CN112365430B - 图像处理方法及系统 - Google Patents

图像处理方法及系统 Download PDF

Info

Publication number
CN112365430B
CN112365430B CN202110039303.4A CN202110039303A CN112365430B CN 112365430 B CN112365430 B CN 112365430B CN 202110039303 A CN202110039303 A CN 202110039303A CN 112365430 B CN112365430 B CN 112365430B
Authority
CN
China
Prior art keywords
color
image
area
grid
image 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.)
Expired - Fee Related
Application number
CN202110039303.4A
Other languages
English (en)
Other versions
CN112365430A (zh
Inventor
周博沙
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.)
Hunan Biological and Electromechanical Polytechnic
Original Assignee
Hunan Biological and Electromechanical Polytechnic
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 Hunan Biological and Electromechanical Polytechnic filed Critical Hunan Biological and Electromechanical Polytechnic
Priority to CN202110039303.4A priority Critical patent/CN112365430B/zh
Publication of CN112365430A publication Critical patent/CN112365430A/zh
Application granted granted Critical
Publication of CN112365430B publication Critical patent/CN112365430B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Abstract

本发明涉及图像处理技术领域，公开一种图像处理方法及系统，以提高图像修复处理的精度和效率。本发明方法包括：构建卷积神经网络模型实现面部图像的色斑识别并将对应的色斑区域进行标记；以位于面部中间正前方的摄像头采集人物图像，识别出对应的面部区域，并调用所述卷积神经网络模型判断对应的面部图像是否具有色斑，如果有，将对应的色斑区域进行标记供用户进一步确认是否为待修复处理的区域；在图像处理坐标系中，优选通过对称区域的颜色进行移植修复，确保修复后的颜色与本色一致；当条件不匹配时，则以筛选出不存在颜色突变的相邻网格对应的像素值进行颜色修复处理，确保修复后的颜色与周边搭配平滑自然。

Description

图像处理方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理方法及系统。
背景技术
数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
目前，在职业照等形象照的处理过程中，现有的处理方法多是由人工基于PhotoShop等图像处理软件进行手动修复，受操作用户的个人喜好及视觉局限明显，导致处理精度有限且效率有待于提升。
发明内容
本发明目的在于公开一种图像处理方法及系统，以提高图像修复处理的精度和效率。
为达上述目的，本发明公开一种图像处理方法，包括：
筛选分辨率符合要求的面部图像构建数据集，所构建的数据集中，有色斑的面部图像为正样本，无色斑的面部图样为负样本，所述负样本中包括有痣的面部图像；
将所述数据集分为训练集、验证集和测试集，然后根据所述数据集构建卷积神经网络模型实现面部图像的色斑识别并将对应的色斑区域进行标记；
以位于面部中间正前方的摄像头采集人物图像，识别出对应的面部区域，并调用所述卷积神经网络模型判断对应的面部图像是否具有色斑，如果有，将对应的色斑区域进行标记供用户进一步确认是否为待修复处理的区域；
获取用户所确定的区域信息，在图像处理坐标系中，将面部图像以经过眼-鼻-嘴中间的中轴线划分成对称的两部分，对任一确定的色斑区域，判断以所述中轴线对称的区域是否同样存在标记的色斑，如果没有，则将对称区域的图像信息复制到当前所确定的色斑区域以自动进行颜色修复处理；如果该对称区域也存在标记的色斑，则以所述中轴线为网格线之一对面部图像进行网格划分，然后根据与色斑所在网格相邻的其他不存在标记色斑且不存在颜色突变的各网格的像素颜色平均值自动进行颜色修复处理；所述网格为覆盖至少二十五个像素点正交的正方形网格；以此类推，直至遍历完用户确认的所有待修复处理的区域；
其中，判断任一网格是否颜色突变的条件为：将网格覆盖的各像素点的RGB值按从大到小进行排序，比较排序前10%区段的像素RGB平均值与排序最后10%区段的像素RGB平均值之间的差值是否超过根据经验设置的阈值，如果是，则存在颜色突变；否则，不存在颜色突变。
优选地，本发明方法还包括：
计算当前面部图像最近的两个色斑区域的最近距离，并将该最近距离与根据经验值设置的网格大小的默认值进行比较，如果当前计算的最近距离小于所述网格大小默认值，动态调整网格大小使得该两个色斑区域之间的最近距离相间隔至少一个网格大小；并判断调整后的网格大小是否覆盖至少二十五个像素点，如果不能覆盖，将网格大小复原为默认值，然后将当前距离最近的两个色斑区域以一个连通的网格合并成一个大色斑区域同时进行一致地颜色修复处理。
为达上述目的，本发明还公开一种图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法所对应的步骤。
本发明具有以下有益效果：
色斑是一种综合性的皮肤与身体疾病，会改变皮肤的颜色；而大部分痣往往是先天形成的，颜色与色斑区分度通常明显且具有凹陷和凸起等形状特征；同时，两者皆与面部的头发、眼、眉、鼻和嘴的特征区分明显并易于图像识别，本发明基于卷积神经网络模型对两者进行区分，能确保识别的可靠性。即使存在少量误判，也可以通过后续与用户的交互进行纠错。
在具体的色斑修复过程中，基于面部的对称性，优选通过对称区域的颜色进行移植修复，可确保修复后的颜色与本色一致；当条件不匹配时，则以筛选出不存在颜色突变的相邻网格对应的像素值进行颜色修复处理，可确保修复后的颜色与周边搭配平滑自然。
进一步地，本发明方法及系统还包括：
根据相应的用户指令撤销对指定色斑区域已执行的自动颜色修复处理，并切换到供用户进行手动修复的交互状态。藉此，可避免在上述自动修复过程中存在的少量特例影响图像的整体处理效果，例如：当通过对称区域的颜色进行移植修复过程中，若该对称区域存在痣，则可对其进行撤销处理。
综上，本发明所公开的图像处理方法及系统，交互性好，修复方法符合人体工学和美学，且整体实现简单，能确保图像修复处理的精度和效率。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的图像处理方法流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本实施例公开一种图像处理方法。
如图1所示，本实施例方法包括以下步骤：
步骤S1、筛选分辨率符合要求的面部图像构建数据集，所构建的数据集中，有色斑的面部图像为正样本，无色斑的面部图样为负样本，所述负样本中包括有痣的面部图像。
步骤S2、将所述数据集分为训练集、验证集和测试集，然后根据所述数据集构建卷积神经网络模型实现面部图像的色斑识别并将对应的色斑区域进行标记。
在上述步骤中，色斑是一种综合性的皮肤与身体疾病，会改变皮肤的颜色；而大部分痣往往是先天形成的，颜色与色斑区分度通常明显且具有凹陷和凸起等形状特征；同时，两者皆与面部的头发、眼、眉、鼻和嘴的特征区分明显并易于图像识别，本发明基于卷积神经网络模型对两者进行区分，能确保识别的可靠性。即使存在少量误判，也可以通过后续与用户的交互进行纠错。
步骤S3、以位于面部中间正前方的摄像头采集人物图像，识别出对应的面部区域，并调用所述卷积神经网络模型判断对应的面部图像是否具有色斑，如果有，将对应的色斑区域进行标记供用户进一步确认是否为待修复处理的区域。
步骤S4、获取用户所确定的区域信息，在图像处理坐标系中，将面部图像以经过眼-鼻-嘴中间的中轴线划分成对称的两部分，对任一确定的色斑区域，判断以所述中轴线对称的区域是否同样存在标记的色斑，如果没有，则将对称区域的图像信息复制到当前所确定的色斑区域以自动进行颜色修复处理；如果该对称区域也存在标记的色斑，则以所述中轴线为网格线之一对面部图像进行网格划分，然后根据与色斑所在网格相邻的其他不存在标记色斑且不存在颜色突变的各网格的像素颜色平均值自动进行颜色修复处理；所述网格为覆盖至少二十五个像素点正交的正方形网格；以此类推，直至遍历完用户确认的所有待修复处理的区域。
可选地，在该步骤中，对中轴线的定位可以基于面部的整体轮廓线进行划分，也可以通过特征匹配识别出眼-鼻-嘴后，基于三者的对称性定位中轴线的具体坐标信息。其中，在图像识别过程中，眼-鼻-嘴特征明显且便于识别，并可以有效降低中轴线精准自动定位过程中的计算量。作为一种变劣的实现方式，本实施例也可以指示用户进行相应的手工定位操作。
在该步骤中，正交的正方形网格为二十五个像素点时，即对应一个5*5的像素点矩阵；网格与像素点存在重合，藉此，可确保网格内的像素点至少为3*3，横竖位置可以分别对应上左中右及上中下各区域，也为后续判断网格是否存在颜色突变提供了基础；其中存在颜色突变的区域往往在发际线、胡须、眉毛和眼睛等局部图像区域。此外，假设普通人物图像的像素值为1024*1024，若面部图像在整个图像中占比1/4，每个网格覆盖面部25个像素点，其数据处理精度足以确保能满足用户肉眼分辨的上限。作为一种平衡，网格太大也会影响精度；因此，本实施例的网格大小通常根据经验值设置相应的默认值。
本实施例中，判断任一网格是否颜色突变的条件为：将网格覆盖的各像素点的RGB值按从大到小进行排序，比较排序前10%区段的像素RGB平均值与排序最后10%区段的像素RGB平均值之间的差值是否超过根据经验设置的阈值，如果是，则存在颜色突变；否则，不存在颜色突变。可选地，在具体的排序过程中，可以将RGB像素值单独进行排序，只要任一颜色通道的像素值超过阈值则标记为颜色突变网格；作为一种变形，也可以将RGB三个颜色通道的像素值以合适的权重进行累加后再进行排序；此种变形为本领域技术人员熟知的技术，不做赘述。与之相对应的，在颜色修复过程中，本实施例对RGB各颜色通道基于上述步骤单独进行修复。
优选地，本发明在步骤S4的图像修复过程中，还包括：
计算当前面部图像最近的两个色斑区域的最近距离，并将该最近距离与根据经验值设置的网格大小的默认值进行比较，如果当前计算的最近距离小于所述网格大小默认值，动态调整网格大小使得该两个色斑区域之间的最近距离相间隔至少一个网格大小；并判断调整后的网格大小是否覆盖至少二十五个像素点，如果不能覆盖，将网格大小复原为默认值，然后将当前距离最近的两个色斑区域以一个连通的网格合并成一个大色斑区域同时进行一致地颜色修复处理。
进一步地，本发明方法及系统还包括：
根据相应的用户指令撤销对指定色斑区域已执行的自动颜色修复处理，并切换到供用户进行手动修复的交互状态。藉此，可避免在上述自动修复过程中存在的少量特例影响图像的整体处理效果，例如：当通过对称区域的颜色进行移植修复过程中，若该对称区域存在痣，则可对其进行撤销处理。
综上，本实施例在具体的色斑修复过程中，基于面部的对称性，优选通过对称区域的颜色进行移植修复，可确保修复后的颜色与本色一致；当条件不匹配时，则以筛选出不存在颜色突变的相邻网格对应的像素值进行颜色修复处理，可确保修复后的颜色与周边搭配平滑且自然。
实施例2
与上述实施例相对应的，本实施例公开一种图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法相对应的步骤。
综上，本发明上述实施例公开的图像处理方法及系统，交互性好，修复方法符合人体工学和美学，且整体实现简单，能确保图像修复处理的精度和效率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种图像处理方法，其特征在于，包括：
筛选分辨率符合要求的面部图像构建数据集，所构建的数据集中，有色斑的面部图像为正样本，无色斑的面部图样为负样本，所述负样本中包括有痣的面部图像；
将所述数据集分为训练集、验证集和测试集，然后根据所述数据集构建卷积神经网络模型实现面部图像的色斑识别并将对应的色斑区域进行标记；
以位于面部中间正前方的摄像头采集人物图像，识别出对应的面部区域，并调用所述卷积神经网络模型判断对应的面部图像是否具有色斑，如果有，将对应的色斑区域进行标记供用户进一步确认是否为待修复处理的区域；
获取用户所确定的区域信息，在图像处理坐标系中，将面部图像以经过眼-鼻-嘴中间的中轴线划分成对称的两部分，对任一确定的色斑区域，判断以所述中轴线对称的区域是否同样存在标记的色斑，如果没有，则将对称区域的图像信息复制到当前所确定的色斑区域以自动进行颜色修复处理；如果该对称区域也存在标记的色斑，则以所述中轴线为网格线之一对面部图像进行网格划分，然后根据与色斑所在网格相邻的其他不存在标记色斑且不存在颜色突变的各网格的像素颜色平均值自动进行颜色修复处理；所述网格为覆盖至少二十五个像素点正交的正方形网格；以此类推，直至遍历完用户确认的所有待修复处理的区域；
其中，判断任一网格是否颜色突变的条件为：将网格覆盖的各像素点的RGB值按从大到小进行排序，比较排序前10%区段的像素RGB平均值与排序最后10%区段的像素RGB平均值之间的差值是否超过根据经验设置的阈值，如果是，则存在颜色突变；否则，不存在颜色突变。
2.根据权利要求1所述的图像处理方法，其特征在于，还包括：
根据相应的用户指令撤销对指定色斑区域已执行的自动颜色修复处理，并切换到供用户进行手动修复的交互状态。
3.根据权利要求1或2所述的图像处理方法，其特征在于，还包括：
计算当前面部图像最近的两个色斑区域的最近距离，并将该最近距离与根据经验值设置的网格大小的默认值进行比较，如果当前计算的最近距离小于所述网格大小默认值，动态调整网格大小使得该两个色斑区域之间的最近距离相间隔至少一个网格大小；并判断调整后的网格大小是否覆盖至少二十五个像素点，如果不能覆盖，将网格大小复原为默认值，然后将当前距离最近的两个色斑区域以一个连通的网格合并成一个大色斑区域同时进行一致地颜色修复处理。
4.一种图像处理系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至3任一方法所对应的步骤。
CN202110039303.4A 2021-01-13 2021-01-13 图像处理方法及系统 Expired - Fee Related CN112365430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110039303.4A CN112365430B (zh) 2021-01-13 2021-01-13 图像处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110039303.4A CN112365430B (zh) 2021-01-13 2021-01-13 图像处理方法及系统

Publications (2)

Publication Number Publication Date
CN112365430A CN112365430A (zh) 2021-02-12
CN112365430B true CN112365430B (zh) 2021-03-23

Family

ID=74534862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110039303.4A Expired - Fee Related CN112365430B (zh) 2021-01-13 2021-01-13 图像处理方法及系统

Country Status (1)

Country Link
CN (1) CN112365430B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079143A (zh) * 2023-10-16 2023-11-17 南京佳格耕耘科技有限公司 基于遥感数据的农田动态监测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617603A (zh) * 2013-12-06 2014-03-05 南京大学 一种三维数字几何网格模型结构的自动修复方法
US9298979B2 (en) * 2008-01-18 2016-03-29 Mitek Systems, Inc. Systems and methods for mobile image capture and content processing of driver's licenses
CN107153816A (zh) * 2017-04-16 2017-09-12 五邑大学 一种用于鲁棒人脸识别的数据增强方法
CN108876747A (zh) * 2018-06-29 2018-11-23 凌云光技术集团有限责任公司 一种oled绘素的提取方法及装置
CN110996842A (zh) * 2017-07-27 2020-04-10 阿莱恩技术有限公司 牙齿着色、透明度和上釉

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9298979B2 (en) * 2008-01-18 2016-03-29 Mitek Systems, Inc. Systems and methods for mobile image capture and content processing of driver's licenses
CN103617603A (zh) * 2013-12-06 2014-03-05 南京大学 一种三维数字几何网格模型结构的自动修复方法
CN107153816A (zh) * 2017-04-16 2017-09-12 五邑大学 一种用于鲁棒人脸识别的数据增强方法
CN110996842A (zh) * 2017-07-27 2020-04-10 阿莱恩技术有限公司 牙齿着色、透明度和上釉
CN108876747A (zh) * 2018-06-29 2018-11-23 凌云光技术集团有限责任公司 一种oled绘素的提取方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Melanoma Classification on Dermoscopy Images Using a Neural Network Ensemble Model;Fengying Xie 等;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20170331;第36卷(第3期);全文 *
网格提取的图像修复方法;沈玉峰 等;《计算机工程与应用》;20091231;第45卷(第20期);全文 *

Also Published As

Publication number Publication date
CN112365430A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
JP3549013B2 (ja) 目の位置検出方法、目の位置検出装置および目の位置検出プログラムを記録した記録媒体
CN110147721B (zh) 一种三维人脸识别方法、模型训练方法和装置
CN108090511B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN108846319A (zh) 基于直方图的虹膜图像增强方法、装置、设备及存储介质
CN108133216B (zh) 基于机器视觉的可实现小数点读取的数码管读数识别方法
CN114418899B (zh) 一种自彩印的自适应修复方法、系统及可读存储介质
CN110210440B (zh) 一种表格图像版面分析方法及系统
CN112365430B (zh) 图像处理方法及系统
CN108830175A (zh) 虹膜图像局部增强方法、装置、设备及存储介质
CN112396050B (zh) 图像的处理方法、设备以及存储介质
CN113793336A (zh) 一种检测血细胞的方法、装置、设备及可读存储介质
CN111222433A (zh) 自动人脸稽核方法、系统、设备及可读存储介质
CN116052152A (zh) 一种基于轮廓检测和深度神经网络的车牌识别系统
CN111339932A (zh) 一种掌纹图像预处理方法和系统
CN106022329B (zh) 一种字符识别过程中的字符降噪处理方法
CN110930358B (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN109889696B (zh) 用于自动几何校正的抗噪声拍摄图像识别方法及系统
Han et al. Locally adaptive contrast enhancement using convolutional neural network
JP3636936B2 (ja) 濃淡画像の２値化方法および濃淡画像の２値化プログラムを記録した記録媒体
CN112270683B (zh) 一种ihc数字预览图识别和组织前景分割方法及系统
JP4991278B2 (ja) 画像処理装置
CN112418085B (zh) 一种部分遮挡工况下的面部表情识别方法
CN115222652A (zh) 一种成捆钢筋端面的识别计数及中心定位方法与其存储器
CN115393695A (zh) 人脸图像质量评估方法、装置、电子设备及存储介质
CN111626150A (zh) 商品识别方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210323

Termination date: 20220113

CF01 Termination of patent right due to non-payment of annual fee