CN112164012B - 人像彩色浮雕效果的实现方法及系统 - Google Patents

人像彩色浮雕效果的实现方法及系统 Download PDF

Info

Publication number
CN112164012B
CN112164012B CN202011097336.6A CN202011097336A CN112164012B CN 112164012 B CN112164012 B CN 112164012B CN 202011097336 A CN202011097336 A CN 202011097336A CN 112164012 B CN112164012 B CN 112164012B
Authority
CN
China
Prior art keywords
image
color
value
portrait
graph
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.)
Active
Application number
CN202011097336.6A
Other languages
English (en)
Other versions
CN112164012A (zh
Inventor
张鹏飞
林立
曹烈安
邓海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yingzhuo Information Technology Co ltd
Original Assignee
Shanghai Yingzhuo Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Yingzhuo Information Technology Co ltd filed Critical Shanghai Yingzhuo Information Technology Co ltd
Priority to CN202011097336.6A priority Critical patent/CN112164012B/zh
Publication of CN112164012A publication Critical patent/CN112164012A/zh
Application granted granted Critical
Publication of CN112164012B publication Critical patent/CN112164012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Color Image Communication Systems (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明提供了一种人像彩色浮雕效果的实现方法及系统，通过人像分割网络模型完成人像区域分割，使用浮雕效果和锐化效果分别处理人像图，再进行Alpha融合和高斯滤波处理得到彩色人像浮雕效果。本发明通过采用人像分割、锐化叠加浮雕效果，并进行滤波处理，解决了无法单独对人像处理和人像浮雕效果色调单一、噪点多的问题。

Description

人像彩色浮雕效果的实现方法及系统
技术领域
本发明涉及图像处理技术领域，具体地，涉及人像彩色浮雕效果的实现方法及系统。
背景技术
分离图片中的前景和背景,是机器视觉中长期以来的一个研究热点。随着人物图像分割在安防监控、自动驾驶、照片处理等方面的快速发展,人物图像分割成为图像分割中重要的问题。但是由于人物图像的背景变化、不同的穿戴着装和各种肤色姿态等因素的影响,使得人物图像的自动分割面临非常大的挑战。目前常用的人物图像分割方法有基于传统的和基于深度学习的分割方法两种。对于传统的图片分割方法,常常需要用户在前景中勾勒线条等方式才能辅助实现分割,无法自动化实现。这导致在需要处理大量图片时效率很低、耗费大量人力成本,并且当图片比较复杂时分割结果往往不尽如人意。基于深度学习的方法旨在实现通用的图像分割,未针对人物图像特点实现高精度的分割效果,并且其分割边界存在模糊的问题。因此如何减少人力成本并提高分割精确度是人物图像分割的研究重点。
专利文献CN110276766A(申请号：CN201910568826.0)公开了一种人像分割的方法及装置，所述方法包括：获取调整待处理图像，输入至预先训练得到的轻量级卷积神经网络模型中，得到人像特征图。所述网络模型包括编码和解码网络，编码网络由多个编码模块级联组成，编码模块用于卷积运算和残差块运算，提取不同层次图像特征矩阵；解码网络由多个解码模块级联组成，其第一个输入解码模块为编码网络中最后一个编码模块的输出，编码模块用于上采样运算；根据人像特征图调整输入图像的人像区域为目标图像。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种人像彩色浮雕效果的实现方法及系统。
根据本发明提供的一种人像彩色浮雕效果的实现方法，其特征在于，通过人像分割网络模型完成人像区域分割，使用浮雕效果和锐化效果分别处理人像图，再进行Alpha融合和高斯滤波处理得到彩色人像浮雕效果。
优选地，包括：
步骤1：基于全卷积神经网络FCN，对人像样本数据进行分割网络模型训练，获得训练后的人像分割网络模型；
步骤2：基于训练后的人像分割网络模型对原图进行人像区域分割，得到人像图a和切除掉人像后的背景图b；
步骤3：复制人像图a，得到复制图c；
步骤4：对复制图c使用浮雕效果处理，得到人像浮雕图d；
步骤5：对人像浮雕图d进行高斯滤波处理，得到图e；
步骤6：对人像图a进行锐化处理得到锐化图f；
步骤7：对锐化图f进行高斯滤波处理，得到图g；
步骤8：图e、图g进行Alpha融合，得到图h；
步骤9：将图h贴回原图背景图b，得到最终彩色人像浮雕图i。
优选地，所述使用浮雕效果处理指：
用前一个像素点的RGB值分别减去当前像素点的RGB值并加上127作为当前像素点的RGB值，循环处理整张图片的像素点，再把新值赋给图片；
浮雕效果公式：newP＝C-B+127；
相邻像素的像素值之差，加上一个恒定值，C为前一个像素点，B为当前像素点，127为实践后恒定值。
优选地，所述进行锐化处理指：
用二阶微分实现图像锐化：
g(x,y)＝f(x,y)+c[▽2f(x,y)]
f(x,y)为原图，▽2f(x,y)为拉普拉斯处理后的图像，c为处理的系数，g(x,y)为最终保持原图像并且增强边缘的图像。
优选地，所述Alpha融合的原理包括：
R＝(R_src*alpha+R_dest*(256-alpha))/256；
源像素的RGB值，分别与目标像素的RGB按比例混合，最后得到一个混合后的RGB值；
R_src为原像素，R_dest为目标像素，alpha为透明通道值。
根据本发明提供的一种人像彩色浮雕效果的实现系统，通过人像分割网络模型完成人像区域分割，使用浮雕效果和锐化效果分别处理人像图，再进行Alpha融合和高斯滤波处理得到彩色人像浮雕效果。
优选地，包括：
模块1：基于全卷积神经网络FCN，对人像样本数据进行分割网络模型训练，获得训练后的人像分割网络模型；
模块2：基于训练后的人像分割网络模型对原图进行人像区域分割，得到人像图a和切除掉人像后的背景图b；
模块3：复制人像图a，得到复制图c；
模块4：对复制图c使用浮雕效果处理，得到人像浮雕图d；
模块5：对人像浮雕图d进行高斯滤波处理，得到图e；
模块6：对人像图a进行锐化处理得到锐化图f；
模块7：对锐化图f进行高斯滤波处理，得到图g；
模块8：图e、图g进行Alpha融合，得到图h；
模块9：将图h贴回原图背景图b，得到最终彩色人像浮雕图i。
优选地，所述使用浮雕效果处理指：
用前一个像素点的RGB值分别减去当前像素点的RGB值并加上127作为当前像素点的RGB值，循环处理整张图片的像素点，再把新值赋给图片；
浮雕效果公式：newP＝C-B+127；
相邻像素的像素值之差，加上一个恒定值，C为前一个像素点，B为当前像素点，127为实践后恒定值。
优选地，所述进行锐化处理指：
用二阶微分实现图像锐化：
g(x,y)＝f(x,y)+c[▽2f(x,y)]
f(x,y)为原图，▽2f(x,y)为拉普拉斯处理后的图像，c为处理的系数，g(x,y)为最终保持原图像并且增强边缘的图像。
优选地，所述Alpha融合的原理包括：
R＝(R_src*alpha+R_dest*(256-alpha))/256；
源像素的RGB值，分别与目标像素的RGB按比例混合，最后得到一个混合后的RGB值；
R_src为原像素，R_dest为目标像素，alpha为透明通道值。
与现有技术相比，本发明具有如下的有益效果：
本发明通过采用人像分割、锐化叠加浮雕效果，并进行滤波处理，解决了无法单独对人像处理和人像浮雕效果色调单一、噪点多的问题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的人像彩色浮雕效果的实现方法流程示意图。
图2为本发明提供的全卷积网络(FCN)原理示意图。
图3为本发明提供的使用人像分割网络模型分割人像的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
下面通过实施例，对本发明进行更为具体地说明。
实施例：
如图1所示，一种人像彩色浮雕效果的实现方法，通过人像分割网络模型完成人像区域分割，使用浮雕效果和锐化效果分别处理人像图，再进行Alpha融合和高斯滤波处理得到彩色人像浮雕效果。
步骤1：基于全卷积神经网络(FCN)，对人像样本数据(通过网络收集的8000张人像图片处理后作为全卷积网络的训练数据)进行分割网络模型训练
步骤2：基于训练后的人像分割网络模型对原图进行人像区域分割，得到人像图a和切除掉人像后的背景图b
步骤3：复制人像图a，得到复制图c
步骤4：对复制图c使用浮雕效果处理，得到人像浮雕图d
步骤5：对人像浮雕图d进行高斯滤波处理，得到图e
步骤6：对人像图a进行锐化处理得到锐化图f
步骤7：对锐化图f进行高斯滤波处理，得到图g
步骤8：图e、图g进行Alpha融合，得到图h
步骤9：将图h贴回原图背景图b，得到最终彩色人像浮雕图i
全卷积网络(FCN)原理，根据图2，对原图像进行卷积conv1、pool1(卷积和池化操作)后原图像缩小为1/2；之后对图像进行第二次conv2、pool2后图像缩小为1/4；接着继续对图像进行第三次卷积操作conv3、pool3缩小为原图像的1/8，此时保留pool3的featureMap(特征图)；接着继续对图像进行第四次卷积操作conv4、pool4，缩小为原图像的1/16，保留pool4的featureMap；最后对图像进行第五次卷积操作conv5、pool5，缩小为原图像的1/32，然后把原来CNN操作中的全连接变成卷积操作conv6、conv7，图像的featureMap数量改变但是图像大小依然为原图的1/32，此时图像不再叫featureMap而是叫heatMap(热图)。经过上述操作，得到1/32尺寸的heatMap，1/16尺寸的featureMap和1/8尺寸的featureMap，1/32尺寸的heatMap进行upsampling(上采样)操作之后，因为这样的操作还原的图片仅仅是conv5中的卷积核中的特征，限于精度问题不能够很好地还原图像当中的特征，因此在这里向前迭代。把conv4中的卷积核对上一次upsampling之后的图进行反卷积补充细节(相当于一个差值过程)，最后把conv3中的卷积核对刚才upsampling之后的图像进行再次反卷积补充细节，最后完成整个图像的还原。
使用人像分割网络模型分割人像的流程图为图3。
图片浮雕算法原理：用前一个像素点的RGB值分别减去当前像素点的RGB值并加上127作为当前像素点的RGB值，循环处理整张图片的像素点，再把新值赋给图片。
浮雕效果公式：newP＝C-B+127
相邻像素的像素值之差，加上一个恒定值，C为前一个像素点，B为当前像素点，127为实践后恒定值。
移动端实现：
a＝Color.alpha(preColor)；
r＝C.r-B.r+127；
g＝C.g-B.g+127；
b＝C.b-B.b+127；
newP＝Color.argb(a,r,g,b)；
a表示颜色的透明度值
Color.alpha是计算颜色透明度的函数
preColor是指前一个像素点的颜色值
r表示颜色的红色色值
C.r表示前一个像素点的红色色值
B.r表示当前像素点的红色色值
g表示颜色的绿色色值
C.g表示前一个像素点的绿色色值
B.g表示当前像素点的绿色色值
b表示颜色的蓝色色值
C.b表示前一个像素点的蓝色色值
B.b表示当前像素点的蓝色色值
newP表示前后像素点的差值
Color.argb()表示整合计算的透明度、红绿蓝色值为一个新颜色值的函数
图片锐化算法原理(拉普拉斯变换)：
用二阶微分(拉普拉斯算子)实现图像锐化
g(x,y)＝f(x,y)+c[▽2f(x,y)]
f(x,y)为原图，▽2f(x,y)为拉普拉斯处理后的图像，c为处理的系数，g(x,y)为最终保持原图像并且增强边缘的图像。
图片alpha融合原理：
R＝(R_src*alpha+R_dest*(256-alpha))/256；
源像素的RGB值，分别与目标像素(如背景)的RGB按比例混合，最后得到一个混合后的RGB值。R_src为原像素，R_dest为目标像素，alpha为透明通道值(取值返回0-255)。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (4)

1.一种人像彩色浮雕效果的实现方法，其特征在于，通过人像分割网络模型完成人像区域分割，使用浮雕效果和锐化效果分别处理人像图，再进行Alpha融合和高斯滤波处理得到彩色人像浮雕效果；
包括：
步骤1：基于全卷积神经网络FCN，对人像样本数据进行分割网络模型训练，获得训练后的人像分割网络模型；
步骤2：基于训练后的人像分割网络模型对原图进行人像区域分割，得到人像图a和切除掉人像后的背景图b；
步骤3：复制人像图a，得到复制图c；
步骤4：对复制图c使用浮雕效果处理，得到人像浮雕图d；
步骤5：对人像浮雕图d进行高斯滤波处理，得到图e；
步骤6：对人像图a进行锐化处理得到锐化图f；
步骤7：对锐化图f进行高斯滤波处理，得到图g；
步骤8：图e、图g进行Alpha融合，得到图h；
步骤9：将图h贴回原图背景图b，得到最终彩色人像浮雕图i；
所述使用浮雕效果处理指：
移动端浮雕效果实现：
a＝Color.alpha(preColor)；
r＝C.r-B.r+127；
g＝C.g-B.g+127；
b＝C.b-B.b+127；
newP＝Color.argb(a,r,g,b)；
a表示颜色的透明度值
Color.alpha是计算颜色透明度的函数
preColor是指前一个像素点的颜色值
r表示颜色的红色色值
C.r表示前一个像素点的红色色值
B.r表示当前像素点的红色色值
g表示颜色的绿色色值
C.g表示前一个像素点的绿色色值
B.g表示当前像素点的绿色色值
b表示颜色的蓝色色值
C.b表示前一个像素点的蓝色色值
B.b表示当前像素点的蓝色色值
newP表示前后像素点的差值
Color.argb()表示整合计算的透明度、红绿蓝色值为一个新颜色值的函数；
所述Alpha融合的原理包括：
R＝(R_src*alpha+R_dest*(256-alpha))/256；
源像素的RGB值，分别与目标像素的RGB按比例混合，最后得到一个混合后的RGB值；
R_src为原像素，R_dest为目标像素，alpha为透明通道值。
2.根据权利要求1所述的人像彩色浮雕效果的实现方法，其特征在于，所述进行锐化处理指：
用二阶微分实现图像锐化：
Figure FDA0004154318430000021
f(x,y)为原图，
Figure FDA0004154318430000022
为拉普拉斯处理后的图像，c为处理的系数，g(x,y)为最终保持原图像并且增强边缘的图像。
3.一种人像彩色浮雕效果的实现系统，其特征在于，通过人像分割网络模型完成人像区域分割，使用浮雕效果和锐化效果分别处理人像图，再进行Alpha融合和高斯滤波处理得到彩色人像浮雕效果；
包括：
模块1：基于全卷积神经网络FCN，对人像样本数据进行分割网络模型训练，获得训练后的人像分割网络模型；
模块2：基于训练后的人像分割网络模型对原图进行人像区域分割，得到人像图a和切除掉人像后的背景图b；
模块3：复制人像图a，得到复制图c；
模块4：对复制图c使用浮雕效果处理，得到人像浮雕图d；
模块5：对人像浮雕图d进行高斯滤波处理，得到图e；
模块6：对人像图a进行锐化处理得到锐化图f；
模块7：对锐化图f进行高斯滤波处理，得到图g；
模块8：图e、图g进行Alpha融合，得到图h；
模块9：将图h贴回原图背景图b，得到最终彩色人像浮雕图i；
所述使用浮雕效果处理指：
移动端浮雕效果实现：
a＝Color.alpha(preColor)；
r＝C.r-B.r+127；
g＝C.g-B.g+127；
b＝C.b-B.b+127；
newP＝Color.argb(a,r,g,b)；
a表示颜色的透明度值
Color.alpha是计算颜色透明度的函数
preColor是指前一个像素点的颜色值
r表示颜色的红色色值
C.r表示前一个像素点的红色色值
B.r表示当前像素点的红色色值
g表示颜色的绿色色值
C.g表示前一个像素点的绿色色值
B.g表示当前像素点的绿色色值
b表示颜色的蓝色色值
C.b表示前一个像素点的蓝色色值
B.b表示当前像素点的蓝色色值
newP表示前后像素点的差值
Color.argb()表示整合计算的透明度、红绿蓝色值为一个新颜色值的函数；
所述Alpha融合的原理包括：
R＝(R_src*alpha+R_dest*(256-alpha))/256；
源像素的RGB值，分别与目标像素的RGB按比例混合，最后得到一个混合后的RGB值；
R_src为原像素，R_dest为目标像素，alpha为透明通道值。
4.根据权利要求3所述的人像彩色浮雕效果的实现系统，其特征在于，所述进行锐化处理指：
用二阶微分实现图像锐化：
Figure FDA0004154318430000041
f(x,y)为原图，
Figure FDA0004154318430000042
为拉普拉斯处理后的图像，c为处理的系数，g(x,y)为最终保持原图像并且增强边缘的图像。
CN202011097336.6A 2020-10-14 2020-10-14 人像彩色浮雕效果的实现方法及系统 Active CN112164012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011097336.6A CN112164012B (zh) 2020-10-14 2020-10-14 人像彩色浮雕效果的实现方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011097336.6A CN112164012B (zh) 2020-10-14 2020-10-14 人像彩色浮雕效果的实现方法及系统

Publications (2)

Publication Number Publication Date
CN112164012A CN112164012A (zh) 2021-01-01
CN112164012B true CN112164012B (zh) 2023-05-12

Family

ID=73868256

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011097336.6A Active CN112164012B (zh) 2020-10-14 2020-10-14 人像彩色浮雕效果的实现方法及系统

Country Status (1)

Country Link
CN (1) CN112164012B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017139367A1 (en) * 2016-02-08 2017-08-17 Imago Systems, Inc. System and method for the visualization and characterization of objects in images
CN108010049A (zh) * 2017-11-09 2018-05-08 华南理工大学 使用全卷积神经网络分割定格动画中人手部区域的方法
CN109102482A (zh) * 2018-07-20 2018-12-28 广州市普汉科技有限公司 用于获得适用于激光雕刻的浮雕复古效果图像处理方法
CN109145922A (zh) * 2018-09-10 2019-01-04 成都品果科技有限公司 一种自动抠图系统
CN111223108A (zh) * 2019-12-31 2020-06-02 上海影卓信息科技有限公司 基于背景幕抠图和融合的方法和系统
CN111291761A (zh) * 2020-02-17 2020-06-16 北京百度网讯科技有限公司 用于识别文字的方法和装置
CN111445384A (zh) * 2020-03-23 2020-07-24 杭州趣维科技有限公司 一种通用人像照片漫画风格化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017139367A1 (en) * 2016-02-08 2017-08-17 Imago Systems, Inc. System and method for the visualization and characterization of objects in images
CN108010049A (zh) * 2017-11-09 2018-05-08 华南理工大学 使用全卷积神经网络分割定格动画中人手部区域的方法
CN109102482A (zh) * 2018-07-20 2018-12-28 广州市普汉科技有限公司 用于获得适用于激光雕刻的浮雕复古效果图像处理方法
CN109145922A (zh) * 2018-09-10 2019-01-04 成都品果科技有限公司 一种自动抠图系统
CN111223108A (zh) * 2019-12-31 2020-06-02 上海影卓信息科技有限公司 基于背景幕抠图和融合的方法和系统
CN111291761A (zh) * 2020-02-17 2020-06-16 北京百度网讯科技有限公司 用于识别文字的方法和装置
CN111445384A (zh) * 2020-03-23 2020-07-24 杭州趣维科技有限公司 一种通用人像照片漫画风格化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PS|很老九门的复古质感人脸硬币图;we图派;《微信公众号：https://mp.weixin.qq.com/s?src=3&timestamp=1660634939&ver=1&signature=QPa9rsiA1AviFTNqqNKUXpK3Epu3r53EiMyUCrlrz1T=》;20160727;第1-13页 *
图像alpha blending的计算;weixin_34178244;《CSDN：https://blog.csdn.net/weixin_34178244/article/details/85703339》;20150310;第1-5页 *
浮雕效果显示图像;mb5ff5909699060;《51CTO博客：https://blog.51cto.com/u_15077537/3469072?abTest=51cto》;20190114;第1-3页 *

Also Published As

Publication number Publication date
CN112164012A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN109191558B (zh) 图像打光方法和装置
US20020186881A1 (en) Image background replacement method
CN109862389B (zh) 一种视频处理方法、装置、服务器及存储介质
CN106485668A (zh) 用于过曝修正的方法、系统和装置
WO2017131952A1 (en) Unified multi-image fusion approach
WO2021238420A1 (zh) 图像去雾方法、终端及计算机存储介质
CN110827371B (zh) 证件照生成方法、装置、电子设备及存储介质
CN113450290B (zh) 基于图像修补技术的低照度图像增强方法及系统
CN113129391B (zh) 基于多曝光图像特征分布权重的多曝光融合方法
CN104488255A (zh) 用于图像的色彩调和的装置和方法
Lv et al. Low-light image enhancement via deep Retinex decomposition and bilateral learning
US20220156889A1 (en) Saliency map generation method and image processing system using the same
US10650499B1 (en) Fast and effective image inpainting for reticle removal
CN112164012B (zh) 人像彩色浮雕效果的实现方法及系统
CN115690130B (zh) 一种图像处理方法和装置
WO2023110880A1 (en) Image processing methods and systems for low-light image enhancement using machine learning models
CN107203979B (zh) 一种低照度图像增强的方法
CN110189262A (zh) 基于神经网络以及直方图匹配的图像去雾算法
CN112561822A (zh) 美颜方法、装置、电子设备及存储介质
CN111932469A (zh) 显著性权重的快速曝光图像融合方法、装置、设备和介质
CN111861927B (zh) 图像场景还原方法及系统
US20230186612A1 (en) Image processing methods and systems for generating a training dataset for low-light image enhancement using machine learning models
CN114511462B (zh) 一种视觉图像增强方法
CN116363009B (zh) 基于有监督学习的快速轻量化低照度图像增强方法及系统
Khade et al. Efficient single image haze removal using CLAHE and Dark Channel Prior for Internet of Multimedia Things

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