CN112465882A - 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
- CN112465882A CN112465882A CN202011290506.2A CN202011290506A CN112465882A CN 112465882 A CN112465882 A CN 112465882A CN 202011290506 A CN202011290506 A CN 202011290506A CN 112465882 A CN112465882 A CN 112465882A
- Authority
- CN
- China
- Prior art keywords
- channel
- channel component
- image
- hair
- hair region
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 238000004043 dyeing Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000037308 hair color Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- ZZIZZTHXZRDOFM-XFULWGLBSA-N tamsulosin hydrochloride Chemical compound [H+].[Cl-].CCOC1=CC=CC=C1OCCN[C@H](C)CC1=CC=C(OC)C(S(N)(=O)=O)=C1 ZZIZZTHXZRDOFM-XFULWGLBSA-N 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000001061 forehead 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & 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。该图像处理方法包括:获取参考图像和待处理图像;其中,参考图像包括第一头发区域,待处理图像包括第二头发区域;计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差;在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,以实现对第二头发区域的染色。采用本公开的方案,至少能够解决相关技术中染发效果差的问题。
Description
技术领域
本公开涉及图像处理技术领域,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
随着各种图像软件的发展,用户对其在图像中的发型和头发颜色也越来越关注,通常情况下用户会对其图像中的头发进行染色,即染发。
相关技术中,在染发时,通常是采用降采样的方式提取一个图像中头发的颜色,求取这些颜色的平均值,然后,将另一个图像中头发的颜色与上述平均值进行融合,完成另一个图像中头发的染色。
然而,在相关技术中,通过降采样取颜色均值会忽略光照对头发区域颜色的影响,导致染发效果较差。
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染发效果差的问题。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:
获取参考图像和待处理图像;其中,参考图像包括第一头发区域,待处理图像包括第二头发区域;
计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差;
在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,以实现对第二头发区域的染色。
作为第一方面的一些可实现方式,在计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差之前,本公开实施例提供的图像处理方法还包括:
将参考图像和待处理图像分别进行颜色空间转换,得到第一颜色空间下的参考图像以及第一颜色空间下的待处理图像。
作为第一方面的一些可实现方式,第一颜色空间包括:
亮度-黄蓝-红绿lαβ颜色空间。
作为第一方面的一些可实现方式,在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,包括:
利用如下公式对像素点的通道分量进行校正:
其中,为像素点Q在第一颜色空间的通道P下校正后的通道分量,为像素点Q在通道P下的原始通道分量,为通道P对应的第一通道分量平均值,为通道P对应的第二通道分量平均值,为通道P对应的第一通道分量标准差,为通道P对应的第二通道分量标准差。
作为第一方面的一些可实现方式,在计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差之前,本公开实施例提供的图像处理方法还包括:
缩小第一头发区域和第二头发区域;
计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差,包括:
计算缩小后的第一头发区域在每个通道的第一通道分量平均值和第一通道分量标准差,以及计算缩小后的第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差。
作为第一方面的一些可实现方式,在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正之后,本公开实施例提供的图像处理方法还包括:
将染色后的第二头发区域叠加到参考图像中,得到目标图像。
作为第一方面的一些可实现方式,在计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差之前,本公开实施例提供的图像处理方法还包括:
将参考图像中除第一头发区域之外的区域的透明度调整为0,以及将待处理图像中除第二头发区域之外的区域的透明度调整为0。
作为第一方面的一些可实现方式,在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正之后,本公开实施例提供的图像处理方法还包括:
将参考图像中除第一头发区域之外的区域的透明度调整为第一透明度,以及将待处理图像中除第二头发区域之外的区域的透明度调整为第二透明度,其中,第一透明度为参考图像的原始透明度,第二透明度为待处理图像的原始透明度。
作为第一方面的一些可实现方式,待处理图像为三维图像,第二头发区域为三维头发区域。
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,被配置为执行获取参考图像和待处理图像;其中,参考图像包括第一头发区域,待处理图像包括第二头发区域;
计算模块,被配置为执行计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差;
校正模块,被配置为执行在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,以实现对第二头发区域的染色。
作为第二方面的一些可实现方式,本公开实施例提供的图像处理装置还包括:
转换模块,被配置为执行将参考图像和待处理图像分别进行颜色空间转换,得到第一颜色空间下的参考图像以及第一颜色空间下的待处理图像。
作为第二方面的一些可实现方式,第一颜色空间包括:
亮度-黄蓝-红绿lαβ颜色空间。
作为第二方面的一些可实现方式,校正模块具体被配置为:
利用如下公式对像素点的通道分量进行校正:
其中,为像素点Q在第一颜色空间的通道P下校正后的通道分量,为像素点Q在通道P下的原始通道分量,为通道P对应的第一通道分量平均值,为通道P对应的第二通道分量平均值,为通道P对应的第一通道分量标准差,为通道P对应的第二通道分量标准差。
作为第二方面的一些可实现方式,本公开实施例提供的图像处理装置还包括:
缩小模块,被配置为执行缩小第一头发区域和第二头发区域;
计算模块具体被配置为:
执行计算缩小后的第一头发区域在每个通道的第一通道分量平均值和第一通道分量标准差,以及计算缩小后的第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差。
作为第二方面的一些可实现方式,本公开实施例提供的图像处理装置还包括:
叠加模块,被配置为执行将染色后的第二头发区域叠加到参考图像中,得到目标图像。
作为第二方面的一些可实现方式,本公开实施例提供的图像处理装置还包括:
第一调整模块,被配置为执行将参考图像中除第一头发区域之外的区域的透明度调整为0,以及将待处理图像中除第二头发区域之外的区域的透明度调整为0。
作为第二方面的一些可实现方式,本公开实施例提供的图像处理装置还包括:
第二调整模块,被配置为执行将参考图像中除第一头发区域之外的区域的透明度调整为第一透明度,以及将待处理图像中除第二头发区域之外的区域的透明度调整为第二透明度,其中,第一透明度为参考图像的原始透明度,第二透明度为待处理图像的原始透明度。
作为第二方面的一些可实现方式,待处理图像为三维图像,第二头发区域为三维头发区域。
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,首先获取包括第一头发区域的参考图像和包括第二头发区域的待处理图像,然后分别计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差,在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,以对第二头发区域染色。本公开实施例提供的技术方案没有通过降采样取颜色,因此,不会忽略光照对头发颜色的影响,能够使得染发后的第二头发区域的颜色能够保留第一头发区域的颜色信息,提高染发效果。
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一种图像处理方法的流程示意图;
图2是根据一示例性实施例示出的一种图像处理装置的结构示意图;
图3是根据一示例性实施例示出的电子设备的框图。
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。
在图像处理特效中,对于五官和头发的特效层出不穷,比如,五官的放大和错位,头发的染色(即更换头发颜色)等。目前,在染发时,通常是采用降采样的方式提取一个图像中头发的颜色,求取这些颜色的平均值,然后,将另一个图像中头发的颜色与上述平均值进行融合,完成另一个图像中头发颜色的染色。然而,通过降采样取颜色均值会忽略光照对头发区域颜色的影响,导致染发效果较差。
为此,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,以至少解决相关技术中染发效果差的问题。
下面结合图1,对本公开提供的图像处理方法进行详细的说明。
图1是根据一示例性实施例示出的一种图像处理方法的流程示意图。该图像处理方法可以应用于电子设备,该电子设备可以为服务器,超级计算机或者工作站。如图1所示,该图像生成方法包括:
S101:获取参考图像和待处理图像;其中,参考图像包括第一头发区域,待处理图像包括第二头发区域;
S102:计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差;
S103:在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,以实现对第二头发区域的染色。
在本公开实施例中,首先获取包括第一头发区域的参考图像和包括第二头发区域的待处理图像,然后分别计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差,在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,以对第二头发区域染色。本公开实施例提供的技术方案没有通过降采样取颜色,因此,不会忽略光照对头发颜色的影响,能够使得染发后的第二头发区域的颜色能够保留第一头发区域的颜色信息,提高染发效果。
下面对本公开实施例的各个步骤进行说明。
在S101中,参考图像和待处理图像可以为利用图像采集设备采集到的图像,还可以为从网络上下载的图像,还可以为预先存储在电子设备本地的图像,还可以为接收到的其他用户传输的图像,当然还可以为视频中的帧图像。
在本公开实施例的一些可能实现中,参考图像和待处理图像可以为三维图像,相应的,第一头发区域和第二头发区域可以为三维头发区域。
在本公开实施例中,能够对三维头发区域进行染色。
在S101中,在获取到参考图像和待处理图像后,需要提取图像中的头发区域。具体地,可以使用Adaboost算法检测人脸位置,然后将人脸归一化得到头发位置模板,通过抽取头发特征向量将图像中的像素点聚类为区域,然后利用高斯模型聚类判定聚类区域是否为头发区域;还可以获取头发对应的掩码(MASK)图像,利用MASK图将头发区域抠出,即提取头发区域;还可以根据头发的颜色、区域连通性和空间位置的三个特征,利用最小模糊熵确定灰度阈值,进而利用空间灰度差异确定头发区域;还可以根据头发的纹理特征和颜色特征,提取头发区域等等。
本公开实施例并不对获取头发对应的MASK图像的方式进行限定,任何可用的方式均可应用于本公开实施例中。比如,利用深度神经网络对图像进行语义分割,获得头发区域MASK图。
在S102中,第一颜色空间可以为以下颜色空间中的任一种:
红-绿-蓝(RGB)颜色空间、青-洋红-黄(CMY)颜色空间、色调-饱和度-明度(HSV)颜色空间、色调-饱和度-亮度(HSI)颜色空间和亮度-黄蓝-红绿(lαβ)颜色空间。
优选地,第一颜色空间为lαβ颜色空间。
在本公开实施例中,lαβ颜色空间的各个通道具有较小的相关性,能够有效地将图像的灰度信息和颜色信息分离开,不会影响原图像的效果,能够提高染发效果。
可以理解的是,lαβ颜色空间包括三个通道,三个通道分别为l通道、α通道和β通道。以α通道为例,第一头发区域在lαβ颜色空间的α通道的通道分量平均值为第一头发区域包括的多个像素点在α通道的通道分量的平均值,第一头发区域在α通道的通道分量标准差为第一头发区域包括的多个像素点在α通道的通道分量的标准差,第二头发区域在α通道的通道分量平均值为第二头发区域包括的多个像素点在α通道的通道分量的平均值,第二头发区域在α通道的通道分量标准差为第二头发区域包括的多个像素点在α通道的通道分量的标准差。
在本公开实施例的一些可能实现中,S103可以包括:利用公式(1)对像素点的通道分量进行校正:
其中,公式(1)中,为像素点Q在第一颜色空间的通道P下校正后的通道分量,为像素点Q在通道P下的原始通道分量,为通道P对应的第一通道分量平均值,为通道P对应的第二通道分量平均值,为通道P对应的第一通道分量标准差,为通道P对应的第二通道分量标准差。
以lαβ颜色空间的α通道为例。
第二头发区域中的像素点Q在lαβ颜色空间的α通道下校正后的通道分量为:其中,为像素点Q在通道α下的原始通道分量,为通道α对应的第一通道分量平均值,为通道α对应的第二通道分量平均值,为通道α对应的第一通道分量标准差,为通道α对应的第二通道分量标准差。
当第二头发区域中的每个像素点在每个通道的每个通道分量均校正完成后,第二头发区域染发完成。
在本公开实施例的一些可能实现中,在S102之前,本公开实施例提供的图像处理方法还可以包括:将参考图像和待处理图像分别进行颜色空间转换,得到第一颜色空间下的参考图像以及第一颜色空间下的待处理图像。
示例性的,下面以第一颜色空间为lαβ颜色空间为例进行说明。通常情况下,图像采用RGB颜色空间进行表示,将图像由RGB颜色空间转换到lαβ颜色空间过程如下:
首先,将图像从RGB颜色空间转换到XYZ空间,RGB颜色空间到XYZ空间转换的矩阵算法为:
然后,将图像从XYZ空间转换到颜色LMS空间,XYZ空间到LMS颜色空间转换的矩阵算法为:
基于矩阵的乘法特性,可以将图像由RGB颜色空间直接转换为LMS颜色空间,RGB颜色空间到LMS颜色空间转换的矩阵算法为:
再将图像从LMS颜色空间转换到lαβ颜色空间,LMS颜色空间到lαβ颜色空间转换的矩阵算法为:
在本公开实施例的一些可能实现中,由于数据在LMS空间比较分散,所以将LMS空间的数据取对数,比如,取以10为底的对数。
则LMS空间数据转化为:
然后再将图像从LMS颜色空间转换到lαβ颜色空间,
以对第二头发区域中的像素点Q的染色为例。
设第一头发区域在l通道、α通道和β通道的通道分量平均值分别为:和第一头发区域在l通道、α通道和β通道的通道分量标准差分别为:和第二头发区域在l通道、α通道和β通道的通道分量平均值分别为:和第二头发区域在l通道、α通道和β通道的通道分量标准差分别为:和
将像素点Q在lαβ颜色空间的通道分量转换到RGB颜色空间,即完成像素点Q的染色。类似的,可以完成第二头发区域中除像素点Q之外的其他像素点的染色,当第二头发区域中的所有像素点均染色完成后,即完成了第二头发区域的染色。
将图像由lαβ颜色空间转换到RGB颜色空间过程如下:
首先,将图像从lαβ颜色空间转换到LMS颜色空间,lαβ颜色空间到LMS颜色空间转换的矩阵算法为:
然后,将LMS颜色空间的数据取以10为底的指数,
L=10L,
M=10M,
S=10S,
然后,将图像从LMS颜色空间转换到RGB颜色空间,LMS颜色空间到RGB颜色空间转换的矩阵算法为:
可以理解的是,lαβ颜色空间到RGB颜色空间的转换与RGB颜色空间到lαβ颜色空间的转换为互逆过程。
在本公开实施例的一些可能实现中,在S102之前,本公开实施例提供的图像处理方法还可以包括:缩小第一头发区域和第二头发区域。相应地,S103可以包括:计算缩小后的第一头发区域在每个通道的第一通道分量平均值和第一通道分量标准差,以及计算缩小后的第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差。
在本公开实施例中,通过缩小第一头发区域和第二头发区域,使得第一头发区域和第二头发区域的像素点数量减少,能够减少数据量。由于数据量减少,进而在进行染发时,能够减少计算量,降低CPU和内存的占用率,提高染发速度,使得移动端设备也能够进行染发处理。
在本公开实施例的一些可能实现中,在S103之后,本公开实施例提供的图像处理方法还可以包括:将染色后的第二头发区域叠加到参考图像中,得到目标图像。
本公开实施例并不对图像叠加的方式进行限定,任何可用的图像叠加方式均可应用于本公开实施例中。比如,以过第一头发区域水平方向上最左像素点和最右像素点的中心点且与水平方向垂直的直线为第一基准线,将该第一基准线与第一头发区域的交点为第一基准点,以过第二头发区域水平方向上最左像素点和最右像素点的中心点且与水平方向垂直的直线为第二基准线,将该第二基准线与第二头发区域的交点为第二基准点,移动第二头发区域,使第二基准线与第一基准线重合,并使第二基准点与第一基准点重合,此时,将第二头发区域与第一图像进行合并,即可得到目标图像。再比如,以第一头发区域垂直方向上最高像素点为第一基准点,以第二头发区域垂直方向上最高像素点为第二基准点,移动第二头发区域,使第二基准点与第一基准点重合,此时,将第二头发区域与第一图像进行合并,即可得到目标图像。
在本公开实施例中,能够对第一图像中的发型进行更换,并且更换后的发型具备原始图像的头发颜色。
在本公开实施例的一些可能实现中,在S102之前,本公开实施例提供的图像处理方法还可以包括:将参考图像中除第一头发区域之外的区域的透明度调整为0,以及将待处理图像中除第二头发区域之外的区域的透明度调整为0。
在本公开实施例中,通过将参考图像中除第一头发区域之外的区域的透明度和待处理图像中除第二头发区域之外的区域的透明度均调整为0,能够降低参考图像中除第一头发区域之外的区域和待处理图像中除第二头发区域之外的区域对第二头发区域染色的影响,能够提高染色效果。
在本公开实施例的一些可能实现中,在S103之后,本公开实施例提供的图像处理方法还可以包括:将参考图像中除第一头发区域之外的区域的透明度调整为第一透明度,以及将待处理图像中除第二头发区域之外的区域的透明度调整为第二透明度,其中,第一透明度为参考图像的原始透明度,第二透明度为待处理图像的原始透明度。
在本公开实施例中,能够恢复参考图像和待参考图像的透明度,满足用户需求,提高用户体验效果。
下面通过具体的场景实施例对本公开提供的图像生成方法进行说明。
第一种应用场景:用户欲利用图像M中头发的颜色对图像N中的头发进行染色。
首先,对于图像M和图像N,分别使用Adaboost算法检测人脸位置,然后将人脸归一化得到头发位置模板,通过抽取头发特征向量将图像中的像素点聚类为区域,再然后利用高斯模型聚类判定聚类区域是否为头发区域来提取图像M和图像N的头发区域;或者,分别利用MASK图将图像M和图像N的头发区域抠出,来提取图像M和图像N的头发区域;再或者,根据头发的颜色、区域连通性和空间位置的三个特征,利用最小模糊熵确定灰度阈值,进而利用空间灰度差异确定图像M和图像N的头发区域;再或者,根据头发的纹理特征和颜色特征,提取图像M和图像N的头发区域。
当提取到图像M的头发区域和图像N的头发区域后,将RGB颜色空间下的图像M的头发区域转化到lαβ颜色空间中,将RGB颜色空间下的图像N的头发区域转化到lαβ颜色空间中。
在lαβ颜色空间下,分别计算图像M的头发区域和图像N的头发区域分别在l通道、α通道和β通道的通道平均值和通道标准差。
设图像M的头发区域在l通道、α通道和β通道的通道平均值分别为:AlM、AαM和AβM,图像M的头发区域在l通道、α通道和β通道的通道标准差分别为:δlM、δαM和δβM,图像N的头发区域在l通道、α通道和β通道的通道平均值分别为:AlN、AαN和AβN,图像N的头发区域在l通道、α通道和β通道的通道标准差分别为:δlN、δαN和δβN。
以对图像N的头发区域中的像素点P染色为例。
假设该像素点P的原始颜色为(PR,PG,PB),经过空间转换后该像素点P在l通道、α通道和β通道的通道分量分别为Pl、Pα和Pβ。
对于l通道,首先计算像素点P在l通道下的通道分量Pl与AlN的差;然后计算δlM与δlN的商;再计算该差和该商的乘积;再计算该乘积与AlM的和,将此时得到的和,作为像素点P在l通道下最终的通道分量,即像素点P在l通道下最终的通道分量PlT=(Pl-AlN)×δlM÷δlN+AlM,将像素点P在l通道下的通道分量调整为PlT。
同理,对于α通道,首先计算像素点P在α通道下的通道分量Pα与AαN的差;然后计算δαM与δαN的商;再计算该差和该商的乘积;再计算该乘积与AαM的和,将此时得到的和,作为像素点P在α通道下最终的通道分量,即像素点P在α通道下最终的通道分量PαT=(Pα-AαN)×δαM÷δαN+AαM,将像素点P在α通道下的通道分量调整为PαT。
对于β通道,首先计算像素点P在β通道下的通道分量Pβ与AβN的差;然后计算δβM与δβN的商;再计算该差和该商的乘积;再计算该乘积与AβM的和,将此时得到的和,作为像素点P在β通道下最终的通道分量,即像素点P在β通道下最终的通道分量PβT=(Pβ-AβN)×δβM÷δβN+AβM,将像素点P在β通道下的通道分量调整为PβT。
则染色后的像素点P在l通道、α通道和β通道的通道分量分别为:(Pl-AlN)×δlM÷δlN+AlM,(Pα-AαN)×δαM÷δαN+AαM和(Pβ-AβN)×δβM÷δβN+AβM)。
将像素点P在lαβ颜色空间的通道分量转换到RGB颜色空间,即完成像素点P的染色。类似的,可以完成图像N的头发区域中染色后除像素点P之外的其他像素点的染色,当图像N的头发区域中的所有像素点均染色完成后,即完成了图像N的头发区域的染色。
第二种应用场景:用户欲对一张图像中的某个人物添加垂在前额的短发(通常指刘海),但添加的刘海需要具有该人物的头发颜色。
首先,获取需要添加刘海的图像M和仅包括初始色为黑色的刘海的图像N。
然后,对于图像M,使用Adaboost算法检测人脸位置,然后将人脸归一化得到头发位置模板,通过抽取头发特征向量将图像中的像素点聚类为区域,再然后利用高斯模型聚类判定聚类区域是否为头发区域来提取图像M的头发区域;或者,利用MASK图将图像M和图像N的头发区域抠出,来提取图像M的头发区域;再或者,根据头发的颜色、区域连通性和空间位置的三个特征,利用最小模糊熵确定灰度阈值,进而利用空间灰度差异确定图像M的头发区域;再或者,根据头发的纹理特征和颜色特征,提取图像M的头发区域。对于图像N,头发区域的颜色与该图像N中除头发区域的其他区域的颜色明显不同,其他区域的颜色为背景色,此时,可以将该图像N中与背景色不同的区域作为头发区域。
当提取到图像M的头发区域和图像N的头发区域后,将RGB颜色空间下的图像M的头发区域转化到lαβ颜色空间中,将RGB颜色空间下的图像N的头发区域转化到lαβ颜色空间中。
在lαβ颜色空间下,分别计算图像M的头发区域和图像N的头发区域分别在l通道、α通道和β通道的通道平均值和通道标准差。
设图像M的头发区域在l通道、α通道和β通道的通道平均值分别为:AlM、AαM和AβM,图像M的头发区域在l通道、α通道和β通道的通道标准差分别为:δlM、δαM和δβM,图像N的头发区域在l通道、α通道和β通道的通道平均值分别为:AlN、AαN和AβN,图像N的头发区域在l通道、α通道和β通道的通道标准差分别为:δlN、δαN和δβN。
以对图像N的头发区域中的像素点P染色为例。
假设该像素点P的原始颜色为(PR,PG,PB),经过空间转换后该像素点P在l通道、α通道和β通道的通道分量分别为Pl、Pα和Pβ。
对于l通道,首先计算像素点P在l通道下的通道分量Pl与AlN的差;然后计算δlM与δlN的商;再计算该差和该商的乘积;再计算该乘积与AlM的和,将此时得到的和,作为像素点P在l通道下最终的通道分量,即像素点P在l通道下最终的通道分量PlT=(Pl-AlN)×δlM÷δlN+AlM,将像素点P在l通道下的通道分量调整为PlT。
同理,对于α通道,首先计算像素点P在α通道下的通道分量Pα与AαN的差;然后计算δαM与δαN的商;再计算该差和该商的乘积;再计算该乘积与AαM的和,将此时得到的和,作为像素点P在α通道下最终的通道分量,即像素点P在α通道下最终的通道分量PαT=(Pα-AαN)×δαM÷δαN+AαM,将像素点P在α通道下的通道分量调整为PαT。
对于β通道,首先计算像素点P在β通道下的通道分量Pβ与AβN的差;然后计算δβM与δβN的商;再计算该差和该商的乘积;再计算该乘积与AβM的和,将此时得到的和,作为像素点P在β通道下最终的通道分量,即像素点P在β通道下最终的通道分量PβT=(Pβ-AβN)×δβM÷δβN+AβM,将像素点P在β通道下的通道分量调整为PβT。
则染色后的像素点P在l通道、α通道和β通道的通道分量分别为:(Pl-AlN)×δlM÷δlN+AlM,(Pα-AαN)×δαM÷δαN+AαM和(Pβ-AβN)×δβM÷δβN+AβM)。
将像素点P在lαβ颜色空间的通道分量转换到RGB颜色空间,即完成像素点P的染色。类似的,可以完成图像N的头发区域中除像素点P之外的其他像素点的染色,当图像N的头发区域中的所有像素点均染色完成后,即完成了图像N的头发区域的染色。
当图像N的头发区域染色完成后,可以以过图像M的头发区域水平方向上最左像素点和最右像素点的中心点且与水平方向垂直的直线为第一基准线,将该第一基准线与第一头发区域的交点为第一基准点,以过图像N的头发区域水平方向上最左像素点和最右像素点的中心点且与水平方向垂直的直线为第二基准线,将该第二基准线与第二头发区域的交点为第二基准点,移动第二头发区域,使第二基准线与第一基准线重合,并使第二基准点与第一基准点重合,此时,将图像N的头发区域与图像M进行合并,即可得到添加有刘海且该刘海具有图像M的头发区域的颜色的图像。
当图像N的头发区域染色完成后,可以以图像M的头发区域垂直方向上最高像素点为第一基准点,以图像N的头发区域垂直方向上最高像素点为第二基准点,移动第二头发区域,使第二基准点与第一基准点重合,将图像N的头发区域与图像M进行合并,即可得到添加有刘海且该刘海具有图像M的头发区域的颜色的图像。
第三种应用场景:用户发现图像N中人物的发型较好看,欲将该发型叠加到图像M中的该用户的发型上,但需要叠加的发型具有图像M中的该用户的头发的颜色。
首先,对于图像M和图像N,分别使用Adaboost算法检测人脸位置,然后将人脸归一化得到头发位置模板,通过抽取头发特征向量将图像中的像素点聚类为区域,再然后利用高斯模型聚类判定聚类区域是否为头发区域来提取图像M和图像N的头发区域;或者,分别利用MASK图将图像M和图像N的头发区域抠出,来提取图像M和图像N的头发区域;再或者,根据头发的颜色、区域连通性和空间位置的三个特征,利用最小模糊熵确定灰度阈值,进而利用空间灰度差异确定图像M和图像N的头发区域;再或者,根据头发的纹理特征和颜色特征,提取图像M和图像N的头发区域。
当提取到图像M的头发区域和图像N的头发区域后,将RGB颜色空间下的图像M的头发区域转化到lαβ颜色空间中,将RGB颜色空间下的图像N的头发区域转化到lαβ颜色空间中。
在lαβ颜色空间下,分别计算图像M的头发区域和图像N的头发区域分别在l通道、α通道和β通道的通道平均值和通道标准差。
图像M的头发区域在l通道、α通道和β通道的通道平均值分别为:AlM、AαM和AβM,图像M的头发区域在l通道、α通道和β通道的通道标准差分别为:δlM、δαM和δβM,图像N的头发区域在l通道、α通道和β通道的通道平均值分别为:AlN、AαN和AβN,图像N的头发区域在l通道、α通道和β通道的通道标准差分别为:δlN、δαN和δβN。
以对图像N的头发区域中的像素点P染色为例。
假设该像素点P的原始颜色为(PR,PG,PB),经过空间转换后该像素点P在l通道、α通道和β通道的通道分量分别为Pl、Pα和Pβ。
对于l通道,首先计算像素点P在l通道下的通道分量Pl与AlN的差;然后计算δlM与δlN的商;再计算该差和该商的乘积;再计算该乘积与AlM的和,将此时得到的和,作为像素点P在l通道下最终的通道分量,即像素点P在l通道下最终的通道分量PlT=(Pl-AlN)×δlM÷δlN+AlM,将像素点P在l通道下的通道分量调整为PlT。
同理,对于α通道,首先计算像素点P在α通道下的通道分量Pα与AαN的差;然后计算δαM与δαN的商;再计算该差和该商的乘积;再计算该乘积与AαM的和,将此时得到的和,作为像素点P在α通道下最终的通道分量,即像素点P在α通道下最终的通道分量PαT=(Pα-AαN)×δαM÷δαN+AαM,将像素点P在α通道下的通道分量调整为PαT。
对于β通道,首先计算像素点P在β通道下的通道分量Pβ与AβN的差;然后计算δβM与δβN的商;再计算该差和该商的乘积;再计算该乘积与AβM的和,将此时得到的和,作为像素点P在β通道下最终的通道分量,即像素点P在β通道下最终的通道分量PβT=(Pβ-AβN)×δβM÷δβN+AβM,将像素点P在β通道下的通道分量调整为PβT。
则染色后的像素点P在l通道、α通道和β通道的通道分量分别为:(Pl-AlN)×δlM÷δlN+AlM,(Pα-AαN)×δαM÷δαN+AαM和(Pβ-AβN)×δβM÷δβN+AβM)。
将像素点P在lαβ颜色空间的通道分量转换到RGB颜色空间,即完成像素点P的染色。类似的,可以完成图像N的头发区域中除像素点P之外的其他像素点的染色,当图像N的头发区域中的所有像素点均染色完成后,即完成了图像N的头发区域的染色。
当图像N的头发区域染色完成后,可以以过图像M的头发区域水平方向上最左像素点和最右像素点的中心点且与水平方向垂直的直线为第一基准线,将该第一基准线与第一头发区域的交点为第一基准点,以过图像N的头发区域水平方向上最左像素点和最右像素点的中心点且与水平方向垂直的直线为第二基准线,将该第二基准线与第二头发区域的交点为第二基准点,移动第二头发区域,使第二基准线与第一基准线重合,并使第二基准点与第一基准点重合,此时,将图像N的头发区域与图像M进行合并,即可得到具有图像N中人物的发型且该发型具有图像M的头发区域的颜色的图像。
当图像N的头发区域染色完成后,可以以图像M的头发区域垂直方向上最高像素点为第一基准点,以图像N的头发区域垂直方向上最高像素点为第二基准点,移动第二头发区域,使第二基准点与第一基准点重合,将图像N的头发区域与图像M进行合并,即可得到具有图像N中人物的发型且该发型具有图像M的头发区域的颜色的图像。
第四种应用场景:用户发现图像N中人物的发型较好看,欲将图像M中的该用户的发型替换为图像N中人物的发型,且替换后的发型需要具有图像M中的该用户的头发的颜色。
首先,对于图像M和图像N,分别使用Adaboost算法检测人脸位置,然后将人脸归一化得到头发位置模板,通过抽取头发特征向量将图像中的像素点聚类为区域,再然后利用高斯模型聚类判定聚类区域是否为头发区域来提取图像M和图像N的头发区域;或者,分别利用MASK图将图像M和图像N的头发区域抠出,来提取图像M和图像N的头发区域;再或者,根据头发的颜色、区域连通性和空间位置的三个特征,利用最小模糊熵确定灰度阈值,进而利用空间灰度差异确定图像M和图像N的头发区域;再或者,根据头发的纹理特征和颜色特征,提取图像M和图像N的头发区域。
当提取到图像M的头发区域和图像N的头发区域后,将RGB颜色空间下的图像M的头发区域转化到lαβ颜色空间中,将RGB颜色空间下的图像N的头发区域转化到lαβ颜色空间中。
在lαβ颜色空间下,分别计算图像M的头发区域和图像N的头发区域分别在l通道、α通道和β通道的通道平均值和通道标准差。
图像M的头发区域在l通道、α通道和β通道的通道平均值分别为:AlM、AαM和AβM,图像M的头发区域在l通道、α通道和β通道的通道标准差分别为:δlM、δαM和δβM,图像N的头发区域在l通道、α通道和β通道的通道平均值分别为:AlN、AαN和AβN,图像N的头发区域在l通道、α通道和β通道的通道标准差分别为:δlN、δαN和δβN。
以对图像N的头发区域中的像素点P染色为例。
假设该像素点P的原始颜色为(PR,PG,PB),经过空间转换后该像素点P在l通道、α通道和β通道的通道分量分别为Pl、Pα和Pβ。
对于l通道,首先计算像素点P在l通道下的通道分量Pl与AlN的差;然后计算δlM与δlN的商;再计算该差和该商的乘积;再计算该乘积与AlM的和,将此时得到的和,作为像素点P在l通道下最终的通道分量,即像素点P在l通道下最终的通道分量PlT=(Pl-AlN)×δlM÷δlN+AlM,将像素点P在l通道下的通道分量调整为PlT。
同理,对于α通道,首先计算像素点P在α通道下的通道分量Pα与AαN的差;然后计算δαM与δαN的商;再计算该差和该商的乘积;再计算该乘积与AαM的和,将此时得到的和,作为像素点P在α通道下最终的通道分量,即像素点P在α通道下最终的通道分量PαT=(Pα-AαN)×δαM÷δαN+AαM,将像素点P在α通道下的通道分量调整为PαT。
对于β通道,首先计算像素点P在β通道下的通道分量Pβ与AβN的差;然后计算δβM与δβN的商;再计算该差和该商的乘积;再计算该乘积与AβM的和,将此时得到的和,作为像素点P在β通道下最终的通道分量,即像素点P在β通道下最终的通道分量PβT=(Pβ-AβN)×δβM÷δβN+AβM,将像素点P在β通道下的通道分量调整为PβT。
则染色后的像素点P在l通道、α通道和β通道的通道分量分别为:(Pl-AlN)×δlM÷δlN+AlM,(Pα-AαN)×δαM÷δαN+AαM和(Pβ-AβN)×δβM÷δβN+AβM)。
将像素点P在lαβ颜色空间的通道分量转换到RGB颜色空间,即完成像素点P的染色。类似的,可以完成图像N的头发区域中除像素点P之外的其他像素点的染色,当图像N的头发区域中的所有像素点均染色完成后,即完成了图像N的头发区域的染色。
当图像N的头发区域染色完成后,可以将图像M中的头发区域从图像M中剔除,然后将染色后的图像N的头发区域叠加到剔除了头发区域的图像M中,即可将图像M中的发型替换为图像N中的发型,且替换后的发型具有图像M中的原始头发的颜色。
需要说明的是,本公开实施例提供的图像处理方法,执行主体可以为图像处理装置,或者该图像处理装置中的用于执行图像处理方法的控制模块。本公开实施例中以图像处理装置执行图像处理方法为例,说明本公开实施例提供的图像处理装置。
图2是根据一示例性实施例示出的一种图像处理装置的结构示意图。该图像处理装置200包括:
获取模块201,被配置为执行获取参考图像和待处理图像;其中,参考图像包括第一头发区域,待处理图像包括第二头发区域;
计算模块202,被配置为执行计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差;
校正模块203,被配置为在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,以实现对第二头发区域的染色。
在本公开实施例中,首先获取包括第一头发区域的参考图像和包括第二头发区域的待处理图像,然后分别计算第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差,在第一颜色空间下,针对第二头发区域的每个像素点,利用第一通道分量平均值、第一通道分量标准差、第二通道分量平均值和第二通道分量标准差,对像素点的每个通道分量进行校正,以对第二头发区域染色。本公开实施例提供的技术方案没有通过降采样取颜色,因此,不会忽略光照对头发颜色的影响,能够使得染发后的第二头发区域的颜色能够保留第一头发区域的颜色信息,提高染发效果。
在本公开实施例的一些可能实现中,本公开实施例提供的图像处理装置200还可以包括:
转换模块,被配置为执行将参考图像和待处理图像分别进行颜色空间转换,得到第一颜色空间下的参考图像以及第一颜色空间下的待处理图像。
在本公开实施例的一些可能实现中,第一颜色空间可以包括:
lαβ颜色空间。
在本公开实施例中,lαβ颜色空间的各个通道具有较小的相关性,能够有效地将图像的灰度信息和颜色信息分离开,不会影响原图像的效果,能够提高染发效果。
在本公开实施例的一些可能实现中,校正模块203具体被配置为:
利用如下公式对像素点的通道分量进行校正:
其中,为像素点Q在第一颜色空间的通道P下校正后的通道分量,为像素点Q在通道P下的原始通道分量,为通道P对应的第一通道分量平均值,为通道P对应的第二通道分量平均值,为通道P对应的第一通道分量标准差,为通道P对应的第二通道分量标准差。
在本公开实施例的一些可能实现中,本公开实施例提供的图像处理装置200还可以包括:
缩小模块,被配置为执行缩小第一头发区域和第二头发区域;
计算模块202具体被配置为:
执行计算缩小后的第一头发区域在每个通道的第一通道分量平均值和第一通道分量标准差,以及计算缩小后的第二头发区域在每个通道的第二通道分量平均值和第二通道分量标准差。
在本公开实施例中,通过缩小第一头发区域和第二头发区域,使得第一头发区域和第二头发区域的像素点数量减少,能够减少数据量。由于数据量减少,进而在进行染发时,能够减少计算量,降低CPU和内存的占用率,提高染发速度,使得移动端设备也能够进行染发处理。
在本公开实施例的一些可能实现中,本公开实施例提供的图像处理装置200还可以包括:
叠加模块,被配置为执行将染色后的第二头发区域叠加到参考图像中,得到目标图像。
在本公开实施例中,能够对第一图像中的发型进行更换,并且更换后的发型具备原始图像的头发颜色。
在本公开实施例的一些可能实现中,本公开实施例提供的图像处理装置200还可以包括:
第一调整模块,被配置为执行将参考图像中除第一头发区域之外的区域的透明度调整为0,以及将待处理图像中除第二头发区域之外的区域的透明度调整为0。
在本公开实施例中,通过将参考图像中除第一头发区域之外的区域的透明度和待处理图像中除第二头发区域之外的区域的透明度均调整为0,能够降低参考图像中除第一头发区域之外的区域和待处理图像中除第二头发区域之外的区域对第二头发区域染色的影响,能够提高染色效果。
在本公开实施例的一些可能实现中,本公开实施例提供的图像处理装置200还可以包括:
第二调整模块,被配置为执行将参考图像中除第一头发区域之外的区域的透明度调整为第一透明度,以及将待处理图像中除第二头发区域之外的区域的透明度调整为第二透明度,其中,第一透明度为参考图像的原始透明度,第二透明度为待处理图像的原始透明度。
在本公开实施例中,能够恢复参考图像和待参考图像的透明度,满足用户需求,提高用户体验效果。
在本公开实施例的一些可能实现中,待处理图像为三维图像,第二头发区域为三维头发区域。
在本公开实施例中,能够对三维头发区域进行染色。
图3是根据一示例性实施例示出的电子设备的框图。参照图3,电子设备300包括处理组件301,其进一步包括一个或多个处理器,以及由存储器302所代表的存储器资源,用于存储可由处理组件301的执行的指令,例如应用程序。存储器302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301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。
该电子设备300还可以包括一个电源组件303被配置为执行电子设备300的电源管理,一个有线或无线网络接口304被配置为将电子设备300连接到网络,和一个输入输出(I/O)接口305。电子设备300可以操作基于存储在存储器302的操作系统,例如WindowsServerTM,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。
在本公开实施例的一些可选实施方式中,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 (10)
1.一种图像处理方法,其特征在于,包括:
获取参考图像和待处理图像;其中,所述参考图像包括第一头发区域,所述待处理图像包括第二头发区域;
计算所述第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算所述第二头发区域在所述每个通道的第二通道分量平均值和第二通道分量标准差;
在所述第一颜色空间下,针对所述第二头发区域的每个像素点,利用所述第一通道分量平均值、所述第一通道分量标准差、所述第二通道分量平均值和所述第二通道分量标准差,对所述像素点的每个通道分量进行校正,以实现对所述第二头发区域的染色。
2.根据权利要求1所述的方法,其特征在于,在所述计算所述第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算所述第二头发区域在所述每个通道的第二通道分量平均值和第二通道分量标准差之前,所述方法还包括:
将所述参考图像和所述待处理图像分别进行颜色空间转换,得到所述第一颜色空间下的参考图像以及所述第一颜色空间下的待处理图像。
4.根据权利要求1所述的方法,其特征在于,在所述计算所述第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算所述第二头发区域在所述每个通道的第二通道分量平均值和第二通道分量标准差之前,所述方法还包括:
缩小所述第一头发区域和所述第二头发区域;
所述计算所述第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算所述第二头发区域在所述每个通道的第二通道分量平均值和第二通道分量标准差,包括:
计算缩小后的所述第一头发区域在所述每个通道的第一通道分量平均值和第一通道分量标准差,以及计算缩小后的所述第二头发区域在所述每个通道的第二通道分量平均值和第二通道分量标准差。
5.根据权利要求1所述的方法,其特征在于,在所述第一颜色空间下,针对所述第二头发区域的每个像素点,利用所述第一通道分量平均值、所述第一通道分量标准差、所述第二通道分量平均值和所述第二通道分量标准差,对所述像素点的每个通道分量进行校正之后,所述方法还包括:
将染色后的所述第二头发区域叠加到所述参考图像中,得到目标图像。
6.根据权利要求1所述的方法,其特征在于,在所述计算所述第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算所述第二头发区域在所述每个通道的第二通道分量平均值和第二通道分量标准差之前,所述方法还包括:
将所述参考图像中除所述第一头发区域之外的区域的透明度调整为0,以及将所述待处理图像中除所述第二头发区域之外的区域的透明度调整为0。
7.根据权利要求6所述的方法,其特征在于,在所述第一颜色空间下,针对所述第二头发区域的每个像素点,利用所述第一通道分量平均值、所述第一通道分量标准差、所述第二通道分量平均值和所述第二通道分量标准差,对所述像素点的每个通道分量进行校正之后,所述方法还包括:
将所述参考图像中除所述第一头发区域之外的区域的透明度调整为第一透明度,以及将所述待处理图像中除所述第二头发区域之外的区域的透明度调整为第二透明度,其中,所述第一透明度为所述参考图像的原始透明度,所述第二透明度为所述待处理图像的原始透明度。
8.一种图像处理装置,其特征在于,包括:
获取模块,被配置为执行获取参考图像和待处理图像;其中,所述参考图像包括第一头发区域,所述待处理图像包括第二头发区域;
计算模块,被配置为执行计算所述第一头发区域在第一颜色空间的多个通道中的每个通道的第一通道分量平均值和第一通道分量标准差,以及计算所述第二头发区域在所述每个通道的第二通道分量平均值和第二通道分量标准差;
校正模块,被配置为执行在所述第一颜色空间下,针对所述第二头发区域的每个像素点,利用所述第一通道分量平均值、所述第一通道分量标准差、所述第二通道分量平均值和所述第二通道分量标准差,对所述像素点的每个通道分量进行校正,以实现对所述第二头发区域的染色。
9.一种电子设备,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7中任一项所述的图像处理方法。
10.一种存储介质,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7中任一项所述的图像处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290506.2A CN112465882B (zh) | 2020-11-17 | 2020-11-17 | 图像处理方法、装置、电子设备及存储介质 |
PCT/CN2021/115126 WO2022105347A1 (zh) | 2020-11-17 | 2021-08-27 | 图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290506.2A CN112465882B (zh) | 2020-11-17 | 2020-11-17 | 图像处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465882A true CN112465882A (zh) | 2021-03-09 |
CN112465882B CN112465882B (zh) | 2024-06-11 |
Family
ID=74837173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011290506.2A Active CN112465882B (zh) | 2020-11-17 | 2020-11-17 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112465882B (zh) |
WO (1) | WO2022105347A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022105347A1 (zh) * | 2020-11-17 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 图像处理方法及装置 |
CN114880057A (zh) * | 2022-04-22 | 2022-08-09 | 北京三快在线科技有限公司 | 图像显示方法、装置、终端、服务器及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952093A (zh) * | 2015-06-04 | 2015-09-30 | 福建天晴数码有限公司 | 虚拟染发方法和装置 |
CN110009708A (zh) * | 2019-04-10 | 2019-07-12 | 上海大学 | 基于图像色彩分割的发色变换方法、系统及终端 |
US20200357178A1 (en) * | 2019-05-10 | 2020-11-12 | Cal-Comp Big Data, Inc. | Augmented reality display method of applying color of hair to eyebrows |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256555B (zh) * | 2017-05-25 | 2021-11-02 | 腾讯科技(上海)有限公司 | 一种图像处理方法、装置及存储介质 |
CN112465882B (zh) * | 2020-11-17 | 2024-06-11 | 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
- 2020-11-17 CN CN202011290506.2A patent/CN112465882B/zh active Active
-
2021
- 2021-08-27 WO PCT/CN2021/115126 patent/WO2022105347A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952093A (zh) * | 2015-06-04 | 2015-09-30 | 福建天晴数码有限公司 | 虚拟染发方法和装置 |
CN110009708A (zh) * | 2019-04-10 | 2019-07-12 | 上海大学 | 基于图像色彩分割的发色变换方法、系统及终端 |
US20200357178A1 (en) * | 2019-05-10 | 2020-11-12 | Cal-Comp Big Data, Inc. | Augmented reality display method of applying color of hair to eyebrows |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022105347A1 (zh) * | 2020-11-17 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 图像处理方法及装置 |
CN114880057A (zh) * | 2022-04-22 | 2022-08-09 | 北京三快在线科技有限公司 | 图像显示方法、装置、终端、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112465882B (zh) | 2024-06-11 |
WO2022105347A1 (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9142054B2 (en) | System and method for changing hair color in digital images | |
US10304166B2 (en) | Eye beautification under inaccurate localization | |
US8520089B2 (en) | Eye beautification | |
CN105359162B (zh) | 用于图像中的与脸部有关的选择和处理的图像掩模 | |
WO2018036462A1 (zh) | 图像分割的方法、计算机设备及存储介质 | |
EP4293567A1 (en) | Three-dimensional face reconstruction method and apparatus, device, and storage medium | |
CN107507144B (zh) | 肤色增强的处理方法、装置及图像处理装置 | |
CN106326823B (zh) | 一种获取图片中头像的方法和系统 | |
CN112465882B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111353546A (zh) | 图像处理模型的训练方法、装置、计算机设备和存储介质 | |
CN103440633A (zh) | 一种数字图像自动祛除斑点的方法 | |
Wang et al. | Color contrast-preserving decolorization | |
CN108596992B (zh) | 一种快速实时的唇彩化妆方法 | |
Li et al. | Flexible piecewise curves estimation for photo enhancement | |
CN113610723A (zh) | 图像处理方法及相关装置 | |
CN110321452B (zh) | 一种基于方向选择机制的图像检索方法 | |
CN113052783A (zh) | 一种基于人脸关键点的人脸图像融合方法 | |
CN111179156A (zh) | 一种基于人脸检测的视频美化方法 | |
WO2023103813A1 (zh) | 图像处理方法、装置、设备、存储介质及程序产品 | |
CN113947568B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
US10354125B2 (en) | Photograph processing method and system | |
Vazquez-Corral et al. | Angular-based preprocessing for image denoising | |
Tao et al. | LEGAN: A low-light image enhancement generative adversarial network for industrial internet of smart-cameras | |
CN111951408B (zh) | 一种基于三维人脸的图像融合方法和设备 | |
CN113837018B (zh) | 一种化妆进度检测方法、装置、设备及存储介质 |
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 |