,图像处理器116可以被配置为确定与源图像相关联的信息。该信息可以包括或指示与源图像中的面部图像相关联的至少一个面部特性。在实施例中,至少一个面部特性可以包括但不限于皮肤纹理的水平(level of skin texture)、瑕疵的数量、瑕疵的平均大小、与面部图像相关联的年龄、以及与面部图像相关联的性别。例如,图像处理器116可以接收由面部检测器114获得的面部ROI 202。图像处理器116可以被配置为基于面部ROI 202确定与在源图像中存在的人的面部图像相关联的面部特性。
此外,图像处理器116可以实施诸如梯度方向直方图(HOG)之类的图像处理技术,以确定与面部图像相关联的年龄和/或性别。例如,参考图2A,在操作204中,图像处理器116可以对面部ROI 202执行HOG特征计算,以识别与面部图像相关联的HOG特征集合206。关于性别确定(操作210),可以执行以下处理。
利用给定的输入的面部图像和面部ROI 202,检测在面部ROI 202内部的至少一个面部图像的边界框。然后,可以计算面部ROI 202内部的HOG特征。HOG可以将面部图像分解成小的方形单元,以计算每个单元的HOG。所计算的每个单元的HOG可以被归一化并且产生每个单元的描述符。从面部ROI 202分割的所有这些小的方形单元的描述符可以被连结(concatenate),以获得面部ROI 202的描述符。
电子设备100可以具有用于性别确定和年龄确定的两个训练的支持向量机(SVM)分类器。
这两个SVM分类器中的二值SVM分类器208可以将面部ROI202的描述符作为该二值SVM分类器的输入,并且输出可以是男性或女性的面部图像的类别。
详细地,图像处理器116可以与二值SVM分类器208一起使用,以将该HOG特征集合分类到性别类别(例如,男性和女性)中的一种类别中。在操作210中,图像处理器116可以基于分类来确定面部的性别。
图2B示出了根据实施例的利用源图像进行年龄确定的流程图。
参考图2B,图像处理器116可以对面部ROI 202执行HOG特征计算(操作212),以识别与面部图像相关联的HOG特征集合214。此外,图像处理器116可以与多类别SVM分类器216一起使用,以将HOG特征集合214分类到年龄类别(例如,婴儿、少年、成人和老年人)中的一个类别中。在操作218中,图像处理器116可以基于分类来确定面部图像的年龄。
详细地,利用给定的输入的面部图像和面部ROI 202,检测在面部ROI 202内部的至少一个面部图像的边界框。然后,可以计算面部ROI 202内部的HOG特征。HOG可以将面部图像分解成小的方形单元,以计算每个单元的HOG。所计算的每个单元的HOG可以被归一化并且产生每个单元的描述符。从面部ROI 202分割的所有这些小的方形单元的描述符可以被连结,以获得面部ROI 202的描述符。
该多类别SVM分类器216可以将面部ROI 202的描述符作为输入并输出多个类别(例如,可以是儿童、少年、青年、成人和老年人这5个类别)中的一种类别。在实施例中,可以减少或增加多个类别的数量。
图3是示出了根据实施例的使用源图像生成瑕疵去除图像的流程图。
参考图3,图像处理器116可以被配置为确定与从源图像获得的面部ROI 202相关联的至少一个区域。至少一个区域可以指示面部图像上的至少一个瑕疵。至少一个区域可以可互换地被称为瑕疵区域,但这不是限制性的。在实施例中,图像处理器116可以实施诸如canny边缘算子301之类的图像处理技术,以用于检测面部ROI 202中的边缘。基于所检测的边缘,图像处理器116可以生成与面部ROI 202相对应的边缘图像302。边缘图像302中的所检测的边缘可以包括多个像素。图像处理器116可以针对多个像素之中的每个像素执行遍历。这种遍历可以由图像处理器116执行,直到可以在边缘图像302中识别出像素环为止。
随后,图像处理器116可以确定所识别的像素环中的像素的数量。在操作303中,如果所识别的环中的像素的数量高于阈值像素数量,则图像处理器116可以将所识别的像素环识别为指示瑕疵的瑕疵区域。基于所识别的区域,图像处理器116可以生成指示面部上的瑕疵的斑点掩模304。此外,基于斑点掩模304,图像处理器116可以确定与面部相关联的瑕疵的平均大小和瑕疵的量。备选地,图像处理器116可以通过检测与相邻像素相比其颜色值(RGB值)的改变或变化超过阈值的多个像素来识别至少一个瑕疵。也就是说,如果像素的颜色值与相邻像素的颜色值相比急剧改变或变化,则图像处理器116可以将这样的像素确定为瑕疵。
如图3中所示,图像处理器116可以执行各种图像处理技术,以通过使用斑点掩模304和面部ROI 202来去除瑕疵(操作305)。例如,图像处理器116可以通过使用面部ROI 202对与瑕疵相关联的瑕疵区域执行平滑操作。在平滑操作中,图像处理器116可以生成与瑕疵区域相对应的平滑区域。图像处理器116可以利用来自面部ROI 202的这些瑕疵周围的像素来替代与瑕疵区域相关联的像素,以执行平滑操作。随后,图像处理器116可以生成与斑点掩模304上的瑕疵区域中的每个瑕疵区域相对应的平滑区域。基于平滑区域,图像处理器116可以生成瑕疵去除图像306。
图4示出了根据实施例的根据源图像生成掩模图像的流程图。
参考图4,图像处理器116可以确定与从源图像获得的面部ROI 202相关联的至少一个皮肤区域和至少一个其他区域。随后,图像处理器116可以基于与面部ROI 202相关联的至少一个皮肤区域和至少一个其他区域来生成掩模图像。在示例中,至少一个皮肤区域可以与包括但不限于前额、脸颊和下巴的面部特征相关联。在示例中,至少一个其他区域可以与面部的类似头发的特征相关联,类似头发的特征包括但不限于胡须、胡子、眉毛和睫毛。在另一示例中,至少一个其他区域可以与包括但不限于眼睛、嘴和嘴唇的面部特征相关联。在实施例中,图像处理器116可以实施图像处理技术(例如,羽化技术、概率近似和面部标记(face landmarking)),以生成掩模图像。
在操作402中,图像处理器116可以获得包含人的面部图像在内的源图像。在操作404中,图像处理器116可以执行图像处理并在人的面部图像上检测多个面部标记点(1andmarking point)(例如,68个面部标记点)。面部标记点位于面部图像的眼睛、眉毛、鼻子、嘴唇的轮廓和面部形状轮廓处。当获得面部标记点时,可以使用面部标记点来获得初始掩模图像。在操作406中,图像处理器116可以通过使用样条曲线连接或结合标记点来执行概率近似,并且利用不同的灰度值填充不同的段,由此产生初始掩模图像。例如,图像处理器116可以执行概率近似,以识别初始掩模图像中的至少一个皮肤区域和至少一个非皮肤区域。图像处理器116可以通过计算面部ROI 202中的每个像素的皮肤概率来细化初始掩模图像,以获得细化的掩膜图像(操作408)。例如,如果像素的皮肤概率大于0.5,则将该像素视为皮肤区域。
基于针对面部ROI 202中的每个像素的皮肤概率计算以及每个像素是否为皮肤区域的确定,可以在操作410中生成最终的掩模图像。
图5示出了根据实施例的生成滤波图像的流程图。参考图5,图像处理器116可以被配置为基于与源图像相关联的信息使用滤波器来处理源图像。图像处理器116可以基于掩模图像、瑕疵去除图像306、以及与源图像中的面部图像相关联的面部特性,使用滤波器来处理源图像。在实施例中,图像处理器116可以实施导向滤波器501以对源图像进行滤波。在实施例中,图像处理器116可以基于瑕疵去除图像306、面部ROI 202和与源图像中的面部图像相关联的面部特性,利用导向滤波器来生成滤波图像502。
图像处理器116可以分别将面部ROI 202和/或在操作410中生成的掩模图像作为输入图像和瑕疵去除图像提供给导向滤波器501。此外,图像处理器116可以基于瑕疵去除图像306和面部特性来动态地设置与导向滤波器相关联的各种核参数,面部特性包括皮肤纹理的水平5015、瑕疵的量5013、瑕疵的平均大小5011、与面部图像相关联的年龄(在操作218中确定的)、以及与面部图像相关联的性别(在操作210中确定的)。随后,导向滤波器可以基于输入图像、掩模图像、以及动态地设置的核参数来生成滤波图像502。图6示出了根据实施例的生成与源图像和滤波图像相对应的小波分解图像的框图。图像处理器116可以对滤波图像和源图像中的每一个图像执行小波分解。
参考图6,在操作601中,图像处理器116可以对滤波图像502和与源图像相关联的面部ROI 202中的每一个执行小波分解。在实施例中,图像处理器116可以基于面部特性来确定要对源图像的面部ROI 202执行的分解的层数(a number of levels ofdecomposition)。例如,图像处理器116可以为与男性相关联的面部图像分配跟与女性相关联的面部图像相比的更高的分解的层数。
此外,图像处理器116可以对源图像的面部ROI 202执行所确定的层数的小波分解,以生成第一小波分解图像602。类似地,图像处理器116可以基于与源图像中的面部图像相关联的面部特性来确定要对滤波图像502执行的分解的层数。此外,图像处理器116可以对滤波图像502执行所确定的层数的小波分解,以生成第二小波分解图像604。
在实施例中,图像处理器116可以对面部ROI 202和滤波图像502执行三层的小波分解,以分别生成第一小波分解图像602和第二小波分解图像604。第一小波分解图像602和第二小波分解图像604中的每一层包括多个小波带。在实施例中,可以基于与源图像中的面部图像相关联的面部特性来确定小波带的数量。例如,第一小波分解图像602和第二小波分解图像604中的每一个小波分解图像的第三层包括被表示为低-低(LL)、高-低(HL)、高-高(HH)和低-高(LH)的四个小波带。此外,第一小波分解图像602和第二小波分解图像604中的每一个小波分解图像的第二层包括被表示为HL、HH和LH的三个小波带。此外,第一小波分解图像602和第二小波分解图像604中的每一个小波分解图像的第一层包括被表示为HL、HH和LH的三个小波带。
图7示出了根据实施例的基于源图像的信息的与小波分解图像相关联的权重因子确定的框图。
术语“权重值”可以与术语“权重因子”可互换地使用。
参考图7,在操作701中,图像处理器116可以基于与源图像相关联的信息来确定权重值或权重因子。图像处理器116可以被配置为确定与滤波图像502和源图像的面部ROI202中的每一个的小波分解相关联的权重因子。在实施例中,图像处理器116可以与人工智能(AI)模型(例如,神经网络(NN)模型)一起使用,以用于预测与面部特性(其与源图像中的面部图像相关联)相对应的索引值。例如,NN模型可以预测分别与如下项相对应的索引值Ia、Ig、Ins、Iss:与面部图像相关联的年龄(在操作218中确定的)、与面部图像相关联的性别(在操作210中确定的)、瑕疵的量和/或数量和瑕疵的平均大小。
此外,图像处理器116可以基于面部特性来确定与在第一小波分解图像602和第二小波分解图像604中的每一个小波分解图像的多个层处的每个小波带相对应的权重因子。在实施例中,图像处理器116可以通过使用式(1)来确定与第一小波分解图像602的每个小波带相对应的权重因子αI_pq(附图标记702)。
αI_pq=Θ1*Ia_pq+Θ2*Ig_pq+Θ3*Ins_pq+Θ4*Iss_pq 式(1)
在以上式(1)中,“I”的值表示与第一小波分解图像602相关联的分解的层数。“I”的值可以是1、2、3、...、L,表示第一层、第二层、第三层至第L层,但这不是限制性的。此外,在式(1)中,“pq”表示第一小波分解图像602的小波带(例如,LL、LH、HL和HH)。此外,Θa(在此,a为1、2、3、4)的值可以基于实验凭借经验选择。
参考图7,与第一层上的小波带HL、HH和HH相关联的权重因子可以分别用α1_HL、α1_HH和α1_LH表示此外,与第二层上的小波带HL、HH和LH相关联的权重因子可以分别用α2_HL、α2_HH和α2_LH表示。此外,与第三层上的小波带LL、HL、HH、LH相关联的权重因子可以分别用α3_LL、α3_HL、α3_HH、和α3_LH表示。
类似地,图像处理器116可以通过使用式(2)来确定与第二小波分解图像604的每个小波带相对应的权重因子βI_pq(附图标记704)。
βI_pq=Φ1*Ia_pq+Φ2*Ig_pq+Φ3*Ins_pq+Φ4*Iss_pq 式(2)
在以上式(2)中,“I”的值表示与第二小波分解图像604相关联的分解的层数。“I”的值可以是1、2、3、...、L,表示第一层、第二层、第三层至第L层,但这不是限制性的。此外,在式(2)中,“pq”表示第二小波分解图像604的小波带(例如,LL、LH、HL和HH)。此外,Φb(在此,b为1、2、3、4)的值可以基于实验凭经验选择。
参考图7,与第一层上的小波带HL、HH和LH相关联的权重因子可以分别用β1_HL、β1_HH和β1_LH表示。此外,与第二层上的小波带HL、HH和LH相关联的权重因子可以分别用β2_HL、β2_HH和β2_LH表示。此外,与第三层上的小波带LL、HL、HH、LH相关联的权重因子可以分别用β3_LL、β3_HL、β3_HH、和β3_LH表示。
图8A示出了根据实施例的使用小波分解图像生成纹理恢复图像的流程图。
参考图8A,图像处理器116可以被配置为基于权重因子,根据滤波图像502和源图像的面部ROI 202中的每一个的小波分解来获得小波图像802,以用于处理源图像。在实施例中,图像处理器116可以被配置为基于与第一小波分解图像602的每个小波带相对应的权重因子,在第一小波分解图像602的多个小波带之中选择第一组小波带。此外,图像处理器116可以被配置为基于与第二小波分解图像604的每个小波带相对应的权重因子,在第二小波分解图像604的多个小波带之中选择第二组小波带。
在操作801中,图像处理器116可以被配置为将第一组小波带和第二组小波带进行组合以获得小波图像。在实施例中,图像处理器116可以通过使用以下式(3),分别将与第一小波分解图像602的第一层相对应的小波带(例如,LL、HL、LH和HH)和与第二小波分解图像604的第一层相对应的小波带(例如,HL、LH和HH)进行组合。
随后,图像处理器116可以分别将与第一小波分解图像602的第二级层和第三层相对应的小波带和与第二小波分解图像604的第二层和第三层相对应的小波带进行组合。例如,图像处理器116可以将与第一小波分解图像602的第一层相对应的小波带HH和与第二小波分解图像604的第一层相对应的小波带HH进行组合,如公式(3)所示。
HH小波图像=(αL_B*HH第二小波图像)+(βL_B*abs(HH第一小波图像-HH第二小波图像)) 式(3)
其中,αL_B和βL_B是在不同的层和不同的小波带下被导出为不同的值的变量。
此外,图像处理器116可以基于通过将第一小波分解图像602的小波带与第二小波分解图像604的小波带进行组合而获得的组合小波带来获得小波图像802。随后,图像处理器116可以对小波图像802执行逆小波变换,以生成平滑图像804。平滑图像804可以可互换地被称为纹理恢复图像。
图8B示出了根据实施例的使用小波分解图像生成纹理恢复图像的流程图。
参考图8B,图像处理器116可以实施诸如Alpha混合(α混合)805之类的图像处理技术,以生成增强的图像806。在实施例中,图像处理器116可以通过使用掩模图像810(在操作410中生成的)、瑕疵去除图像306和纹理恢复图像804来执行α混合,以确定处理后的图像的每个像素“O”,如式(4)所示。
O(x,y)=(1-α(x,y))*Is(x,y)+α(x,y)*IT(x,y) 式(4)
在式(4)中,x和y表示增强的图像806中的像素的坐标。此外,Is(x,y)表示与瑕疵去除图像306相关联的像素的位置。IT(x,y)表示与掩模图像410相关联的像素的位置。由图像处理器116生成的增强的图像806可以是细粒度的纹理操纵图像。
图9示出了根据实施例的用于对图像进行处理的流程图。
为了简洁起见,在图9的描述中不再重复以上参考图1至图8B详细描述的本公开的细节。
在操作902中,方法900包括:确定与源图像相关联的信息。该信息可以指示与源图像中的至少一个面部相关联的至少一个面部特性。在操作904中,方法900包括:基于与源图像相关联的信息使用滤波器对源图像进行处理以获得滤波图像。在操作906中,方法900包括:对滤波图像和源图像中的每一个图像执行小波分解。在操作908中,方法900包括:基于与源图像相关联的信息,来确定与滤波图像和源图像中的每一个图像的小波分解相关联的权重值。在操作910中,方法900包括:基于权重值,根据滤波图像和源图像中的每一个图像的小波分解增强小波图像,以用于生成纹理恢复图像,以用于对源图像进行处理。
此外,方法900包括:从要被处理的源图像获得ROI。ROI可以指示源图像中的至少一个面部。方法900还包括确定与从源图像获得的ROI相关联的至少一个皮肤区域和至少一个其他区域。至少一个其他区域可以与面部的类似头发的特征相关联。此外,方法900包括:基于与ROI相关联的至少一个皮肤区域和至少一个其他区域来生成掩模图像。
在实施例中,方法900包括:确定与从源图像获得的ROI相关联的至少一个区域。至少一个区域可以指示在至少一个面部上的至少一个瑕疵。此外,方法900包括:基于与ROI相关联的至少一个区域来生成瑕疵去除图像。方法900还包括基于掩模图像、瑕疵去除图像和与源图像中的面部图像相关联的至少一个面部特性,使用滤波器对源图像进行处理。
在实施例中,方法900包括:确定要对滤波图像和源图像中的每一个图像执行的分解的层数。可以基于与源图像中的面部图像相关联的至少一个面部特性来确定要执行的分解的层数。方法900还包括对源图像执行所确定的层数的小波分解,以生成第一小波分解图像。此外,方法900包括:对滤波图像执行所确定的层数的小波分解,以生成第二小波分解图像。
在实施例中,方法900包括:基于至少一个面部特性,确定与在第一小波分解图像和第二小波分解图像中的每一个小波分解图像的多个小波层处的每个小波带相对应的权重因子。可以通过源图像的小波分解来生成第一小波分解图像。类似地,可以通过滤波图像的小波分解来生成第二小波分解图像。
在实施例中,方法900包括:基于与第一小波分解图像的每个小波带相对应的权重因子,在第一小波分解图像的多个小波带之中选择第一组小波带。此外,方法900包括:基于与第二小波分解图像的每个小波带相对应的权重因子,在第二小波分解图像的多个小波带之中选择第二组小波带。方法900还包括:将第一组小波带和第二组小波带进行组合以生成小波图像。
电子设备100通过基于与源图像中的面部图像相关联的面部特性使用导向滤波器来生成滤波图像。由于实现了用于处理源图像的这些面部特性,因此电子设备100生成与源图像相比的具有保留的皮肤纹理和其他面部特征(例如,面部的类似头发的特征)的滤波图像。
此外,如前所述,电子设备100可以基于与源图像中的面部图像相关联的面部特性来处理源图像。例如,电子设备100基于面部特性(例如,与面部图像相关联的年龄和与面部图像相关联的性别)来生成与源图像和滤波图像相对应的小波分解图像。例如,电子设备100可以针对男性生成与针对女性的情况相比的具有更多数量个小波带的小波分解图像。
类似地,电子设备100可以针对与老年人相关联的面部图像生成与儿童相关联的面部的情况相比的具有更多数量个小波带的小波分解图像。因此,电子设备100基于在源图像中识别的面部的面部特性来提供对图像的动态处理。因此,本公开提供了全面、准确、智能、省时、方便且一致的电子设备100和方法900。
在实施例中,提供了对面部图像进行处理的方法。该方法包括:获得与源图像中的至少一个面部图像相关联的面部特性;通过对源图像进行滤波来生成滤波图像;对滤波图像和源图像中的每一个图像执行小波分解;确定与对滤波图像和源图像中的每一个图像执行的小波分解相关联的权重值;以及,基于权重值,根据滤波图像和源图像中的每一个图像的小波分解生成小波图像。
在实施例中,面部特性包括皮肤纹理的水平、瑕疵的量、瑕疵的平均大小、与面部图像相关联的年龄、以及与面部图像相关联的性别中的至少一项。
在实施例中,生成滤波图像包括:从源图像获得ROI,该感兴趣区域指示源图像中包括的至少一个面部;基于ROI确定至少一个皮肤区域和与皮肤区域不同的第二区域;以及,基于至少一个皮肤区域和第二区域来生成掩模图像。
在实施例中,生成滤波图像还包括:确定至少一个面部上的包括至少一个瑕疵的至少一个瑕疵区域;通过从至少一个面部上去除至少一个瑕疵来生成瑕疵去除图像;以及基于瑕疵去除图像生成滤波图像。
在实施例中,生成滤波图像还包括:平滑至少一个瑕疵区域以生成替代至少一个瑕疵区域的平滑区域。
在实施例中,平滑至少一个瑕疵区域包括:利用至少一个瑕疵区域周围的像素来替代与至少一个瑕疵区域相关联的像素。
在实施例中,该方法还包括:在源图像中的至少一个面部图像上检测多个面部标记点;以及,基于通过连接面部标记点执行的概率近似并且利用与面部标记点的灰度值不同的灰度值来填充面部标记点来获得初始掩模图像,其中,生成掩模图像包括:通过细化初始掩模图像来生成掩模图像。
在实施例中,面部标记点位于源图像中的至少一个面部的眼睛、眉毛、鼻子或面部形状的轮廓中的至少一项处。
在实施例中,通过计算面部ROI中的每个像素的皮肤概率来执行对初始掩模图像的细化,该面部ROI指示源图像中包括的至少一个面部。
在实施例中,对滤波图像和源图像中的每一个图像执行小波分解包括:基于面部特性确定要对面部ROI执行的小波分解的层数,该面部ROI指示源图像中包括的至少一个面部。
在实施例中,确定要执行的小波分解的层数包括:为与男性相关联的面部图像分配跟与女性相关联的面部图像相比的更多的小波分解层数。
在实施例中,对滤波图像和源图像中的每一个图像执行小波分解还包括;基于确定层数为3,生成第一小波分解图像、第二小波分解图像和第三小波分解图像,其中,第一小波分解图像、第二小波分解图像和第三小波分解图像中的每一个小波分解图像包括至少四个小波带,并且其中,确定与小波分解相关联的权重值包括确定与小波带中的每个小波带相对应的权重值。
在实施例中,生成小波图像包括:通过对第一小波分解图像、第二小波分解图像和第三小波分解图像中的每一个小波分解图像的四个小波带进行组合来生成小波图像;以及,通过对小波图像执行逆小波变换来获得指示纹理恢复图像的平滑图像。
在实施例中,提供了用于对面部图像进行处理的电子设备。该电子设备包括:至少一个图像捕获设备,被配置为捕获源图像中的至少一个面部;处理器,被配置为获得与源图像中的至少一个面部相关联的面部特性,通过对源图像进行滤波来生成滤波图像,对滤波图像和源图像中的每一个图像执行小波分解,确定与要对滤波图像和源图像中的每一个图像执行的小波分解相关联的权重值,以及基于权重值根据滤波图像和源图像中的每一个图像的小波分解生成小波图像。
尽管已经使用特定文字描述了本公开,但是并不旨在由此而引起任何限制。对于本领域技术人员而言显而易见的是,可以对该方法做出各种可行的修改,以实现本文所教导的发明构思。附图和前面的描述给出实施例的示例。本领域技术人员将了解,所描述的元素中的一个或多个元素可以很好地组合成单个功能元素。备选地,某些元素可以被分成多个功能元素。来自一个实施例的元素可以被添加到另一个实施例。
尽管已经参考附图具体地示出和描述了本公开的实施例,但是提供这些实施例是出于说明的目的,并且本领域的普通技术人员将理解,可以根据本公开实现各种修改和等同的其他实施例。因此,本公开的真实技术范围由所附权利要求的技术精神限定。
Claims (17)
1.一种基于源图像生成纹理恢复图像的方法,所述方法包括:
确定指示与所述源图像中的至少一个面部相关联的至少一个面部特性的信息;
基于所确定的信息使用滤波器对所述源图像进行处理以获得滤波图像;
对所述滤波图像和所述源图像中的每一个图像执行小波分解;
基于所确定的信息,确定与所述滤波图像和所述源图像中的每一个图像的所述小波分解相关联的权重因子;以及
基于所述权重因子,根据所述滤波图像和所述源图像中的每一个图像的所述小波分解获得小波图像,以用于生成所述纹理恢复图像。
2.根据权利要求1所述的方法,还包括:通过对所述纹理恢复图像应用图像处理以生成增强的图像。
3.根据权利要求1所述的方法,其中,所述至少一个面部特性包括以下至少一项:皮肤纹理的水平、瑕疵的量、瑕疵的平均大小、与所述至少一个面部相关联的年龄、以及与所述至少一个面部相关联的性别。
4.根据权利要求1所述的方法,其中,使用滤波器对所述源图像进行处理还包括:
从所述源图像获得感兴趣区域ROI,所述ROI指示所述源图像中的所述至少一个面部;
确定与所述ROI相关联的至少一个皮肤区域和至少一个其他区域;以及
基于所述至少一个皮肤区域和所述至少一个其他区域,生成掩模图像。
5.根据权利要求4所述的方法,还包括:
确定与所述ROI相关联的至少一个区域,所述至少一个区域指示在所述至少一个面部上的至少一个瑕疵;
基于所述至少一个区域生成瑕疵去除图像;以及
基于所述掩模图像、所述瑕疵去除图像、以及所述至少一个面部特性,使用所述滤波器对所述源图像进行处理。
6.根据权利要求1所述的方法,其中,执行小波分解还包括:
基于所述至少一个面部特性,分别确定要对所述滤波图像和所述源图像中的每一个图像执行的小波分解的层数;
对所述源图像执行所确定的层数的小波分解,以生成第一小波分解图像;以及
对所述滤波图像执行所确定的层数的小波分解,以生成第二小波分解图像。
7.根据权利要求1所述的方法,其中,确定权重因子还包括:
基于所述至少一个面部特性,分别确定所述权重因子之中的与第一小波分解图像和第二小波分解图像中的每一个小波分解图像的多个层处的每个小波带相对应的权重因子,
其中,所述第一小波分解图像是通过对所述源图像执行小波分解生成的,并且所述第二小波分解图像是通过对所述滤波图像执行小波分解生成的。
8.根据权利要求7所述的方法,还包括:
基于与所述第一小波分解图像的每个小波带相对应的权重因子,在所述第一小波分解图像的多个小波带之中选择第一组小波带;
基于与所述第二小波分解图像的每个小波带相对应的权重因子,在所述第二小波分解图像的多个小波带之中选择第二组小波带;以及
将所述第一组小波带和所述第二组小波带进行组合以生成所述小波图像。
9.一种用于基于源图像生成纹理恢复图像的电子设备,所述电子设备包括:
处理器,被配置为:
确定指示与所述源图像中的至少一个面部相关联的至少一个面部特性的信息;
基于所确定的信息使用滤波器对所述源图像进行处理以获得滤波图像;
分别对所述滤波图像和所述源图像中的每一个图像执行小波分解;
基于所确定的信息,确定与所述滤波图像和所述源图像中的每一个图像的所述小波分解相关联的权重因子;以及
基于所述权重因子,根据所述滤波图像和所述源图像中的每一个图像的所述小波分解获得小波图像,以用于生成所述纹理恢复图像。
10.根据权利要求9所述的电子设备,其中,所述处理器还被配置为:通过对所述纹理恢复图像应用图像处理以生成增强的图像。
11.根据权利要求9所述的电子设备,其中,所述至少一个面部特性包括以下至少一项:皮肤纹理的水平、瑕疵的量、瑕疵的平均大小、与所述至少一个面部相关联的年龄、以及与所述至少一个面部相关联的性别。
12.根据权利要求9所述的电子设备,其中,在使用滤波器对所述源图像进行处理时,所述处理器还被配置为执行以下操作:
从所述源图像获得感兴趣区域ROI,所述ROI指示所述源图像中的所述至少一个面部;
确定与所述ROI相关联的至少一个皮肤区域和至少一个其他区域;以及
基于所述至少一个皮肤区域和所述至少一个其他区域,生成掩模图像。
13.根据权利要求12所述的电子设备,其中,所述处理器还被配置为执行以下操作:
确定与所述ROI相关联的至少一个区域,所述至少一个区域指示在所述至少一个面部上的至少一个瑕疵;
基于所述至少一个区域生成瑕疵去除图像;以及
基于所述掩模图像、所述瑕疵去除图像、以及所述至少一个面部特性,使用所述滤波器对所述源图像进行处理。
14.根据权利要求9所述的电子设备,其中,在执行小波分解时,所述处理器还被配置为执行以下操作:
基于所述至少一个面部特性,分别确定要对所述滤波图像和所述源图像中的每一个图像执行的小波分解的层数;
对所述源图像执行所确定的层数的小波分解,以生成第一小波分解图像;以及
对所述滤波图像执行所确定的层数的小波分解,以生成第二小波分解图像。
15.根据权利要求9所述的电子设备,其中,所述处理器还被配置为执行以下操作:
基于所述至少一个面部特性,确定所述权重因子之中的与第一小波分解图像和第二小波分解图像中的每一个小波分解图像的多个层处的每个小波带相对应的权重因子,
其中,所述第一小波分解图像是通过对所述源图像执行小波分解生成的,并且所述第二小波分解图像是通过对所述滤波图像执行小波分解生成的。
16.根据权利要求15所述的电子设备,其中,所述处理器还被配置为执行以下操作:
基于与所述第一小波分解图像的每个小波带相对应的权重因子,在所述第一小波分解图像的多个小波带之中选择第一组小波带;
基于与所述第二小波分解图像的每个小波带相对应的权重因子,在所述第二小波分解图像的多个小波带之中选择第二组小波带;以及
将所述第一组小波带和所述第二组小波带进行组合以生成所述小波图像。
17.一种非暂时性计算机可读存储介质,存储有用于操作包括存储器和处理器的电子设备的计算机程序,所述计算机程序包括计算机可读程序,当所述计算机可读程序由所述处理器执行时,使得所述电子设备执行以下操作:
确定指示与所述源图像中的至少一个面部相关联的至少一个面部特性的信息;
基于所确定的信息使用滤波器对所述源图像进行处理以获得滤波图像;
分别对所述滤波图像和所述源图像中的每一个图像执行小波分解;
基于所确定的信息,确定与所述滤波图像和所述源图像中的每一个图像的所述小波分解相关联的权重因子;以及
基于所述权重因子,根据所述滤波图像和所述源图像中的每一个图像的所述小波分解获得小波图像,以用于生成纹理恢复图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN201941011541 | 2019-03-25 | ||
IN201941011541 | 2019-03-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738050A true CN111738050A (zh) | 2020-10-02 |
Family
ID=72608351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010221014.1A Pending CN111738050A (zh) | 2019-03-25 | 2020-03-25 | 用于处理图像的方法及电子设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11335122B2 (zh) |
EP (1) | EP3874456A4 (zh) |
KR (1) | KR20210145781A (zh) |
CN (1) | CN111738050A (zh) |
WO (1) | WO2020197268A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570382B (zh) * | 2019-09-19 | 2022-11-11 | 北京达佳互联信息技术有限公司 | 一种图像修复方法、装置、电子设备及存储介质 |
US11521299B2 (en) * | 2020-10-16 | 2022-12-06 | Adobe Inc. | Retouching digital images utilizing separate deep-learning neural networks |
CN113327207B (zh) * | 2021-06-03 | 2023-12-08 | 广州光锥元信息科技有限公司 | 应用于图像人脸优化的方法及装置 |
CN117501326A (zh) * | 2022-05-23 | 2024-02-02 | 京东方科技集团股份有限公司 | 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 (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6879729B2 (en) * | 2001-06-08 | 2005-04-12 | The Regents Of The University Of California | Parallel object-oriented, denoising system using wavelet multiresolution analysis |
US7039239B2 (en) * | 2002-02-07 | 2006-05-02 | Eastman Kodak Company | Method for image region classification using unsupervised and supervised learning |
US6987881B2 (en) * | 2002-04-26 | 2006-01-17 | Keio University | Automatic visibility improvement method for digital image |
US7039222B2 (en) | 2003-02-28 | 2006-05-02 | Eastman Kodak Company | Method and system for enhancing portrait images that are processed in a batch mode |
US7508961B2 (en) * | 2003-03-12 | 2009-03-24 | Eastman Kodak Company | Method and system for face detection in digital images |
US7724959B2 (en) * | 2004-09-23 | 2010-05-25 | Fuji Xerox Co., Ltd. | Determining regions of interest in photographs and images |
US7734107B2 (en) * | 2006-02-24 | 2010-06-08 | Sony Corporation | System and method for performing wavelet-based texture feature extraction and classification |
JP4139853B2 (ja) * | 2006-08-31 | 2008-08-27 | 松下電器産業株式会社 | 画像処理装置、画像処理方法および画像処理プログラム |
CN102027505A (zh) | 2008-07-30 | 2011-04-20 | 泰塞拉技术爱尔兰公司 | 使用脸部检测的自动脸部和皮肤修饰 |
US8295557B2 (en) * | 2009-01-12 | 2012-10-23 | Arcsoft Hangzhou Co., Ltd. | Face image processing method |
US8503778B2 (en) | 2009-05-14 | 2013-08-06 | National University Of Singapore | Enhancing photograph visual quality using texture and contrast data from near infra-red images |
WO2012030869A2 (en) * | 2010-08-30 | 2012-03-08 | Apple Inc. | Multi-image face-based image processing |
US8611692B2 (en) * | 2011-09-26 | 2013-12-17 | Northrop Grumman Systems Corporation | Automated image registration with varied amounts of a priori information using a minimum entropy method |
CN104067311B (zh) | 2011-12-04 | 2017-05-24 | 数码装饰有限公司 | 数字化妆 |
JP5997545B2 (ja) * | 2012-08-22 | 2016-09-28 | キヤノン株式会社 | 信号処理方法及び信号処理装置 |
US8977012B2 (en) * | 2012-10-31 | 2015-03-10 | Google Inc. | Image denoising system and method |
US9598011B2 (en) * | 2014-01-09 | 2017-03-21 | Northrop Grumman Systems Corporation | Artificial vision system |
KR101844371B1 (ko) * | 2014-03-19 | 2018-04-02 | 삼성전자주식회사 | 영상 처리 방법 및 장치 |
-
2020
- 2020-03-25 KR KR1020217034666A patent/KR20210145781A/ko unknown
- 2020-03-25 US US16/829,350 patent/US11335122B2/en active Active
- 2020-03-25 EP EP20777535.4A patent/EP3874456A4/en active Pending
- 2020-03-25 WO PCT/KR2020/004073 patent/WO2020197268A1/en unknown
- 2020-03-25 CN CN202010221014.1A patent/CN111738050A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20210145781A (ko) | 2021-12-02 |
EP3874456A4 (en) | 2022-01-19 |
WO2020197268A1 (en) | 2020-10-01 |
EP3874456A1 (en) | 2021-09-08 |
US11335122B2 (en) | 2022-05-17 |
US20200311386A1 (en) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Apdrawinggan: Generating artistic portrait drawings from face photos with hierarchical gans | |
KR102045695B1 (ko) | 안면 이미지 처리 방법 및 장치, 및 저장 매체 | |
US11335122B2 (en) | Method and electronic device for processing facial images | |
CN109815924B (zh) | 表情识别方法、装置及系统 | |
CN110569756B (zh) | 人脸识别模型构建方法、识别方法、设备和存储介质 | |
US10430694B2 (en) | Fast and accurate skin detection using online discriminative modeling | |
CN107749062B (zh) | 图像处理方法、及装置 | |
Ge et al. | Co-saliency detection via inter and intra saliency propagation | |
CN109952594A (zh) | 图像处理方法、装置、终端及存储介质 | |
Rathgeb et al. | Differential detection of facial retouching: A multi-biometric approach | |
Chen et al. | Face illumination manipulation using a single reference image by adaptive layer decomposition | |
CN104794693A (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
CN114096986A (zh) | 自动地分割和调整图像 | |
Velusamy et al. | FabSoften: Face beautification via dynamic skin smoothing, guided feathering, and texture restoration | |
US9916497B2 (en) | Automated embedding and blending head images | |
CN112597911A (zh) | 一种磨皮处理方法、装置、移动终端和存储介质 | |
Shen et al. | Image based hair segmentation algorithm for the application of automatic facial caricature synthesis | |
Kumar et al. | Real-time human skin color detection algorithm using skin color map | |
WO2022258013A1 (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
de Arruda et al. | Non-photorealistic neural sketching: A case study on frontal-face images | |
CN113379623A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Tsai et al. | An efficient smile and frown detection algorithm | |
Nguyen et al. | Enhanced age estimation by considering the areas of non-skin and the non-uniform illumination of visible light camera sensor | |
Lim et al. | LAU-Net: A low light image enhancer with attention and resizing mechanisms | |
Condorovici et al. | Painting Scene recognition using homogenous shapes |
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 |