CN112330573A - 基于人像的修图方法、装置、电子设备及存储介质 - Google Patents
基于人像的修图方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112330573A CN112330573A CN202011386664.8A CN202011386664A CN112330573A CN 112330573 A CN112330573 A CN 112330573A CN 202011386664 A CN202011386664 A CN 202011386664A CN 112330573 A CN112330573 A CN 112330573A
- Authority
- CN
- China
- Prior art keywords
- image
- portrait
- adjusted
- region
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 83
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims description 40
- 238000005520 cutting process Methods 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 abstract description 20
- 238000012986 modification Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 15
- 239000013598 vector Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 230000005808 skin problem Effects 0.000 description 9
- 230000008439 repair process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000006116 polymerization reaction Methods 0.000 description 4
- 230000036555 skin type Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 238000002715 modification method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009966 trimming Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000007519 figuring Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请提供一种基于人像的修图方法、装置、电子设备及存储介质,涉及图像处理技术领域。该方法包括:识别获取待处理图像中的人像区域图像;采用预设筛选模型,在人像区域图像中确定待调整区域并输出对待调整区域预处理后的图像;将对待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,预设修图模型根据样本图像集训练获取,样本图像集包括不同类型的人像图像。通过加入预设筛选模型,可以先从待修的人像区域图像中确定出待调整区域,基于所确定出的待调整区域,采用预设修图模型进行人像修图,能够最大的保留肤质细节,从而使得修图后得到的目标图像真实性更高,修图效果更加自然,提高用户的修图需求。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种基于人像的修图方法、装置、电子设备及存储介质。
背景技术
人像智能修图在众多现代化应用场景中对传统图像处理行业形成冲击甚至颠覆。例如影楼图像的后期处理,修图师的工作效率将直接关系到影楼产业的收益,如何快速的修图得到让用户满意的目标图像变得尤为重要。
现有技术中,通常采用传统的磨皮算法,可以对人像进行快速处理。
但是,通过上述算法在修图的过程中,会对整个人像均进行修整,从而会使人像丢失大量的肤质细节,导致修图效果较差。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种基于人像的修图方法、装置、电子设备及存储介质,以便于解决现有技术中存在修图效果较差的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种基于人像的修图方法,包括:
识别获取待处理图像中的人像区域图像;
采用预设筛选模型,在所述人像区域图像中确定待调整区域并输出对所述待调整区域预处理后的图像;
将对所述待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,所述预设修图模型根据样本图像集训练获取,所述样本图像集包括不同类型的人像图像。
可选地,所述采用预设筛选模型,在所述人像区域图像中确定待调整区域并输出对所述待调整区域预处理后的图像,包括:
基于所述预设筛选模型中的位置筛选模块、以及所述人像区域的肤质特征,获取所述人像区域图像对应的空间权重系数;
根据所述空间权重系数,调整所述人像区域图像,获取空间加权后的第一预处理图像,其中,所述第一预处理图像包括突显的所述待调整区域;
基于所述预设筛选模型中的通道筛选模块、以及所述人像区域图像的肤质特征,获取所述人像区域图像对应的通道权重系数;
根据所述通道权重系数,调整所述人像区域图像,获取通道加权后的第二预处理图像,其中,所述第二预处理图像包括突显的所述待调整区域;
根据所述第一预处理图像、所述第二预处理图像,获取对所述待调整区域预处理后的图像。
可选地,所述根据所述第一预处理图像、所述第二预处理图像,获取对所述待调整区域预处理后的图像,包括:
将所述第一预处理图像、所述第二预处理图像进行通道合并,获取对所述待调整区域预处理后的图像。
可选地,所述采用预设筛选模型,在所述人像区域图像中确定待调整区域并输出对所述待调整区域预处理后的图像,包括:
采用预设筛选模型,在所述人像区域图像中获取图像不同层对应的对所述待调整区域预处理后的图像。
可选地,所述采用预设筛选模型,在所述人像区域图像中获取图像不同层对应的对所述待调整区域预处理后的图像之后,还包括:
根据图像不同层对应的对所述待调整区域预处理后的图像,进行特征聚合处理,获取聚合后的特征图;
所述将对所述待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,包括:
将所述聚合后的特征图输入预设修图模型,获取修图后的目标图像。
可选地,所述识别获取待处理图像中的人像区域,包括:
获取待处理图像;
识别所述待处理图像中的人像区域;
根据预设规则,基于所述人像区域向外拓展,获取人像裁剪框;
根据所述人像裁剪框,裁剪获取所述人像区域图像。
可选地,所述方法还包括:
获取初始图像集,所述初始图像集包括不同类型的人像图像;
通过人像分割,获取各所述人像图像的人像掩膜;
采用增益数据,在各所述人像掩膜中增加不同类型的问题肤质,获取所述样本图像集。
可选地,所述将对所述待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,包括:
将对所述待调整区域预处理后的图像输入预设修图模型,输出与所述人像区域图像通道相同的修图后图像并增加掩膜通道,获取所述修图后的目标图像。
第二方面,本申请实施例还提供了一种基于人像的修图装置,包括:获取模块、确定模块、处理模块;
所述获取模块,用于识别获取待处理图像中的人像区域图像;
所述确定模块,用于采用预设筛选模型,在所述人像区域图像中确定待调整区域并输出对所述待调整区域预处理后的图像;
所述处理模块,用于将对所述待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,所述预设修图模型根据样本图像集训练获取,所述样本图像集包括不同类型的人像图像。
可选地,所述确定模块,具体用于:基于所述预设筛选模型中的位置筛选模块、以及所述人像区域的肤质特征,获取所述人像区域图像对应的空间权重系数;根据所述空间权重系数,调整所述人像区域图像,获取空间加权后的第一预处理图像,其中,所述第一预处理图像包括突显的所述待调整区域;基于所述预设筛选模型中的通道筛选模块、以及所述人像区域的肤质特征,获取所述人像区域图像对应的通道权重系数;根据所述通道权重系数,调整所述人像区域图像,获取通道加权后的第二预处理图像,其中,所述第二预处理图像包括突显的所述待调整区域;根据所述第一预处理图像、所述第二预处理图像,获取对所述待调整区域预处理后的图像。
可选地,所述确定模块,具体用于:将所述第一预处理图像、所述第二预处理图像进行通道合并,获取对所述待调整区域预处理后的图像。
可选地,所述确定模块,具体用于:采用预设筛选模型,在所述人像区域图像中获取图像不同层对应的对所述待调整区域预处理后的图像。
可选地,所述装置还包括:聚合模块;
所述聚合模块,用于根据图像不同层对应的对所述待调整区域预处理后的图像,进行特征聚合处理,获取聚合后的特征图;
所述处理模块,具体用于将所述聚合后的特征图输入预设修图模型,获取修图后的目标图像。
可选地,所述获取模块,具体用于获取待处理图像;识别所述待处理图像中的人像区域;根据预设规则,基于所述人像区域向外拓展,获取人像裁剪框;根据所述人像裁剪框,裁剪获取所述人像区域图像。
可选地,所述所述获取模块,还用于获取初始图像集,所述初始图像集包括不同类型的人像图像;通过人像分割,获取各所述人像图像的人像掩膜;采用增益数据,在各所述人像掩膜中增加不同类型的问题肤质,获取所述样本图像集。
可选地,所述处理模块,具体用于将对所述待调整区域预处理后的图像输入预设修图模型,输出与所述人像区域图像通道相同的修图后图像并增加掩膜通道,获取所述修图后的目标图像。
第三方面,本申请实施例提供了一种电子设备,包括:处理器、存储介质和总线,存储介质存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行机器可读指令,以执行时执行如第一方面中提供的基于人像的修图方法的步骤。
第四方面,本申请实施例提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如第一方面提供的基于人像的修图方法的步骤。
本申请的有益效果是:
本申请提供一种基于人像的修图方法、装置、电子设备及存储介质,该方法包括:识别获取待处理图像中的人像区域图像;采用预设筛选模型,在人像区域图像中确定待调整区域并输出对待调整区域预处理后的图像;将对待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,预设修图模型根据样本图像集训练获取,样本图像集包括不同类型的人像图像。本方案中,通过加入预设筛选模型,可以先从待修的人像区域图像中确定出待调整区域,基于所确定出的待调整区域,采用预设修图模型进行人像修图,可以辅助预设修图模型对人像区域图像中的待调整区域进行精确修图,而对于其他区域,能够最大的保留原有细节,从而使得修图后得到的目标图像真实性更高,修图效果更加自然,提高用户的修图需求。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于人像的修图系统的框架示意图;
图2为本申请实施例提供的一种基于人像的修图方法的流程示意图;
图3为本申请实施例提供的另一种基于人像的修图方法的流程示意图;
图4为本申请实施例提供的又一种基于人像的修图方法的流程示意图;
图5为本申请实施例提供的另一种基于人像的修图方法的流程示意图;
图6为本申请实施例提供的又一种基于人像的修图方法的流程示意图;
图7为本申请实施例提供的一种基于人像的修图装置的示意图;
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
图1为本申请实施例提供的一种基于人像的修图系统的框架示意图,本申请的基于人像的修图方法可应用于该系统中。如图1所示,该系统可包括:编码器、预设筛选模型、特征聚合模型、预设修图模型、解码器,其中,预设筛选模块可包括位置筛选模块和通道筛选模块。待处理的人像作为编码器的输入,编码器对待处理的人像进行下采样,得到待处理的人像对应的多个不同尺度和通道的特征图的特征向量,将多个不同尺度和通道的特征图的特征向量分别作为预设筛选模型的输入,也即,将多个不同尺度和通道的特征图的特征向量分别输入至位置筛选模块和通道筛选模块,位置筛选模块和通道筛选模块并行处理,分别根据人像区域的肤质特征,计算特征图中各像素位置的权重系数,和特征图中各通道的权重系数,从而分别得到位置加权后的特征图的特征向量和通道加权后的特征图的特征向量,并对位置加权后的特征图的特征向量和通道加权后的特征图的特征向量进行通道合并,得到各尺度下突显待调整区域的人像特征图的特征向量,将各尺度下突显待调整区域的人像特征图的特征向量作为特征聚合模型的输入,通过特征聚合,得到聚合后的特征图的特征向量,而聚合后的特征图的特征向量作为预设修图模型的输入,从而经过预设修图模型对待调整区域的人像进行处理,得到待处理的人像对应的目标人像的特征向量,最后经过解码器解码,即可得到待处理的人像对应的目标人像。
图2为本申请实施例提供的一种基于人像的修图方法的流程示意图;该方法的执行主体可以是计算机、服务器、终端等电子设备。如图2所示,该方法可包括:
S201、识别获取待处理图像中的人像区域图像。
本申请的方案主要应用于对图像中的人像区域进行修整,其所关注的区域为人像区域图像,而图像中的背景区域可能会对人像区域的修整造成干扰,则,可先从待处理图像中识别获取人像区域图像。
其中,人像区域可以理解为人脸所在的区域,可以获取包含完整人脸的人像区域,还可以获取包括完整人脸图像以外的最小外接矩形作为人像区域,并获取该区域所对应的图像,在此不作限制。
S202、采用预设筛选模型,在人像区域图像中确定待调整区域并输出对待调整区域预处理后的图像。
可选地,由于人像区域包含完整的人脸图像,而在修图过程中,重点关注的通常是存在较明显肤质问题的区域,例如:痘痘、暗沉等,对于人像的美观性较大的区域。而对于其他不存在明显肤质问题的区域,尽可能的保留肤质细节,以免对人像区域图像无区分的修图,导致最终得到的修图后的图像的真实性较差,修图效果不自然。
在一种可实现的方式中,可先采用预设筛选模型,从人像区域图像中通过筛选得到待调整区域,也即筛选出所关注的区域,以进行辅助修图。另外通过预处理也可以突显出待调整区域,便于用户查看等,在此不作限制。
S203、将对待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,预设修图模型根据样本图像集训练获取,样本图像集包括不同类型的人像图像。
可选地,基于上述得到的待调整区域预处理后的图像,可以将其作为预设修图模型的输入,从而通过预设修图模型对待调整区域预处理后的图像进行修图,得到人像图像对应的修图后的目标图像。
其中,预设修图模型可以是根据大量的存在皮肤问题的人像图像以及所对应的精修后的图像训练得到的模型。
在一些实施例中,本申请中的预设筛选模型可以是独立于预设修图模型之外的模块,其可以是连接于预设修图模型前端的预处理模型,通过预设筛选模型和预设修图模型级联得到的模型实现修图。而在另一些实施例中,预设筛选模型也可以是预设修图模型中的一个模块。本申请对此不做具体限制。
综上,本实施例提供的基于人像的修图方法,包括:识别获取待处理图像中的人像区域图像;采用预设筛选模型,在人像区域图像中确定待调整区域并输出对待调整区域预处理后的图像;将对待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,预设修图模型根据样本图像集训练获取,样本图像集包括不同类型的人像图像。本方案中,通过加入预设筛选模型,可以先从待修的人像区域图像中确定出待调整区域,基于所确定出的待调整区域,采用预设修图模型进行人像修图,可以辅助预设修图模型对人像区域图像中的待调整区域进行精确修图,而对于其他区域,能够最大的保留肤质细节,从而使得修图后得到的目标图像真实性更高,修图效果更加自然,提高用户的修图需求。
图3为本申请实施例提供的另一种基于人像的修图方法的流程示意图,可选地,上述步骤S202中,采用预设筛选模型,在人像区域图像中确定待调整区域并输出对待调整区域预处理后的图像,可以包括:
S301、基于预设筛选模型中的位置筛选模块、以及人像区域的肤质特征,获取人像区域图像对应的空间权重系数。
可选地,从待处理图像中识别获取的人像区域图像可先输入编码器中进行编码,一方面将人像区域图像进行下采样,得到多个不同尺寸的人像区域图像,另一方面,将模拟图像转化为数字图像,得到不同尺寸的人像区域图像的特征向量,以便于后续模型的计算。
可选地,位置筛选模块用于根据人像区域图像的肤质特征,以及人像区域图像中的任意两个像素的空间依赖关系,确定人像区域图像对应的空间权重系数。对于某个特殊的肤质特征,例如:痘痘、斑、暗沉等肤质特征,会被所有像素位置上的特征加权。任意两个具有相似肤质特征的像素位置可以相互贡献权重,由此,位置筛选模块可筛选出肤质细节变化的位置,也即待调整区域的位置。
下面从算法实现方面,对空间权重系数的计算过程进行说明。
可选地,输入位置筛选模块中的人像区域图像为F∈RH×W×C,首先对该人像区域图像分别沿空间维度进行全局平均池化和全局最大池化,得到两个基于空间的特征描述,并合后得到特征图FChannel∈RH×W×2,再经过一个5x5的卷积层和Sigmoid激活函数,得到空间权重系数MS∈RH×W,可以由以下公式表示:
FChannel=Cat[AvgPosition(F),Maxposition(F)]
MS=σ(Conv5x5(FChannel))
其中,σ表示Sigmoid激活函数,Conv5x5表示5x5卷积,Cat[]表示通道合并,Avgposition表示计算全局平均池化,Maxposition表示计算全局最大池化。
S302、根据空间权重系数,调整人像区域图像,获取空间加权后的第一预处理图像,其中,第一预处理图像包括突显的待调整区域。
可选地,基于上述计算得到的空间权重系数,可根据空间权重系数对人像区域图像进行校准,即:将人像区域图像与空间权重系数,得到空间加权后的第一预处理图像。第一预处理图像中可对人脸区域图像中所确定的待调整区域进行凸显,以增强待调整区域的特征。
S303、基于预设筛选模型中的通道筛选模块、以及人像区域的肤质特征,获取人像区域图像对应的通道权重系数。
需要说明的是,图像的不同通道可以看作是对图像中某类型特征的表示,例如:通道1表示的为图像的边缘信息,通道2表示的是图像的纹理信息等。
可选地,通道筛选模块通过学习图像各通道之间的相互依赖关系,可以强调相互依赖的特征映射,从而丰富对于特殊肤质的特征表示。基于通道的肤质细节筛选模块主要关注有意义的通道特征,例如,本方案中有皮肤问题(痘痘)的待调整区域,并将有意义的通道特征通过加权突出体现。
同样,从算法实现方面,对通道权重系数的计算过程进行说明。
输入与位置筛选模块相同的人像区域图像F∈RH×W×C,对该人像区域图像沿通道维度进行全局平均池化,得到给予通道的描述特征图FSpatial∈R1×1×C,再把FSpatial输入由两个1x1卷积层组成表示的多层感知机。为了减少参数开销,感知机隐层激活的尺寸设置为RC /r×1×1,其中,r是通道降比,本方法设置r为16,这样第一层卷积层输出通道为C/r,激活函数为PReLU,第二层卷积层输出通道恢复为C,再经过Sigmoid激活函数,得到通道权重系数MC∈RC×1×1,由以下公式表示:
FSpatial=Avgchannel(F)
MC=σ(ConvC(PReLU(ConvC/r(FSpatial))))
其中σ表示Sigmoid激活函数,ConvC∈RC×C/r和ConvC/r∈RC/r×C表示感知机对应的两层,PReLU表示感知机中间的线性修正单元激活函数。
S304、根据通道权重系数,调整人像区域图像,获取通道加权后的第二预处理图像,其中,第二预处理图像包括突显的待调整区域。
同样的,基于计算得到的通道权重系数,可根据通道权重系数对人像区域图像进行校准,即:将人像区域图像与通道权重系数,得到通道加权后的第二预处理图像。第二预处理图像中也可对人脸区域图像中所确定的待调整区域进行凸显,以增强待调整区域的特征。
S305、根据第一预处理图像、第二预处理图像,获取对待调整区域预处理后的图像。
上述分别通过位置筛选模块和通道筛选模块,对人像区域图像进行了筛选,从而使得可以根据位置筛选模块处理得到的第一预处理图像和通道筛选模块处理得到的第二预处理图像,得到对待调整区域预处理后的图像,通过两种方式进行并行处理,可以使得确定出的待调整区域的准确性更高。
可选地,上述步骤S305中,根据第一预处理图像、第二预处理图像,获取对待调整区域预处理后的图像,可以包括:将第一预处理图像、第二预处理图像进行通道合并,获取对待调整区域预处理后的图像。
在一些实施例中,由于空间加权后的第一预处理图像和通道加权后的第二预处理图像可能存在与人像区域图像通道数不同的情况,则可将第一预处理图像和第二预处理图像进行通道合并处理,并将合并后得到的图像经过1x1卷积后与输入位置筛选模块或通道筛选模块的人像区域图像相加,得到待调整区域预处理后的图像,以使得得到的待调整区域预处理后的图像的通道与人像区域图像通道保持一致。
可选地,步骤S202中,采用预设筛选模型,在人像区域图像中确定待调整区域并输出对待调整区域预处理后的图像,可以包括:采用预设筛选模型,在人像区域图像中获取图像不同层对应的对待调整区域预处理后的图像。
通常,神经网络中会包含多层网络,可以通过多层具有相同处理功能的网络并行对图像进行处理,以提高网络处理精度。
本方案中,预设筛选模型可包括多层,每层均包括位置筛选模块和通道筛选模块,获取的人像区域图像经编码器编码处理后可得到多个不同尺度的人像区域图像,也即得到不同层的人像区域图像。可将每层的人像区域图像分别输入预设筛选模型中的一层,每层均通过如上述步骤S301-S305 的处理步骤,则可得到各层所对应的对待调整区域预处理后的图像。其中,每层所得到的对待调整区域预处理后的图像的尺度均与输入至该层的人像区域图像的尺度相同。
图4为本申请实施例提供的又一种基于人像的修图方法的流程示意图,可选地,上述步骤中,采用预设筛选模型,在人像区域图像中获取图像不同层对应的对待调整区域预处理后的图像之后,还可以包括:
S401、根据图像不同层对应的对待调整区域预处理后的图像,进行特征聚合处理,获取聚合后的特征图。
可选地,特征聚合的作用是对不同层对应的待调整区域预处理后的图像通过特征聚合处理,可得到不同层所对应的图像的权重,从而可根据不同层所对应的图像的权重对不同层对应的对待调整区域预处理后的图像进行整合,输出更为丰富的全局特征。
由于不同层对应得到的待调整区域预处理后的图像仅是整个人像区域图像对应的待调整区域中的一部分,那么,通过特征聚合,则可以将多个部分的待调整区域整合,得到人像区域图像中待调整区域的全局特征图,也即得到完整凸显待调整区域的图像。
下面从算法实现方面,对不同层的图像进行特征聚合的计算过程进行说明。
以输入三个不同尺度(三个层,上层、当前层和下层)的人像区域图像为例,可先使用1x1卷积和PReLU将上层L1和下层L3的特征通道变换为和当前层L2∈RH×w×C一致,再通过元素和的方式将特征聚合成LC=L1+L2+L3,然后经过一个空间维度的全局平均池化得到基于通道的统计S∈R1×1×C,之后为了降低计算量,经过一个C/r的1x1卷积和 PReLU激活函数,生成一个压缩的特征表示Z∈R1×1×r,r=16与预设筛选模型一致。这里让Z经过与尺度数量相同的平行卷积层,得到对应的特征描述向量v1、v2和v3,vi∈R1×1×C。将这些特征描述向量合并,再经过 Softmax激活函数,得到各个尺度特征通道的校正系数s1、s2和s3, si∈R1×1×C。将特征通道系数与对应尺度的人像区域图像相乘后再进行聚合相加,得到最终的聚合特征Faggregation,表示为:
Faggregation=s1·L1+s2·L2+s3·L3
其中,关于公式中参数的解释已在上述说明。
而对应的,步骤S203中,将对待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,可以包括:
S402、将聚合后的特征图输入预设修图模型,获取修图后的目标图像。
可选地,聚合后的特征图中对于人像区域图像中待调整区域进行了完整的凸显,则可将聚合后的特征图输入至预设修图模型,以使得预设修图模型可以对待调整区域进行精细修图,而同时可以最大可能的保持其他人像区域的肤质细节,以保证修图后的目标图像的真实性。
图5为本申请实施例提供的另一种基于人像的修图方法的流程示意图,如图5所示,步骤S201中,识别获取待处理图像中的人像区域,可以包括:
S501、获取待处理图像。
可选地,待处理图像可以是包含人像的图像,其中,由于拍摄角度的问题,还可能包含有背景图像。待处理图像可以是用户通过终端设备上传至处理终端的图像,也可以是预先存储至处理终端本地的图像。
S502、识别待处理图像中的人像区域。
可选地,可通过人脸检测算法和人脸对齐算法从待处理图像中识别获取人脸特征点集,也即识别人脸区域。
通常,对于人脸图像的检测,通常是通过对人脸特征点的检测实现的,其中,人脸特征点可以指用于表示人脸五官特征的特征点。
S503、根据预设规则,基于人像区域向外拓展,获取人像裁剪框。
可选地,基于所识别得到的人脸特征点集,可以按照预设的规则,例如:计算人脸特征点集的外接矩形,或者计算人脸特征点集的外接正多边形等,并基于外接矩形,向外围拓展预设范围,得到人像裁剪框。本方案中,可基于外接矩形,向外围拓展30%,实际应用中,可根据实际图像进行灵活调整。
S504、根据人像裁剪框,裁剪获取人像区域图像。
可选地,基于所确定的裁剪框的尺寸,对待处理图像进行裁剪,则可得到人像区域图像。
需要说明的是,通过计算人脸特征点集的外接矩形,通过对外接矩形的拓展得到的人像裁剪框,一方面可以保证通过该人像裁剪框裁剪得到的人像区域图像可以保留完整的人像,避免了人像的不完整,例如缺少额头、下巴等。另一方面,也可以使得人像裁剪框的尺寸达到最小,这样裁剪得到的人像区域图像可以达到最小尺寸,以在后续模型计算时,减少计算量。
接下来,对本申请上述处理过程中所使用的预设筛选模型和预设修图模型的训练方法进行说明。
图6为本申请实施例提供的又一种基于人像的修图方法的流程示意图,可选地,如图6所示,本申请的方法还可包括:
S601、获取初始图像集,初始图像集包括不同类型的人像图像。
在一些可实现的方式中,可通过网站或者是从影楼获取大量精修后的人像图像,其中,大量的人像图像可分别不同的人。也即,初始图像集中包含的均为精修后的人像图像。
S602、通过人像分割,获取各人像图像的人像掩膜。
可基于初始图像集,对初始图像集中包含的人像图像精修图进行人像分割,得到各人像图像对应的人像掩膜。
其中,人像掩膜可以指用选定的图像、图形或物体,对待处理图像(全部或局部)进行遮挡,以控制对图像处理的区域或处理过程。例如:通过选定的空白图像,对初始图像集中的人像图像中想要遮挡的区域(脸部、额头)等进行遮挡,以便于对人像图像的处理。
S603、采用增益数据,在各人像掩膜中增加不同类型的问题肤质,获取样本图像集。
本实施例中,通过人像掩膜的方式,可以对初始图像集中的各人像图像进行掩膜处理,从而可在各人像图像中人像掩膜所遮挡的位置分别添加不同类型的肤质问题。例如:人像图像1对应的掩膜位置为脸颊,可在人像图像1的掩膜位置添加痘痘、痘印等。人像图像2对应的掩膜位置为鼻梁,可在人像图像2的掩膜位置添加色斑等。
通过如上处理,可得到初始图像集中各精修后的人像图像对应的问题人像图像。那么,可将各问题人像图像和其所对应的精修后的人像图像作为样本数据集。
其中,样本数据集中可包括多个数据对,每个数据对中包括(问题人像图像、该问题人像图像对应的精修后的人像图像),从而将样本数据集输入待训练的预设修图模型中,通过损失函数的迭代计算,不断优化训练模块,以得到预设修图模型。
可选地,本方案中,在计算损失函数时,引入了基于VGG16的感知损失Perceptual_loss(通过成熟的感知损失模型,通过实际的修图后的图像和目标修图后的图像计算得到),与L1_loss(通过将预设修图模型的精修人像图像与样本图像集中的精修人像图像各像素进行相减得到)共同监督人像肤质精修;为了对皮肤区域进行辅助监督,加入人像掩膜损失Mask_loss 作为预设修图模型的总损失函数。其中,感知损失Perceptual_loss的计算可表示为:
其中,其中φj表示经过VGG16网络第j个模块最后一个卷积层输出的特征图。VGG16网络为现有的网络,可参考现有网络进行理解。Finput指对于待修图的人像图像,预设修图模型每一轮所输出的修图后的图像,指对于待修图的人像图像在样本图像集中所对应的精修后的人像图像。
掩膜损失Mask_loss的计算可表示为:
其中G表示预设修图模型,G(Finput)表示网络第4通道输出的皮肤掩膜,Starget表示通过掩膜计算得到的目标皮肤掩膜。
由此,预设修图模型的总损失函数可以表示为:
LTotal=αL1+βLMask+γLPerc
其中α,β,γ表示各损失函数所对应的损失函数权重,可根据实际需求进行设置。
可选地,本方法可使用Adam(adaptive moment estimation,自适应矩估计)优化求解器,预设修图模型的输入为3通道RGB图像,输出为4通道,前3通道为RGB肤质精修结果,第4通道为人像掩膜,训练初始学习率为 0.001,迭代次数为500K,经实际训练调整参数为α=1,β=0.5,γ=1.2。实际应用中,各参数可适应性进行调整。
对于预设筛选模型的训练,可以获取多个具有肤质问题的人像图像,同时,获取各具体肤质问题的人像图像所对应的凸显待调整区域的图像,将各具有肤质问题的人像图像及其所对应的凸显待调整区域的图像作为待训练的预设筛选模型的输入,训练得到预设筛选模型。对于具体的训练过程,本申请对此不做具体赘述。
可选地,步骤S203中,将对待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,可以包括:将对待调整区域预处理后的图像输入预设修图模型,输出与待处理图像通道相同的修图后图像并增加掩膜通道,获取修图后的目标图像。
可选地,对于图像掩膜的处理,可以作为预设修图模型中的一部分,在预设修图模型中添加图像分割模块,在训练预设修图模型时,样本图像集中还可包括各问题人脸图像所对应的目标掩膜,从而使得训练得到的预设修图模型可以同时识别人像区域图像的人像掩膜。
对于人像掩膜的识别,可以辅助预设修图模型在对人像区域图像所对应的凸显的待调整区域进行修图时,能够准确的对该人像区域图像的人像掩膜所对应的区域进行修图,以进一步地提高精修结果,使得得到的修图后的目标图像的效果较好。
综上,本实施例提供的基于人像的修图方法,包括:识别获取待处理图像中的人像区域图像;采用预设筛选模型,在人像区域图像中确定待调整区域并输出对待调整区域预处理后的图像;将对待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,预设修图模型根据样本图像集训练获取,样本图像集包括不同类型的人像图像。本方案中,通过加入预设筛选模型,可以先从待修的人像区域图像中确定出待调整区域,基于所确定出的待调整区域,采用预设修图模型进行人像修图,可以辅助预设修图模型对人像区域图像中的待调整区域进行精确修图,而对于其他区域,能够最大的保留肤质细节,从而使得修图后得到的目标图像真实性更高,修图效果更加自然,提高用户的修图需求。
下述对用以执行本申请所提供的基于人像的修图方法的装置、电子设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图7为本申请实施例提供的一种基于人像的修图装置的示意图,该基于人像的修图装置实现的功能对应上述方法执行的步骤。该装置可以理解为服务器或终端、计算机,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件。
如图7所示,该基于人像的修图装置,可包括:获取模块710、确定模块720、处理模块730;
获取模块710,用于识别获取待处理图像中的人像区域图像;
确定模块720,用于采用预设筛选模型,在人像区域图像中确定待调整区域并输出对待调整区域预处理后的图像;
处理模块730,用于将对待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,预设修图模型根据样本图像集训练获取,样本图像集包括不同类型的人像图像。
可选地,确定模块720,具体用于:基于预设筛选模型中的位置筛选模块、以及人像区域的肤质特征,获取人像区域图像对应的空间权重系数;根据空间权重系数,调整人像区域图像,获取空间加权后的第一预处理图像,其中,第一预处理图像包括突显的待调整区域;基于预设筛选模型中的通道筛选模块、以及人像区域的肤质特征,获取人像区域图像对应的通道权重系数;根据通道权重系数,调整人像区域图像,获取通道加权后的第二预处理图像,其中,第二预处理图像包括突显的待调整区域;根据第一预处理图像、第二预处理图像,获取对待调整区域预处理后的图像。
可选地,确定模块720,具体用于:将第一预处理图像、第二预处理图像进行通道合并,获取对待调整区域预处理后的图像。
可选地,确定模块720,具体用于:采用预设筛选模型,在人像区域图像中获取图像不同层对应的对待调整区域预处理后的图像。
可选地,该装置还包括:聚合模块;
聚合模块,用于根据图像不同层对应的对待调整区域预处理后的图像,进行特征聚合处理,获取聚合后的特征图;
处理模块730,具体用于将聚合后的特征图输入预设修图模型,获取修图后的目标图像。
可选地,获取模块710,具体用于获取待处理图像;识别待处理图像中的人像区域;根据预设规则,基于人像区域向外拓展,获取人像裁剪框;根据人像裁剪框,裁剪获取人像区域图像。
可选地,获取模块710,还用于获取初始图像集,初始图像集包括不同类型的人像图像;通过人像分割,获取各人像图像的人像掩膜;采用增益数据,在各人像掩膜中增加不同类型的问题肤质,获取样本图像集。
可选地,处理模块730,具体用于将对待调整区域预处理后的图像输入预设修图模型,输出与人像区域图像通道相同的修图后图像并增加掩膜通道,获取修图后的目标图像。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称 FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。
需要说明的是,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Singnal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-on-a-chip,简称SOC)的形式实现。
图8为本申请实施例提供的一种电子设备的结构示意图,该设备可以是具备数据处理功能的计算设备。
该设备可包括:处理器801、存储器802。
存储器802用于存储程序,处理器801调用存储器802存储的程序,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
其中,存储器802存储有程序代码,当程序代码被处理器801执行时,使得处理器801执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的基于人像的修图方法中的各种步骤。
处理器801可以是通用处理器,例如中央处理器(CPU)、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array, FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器802作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器802还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
可选地,本申请还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
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。例如,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文: Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (11)
1.一种基于人像的修图方法,其特征在于,包括:
识别获取待处理图像中的人像区域图像;
采用预设筛选模型,在所述人像区域图像中确定待调整区域并输出对所述待调整区域预处理后的图像;
将对所述待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,所述预设修图模型根据样本图像集训练获取,所述样本图像集包括不同类型的人像图像。
2.根据权利要求1所述的方法,其特征在于,所述采用预设筛选模型,在所述人像区域图像中确定待调整区域并输出对所述待调整区域预处理后的图像,包括:
基于所述预设筛选模型中的位置筛选模块、以及所述人像区域的肤质特征,获取所述人像区域图像对应的空间权重系数;
根据所述空间权重系数,调整所述人像区域图像,获取空间加权后的第一预处理图像,其中,所述第一预处理图像包括突显的所述待调整区域;
基于所述预设筛选模型中的通道筛选模块、以及所述人像区域的肤质特征,获取所述人像区域图像对应的通道权重系数;
根据所述通道权重系数,调整所述人像区域图像,获取通道加权后的第二预处理图像,其中,所述第二预处理图像包括突显的所述待调整区域;
根据所述第一预处理图像、所述第二预处理图像,获取对所述待调整区域预处理后的图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一预处理图像、所述第二预处理图像,获取对所述待调整区域预处理后的图像,包括:
将所述第一预处理图像、所述第二预处理图像进行通道合并,获取对所述待调整区域预处理后的图像。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述采用预设筛选模型,在所述人像区域图像中确定待调整区域并输出对所述待调整区域预处理后的图像,包括:
采用预设筛选模型,在所述人像区域图像中获取图像不同层对应的对所述待调整区域预处理后的图像。
5.根据权利要求4所述的方法,其特征在于,所述采用预设筛选模型,在所述人像区域图像中获取图像不同层对应的对所述待调整区域预处理后的图像之后,还包括:
根据图像不同层对应的对所述待调整区域预处理后的图像,进行特征聚合处理,获取聚合后的特征图;
所述将对所述待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,包括:
将所述聚合后的特征图输入预设修图模型,获取修图后的目标图像。
6.根据权利要求1所述的方法,其特征在于,所述识别获取待处理图像中的人像区域,包括:
获取待处理图像;
识别所述待处理图像中的人像区域;
根据预设规则,基于所述人像区域向外拓展,获取人像裁剪框;
根据所述人像裁剪框,裁剪获取所述人像区域图像。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取初始图像集,所述初始图像集包括不同类型的人像图像;
通过人像分割,获取各所述人像图像的人像掩膜;
采用增益数据,在各所述人像掩膜中增加不同类型的问题肤质,获取所述样本图像集。
8.根据权利要求7所述的方法,其特征在于,所述将对所述待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,包括:
将对所述待调整区域预处理后的图像输入预设修图模型,输出与所述人像区域图像通道相同的修图后图像并增加掩膜通道,获取所述修图后的目标图像。
9.一种基于人像的修图装置,其特征在于,包括:获取模块、确定模块、处理模块;
所述获取模块,用于识别获取待处理图像中的人像区域图像;
所述确定模块,用于采用预设筛选模型,在所述人像区域图像中确定待调整区域并输出对所述待调整区域预处理后的图像;
所述处理模块,用于将对所述待调整区域预处理后的图像输入预设修图模型,获取修图后的目标图像,其中,所述预设修图模型根据样本图像集训练获取,所述样本图像集包括不同类型的人像图像。
10.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行时执行如权利要求1至8任一所述的基于人像的修图方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至8任一所述的基于人像的修图方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386664.8A CN112330573B (zh) | 2020-12-01 | 2020-12-01 | 基于人像的修图方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386664.8A CN112330573B (zh) | 2020-12-01 | 2020-12-01 | 基于人像的修图方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330573A true CN112330573A (zh) | 2021-02-05 |
CN112330573B CN112330573B (zh) | 2024-02-06 |
Family
ID=74308376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011386664.8A Active CN112330573B (zh) | 2020-12-01 | 2020-12-01 | 基于人像的修图方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330573B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913549A (zh) * | 2022-05-25 | 2022-08-16 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及介质 |
CN117082309A (zh) * | 2023-07-24 | 2023-11-17 | 北京天译科技有限公司 | 基于人工智能的气象服务短视频加工方法及平台系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013090752A (ja) * | 2011-10-25 | 2013-05-16 | Fujifilm Corp | シミ分類方法、シミ分類装置およびシミ分類プログラム |
JP2017111595A (ja) * | 2015-12-16 | 2017-06-22 | 株式会社リコー | 画像処理装置、画像処理方法、画像処理プログラムおよび画像処理システム |
CN110706179A (zh) * | 2019-09-30 | 2020-01-17 | 维沃移动通信有限公司 | 一种图像处理方法及电子设备 |
CN111178183A (zh) * | 2019-12-16 | 2020-05-19 | 深圳市华尊科技股份有限公司 | 人脸检测方法及相关装置 |
CN111583154A (zh) * | 2020-05-12 | 2020-08-25 | Oppo广东移动通信有限公司 | 图像处理方法、肤质美化模型训练方法及相关装置 |
CN111815533A (zh) * | 2020-07-14 | 2020-10-23 | 厦门美图之家科技有限公司 | 妆容处理方法、装置、电子设备和可读存储介质 |
-
2020
- 2020-12-01 CN CN202011386664.8A patent/CN112330573B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013090752A (ja) * | 2011-10-25 | 2013-05-16 | Fujifilm Corp | シミ分類方法、シミ分類装置およびシミ分類プログラム |
JP2017111595A (ja) * | 2015-12-16 | 2017-06-22 | 株式会社リコー | 画像処理装置、画像処理方法、画像処理プログラムおよび画像処理システム |
CN110706179A (zh) * | 2019-09-30 | 2020-01-17 | 维沃移动通信有限公司 | 一种图像处理方法及电子设备 |
CN111178183A (zh) * | 2019-12-16 | 2020-05-19 | 深圳市华尊科技股份有限公司 | 人脸检测方法及相关装置 |
CN111583154A (zh) * | 2020-05-12 | 2020-08-25 | Oppo广东移动通信有限公司 | 图像处理方法、肤质美化模型训练方法及相关装置 |
CN111815533A (zh) * | 2020-07-14 | 2020-10-23 | 厦门美图之家科技有限公司 | 妆容处理方法、装置、电子设备和可读存储介质 |
Non-Patent Citations (3)
Title |
---|
LIN XU.ET AL: "AN AUTOMATIC FRAMEWORK FOR EXAMPLE-BASED VIRTUAL MAKEUP", 2013 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING, pages 3206 - 3210 * |
刘家远: "人脸三维特征信息提取及美容效果视觉呈现技术", 中国优秀硕士学位论文全文数据库(医药卫生科技辑), no. 02, pages 066 - 585 * |
王志强等: "基于保边滤波和肤色模型的人脸美颜技术研究与实现", 无线互联科技, vol. 15, no. 17, pages 135 - 138 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913549A (zh) * | 2022-05-25 | 2022-08-16 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及介质 |
CN114913549B (zh) * | 2022-05-25 | 2023-07-07 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备及介质 |
CN117082309A (zh) * | 2023-07-24 | 2023-11-17 | 北京天译科技有限公司 | 基于人工智能的气象服务短视频加工方法及平台系统 |
CN117082309B (zh) * | 2023-07-24 | 2024-05-03 | 北京天译科技有限公司 | 基于人工智能的气象服务短视频加工方法及平台系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112330573B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047516B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111741211B (zh) | 图像显示方法和设备 | |
CN106778928B (zh) | 图像处理方法及装置 | |
Kim et al. | Representative color transform for image enhancement | |
CN108446694B (zh) | 一种目标检测方法及装置 | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN112884669B (zh) | 基于多尺度内容注意力机制的图像修复方法、存储介质和终端 | |
CN112330573A (zh) | 基于人像的修图方法、装置、电子设备及存储介质 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN113822830A (zh) | 基于深度感知增强的多曝光图像融合方法 | |
CN111489322A (zh) | 给静态图片加天空滤镜的方法及装置 | |
CN113095470A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
CN114565508B (zh) | 虚拟换装方法及装置 | |
JP7300027B2 (ja) | 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム | |
CN115375663A (zh) | 基于深度互学习和双尺度特征融合的图像质量评价方法 | |
CN117765373A (zh) | 一种自适应裂缝尺寸的轻量化道路裂缝检测方法及系统 | |
Saleem et al. | A non-reference evaluation of underwater image enhancement methods using a new underwater image dataset | |
CN114926498A (zh) | 一种基于时空约束与可学习特征匹配的快速目标跟踪方法 | |
CN116452511B (zh) | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 | |
CN114529742A (zh) | 图像相似度确定方法、装置、设备及计算机可读存储介质 | |
CN112070703A (zh) | 一种仿生机器鱼水下视觉图像增强方法及系统 | |
CN115423724B (zh) | 强化学习参数优化的水下图像增强方法、装置及介质 | |
Siddiqui et al. | Hierarchical color correction for camera cell phone images | |
US20210374916A1 (en) | Storage medium storing program, image processing apparatus, and training method of machine learning model | |
CN114926876A (zh) | 图像关键点检测方法、装置、计算机设备和存储介质 |
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 |