CN112258440B - 图像处理方法、装置、电子设备及存储介质 - Google Patents
图像处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112258440B CN112258440B CN202011182131.8A CN202011182131A CN112258440B CN 112258440 B CN112258440 B CN 112258440B CN 202011182131 A CN202011182131 A CN 202011182131A CN 112258440 B CN112258440 B CN 112258440B
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- frequency
- pixel value
- processing
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 230000001815 facial effect Effects 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000007499 fusion processing Methods 0.000 claims abstract description 47
- 210000000056 organ Anatomy 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000032669 eclosion Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 230000001965 increasing effect Effects 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 210000000697 sensory organ Anatomy 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 210000001061 forehead Anatomy 0.000 description 6
- 210000001331 nose Anatomy 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000003707 image sharpening Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000088 lip Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开关于一种图像处理方法、装置、电子设备及存储介质。其中，该图像处理方法包括：获取待处理图像，待处理图像包括面部区域；对待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，第一高频图像为面部区域中的高频信息所在区域对应的图像；基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像，权重图像根据待处理图像中的面部轮廓线和五官轮廓线生成；将待处理图像和第三高频图像进行融合，得到第一目标图像。根据本公开的方案，能够在提高待处理图像的清晰度的同时，抑制“白边”效应，并且不会增强图像中的背景噪声。
Description
技术领域
本公开涉及图像技术领域，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
随着移动电子设备的不断发展，很多用户喜欢通过移动电子设备上的摄像头进行拍照。
目前，在相关的技术中，为了使拍摄出的图像效果更佳，用户通常会用一些美颜软件对拍摄的图像进行美化处理。其中，美颜一般包括“清晰”处理，但是“清晰”处理之后，处理后的图像会出现图像明暗交界出现“白边”的情况、而且还会增加图像的噪声。
因此，经“清晰”处理所得到的照片存在看起来不真实、效果不佳的问题。
发明内容
本公开提供一种图像处理方法、装置、电子设备及存储介质，以至少解决相关技术中经“清晰”处理所得到的照片存在看起来不真实、效果不佳的问题。
本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种图像处理方法，包括：
获取待处理图像，待处理图像包括面部区域；对待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，第一高频图像为面部区域中的高频信息所在区域对应的图像；基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像，权重图像用于表征待处理图像中像素点对应的权重系数；将待处理图像和第三高频图像进行融合，得到第一目标图像。
可选的，在所述将所述待处理图像和所述第三高频图像进行融合，得到第一目标图像之后，所述方法还包括：
基于面部掩码图像对所述第一目标图像和所述待处理图像进行融合，得到第二目标图像，所述面部掩码图像用于标记所述面部区域；
其中，所述第二目标图像中的所述面部区域的像素值为所述第一目标图像的像素值，所述第二目标图像中的所述面部区域以外的像素值为所述待处理图像的像素值。
可选的，所述将所述待处理图像和所述第三高频图像进行融合，得到第一目标图像，包括：
对所述待处理图像进行亮度增强处理，得到第一图像；
降低所述待处理图像中的所述第一像素点的第二像素值，得到第一像素值，所述第二像素值小于预设阈值；
增大所述待处理图像中的所述第二像素点的第四像素值，得到第三像素值，所述第四像素值大于所述预设阈值；
根据所述第一像素值和所述第三像素值得到第二图像；
对所述第一图像和所述第二图像进行加权融合处理，得到第三图像；
将所述第三图像和所述第三高频图像进行融合，得到所述第一目标图像。
可选的，所述将所述第三图像和所述第三高频图像进行融合，得到所述第一目标图像，包括：
对所述第三图像和所述待处理图像进行加权融合处理，得到第四图像；
基于面部掩码图像对所述第四图像和所述待处理图像进行加权融合处理，得到第五图像；其中，所述第五图像中的所述面部区域的像素值为所述第四图像的像素值，所述第五图像中的所述面部区域以外的像素值为所述待处理图像的像素值；
将所述第五图像和所述第三高频图像进行融合，得到所述第一目标图像。
可选的，在所述对所述待处理图像中的第一高频图像进行高斯模糊处理之前，所述方法还包括：
基于边缘检测算法从所述待处理图像中提取出所述第一高频图像；或者，
将所述待处理图像与所述待处理图像的低频图像相减，得到所述第一高频图像。
可选的，在所述基于权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理之前，所述方法还包括：
提取所述待处理图像中的关键点，所述关键点包括面部关键点和五官关键点；
根据所述面部关键点得到面部轮廓线，根据所述五官关键点得到五官轮廓线；
根据所述面部轮廓线和所述五官轮廓线，生成用于表示所述待处理图像中像素点对应的权重系数的权重图像。
可选的，所述基于权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理，得到第三高频图像，包括：
对所述权重图像进行高斯模糊处理，得到高斯模糊后的权重图像；
基于所述高斯模糊后的权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理，得到所述第三高频图像。
可选的，所述基于面部掩码图像对所述第一目标图像和所述待处理图像进行融合，得到第二目标图像，包括：
对所述面部掩码图像进行边缘羽化处理，得到边缘羽化后的面部掩码图像；
基于所述边缘羽化后的面部掩码图像，对所述第一目标图像和所述待处理图像进行融合，得到所述第二目标图像。
根据本公开实施例的第二方面，提供一种图像处理装置，包括：
获取模块，被配置为执行获取待处理图像，待处理图像包括面部区域；高频处理模块，被配置为执行对待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，第一高频图像为面部区域中的高频信息所在区域对应的图像；加权处理模块，被配置为执行基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像，权重图像用于表征待处理图像中像素点对应的权重系数；融合模块，被配置为执行将待处理图像和第三高频图像进行融合，得到第一目标图像。
可选的，所述融合模块，还被配置为执行基于面部掩码图像对所述第一目标图像和所述待处理图像进行融合，得到第二目标图像，所述面部掩码图像用于标记所述面部区域；
其中，所述第二目标图像中的所述面部区域的像素值为所述第一目标图像的像素值，所述第二目标图像中的所述面部区域以外的像素值为所述待处理图像的像素值。
可选的，所述融合模块包括：
亮度增强模块，被配置为执行对所述待处理图像进行亮度增强处理，得到第一图像；
亮度降低模块，被配置为执行降低所述待处理图像中的所述第一像素点的第二像素值，得到第一像素值，所述第二像素值小于预设阈值；
亮度增强模块，还被配置为执行增大所述待处理图像中的所述第二像素点的第四像素值，得到第三像素值，所述第四像素值大于所述预设阈值；
确定模块，被配置为执行根据所述第一像素值和所述第三像素值得到第二图像；
所述融合模块，被进一步配置为执行对所述第一图像和所述第二图像进行加权融合处理，得到第三图像；
所述融合模块，被进一步配置为执行将所述第三图像和所述第三高频图像进行融合，得到所述第一目标图像。
可选的，所述融合模块，被进一步配置为执行对所述第三图像和所述待处理图像进行加权融合处理，得到第四图像；
所述融合模块，被进一步配置为执行基于面部掩码图像对所述第四图像和所述待处理图像进行加权融合处理，得到第五图像；其中，所述第五图像中的所述面部区域的像素值为所述第四图像的像素值，所述第五图像中的所述面部区域以外的像素值为所述待处理图像的像素值；
所述融合模块，被进一步配置为执行将所述第五图像和所述第三高频图像进行融合，得到所述第一目标图像。
可选的，所述装置还包括：
第一提取模块，被配置为执行基于边缘检测算法从所述待处理图像中提取出所述第一高频图像；
相减模块，被配置为执行将所述待处理图像与所述待处理图像的低频图像相减，得到所述第一高频图像。
可选的，所述装置还包括：
第二提取模块，被配置为执行提取所述待处理图像中的关键点，所述关键点包括面部关键点和五官关键点；
连接模块，被配置为执行根据所述面部关键点得到面部轮廓线，根据所述五官关键点得到五官轮廓线；
生成模块，被配置为执行根据所述面部轮廓线和所述五官轮廓线，生成用于表示所述待处理图像中像素点对应的权重系数的权重图像。
可选的，所述融合模块还包括：
高斯模糊模块，被配置为执行对所述权重图像进行高斯模糊处理，得到高斯模糊后的权重图像；
所述融合模块，被进一步配置为执行基于所述高斯模糊后的权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理，得到所述第三高频图像。
可选的，所述融合模块还包括：
边缘羽化模块，被配置为执行对所述面部掩码图像进行边缘羽化处理，得到边缘羽化后的面部掩码图像；
所述融合模块，被进一步配置为执行基于所述边缘羽化后的面部掩码图像，对所述第一目标图像和所述待处理图像进行融合，得到所述第二目标图像。
根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现如第一方面所述的图像处理方法。
根据本公开实施例的第四方面，提供一种存储介质，当存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的图像处理方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，当计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面所述的图像处理方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
在本公开实施例中，首先，对待处理图像中的高频区域对应的第一高频图像进行高斯模糊处理，得到第二高频图像；然后，基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像；这里，通过对用于表征待处理图像中高频信息的第一高频图像和高斯模糊得到的第二高频图像进行加权融合，能够适当弱化面部轮廓和五官轮廓等强边缘处的锐化程度，能够有效抑制“白边”效应；最后，将待处理图像和第三高频图像进行融合，得到第一目标图像，能够提升高频区域的亮度，使得到的第一目标图像中的面部区域的结构更有层次感。由此，能够在提高待处理图像的清晰度的同时，抑制“白边”效应，并且不会增强图像中的背景噪声。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的经“清晰”处理所得到的图像示意图。
图2是根据一示例性实施例示出的图像处理方法、装置、电子设备及存储介质应用环境示意图。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。
图4是根据一示例性实施例示出的一种面部掩码图像示意图。
图5是根据一示例性实施例示出的一种图像处理装置的框图。
图6是根据一示例性实施例示出的一种服务器的框图。
图7是根据一示例性实施例示出的用于数据处理的设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前，用户通常会用一些美颜软件对拍摄的图像进行美化处理。其中，美颜一般包括“清晰”处理，但是“清晰”处理之后，处理后的图像的结构并没有得到优化，层次感不强。而且还会出现图像明暗交界出现“白边”的情况、而且还会增加图像的噪声。
“清晰”处理一般可以通过图像锐化来实现，图像锐化是补偿图像的轮廓，增强图像的边缘及灰度跳变的部分，使图像变得清晰，分为空间域处理和频域处理两类。图像平滑往往使图像中的边界、轮廓变得模糊，为了减少这类不利效果的影响，这就需要利用图像锐化技术，使图像的边缘变的清晰。
锐化就是通过增强高频分量来减少图像中的模糊，因此又称为高通滤波。锐化处理在增强图像边缘的同时增加了图像的噪声。“锐化”的原理就是：将明暗交界处，暗的这边调整得更暗、亮的那边调整得更亮。但是随之而来的就是，处理后的图像在明暗交界处，会出现“白边”。
下面，以图1为例说明相关技术中经“清晰”处理所得到的图像的显示效果。
图1是根据一示例性实施例示出的经“清晰”处理所得到的图像示意图。如图1所示，以人脸图像为例，对图像进行“清晰”处理后，得到的图像中，面部区域10和非面部区域20(即背景区域)之间的交界处，出现了“白边”，这会使得处理后的图像看起来不够真实自然。
为了解决上述相关技术中存在的经“清晰”处理所得到的照片存在看起来不真实、效果不佳的问题。
本公开提供了一种图像处理方法、装置、电子设备及存储介质。该图像处理方法、装置、电子设备及存储介质可通过对待处理图像中的高频区域对应的第一高频图像进行高斯模糊处理，得到第二高频图像；然后，基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像；这里，通过对用于表征待处理图像中高频信息的第一高频图像和高斯模糊得到的第二高频图像进行加权融合，能够适当弱化面部轮廓和五官轮廓等强边缘处的锐化程度，能够有效抑制“白边”效应；最后，将待处理图像和第三高频图像进行融合，得到第一目标图像，能够提升高频区域的亮度，使得到的第一目标图像中的面部区域的结构更有层次感。由此，能够在提高待处理图像的清晰度的同时，抑制“白边”效应，并且不会增强图像中的背景噪声。
如图2所示，是本公开说明书一个或多个实施例提供的图像处理方法、装置、电子设备及存储介质的应用环境示意图。如图2所示，服务器100通过网络300与一个或多个用户端200通信连接，以进行数据通信或交互。所述服务器100以是网络服务器、数据库服务器等。所述用户端200可以是，但不限于个人电脑(personal computer，PC)、智能手机、平板电脑、个人数字助理(personal digital assistant，PDA)等。所述网络300可以是有线或无线网络。
下面将对本公开实施例提供的图像处理方法进行详细说明。
本公开实施例提供的图像处理方法可以应用于用户端200，为了便于描述，除特别说明外，本公开实施例均以用户端200为执行主体进行说明。可以理解的是，所述的执行主体并不构成对本公开的限定。
下面，首先对本公开提供的图像处理方法进行说明。
图3是根据一示例性实施例示出的一种图像处理方法的流程图。如图3所示，该图像处理方法可以包括以下步骤：
S310，获取待处理图像，待处理图像包括面部区域。
S320，对待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，第一高频图像为面部区域中的高频信息所在区域对应的图像。
S330，基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像，权重图像用于表征待处理图像中像素点对应的权重系数。
S340，将待处理图像和第三高频图像进行融合，得到第一目标图像。
上述各步骤的具体实现方式将在下文中进行详细描述。
在本公开实施例中，通过对待处理图像中的高频区域对应的第一高频图像进行高斯模糊处理，得到第二高频图像；然后，根据待处理图像中的面部轮廓线和五官轮廓线生成权重图像，这里，轮廓线像素点对应的权重较大，轮廓线以外的区域像素点对应的权重较小；接着，基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像；这里，用于体现面部轮廓和五官轮廓等强边缘处的第一高频图像对应的锐化权重较小，用于体现如额头鼻梁等其他高频区域的第二高频图像对应的锐化权重相对较大，能够有效抑制“白边”效应；最后，将待处理图像和第三高频图像进行融合，得到第一目标图像，由此，能够提升对待处理图像进行“清晰”处理后的图像的效果。
下面介绍上述各个步骤的具体实现方式。
首先介绍S310。
获取待处理图像，待处理图像包括面部区域。面部区域可以为人脸的面部区域，获取待处理图像时，可以进一步获取用户想要处理的面部区域。这里可以通过人脸关键点识别等技术，得到待处理图像的前景区域作为面部区域。
然后介绍S320。
在本公开一些实施例中，在S320之前，还可以包括以下步骤：
基于边缘检测算法从待处理图像中提取出第一高频图像；或者，将待处理图像与待处理图像的低频图像相减，得到第一高频图像。
其中，第一高频图像包括待处理图像的高频信息，例如，高频图像可以包括：待处理图像中的眉毛、眼睛、嘴唇、额头、鼻梁等需要清晰展示细节的高频信息。
一方面，可以通过基于边缘检测算法从待处理图像中提取出第一高频图像。
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些图像属性中的显著变化包括：深度上的不连续、表面方向不连续、物质属性变化和场景照明变化。即第一高频图像为面部区域中的高频信息所在区域对应的图像。
示例性地，边缘检测算法可以包括：sobel、canny、prewitt或roberts等算法。
另一方面，还可以通过将待处理图像与待处理图像的低频图像相减，得到第一高频图像。
具体地，对待处理图像进行高斯模糊处理，得到待处理图像的低频图像，即高斯模糊后的待处理图像；将待处理图像的低频图像与待处理图像做差，得到第一高频图像。在该实施方式中，除了可以选择计算量较低的高斯模糊来得到非高频图像，还可以选择其他能够实现低通滤波的算法，本公开实施例对此不做具体限定。
这里，通过从待处理图像中提取出第一高频图像能够快速确定待处理图像中的高频信息。
在S320中，对待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，即G2＝GaussFilter(G1)。这里的G1为第一高频图像，G2为第二高频图像。高斯模糊处理也叫高斯平滑处理，可以增强图像在不同比例大小下的图像效果。
接着介绍S330。
在本公开一些实施例中，在S330之前，还可以包括以下步骤：
提取待处理图像中的关键点，关键点包括面部关键点和五官关键点；根据面部关键点得到面部轮廓线，根据五官关键点得到五官轮廓线；根据面部轮廓线和五官轮廓线，生成用于表示待处理图像中像素点对应的权重系数的权重图像。
通过人脸关键点检测提取待处理图像中的关键点，得到面部关键点和五官关键点，将面部关键点和五官关键点连接起来，得到能够表示面部结构的轮廓线图，即面部轮廓线和五官轮廓。可以对这些轮廓线的宽度可以设置为w个像素，使轮廓线的像素值为1，待处理图像的其他区域的像素值为0，就得到用于表示待处理图像中像素点对应的权重系数的权重图像。
可选地，可以使权重图像中轮廓线的权重值大于预设阈值，权重图像中非轮廓线的权重值小于预设阈值，比如，轮廓线的像素值为0.8，其他区域的像素值为0.2，预设阈值为0.5。相应地，待处理图像中轮廓线的像素点对应的权重系数为0.8，待处理图像中非轮廓线的像素点对应的权重系数为0.2。
如图4所示，面部轮廓线和五官轮廓线的颜色为白色，待处理图像面部区域的其它像素点的颜色为黑色。
基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像的步骤，可以通过下述公式(1)来实现：
G3＝G2*K+G1*(1-K) (1)
其中，公式(1)中的G1为第一高频图像、为第二高频图像、K为权重图像、G3为第三高频图像。
结合上述确定出来的权重图像，对第一高频图像和第二高频图像进行加权融合处理，，能够弱化第一高频图像中代表面部及五官轮廓处的高频信息，即将权重图像中像素值大于0的区域，对应到第一高频图像中的区域进行高频弱化。
这里，显然轮廓线像素点对应的权重较大，轮廓线以外的区域像素点对应的权重较小；接着，基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像；这里，用于体现面部轮廓和五官轮廓等强边缘处的第一高频图像对应的锐化权重较小，用于体现如额头鼻梁等其他高频区域的第二高频图像对应的锐化权重相对较大，能够有效抑制“白边”效应。
在本公开一些实施例中，相应地，在得到上述涉及到的权重图像之后，S330中，具体可以包括以下步骤：
对权重图像进行高斯模糊处理，得到高斯模糊后的权重图像；基于高斯模糊后的权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像。
其中，上述涉及到的对权重图像进行高斯模糊处理，得到高斯模糊后的权重图像的步骤，可以为：然后对权重图像进行高斯模糊，以平滑边缘，得到高斯模糊后的权重图像。即K’＝GaussFilter(K)。其中，K’为高斯模糊后的权重图像，K为权重图像。高斯模糊也叫高斯平滑，高斯平滑也用于计算机视觉算法中的预先处理阶段，以增强图像在不同比例大小下的图像效果，可以参见尺度空间表示以及尺度空间实现。
这里，对权重图像进行高斯模糊，得到的高斯模糊后的权重图像边缘更加平滑，进而使后续融合后图像的显示效果更好。
最后介绍S340。
通过图像卷积处理实现锐化有一种常用的算法叫做虚边蒙片(Unsharp Mask，USM)算法方法，这种锐化的方法就是对待处理图像先做一个高斯模糊，然后用待处理图像减去一个系数乘以高斯模糊之后的图像，得到边缘图像(即第三高频图像)，将边缘图像和待处理图像进行线性组合得到锐化后图像。基于USM锐化的方法可以去除一些细小的干扰细节和噪声，比一般直接使用卷积锐化算子得到的图像锐化结果更加真实可信。
首先，上述涉及到的将待处理图像和第三高频图像进行融合，得到第一目标图像的步骤，具体可以通过下述公式(2)实现：
R1＝S0+β*G3 (2)
其中，S0为待处理图像、G3为第三高频图像、R1为第一目标图像。
这里，通过将第三高频图像和待处理图像进行线性组合得到的第一目标图像，可以去除一些细小的干扰细节和噪声，面部清晰度高。
在本公开一些实施例中，S340中，具体可以包括以下步骤：对待处理图像进行亮度增强处理，得到第一图像；降低待处理图像中的第一像素点的第二像素值，得到第一像素值，第二像素值小于预设阈值；增大待处理图像中的第二像素点的第四像素值，得到第三像素值，第四像素值大于预设阈值；根据第一像素值和第三像素值得到第二图像；对第一图像和第二图像进行加权融合处理，得到第三图像；将第三图像和第三高频图像进行融合，得到第一目标图像。
首先，上述涉及到的对待处理图像进行亮度增强处理，得到第一图像的步骤，具体可以通过下述公式(3)实现：
S1＝1.0-(1.0–S0)*(1.0–S0) (3)
其中，S0为待处理图像，S1为第一图像。
举例：如果像素值是0.2，s1＝1-(1-0.2)*(1-0.2)＝0.36>0.2；如果像素值是0.8，s1＝1-(1-0.8)*(1-0.8)＝0.96>0.8。
这里，对待处理图像进行亮度增强处理，得到第一图像，以提升图像的整体亮度。
其次，上述涉及到的降低待处理图像中的第一像素点的第二像素值，得到第一像素值增大待处理图像中的第二像素点的第四像素值，得到第三像素值；根据第一像素值和第三像素值得到第二图像的步骤，具体可以通过下述公式(4)实现：
当S0<0.5时,S2＝2*S0*S0 (4)
当S0>0.5时，S2＝1-2*(1-S0)*(1-S0)
其中，S0为待处理图像，S2为第二图像。第二像素值(S0<0.5的像素值)小于预设阈值0.5；第四像素值(S0<0.5的像素值)大于预设阈值0.5。
举例：如果像素值是0.2，S2＝2*0.2*0.2＝0.08<0.2；如果像素值是0.8，S2＝1-2*(1-0.8)*(1-0.8)＝0.92>0.8。
这里，通过调节待处理图像的亮度，可以使待处理图像的暗部更暗，亮部更亮，使得待处理图像的高光和阴影部分更加凸显出来，得到的第二图像的面部结构的层次更加分明。
然后，上述涉及到的对第一图像和第二图像进行加权融合处理，得到第三图像的步骤，具体可以通过下述公式(5)实现：
S3＝S1*a+S2*(1-a) (5)
其中，S1为第一图像、S2为第二图像、S3为第三图像。
对于上述涉及到的公式(2)，如果原图像素值都小于0.5，则计算出来的S2会更加暗；如果所有像素值大于0.5，S2会提亮，但是S2<S1。因此可以将S1和S2融合起来，达到暗图提亮，亮图不会更亮的目的。融合系数为预设值a，可以为用户预设的数值，可以根据实际需要来调节。
最后，将第三图像和第三高频图像进行融合，得到第一目标图像。通过对待处理图像进行亮度调节处理后得到的第三图像和第三高频图像进行融合，能够提升第一目标图像结构的层次感。
其中，上述涉及到的将第三图像和第三高频图像进行融合，得到第一目标图像的步骤中，具体可以包括以下步骤：
对第三图像和待处理图像进行加权融合处理，得到第四图像；基于面部掩码图像对第四图像和待处理图像进行加权融合处理，得到第五图像；其中，第五图像中的面部区域的像素值为第四图像的像素值，第五图像中的面部区域以外的像素值为待处理图像的像素值；将第五图像和第三高频图像进行融合，得到第一目标图像。
其中，上述涉及到的对第三图像和待处理图像进行加权融合处理，得到第四图像的步骤，具体可以通过下述公式(6)实现：
S4＝S3*b+S0*(1-b) (6)
其中，S4为第四图像。
这里，同样为了约束S3，可以将S3和S0进行加权融合，融合系数为预设值b，可以根据实际需要来调节。
其中，上述涉及到的基于面部掩码图像对第四图像和待处理图像进行加权融合处理，得到第五图像的步骤，具体可以通过下述公式(7)实现：
R3＝S4*M+S0*(1-M) (7)
其中，M为面部掩码图像，R3为第五图像。
这里，通过利用面部区域掩码图M，对第四图像和待处理图像进行加权融合处理，能够将背景过滤掉，得到第五图像。这样，第五图像中的面部区域的像素值为第四图像的像素值，第五图像中的面部区域以外的像素值为待处理图像的像素值。能够在提升面部区域的结构清晰度的同时，不会增强背景噪声。最后再将第五图像和第三高频图像进行融合，以得到第一目标图像，能够在提升面部清晰度的同时，避免增强背景噪声。
在本公开一些实施例中，在S340之后，还可以包括以下步骤：
基于面部掩码图像对第一目标图像和待处理图像进行融合，得到第二目标图像，面部掩码图像用于标记面部区域；其中，第二目标图像中的面部区域的像素值为第一目标图像的像素值，第二目标图像中的面部区域以外的像素值为待处理图像的像素值。
其中，上述涉及到的面部掩码图像，是根据待处理图像中的面部区域和非面部区域，生成的，面部掩码图像是与待处理图像对应的用于标记面部区域的图像。具体可以通过利用人脸关键点检测算法，或者肤色检测模型确定待处理图像中的面部区域和非面部区域，然后根据待处理图像中的面部区域和第二目标图像中的面部区域以外的区域来生成面部掩码图像，即将面部区域的掩码值确定为1，将面部区域以外的区域的掩码值确定为0。
因为上面得到的面部掩码图像中，感兴趣的区域(即面部区域)是白色的，表明感兴趣区域的像素都是非0，而非感兴趣区域(即非面部区域)都是黑色，表明那些区域的像素都是0。一旦待处理图像与面部掩码图像进行与运算后，得到的结果图是只留下待处理图像中的感兴趣区域的图像了。
其中，S340中，的基于面部掩码图像对第一目标图像和待处理图像进行融合，得到第二目标图像的步骤，具体可以通过下述公式(8)实现：
R2＝R1*M+S0*(1-M) (8)
其中，R1为第一目标图像、R2为第二目标图像、M为面部掩码图像、S0为待处理图像。
这里，通过基于面部掩码图像对第一目标图像和待处理图像进行融合，得到的第二目标图像中的面部区域的像素值为第一目标图像的像素值，第二目标图像中的面部区域以外的像素值为待处理图像的像素值，能够在提升面部清晰度的同时，避免了背景噪声的增强。
其中，在上述涉及到的基于面部掩码图像对第一目标图像和待处理图像进行融合，得到第二目标图像的步骤中，具体可以包括以下步骤：
对面部掩码图像进行边缘羽化处理，得到边缘羽化后的面部掩码图像；基于边缘羽化后的面部掩码图像，对第一目标图像和待处理图像进行融合，得到第二目标图像。
具体地，使用导向滤波算法对面部掩码图像进行边缘羽化。导向图为待处理图像S0。即M＝GuidedFilter(S0，M)。
其中，导向滤波算法是一种图像滤波技术，通过一张引导图G，对目标图像P(输入图像)进行滤波处理，使得最后的输出图像大体上与目标图像P相似，但是纹理部分与引导图G相似。
这里，通过导向滤波算法对面部掩码图像进行边缘羽化，能够平滑面部掩码图像的边界。基于边缘羽化后的面部掩码图像，对第一目标图像和待处理图像进行融合，可以使得到的第二目标图像，边缘更加平滑自然。
综上，本公开实施例通过对待处理图像中的高频区域对应的第一高频图像进行高斯模糊处理，得到第二高频图像；然后，根据待处理图像中包括面部轮廓线和五官轮廓线的轮廓图像对应的像素值，生成用于表示待处理图像中像素点对应的权重系数的权重图像，这里，显然轮廓线像素点对应的权重较大，轮廓线以外的区域像素点对应的权重较小；接着，基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像；这里，用于体现面部轮廓和五官轮廓等强边缘处的第一高频图像对应的锐化权重较小，用于体现如额头鼻梁等其他高频区域的第二高频图像对应的锐化权重相对较大，能够有效抑制“白边”效应；最后，将待处理图像和第三高频图像进行融合，得到第一目标图像，能够提升高频区域的亮度，使得到的第一目标图像中的面部区域的结构更有层次感。由此，能够在提高待处理图像的清晰度的同时，抑制了“白边”效应，并且不会增强图像中的背景噪声。
基于上述图像处理方法，本公开还提供了一种图像处理装置。具体结合图5进行说明。
图5是根据一示例性实施例示出的一种图像处理装置的框图。参照图5，该图像处理装置500可以包括获取模块510、高频处理模块520、加权处理模块530和融合模块540。
获取模块510，被配置为执行获取待处理图像，待处理图像包括面部区域。
高频处理模块520，被配置为执行对待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，第一高频图像为面部区域中的高频信息所在区域对应的图像。
加权处理模块530，被配置为执行基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像，权重图像用于表征待处理图像中像素点对应的权重系数。
融合模块540，被配置为执行将待处理图像和第三高频图像进行融合，得到第一目标图像。
在本公开一些实施例中，融合模块540，还被配置为执行基于面部掩码图像对第一目标图像和待处理图像进行融合，得到第二目标图像，面部掩码图像用于标记面部区域；其中，第二目标图像中的面部区域的像素值为第一目标图像的像素值，第二目标图像中的面部区域以外的像素值为待处理图像的像素值。
在本公开一些实施例中，融合模块540包括：
亮度增强模块，被配置为执行对待处理图像进行亮度增强处理，得到第一图像。
亮度降低模块，被配置为执行降低待处理图像中的第一像素点的第二像素值，得到第一像素值，第二像素值小于预设阈值。
亮度增强模块，还被配置为执行增大待处理图像中的第二像素点的第四像素值，得到第三像素值，第四像素值大于预设阈值。
确定模块，被配置为执行根据第一像素值和第三像素值得到第二图像。
融合模块540，被进一步配置为执行对第一图像和第二图像进行加权融合处理，得到第三图像。
融合模块540，被进一步配置为执行将第三图像和第三高频图像进行融合，得到第一目标图像。
在本公开一些实施例中，融合模块540，被进一步配置为执行对第三图像和待处理图像进行加权融合处理，得到第四图像。
融合模块540，被进一步配置为执行基于面部掩码图像对第四图像和待处理图像进行加权融合处理，得到第五图像；其中，第五图像中的面部区域的像素值为第四图像的像素值，第五图像中的面部区域以外的像素值为待处理图像的像素值。
融合模块540，被进一步配置为执行将第五图像和第三高频图像进行融合，得到第一目标图像。
在本公开一些实施例中，该图像处理装置500还包括：第一提取模块和相减模块。
该第一提取模块，被配置为执行基于边缘检测算法从待处理图像中提取出第一高频图像。
该相减模块，被配置为执行将待处理图像与待处理图像的低频图像相减，得到第一高频图像。
在本公开一些实施例中，该图像处理装置500还包括：第二提取模块、连接模块和生成模块。
该第二提取模块，被配置为执行提取待处理图像中的关键点，关键点包括面部关键点和五官关键点。
该连接模块，被配置为执行根据面部关键点得到面部轮廓线，根据五官关键点得到五官轮廓线。
该生成模块，被配置为执行根据面部轮廓线和五官轮廓线，生成用于表示待处理图像中像素点对应的权重系数的权重图像。
在本公开一些实施例中，融合模块540，还包括高斯模糊模块。
该高斯模糊模块，被配置为执行对权重图像进行高斯模糊处理，得到高斯模糊后的权重图像。
融合模块540，被进一步配置为执行基于高斯模糊后的权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像。
在本公开一些实施例中，融合模块540，还包括边缘羽化模块。
该边缘羽化模块，被配置为执行对面部掩码图像进行边缘羽化处理，得到边缘羽化后的面部掩码图像。
融合模块540，被进一步配置为执行基于边缘羽化后的面部掩码图像，对第一目标图像和待处理图像进行融合，得到第二目标图像。
综上，本公开实施例，通过对待处理图像中的高频区域对应的第一高频图像进行高斯模糊处理，得到第二高频图像；然后，根据待处理图像中包括面部轮廓线和五官轮廓线的轮廓图像对应的像素值，生成用于表示待处理图像中像素点对应的权重系数的权重图像，这里，显然轮廓线像素点对应的权重较大，轮廓线以外的区域像素点对应的权重较小；接着，基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像；这里，用于体现面部轮廓和五官轮廓等强边缘处的第一高频图像对应的锐化权重较小，用于体现如额头鼻梁等其他高频区域的第二高频图像对应的锐化权重相对较大，能够有效抑制“白边”效应；最后，将待处理图像和第三高频图像进行融合，得到第一目标图像，能够提升高频区域的亮度，使得到的第一目标图像中的面部区域的结构更有层次感。由此，能够在提高待处理图像的清晰度的同时，抑制了“白边”效应，并且不会增强图像中的背景噪声。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种服务器的框图。参照图6，本公开实施例还提供了一种服务器，包括处理器610、通信接口620、存储器630和通信总线640，其中，处理器610、通信接口620和存储器630通过通信总线640完成相互间的通信。
该存储器630，用于存放处理器610可执行的指令。
该处理器610，用于执行存储器630上所存放的指令时，实现如下步骤：
获取待处理图像，待处理图像包括面部区域；对待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，第一高频图像为面部区域中的高频信息所在区域对应的图像；基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像，权重图像用于表征待处理图像中像素点对应的权重系数；将待处理图像和第三高频图像进行融合，得到第一目标图像。
可见，应用本公开实施例，通过对待处理图像中的高频区域对应的第一高频图像进行高斯模糊处理，得到第二高频图像；然后，根据待处理图像中包括面部轮廓线和五官轮廓线的轮廓图像对应的像素值，生成用于表示待处理图像中像素点对应的权重系数的权重图像，这里，显然轮廓线像素点对应的权重较大，轮廓线以外的区域像素点对应的权重较小；接着，基于权重图像对第一高频图像和第二高频图像进行加权融合处理，得到第三高频图像；这里，用于体现面部轮廓和五官轮廓等强边缘处的第一高频图像对应的锐化权重较小，用于体现如额头鼻梁等其他高频区域的第二高频图像对应的锐化权重相对较大，能够有效抑制“白边”效应；最后，将待处理图像和第三高频图像进行融合，得到第一目标图像，能够提升高频区域的亮度，使得到的第一目标图像中的面部区域的结构更有层次感。由此，能够在提高待处理图像的清晰度的同时，抑制了“白边”效应，并且不会增强图像中的背景噪声。
图7是根据一示例性实施例示出的用于数据处理的电子设备的框图。例如，该设备700可以被提供为一服务器。参照图7，服务器700包括处理组件722，其进一步包括一个或多个处理器，以及由存储器732所代表的存储器资源，用于存储可由处理组件722的执行的指令，例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件722被配置为执行指令，以执行上述任一实施例所述的图像处理方法。
该设备700还可以包括一个电源组件726被配置为执行设备700的电源管理，一个有线或无线网络接口750被配置为将设备700连接到网络，和一个输入输出(I/O)接口758。设备700可以操作基于存储在存储器732的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在本公开一些实施例中，还提供了一种存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一实施例所述的图像处理方法。
可选地，该存储介质可以是非临时性计算机可读存储介质，示例性的，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在本公开一些实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一实施例所述的图像处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (18)
1.一种图像处理方法，其特征在于，包括：
获取待处理图像，所述待处理图像包括面部区域；
对所述待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，所述第一高频图像为所述面部区域中的高频信息所在区域对应的图像；
基于权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理，得到第三高频图像，所述权重图像用于表征所述待处理图像中像素点对应的权重系数，其中，所述权重图像为根据所述待处理图像中的面部轮廓线和五官轮廓线生成的图像；
将所述待处理图像和所述第三高频图像进行融合，得到第一目标图像。
2.根据权利要求1所述的方法，其特征在于，在所述将所述待处理图像和所述第三高频图像进行融合，得到第一目标图像之后，所述方法还包括：
基于面部掩码图像对所述第一目标图像和所述待处理图像进行融合，得到第二目标图像，所述面部掩码图像用于标记所述面部区域；
其中，所述第二目标图像中的所述面部区域的像素值为所述第一目标图像的像素值，所述第二目标图像中的所述面部区域以外的像素值为所述待处理图像的像素值。
3.根据权利要求1所述的方法，其特征在于，所述将所述待处理图像和所述第三高频图像进行融合，得到第一目标图像，包括：
对所述待处理图像进行亮度增强处理，得到第一图像；
降低所述待处理图像中的第一像素点的第二像素值，得到第一像素值，所述第二像素值小于预设阈值；
增大所述待处理图像中的第二像素点的第四像素值，得到第三像素值，所述第四像素值大于所述预设阈值；
根据所述第一像素值和所述第三像素值得到第二图像；
对所述第一图像和所述第二图像进行加权融合处理，得到第三图像；
将所述第三图像和所述第三高频图像进行融合，得到所述第一目标图像。
4.根据权利要求3所述的方法，其特征在于，所述将所述第三图像和所述第三高频图像进行融合，得到所述第一目标图像，包括：
对所述第三图像和所述待处理图像进行加权融合处理，得到第四图像；
基于面部掩码图像对所述第四图像和所述待处理图像进行加权融合处理，得到第五图像；其中，所述第五图像中的所述面部区域的像素值为所述第四图像的像素值，所述第五图像中的所述面部区域以外的像素值为所述待处理图像的像素值；
将所述第五图像和所述第三高频图像进行融合，得到所述第一目标图像。
5.根据权利要求1所述的方法，其特征在于，在所述对所述待处理图像中的第一高频图像进行高斯模糊处理之前，所述方法还包括：
基于边缘检测算法从所述待处理图像中提取出所述第一高频图像；或者，
将所述待处理图像与所述待处理图像的低频图像相减，得到所述第一高频图像。
6.根据权利要求1所述的方法，其特征在于，在所述基于权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理之前，所述方法还包括：
提取所述待处理图像中的关键点，所述关键点包括面部关键点和五官关键点；
根据所述面部关键点得到面部轮廓线，根据所述五官关键点得到五官轮廓线；
根据所述面部轮廓线和所述五官轮廓线，生成用于表示所述待处理图像中像素点对应的权重系数的权重图像。
7.根据权利要求6所述的方法，其特征在于，所述基于权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理，得到第三高频图像，包括：
对所述权重图像进行高斯模糊处理，得到高斯模糊后的权重图像；
基于所述高斯模糊后的权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理，得到所述第三高频图像。
8.根据权利要求2所述的方法，其特征在于，所述基于面部掩码图像对所述第一目标图像和所述待处理图像进行融合，得到第二目标图像，包括：
对所述面部掩码图像进行边缘羽化处理，得到边缘羽化后的面部掩码图像；
基于所述边缘羽化后的面部掩码图像，对所述第一目标图像和所述待处理图像进行融合，得到所述第二目标图像。
9.一种图像处理装置，其特征在于，包括：
获取模块，被配置为执行获取待处理图像，所述待处理图像包括面部区域；
高频处理模块，被配置为执行对所述待处理图像中的第一高频图像进行高斯模糊处理，得到第二高频图像，所述第一高频图像为所述面部区域中的高频信息所在区域对应的图像；
加权处理模块，被配置为执行基于权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理，得到第三高频图像，所述权重图像用于表征所述待处理图像中像素点对应的权重系数，其中，所述权重图像为根据所述待处理图像中的面部轮廓线和五官轮廓线生成的图像；
融合模块，被配置为执行将所述待处理图像和所述第三高频图像进行融合，得到第一目标图像。
10.根据权利要求9所述的装置，其特征在于，所述融合模块，还被配置为执行基于面部掩码图像对所述第一目标图像和所述待处理图像进行融合，得到第二目标图像，所述面部掩码图像用于标记所述面部区域；
其中，所述第二目标图像中的所述面部区域的像素值为所述第一目标图像的像素值，所述第二目标图像中的所述面部区域以外的像素值为所述待处理图像的像素值。
11.根据权利要求9所述的装置，其特征在于，所述融合模块包括：
亮度增强模块，被配置为执行对所述待处理图像进行亮度增强处理，得到第一图像；
亮度降低模块，被配置为执行降低所述待处理图像中的第一像素点的第二像素值，得到第一像素值，所述第二像素值小于预设阈值；
亮度增强模块，还被配置为执行增大所述待处理图像中的第二像素点的第四像素值，得到第三像素值，所述第四像素值大于所述预设阈值；
确定模块，被配置为执行根据所述第一像素值和所述第三像素值得到第二图像；
所述融合模块，被进一步配置为执行对所述第一图像和所述第二图像进行加权融合处理，得到第三图像；
所述融合模块，被进一步配置为执行将所述第三图像和所述第三高频图像进行融合，得到所述第一目标图像。
12.根据权利要求11所述的装置，其特征在于，所述融合模块，被进一步配置为执行对所述第三图像和所述待处理图像进行加权融合处理，得到第四图像；
所述融合模块，被进一步配置为执行基于面部掩码图像对所述第四图像和所述待处理图像进行加权融合处理，得到第五图像；其中，所述第五图像中的所述面部区域的像素值为所述第四图像的像素值，所述第五图像中的所述面部区域以外的像素值为所述待处理图像的像素值；
所述融合模块，被进一步配置为执行将所述第五图像和所述第三高频图像进行融合，得到所述第一目标图像。
13.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第一提取模块，被配置为执行基于边缘检测算法从所述待处理图像中提取出所述第一高频图像；
相减模块，被配置为执行将所述待处理图像与所述待处理图像的低频图像相减，得到所述第一高频图像。
14.根据权利要求9所述的装置，其特征在于，所述装置还包括：
第二提取模块，被配置为执行提取所述待处理图像中的关键点，所述关键点包括面部关键点和五官关键点；
连接模块，被配置为执行根据所述面部关键点得到面部轮廓线，根据所述五官关键点得到五官轮廓线；
生成模块，被配置为执行根据所述面部轮廓线和所述五官轮廓线，生成用于表示所述待处理图像中像素点对应的权重系数的权重图像。
15.根据权利要求14所述的装置，其特征在于，所述融合模块还包括：
高斯模糊模块，被配置为执行对所述权重图像进行高斯模糊处理，得到高斯模糊后的权重图像；
所述融合模块，被进一步配置为执行基于所述高斯模糊后的权重图像对所述第一高频图像和所述第二高频图像进行加权融合处理，得到所述第三高频图像。
16.根据权利要求10所述的装置，其特征在于，所述融合模块还包括：
边缘羽化模块，被配置为执行对所述面部掩码图像进行边缘羽化处理，得到边缘羽化后的面部掩码图像；
所述融合模块，被进一步配置为执行基于所述边缘羽化后的面部掩码图像，对所述第一目标图像和所述待处理图像进行融合，得到所述第二目标图像。
17.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至8中任一项所述的图像处理方法。
18.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至8中任一项所述的图像处理方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011182131.8A CN112258440B (zh) | 2020-10-29 | 2020-10-29 | 图像处理方法、装置、电子设备及存储介质 |
| PCT/CN2021/116233 WO2022088976A1 (zh) | 2020-10-29 | 2021-09-02 | 图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011182131.8A CN112258440B (zh) | 2020-10-29 | 2020-10-29 | 图像处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112258440A CN112258440A (zh) | 2021-01-22 |
| CN112258440B true CN112258440B (zh) | 2024-01-02 |
Family
ID=74267207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011182131.8A Active CN112258440B (zh) | 2020-10-29 | 2020-10-29 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112258440B (zh) |
| WO (1) | WO2022088976A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112258440B (zh) * | 2020-10-29 | 2024-01-02 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN112918956A (zh) * | 2021-02-20 | 2021-06-08 | 陆伟凤 | 一种基于图像识别技术的垃圾分类系统 |
| CN112862726B (zh) * | 2021-03-12 | 2023-11-10 | 湖南国科微电子股份有限公司 | 图像处理方法、装置及计算机可读存储介质 |
| CN116527922B (zh) * | 2023-07-03 | 2023-10-27 | 浙江大华技术股份有限公司 | 图像编码方法及其相关装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220990A (zh) * | 2017-06-22 | 2017-09-29 | 成都品果科技有限公司 | 一种基于深度学习的头发分割方法 |
| CN107864337A (zh) * | 2017-11-30 | 2018-03-30 | 广东欧珀移动通信有限公司 | 素描图像处理方法、装置及设备 |
| CN109033945A (zh) * | 2018-06-07 | 2018-12-18 | 西安理工大学 | 一种基于深度学习的人体轮廓提取方法 |
| CN109409262A (zh) * | 2018-10-11 | 2019-03-01 | 北京迈格威科技有限公司 | 图像处理方法、图像处理装置、计算机可读存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101877125B (zh) * | 2009-12-25 | 2013-02-13 | 北京航空航天大学 | 一种基于小波域统计信号的图像融合处理方法 |
| CN104517265B (zh) * | 2014-11-06 | 2017-06-13 | 福建天晴数码有限公司 | 智能磨皮方法和装置 |
| US10445877B2 (en) * | 2016-12-30 | 2019-10-15 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
| WO2018190649A1 (en) * | 2017-04-12 | 2018-10-18 | Samsung Electronics Co., Ltd. | Method and apparatus for generating hdr images |
| CN110580688B (zh) * | 2019-08-07 | 2022-11-11 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN112258440B (zh) * | 2020-10-29 | 2024-01-02 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2020
- 2020-10-29 CN CN202011182131.8A patent/CN112258440B/zh active Active
-
2021
- 2021-09-02 WO PCT/CN2021/116233 patent/WO2022088976A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220990A (zh) * | 2017-06-22 | 2017-09-29 | 成都品果科技有限公司 | 一种基于深度学习的头发分割方法 |
| CN107864337A (zh) * | 2017-11-30 | 2018-03-30 | 广东欧珀移动通信有限公司 | 素描图像处理方法、装置及设备 |
| CN109033945A (zh) * | 2018-06-07 | 2018-12-18 | 西安理工大学 | 一种基于深度学习的人体轮廓提取方法 |
| CN109409262A (zh) * | 2018-10-11 | 2019-03-01 | 北京迈格威科技有限公司 | 图像处理方法、图像处理装置、计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022088976A1 (zh) | 2022-05-05 |
| CN112258440A (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112258440B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Galdran | Image dehazing by artificial multiple-exposure image fusion | |
| Liang et al. | Single underwater image enhancement by attenuation map guided color correction and detail preserved dehazing | |
| Guo et al. | LIME: Low-light image enhancement via illumination map estimation | |
| JP4461789B2 (ja) | 画像処理装置 | |
| Tao et al. | Adaptive and integrated neighborhood-dependent approach for nonlinear enhancement of color images | |
| US8965141B2 (en) | Image filtering based on structural information | |
| CN107194869B (zh) | 一种图像处理方法及终端、计算机存储介质、计算机设备 | |
| Kim et al. | Low-light image enhancement based on maximal diffusion values | |
| Que et al. | Exposure measurement and fusion via adaptive multiscale edge-preserving smoothing | |
| Ancuti et al. | Image and video decolorization by fusion | |
| CN111353955A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
| CN107564085B (zh) | 图像扭曲处理方法、装置、计算设备及计算机存储介质 | |
| Chen et al. | A solution to the deficiencies of image enhancement | |
| CN113129207A (zh) | 一种图片的背景虚化方法及装置、计算机设备、存储介质 | |
| CN114581979A (zh) | 图像处理方法和装置 | |
| CN116612263B (zh) | 一种感知潜视觉合成一致性动态拟合的方法及装置 | |
| Tung et al. | ICEBIN: Image contrast enhancement based on induced norm and local patch approaches | |
| Dixit et al. | A review on image contrast enhancement in colored images | |
| Wang et al. | Adaptive enhancement for nonuniform illumination images via nonlinear mapping | |
| US20220398704A1 (en) | Intelligent Portrait Photography Enhancement System | |
| Muthukumar et al. | Analysis of image inpainting techniques with exemplar, poisson, successive elimination and 8 pixel neighborhood methods | |
| CN113379623B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Pavan Kumar et al. | A refined structure preserving image abstraction framework as a pre-processing technique for desire focusing on prominent structure and artistic stylization | |
| Horé et al. | A new filter for reducing halo artifacts in tone mapped images |
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 |