CN112614060A - 人脸图像头发渲染方法、装置、电子设备和介质 - Google Patents
人脸图像头发渲染方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN112614060A CN112614060A CN202011433458.8A CN202011433458A CN112614060A CN 112614060 A CN112614060 A CN 112614060A CN 202011433458 A CN202011433458 A CN 202011433458A CN 112614060 A CN112614060 A CN 112614060A
- Authority
- CN
- China
- Prior art keywords
- color value
- hair
- image
- pixel point
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009877 rendering Methods 0.000 title claims abstract description 53
- 238000012937 correction Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 29
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 11
- 231100000640 hair analysis Toxicity 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001815 facial effect Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000037308 hair color Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003796 beauty Effects 0.000 description 3
- 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
- 239000000284 extract Substances 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 201000004384 Alopecia Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000024963 hair loss Diseases 0.000 description 1
- 230000003676 hair loss Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种人脸图像头发渲染方法、装置、电子设备和介质。其中方法包括:获取待处理图像中的头发区域,其中各个像素点的第一颜色值为RGB格式;根据预设线性变换关系,对第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值;修正后的目标像素点的第一颜色值与目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与目标像素点的亮度值之间的区别程度,目标像素点为头发区域中的任一像素点;将修正后的第一颜色值转换为HSV格式,获得各像素点的第二颜色值;获取HSV格式的参考颜色值;根据参考颜色值和第二颜色值,获得各个像素点RGB格式的目标颜色值;使用各个像素点的目标颜色值渲染头发区域,获得渲染后的图像。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其是涉及一种人脸图像头发渲染方法、装置、电子设备和介质。
背景技术
随着美颜的流行,越来越多的用户希望能通过美颜工具对图片或者视频中的人物进行美颜处理。尤其是在手机或者直播领域,对美颜的需求越来越凸显。常见的美颜包括瘦脸、美发等。
以美发为例,在很多对人像图片质量有要求的应用场景中,对人像分割的精度要求越来越高。一般采用的语义分割技术主要是寻找对象在图像中的大致像素点,侧重点在于找到不同的对象实例,实现语义层面理解图像的内容信息,在此基础上调整头发区域的颜色参数来实现美发的效果不佳,容易出现头发渲染失真。
发明内容
本申请提供了一种人脸图像头发渲染方法、装置、电子设备和介质。
第一方面,提供了一种人脸图像头发渲染方法,包括:
获取待处理图像中的头发区域,所述头发区域的各个像素点的第一颜色值为RGB格式;
根据预设线性变换关系,对所述第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值;修正后的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度,所述目标像素点为所述头发区域中的任一像素点;
将所述修正后的第一颜色值转换为HSV格式,获得所述各个像素点的第二颜色值;
获取HSV格式的参考颜色值;根据所述参考颜色值和所述第二颜色值,获得所述各个像素点的目标颜色值,所述目标颜色值为RGB格式;
使用所述各个像素点的目标颜色值渲染所述头发区域,获得渲染后的图像。
第二方面,提供了一种人脸图像头发渲染装置,包括:
获取模块,用于获取待处理图像中的头发区域,所述头发区域的各个像素点的第一颜色值为RGB格式;
修正模块,用于根据预设线性变换关系,对所述第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值;修正后的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度,所述目标像素点为所述头发区域中的任一像素点;
转换模块,用于将所述修正后的第一颜色值转换为HSV格式,获得所述各个像素点的第二颜色值;
渲染模块,用于:
获取HSV格式的参考颜色值;根据所述参考颜色值和所述第二颜色值,获得所述各个像素点的目标颜色值,所述目标颜色值为RGB格式;
使用所述各个像素点的目标颜色值渲染所述头发区域,获得渲染后的图像。
第三方面,提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述第一方面及其任一种可能的实现方式的步骤。
第四方面,提供了一种计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行如上述第一方面及其任一种可能的实现方式的步骤。
本申请实施例通过获取待处理图像中的头发区域,其中头发区域的各个像素点的第一颜色值为RGB格式,先根据预设线性变换关系,对第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值,修正后的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度,上述目标像素点为所述头发区域中的任一像素点,再将修正后的第一颜色值转换为HSV格式,获得各个像素点的第二颜色值,然后获取HSV格式的参考颜色值,根据参考颜色值和第二颜色值获得各个像素点的RGB格式的目标颜色值,使用各个像素点的目标颜色值渲染头发区域,获得渲染后的图像;可以分别对头发区域像素点的R、G、B三个颜色通道进行线性变换,再在HSV颜色空间中进行融合,与一般直接替换像素点颜色值相比,该方法先对每个通道分量进行修正处理,能够最大限度保留各像素点的颜色值变化情况,使得颜色值与亮度值有较大区分,以在HSV颜色空间中可以更好地进行颜色值的变换,而保留亮度值,使得渲染效果更加自然。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1为本申请实施例提供的一种人脸图像头发渲染方法的流程示意图;
图2为本申请实施例提供的另一种人脸图像头发渲染方法的流程示意图;
图3为本申请实施例提供的一种头发二值化掩膜标签示意图;
图4为本申请实施例提供的一种预设头发分割模型的结构示意图;
图5为本申请实施例提供的一种人脸图像头发渲染装置的结构示意图;
图6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
为了使本技术领域的人员更好地理解本申请方案,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,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参阅图1,图1是本申请实施例提供的一种人脸图像头发渲染方法的流程示意图。该方法可包括:
101、获取待处理图像中的头发区域,上述头发区域的各个像素点的第一颜色值为RGB格式。
本申请实施例的执行主体可以为一种人脸图像头发渲染装置,可以为电子设备,具体实现中,上述电子设备可以为一种终端,也可称为终端设备,包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,上述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
上述待处理图像为包含头发区域的图像,可以是人脸头发图像,即包含人脸和头发区域的图像。上述待处理图像可以是由摄像设备拍摄的图像,也可以是合成图像等,本申请实施例对此不做限制。
本申请实施例中涉及的RGB色彩模式是工业界的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的,RGB即是代表红、绿、蓝三个通道的颜色。图像由像素点组成,三通道图像每个像素点的像素值(也可称为颜色值)则表示上述RGB。上述待处理图像可以为采用RGB色彩模式的图像,则其中各个像素点的颜色值为RGB格式,包括上述头发区域的各个像素点的第一颜色值为RGB格式。
在一种可选的实施方式中,上述获取待处理图像中的头发区域,可包括:
11、获取上述待处理图像;
12、基于预设头发分割模型对上述待处理图像进行处理,获得上述待处理图像中的头发区域。
具体的,可以对待处理图像进行图像分割,提取待处理图像中的头发区域。
图像分割是图像识别和计算机视觉至关重要的预处理。本申请实施例中先对头发区域进行准确的分割,以对头发区域进行准确的识别和处理。
本申请实施例中可以采用预设头发分割模型对上述待处理图像进行处理,上述预设头发分割模型可以为通过训练学习获得的一种神经网络模型。通过预设头发分割模型可以对输入的待处理图像进行分析处理,预测待处理图像中各个像素点属于不同区域的概率,以将各个像素点分类,实现图像分割,获得待处理图像中的头发区域。关于预设头发分割模型还可以参见后续实施例中的具体描述,此处不赘述。
可选的,本申请实施例中可以根据需要选择头发分割模型来提取待处理图像中的头发区域,可采用基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法等,此处不做限制。
在获得上述待处理图像中的头发区域之后,可以执行步骤102。
102、根据预设线性变换关系,对上述第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值;修正后的目标像素点的第一颜色值与上述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与上述目标像素点的亮度值之间的区别程度,上述目标像素点为上述头发区域中的任一像素点。
本申请实施例中的人脸图像头发渲染方法可以替换发色,即替换头发区域的颜色值,并不改变头发区域的亮度值,因为改变亮度值会让头发渲染失真。
为了更准确地区分头发区域的像素点的颜色值和亮度值,在替换发色之前,对头发区域的各个像素点的第一颜色值进行修正处理,使修正处理后头发区域像素点的颜色值和亮度值区别程度更大,便于更准确地针对像素点的颜色值进行渲染处理。
在一种实施方式中,上述步骤102可包括:
获取上述第一颜色值中的每个通道分量,以及上述每个通道分量的均值和方差;
根据预设调节系数、上述每个通道分量,以及上述每个通道分量的均值和方差,计算获得上述修正后的第一颜色值。
在RGB色彩模式下的每个像素点有R、G、B三个通道,一个像素点在每个通道有一个对应的颜色分量。可以通过对像素点每个通道分量的调整进行颜色值修正。
具体的,假设任意一个通道中某个像素点的通道分量表示为I(x,y),其中(x,y)为该像素点的坐标,该通道分量的均值为P、方差为σ,上述通道分量的均值P即为该通道中全部像素点的通道分量的均值,上述通道分量的方差σ即为该通道中全部像素点的通道分量的方差;则可以采用以下公式进行上述修正处理:
Imin=P-D·σ;
其中,Imin为一个中间参数,D为上述预设调节系数,D可以为常数比如3,可以根据需要进行设置;I′(x,y)即为修正后的通道分量。
通过上述公式,可以对头发区域的每个像素点中R、G、B三个通道分量进行修正处理,再进行融合,可以获得每个像素点的修正后的颜色值,即修正后的第一颜色值。具体的,采用上述公式可以对头发区域的任一通道的任一通道分量进行修正处理,本申请实施例中的颜色值修正,可以利用上述公式,分别对头发区域的每个像素点、上述像素点的每个通道分量均进行修正处理,计算获得每个通道分量对应的修正后的通道分量,相当于将各个原有的通道分量替换为对应的修正后的通道分量,从而可以将每个像素点的三个修正后的通道分量组合为该像素点新的颜色值(第一颜色值),即获得了各个像素点的修正后的第一颜色值。此处对R通道分量的修正进行具体介绍:举例来讲,比如对于头发区域a,首先可以计算该头发区域a全部像素点对应的R通道分量的均值P1和方差σ1,对于头发区域a中的一个像素点M,其在图像中的坐标为(x1,y1),像素点M在R、G、B三个通道分量分别可以表示为I1(x1,y1)、I2(x1,y1)和I3(x1,y1);进而可以通过上述公式进行计算:
通过I1min=P1-D·σ1,求得中间参数I1min;
可以求得该像素点M修正后的R通道分量I′1(x1,y1)。类似地,可以求得该像素点M修正后的G通道分量I′2(x1,y1)和B通道分量I′3(x1,y1),即获得了该像素点M修正后的R、G、B三个通道分量,组成像素点M修正后的第一颜色值。可以对上述头发区域a中每个像素点进行以上相同的修正处理,此处不再赘述。
RGB格式的颜色值,其亮度值是由R、G、B三个值决定的,不存在单独提取出在RGB颜色空间中的亮度值,可以理解颜色值跟亮度值是混合在一起的,在此情况下调整亮度需要对整体颜色值做调整。一般可以将图像从RGB映射到HSV颜色空间,再通过修改像素点的V值进行亮度调整,再从HSV映射回RGB颜色空间,达到对图像亮度的调整。通过上述修正处理,不需要转换到HSV空间,可以在RGB格式下调整上述头发区域的亮度,防止头发区域整体偏暗或者偏亮的情况,以更好的进行后续颜色渲染处理,达到更好的显示效果。
103、将上述修正后的第一颜色值转换为HSV格式,获得上述各个像素点的第二颜色值。
本申请实施例中,将头发区域的像素点RGB格式的颜色值转换为HSV格式后进行发色替换。HSV是根据颜色的直观特性创建的一种颜色空间,也称六角锥体模型(HexconeModel),这个模型中颜色的参数分别是色调(H)、饱和度(S)、明度(V),即像素点的颜色值可以包括色调值、饱和度值和明度值。
RGB格式的颜色值,其亮度值是由R、G、B三个值决定的,不存在单独提取出在RGB颜色空间中的亮度值,可以理解颜色值跟亮度值是混合在一起的。然而,通过上述公式能够将颜色空间转为HSV时,其亮度值,就只需要一个V值进行表示,因此能够更好的区分像素点的颜色值和亮度值。
像素点从RGB格式的颜色值转换为HSV格式的颜色值,可以采用预设的映射关系,即可以预先设置修正后的第一颜色值与HSV格式颜色值的映射关系。
在一种实施方式中,上述步骤103可包括:
根据上述修正后的第一颜色值中各通道值之间的大小关系,确定上述修正后的第一颜色值与HSV格式颜色值的映射关系;
根据上述修正后的第一颜色值与HSV格式颜色值的映射关系,计算获得上述修正后的第一颜色值所对应的HSV格式颜色值为上述第二颜色值。
具体的,本申请实施例中为了更好提取出待渲染的头发区域的像素点颜色值,将该待处理图像的颜色空间由RGB颜色空间转为HSV颜色空间。设(r,g,b)为一个头发区域中的像素点的颜色值,其中r、g、b分别为该像素点的颜色值的红、绿和蓝通道分量;设max等于该像素点的r、g和b中的最大者,设min等于该像素点的r、g和b中的最小者;在HSV颜色空间中的像素点的颜色值可表示为(h,s,v),其中h、s、v值分别表示该像素点的色调值、饱和度值和明亮度值;要找到在HSV颜色空间中的(h,s,v)值,其转换公式可以如下:
v=max;
具体的,可以通过头发区域的任意一个像素点的r、g、b值,计算出该像素点对应的h、s、v值,对头发区域的每个像素点利用上述公式计算出对应的h、s、v值,即可以获得上述每个像素点HSV格式的第二颜色值。
举例来讲,设(r1,g1,b1)为一个头发区域中的一个像素点的颜色值,在r1、g1、b1中若g1最大,b1最小,则max=g1,min=b1,max不为0,则对应的计算公式可以采用:
v1=max=g1;
通过上述公式可以计算出h1、s1、v1,即可以获得该像素点对应的HSV颜色空间中的第二颜色值(h1,s1,v1)。
通过上述步骤转换为HSV格式的第二颜色值之后,可以执行步骤104。
104、获取HSV格式的参考颜色值;根据上述参考颜色值和上述第二颜色值,获得上述各个像素点的目标颜色值,上述目标颜色值为RGB格式。
其中,上述参考颜色值可以根据需要设置,即将头发区域调整后的颜色值,该参考颜色值和上述第二颜色值均为HSV格式,以便进行对第二颜色值的调整,并且将获得的颜色值再次转换为RGB格式。
可选的,用户可以选择RGB格式的参考颜色值,可以根据上述步骤103中相同的方法转换为HSV格式的参考颜色值,再进行处理。
在一种实施方式中,上述步骤104可包括:
将上述第二颜色值中的色调值和饱和度值分别设置为上述参考颜色值中的色调值和饱和度值,获得第三颜色值;
根据上述第三颜色值和预设的渲染映射关系,计算获得上述各个像素点的目标颜色值。
具体的,根据需要渲染的参考颜色值,在HSV颜色空间中,保留上述第二颜色值的明度值,将上述第二颜色值中的色调值和饱和度值分别设置为该参考颜色值中的色调值和饱和度值,再进行转换。进一步地,上述第三颜色值和预设的渲染映射关系可以是预先设置的,在一种可选地实施方式中,该渲染映射关系包括以下计算公式:
p=v*(1-s),
q=v*(1-f*s),
t=v*(1-(1-f)*s),
本申请实施例中,由HSV颜色空间中像素点的一个颜色值(h,s,v),在RGB空间中对应的颜色值(r,g,b),可以计算上述p、q、f、t这个几个参数来确定。由上述公式可见,通过像素点的h值可以计算出一个参考参数hi,进而计算获得对应的p、q、f、t值,上述p、q、f、t为中间变量,是根据h、s、v三个值的关系构建的。举例来讲,对于已知的一个像素点的第二颜色值(h1,s1,v1),可以通过上述公式先计算出hi值记为hi1:
根据h1和上述hi1,可以计算出f值记为f1:
可以根据v1、s1、f1,计算出p、q、t值,分别记为p1、q1和t1:
p1=v1*(1-s1),
q1=v1*(1-f1*s1),
t=v1*(1-(1-f1)*s1);
进而在上述公式的基础上,可以根据hi1值的不同,确定对应的r、g、b值(记为r2、g2、b2)。比如,若hi1=0,则(r2,g2,b2)=(v1,t1,p1),若hi1=2,则(r2,g2,b2)=(p1,v1,t1),从而获得该像素点RGB格式的目标颜色值。
对上述头发区域的各个像素点的第二颜色值进行上述映射关系的转换,可以获得各个像素点的目标颜色值。
105、使用上述各个像素点的目标颜色值渲染上述头发区域,获得渲染后的图像。
在计算获得各个像素点的目标颜色值之后,则可以执行对头发区域的渲染处理,即将各个像素点的颜色值调整为对应的目标颜色值,获得渲染后的图像。渲染后的图像的头发区域可展示所选的参考颜色值的颜色,达到替换发色的效果。
举例来讲,假设头发为纯黑色,头发区域像素点的第一颜色值R=G=B=0,那么可以先转换到HSV颜色空间,即计算得到对应的像素点的第二颜色值H=S=V=0;假设要把头发颜色替换为红色(R=255,G=0,B=0),那么,可以先将红色转换为对应的HSV格式,然后在第二颜色值中保留原始黑色头发的V值、H、S值修改为红色头发的H、S值,获得重新组合的HSV值,再将该重新组合的HSV值转换回RGB颜色空间,即可以获得头发区域换色之后的效果。
可选的,在上述步骤105之后,该方法还包括:
对上述头发区域的像素点进行锐化处理。
本申请实施例中对图像的锐化处理可以快速聚焦头发区域的模糊边缘,提高图像中头发区域的清晰度或者焦距程度,使色彩更加鲜明。锐化处理可以用空间微分来完成,例如可以采用如下公式对头发区域的像素点进行锐化处理:
上述公式可以理解为,对于待进行锐化处理的图像中任意一个像素点,将该点作为中心像素与上、下、左、右像素点计算灰度差值。举例来讲,对于待进行锐化处理的图像,其中像素点1为中心点,与该像素点1相邻的上、下、左、右的像素点2、3、4、5分别进行灰度比较,即(2(灰度值)-1(灰度值))+(3(灰度值)-1(灰度值))+(4(灰度值)-1(灰度值))+(5(灰度值)-1(灰度值))得到灰度差之和用灰度差之和来表示中心像素点1与周围像素点的差异。然后用该灰度差之和对中心点的灰度进行修改,即将该像素点1原本的灰度值f(x,y)加上灰度差之和获得该像素点1的锐化后灰度值G(x,y)。通过上述方式对每个像素点进行上述处理,修改灰度值,实现整个图像的锐化,可以以达到增强灰度跳变部分,快速聚焦头发区域的模糊边缘,提高图像中头发区域的清晰度和焦距程度。其中若不满足存在四个相邻像素点的像素点a,对应的相邻像素点灰度值可以取0,也可以不对该像素点a进行锐化,保留原始灰度值。
本申请实施例中还可以根据需要选择其他锐化处理方法或者对渲染后的图像进行其他的处理调整,以达到不同的显示效果,此处不做限制。
本申请实施例通过获取待处理图像中的头发区域,其中头发区域的各个像素点的第一颜色值为RGB格式,先根据预设线性变换关系,对第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值,修正后的目标像素点的第一颜色值与上述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与上述目标像素点的亮度值之间的区别程度,上述目标像素点为上述头发区域中的任一像素点,再将修正后的第一颜色值转换为HSV格式,获得各个像素点的第二颜色值,然后获取HSV格式的参考颜色值,根据参考颜色值和第二颜色值获得各个像素点的RGB格式的目标颜色值,使用各个像素点的目标颜色值渲染头发区域,获得渲染后的图像;可以分别对头发区域像素点的R、G、B三个颜色通道进行线性变换,再在HSV颜色空间中进行融合,与一般直接替换像素点颜色值相比,该方法先对每个通道分量进行修正处理,能够最大限度保留各像素点的颜色值变化情况,使得颜色值与亮度值有较大区分,以在HSV颜色空间中可以更好地进行颜色值的变换,而保留亮度值,使得渲染效果更加自然。
请参阅图2,图2是本申请实施例提供的一种预设头发分割模型训练方法的流程示意图。如图2所示,该方法可具体包括:
201、获取样本图像数据,上述样本图像数据包括不同类型的人脸头发样本图像以及上述人脸头发样本图像对应的标注样本图像,上述标注样本图像中已标注头发区域和背景区域。
具体的,本申请实施例中可以预先建立网络模型并进行训练,获得上述预设头发分割模型,以执行如图1所示实施例中的人脸图像头发渲染方法。
可以采用不同类型的人脸头发样本图像,以及对应的标注样本图像,作为样本数据训练预设的卷积神经网络。
上述标注样本图像中可以采用二值化标签来标注头发区域和背景区域。可以如图3所示的一种头发二值化掩膜标签示意图,如图3所示,
左边为一个人脸头发样本图像示例,右边为该人脸头发样本图像对应的标注样本图像,在标注样本图像中,白色区域表示头发区域,其中像素点的颜色值为1,黑色区域表示背景区域,其中像素点的颜色值为0。
202、采用上述样本图像数据和预设损失函数训练预设的卷积神经网络,获得上述预设头发分割模型;上述预设损失函数包括全局损失函数与局部损失函数,上述全局损失函数用于计算上述预设的卷积神经网络的预测结果与上述标注样本图像的头发区域的整体差异度,上述局部损失函数用于计算上述预测结果与上述标注样本图像的头发区域中每个像素点的差异度。
在一种可选的实施方式中,为了提高模型的处理效率,可以统一输入到模型中的图像格式和大小,比如输入到模型中的图像均为256*256像素,格式为RGB,因此可以在将人脸头发样本图像输入到模型之前,可以对人脸头发样本图像和标注样本图像进行相同的预处理,比如图像缩放处理和/或格式转换,获得尺寸为256*256*3的RGB格式图像。
本申请实施例中构建的上述预设头发分割模型可包括编码模块和解码模块,上述编码模块与上述解码模块连接;
其中编码模块可包括基本的卷积层、深度可分离卷积(Depthwiseseparableconvolution)层、归一化(Batchnorm)层和激活函数层,上述激活函数层可采用Relu激活函数。解码模块可包括上采样层(Upsampling)、深度可分离反卷积层、反卷积层和反激活函数层。
可以参见图4所示的一种预设头发分割模型的结构示意图,如图4所示,该预设头发分割模型包括依次连接的第一卷积单元a、第一深度可分离卷积单元b、第二深度可分离卷积单元c、第三深度可分离卷积单元d、第二卷积单元e、第三卷积单元f、第一反卷积单元g、第二反卷积单元h、第一深度可分离反卷积单元i、第二深度可分离反卷积单元j、反卷积处理单元k;
其中,每个卷积单元包括两个卷积处理层和一个下采样层,每个卷积处理层包括一个卷积层Conv和对应的一个归一化层BN、激活函数层relu;
每个深度可分离卷积单元包括两个深度可分离卷积层和一个下采样层;
每个反卷积单元包括两个反卷积处理层和一个上采样层,每个反卷积处理层包括一个反卷积层和对应的一个归一化层BN、激活函数层relu;
每个深度可分离反卷积单元包括两个深度可分离反卷积层和一个上采样层;上述反卷积处理单元k包括两个上述反卷积处理层。
上述单元a、b、c、d、e、f属于编码模块,单元g、h、i、j、k属于解码模块,其中卷积层结合对应的下采样层,将图像转换为更小的尺寸以更准确地提取图像特征,反卷积层结合对应的上采样层,将图像转换回更大的尺寸,最终获得原始图像尺寸。归一化层用于控制每层神经网络任意神经元输入值的分布为标准正太分布,其实就是把一般训练中可能越来越偏的分布结果强制拉回比较标准的分布,使梯度变大,避免梯度消失问题产生,而且梯度变大意味着学习收敛速度快,能大大加快训练速度。激活函数层引入了非线性因素,使得神经网络可以任意逼近任何非线性函数,便于非线性模型的训练。
在训练过程中,上述编码模块主要用于获取人脸头发样本图像的特征图,编码模块本质就是在对人脸头发样本图像进行卷积操作,每经过一次卷积核运算,就会得到一张特征图,因此有多少个卷积核,就可以获得多少张特征图。特征图的实质就是卷积运算的结果。
对于解码模块,当编码模块得到较小的特征图(比如8*8大小)时,此时采用反卷积、上采样的操作,将特征图转为更大的特征图(比如16*16大小)。此过程首先根据反卷积操作,提取特征信息。无论是卷积还是反卷积,都是为了提取图片特征。本申请实施例中的上采样,可以采用内插值方法达到图像放大的效果,即在原有图像像素的基础上在像素点之间采用合适的插值算法插入新的元素,从而将8*8大小的特征图转为16*16。在上述解码模块中可以根据特征图进行概率预测,确定头发区域,当获取最后的特征图(比如256*256大小)时,此时特征图的数据是0-1分布的,表示在特定像素点位置的概率值,即指的是人脸头发样本图像的各个像素点属于头发区域或背景区域的概率,可作为该像素点是否属于头发区域的判断依据,对每个像素点进行分类,从而确定出全部属于头发区域的像素点,即可确定头发区域。其中,模型每层的数据都是输入数据经过卷积操作,不断叠加得到的。
相应的,采用该预设头发分割模型进行图像的头发分割时,图1所示实施例中的步骤12具体可包括:
通过上述编码模块分析上述待处理图像,以获得上述待处理图像对应的特征图;
通过上述解码模块根据上述待处理图像对应的特征图,获得上述待处理图像中的每个像素点的类别预测概率,并根据上述待处理图像中的每个像素点的类别预测概率获得上述待处理图像中的头发区域,上述类别预测概率包括上述像素点属于头发区域的概率和上述像素点不属于头发区域的概率。
基于上述类别预测概率,可以将待处理图像中的像素点的分类:头发区域或非头发区域,提取属于头发区域的像素点所在的图像区域,从而可以确定并分割出待处理图像中的头发区域。具体的,待处理的人脸头发图像输入预设头发分割模型,可以输出为一张二值化图像,此二值化图像中,像素点的像素值为1的区域为头发区域,像素值为0的区域为非头发区域。
在训练过程中根据预设损失函数计算网络的损失,利用预设损失函数对卷积神经网络的参数进行迭代、更新,获得上述预设头发分割模型。
本申请实施例在预设损失函数的设计中,上述预设损失函数由两部分构成,包括上述全局损失函数与局部损失函数,其中全局损失函数计算预设的卷积神经网络的预测结果与标注样本图像的头发区域的整体差异度,局部损失函数计算预测结果与标注样本图像的头发区域中每个像素点的差异度。通过全局损失函数考虑整体头发损失,通过局部损失函数考虑头发丝单个像素值之间的关系,可以使模型的训练结果更准确。
在一种实施方式中,上述预设损失函数的计算公式可以如下:
其中,diceloss、softmaxloss分别表示全局损失函数和局部损失函数部分,α和β表示不同的权重参数,范围[0,1];Y表示样本中各个像素点的正确标注(ground truth)或称为真实标签,P表示预测结果;|·|表示矩阵元素之和,|Y∩P|表示Y和P的共有元素数,实际通过求两者的逐像素点乘积之和进行计算,例如:
上述Yi,j表示在(i,j)位置像素点的真实标签。Pi,j表示为(i,j)位置像素点的预测结果。本申请实施例中的预设头发分割模型训练方法,其中预设损失函数包括全局损失函数与局部损失函数两部分,全局损失函数部分计算预测结果集合与真实标签集合的差异性,衡量整体头发区域损失,而局部损失函数部分损失函数的第二部分为像素点类别损失,可以理解为判断该像素点是否是头发区域的像素点。通过最小化损失函数进行模型训练,在训练中能够学习到更多图像细节,可以使模型的训练结果更准确,即可以实现更准确的头发分割处理。
基于上述人脸图像头发渲染方法实施例的描述,本申请实施例还公开了一种人脸图像头发渲染装置。请参见图5,人脸图像头发渲染装置500包括:
获取模块510,用于获取待处理图像中的头发区域,所述头发区域的各个像素点的第一颜色值为RGB格式;
修正模块520,用于根据预设线性变换关系,对所述第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值;修正后的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度,所述目标像素点为所述头发区域中的任一像素点;
转换模块530,用于将所述修正后的第一颜色值转换为HSV格式,获得所述各个像素点的第二颜色值;
渲染模块540,用于:
获取HSV格式的参考颜色值;根据所述参考颜色值和所述第二颜色值,获得所述各个像素点的目标颜色值,所述目标颜色值为RGB格式;
使用所述各个像素点的目标颜色值渲染所述头发区域,获得渲染后的图像。
根据本申请的一个实施例,图1和图2所示的方法所涉及的各个步骤均可以是由图5所示的人脸图像头发渲染装置500中的各个模块执行的,此处不再赘述。
本申请实施例中的人脸图像头发渲染装置500,可以获取待处理图像中的头发区域,其中头发区域的各个像素点的第一颜色值为RGB格式,先根据预设线性变换关系,对第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值,修正后的目标像素点的第一颜色值与上述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与上述目标像素点的亮度值之间的区别程度,上述目标像素点为上述头发区域中的任一像素点,再将修正后的第一颜色值转换为HSV格式,获得各个像素点的第二颜色值,然后获取HSV格式的参考颜色值,根据参考颜色值和第二颜色值获得各个像素点的RGB格式的目标颜色值,使用各个像素点的目标颜色值渲染头发区域,获得渲染后的图像;可以分别对头发区域像素点的R、G、B三个颜色通道进行线性变换,再在HSV颜色空间中进行融合,与一般直接替换像素点颜色值相比,该方法先对每个通道分量进行修正处理,能够最大限度保留各像素点的颜色值变化情况,使得颜色值与亮度值有较大区分,以在HSV颜色空间中可以更好地进行颜色值的变换,而保留亮度值,使得渲染效果更加自然。
基于上述方法实施例以及装置实施例的描述,本申请实施例还提供一种电子设备。请参见图6,该电子设备600至少包括处理器601、输入设备602、输出设备603以及计算机存储介质604。其中,电子设备内的处理器601、输入设备602、输出设备603以及计算机存储介质604可通过总线或其他方式连接。
计算机存储介质604可以存储在电子设备的存储器中,上述计算机存储介质604用于存储计算机程序,上述计算机程序包括程序指令,上述处理器601用于执行上述计算机存储介质604存储的程序指令。处理器601(或称CPU(Central Processing Unit,中央处理器))是电子设备的计算核心以及控制核心,其适于实现一条或多条指令,具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能;在一个实施例中,本申请实施例上述的处理器601可以用于进行一系列的处理,包括如图1或图2所示的方法所涉及的各个步骤等等。
本申请实施例还提供了一种计算机存储介质(Memory),上述计算机存储介质是电子设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质既可以包括电子设备中的内置存储介质,当然也可以包括电子设备所支持的扩展存储介质。计算机存储介质提供存储空间,该存储空间存储了电子设备的操作系统。并且,在该存储空间中还存放了适于被处理器401加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器;可选的还可以是至少一个位于远离前述处理器的计算机存储介质。
在一个实施例中,可由处理器加载并执行计算机存储介质中存放的一条或多条指令,以实现上述实施例中的相应步骤;具体实现中,计算机存储介质中的一条或多条指令可以由处理器加载并执行图1和/或图2中方法的任意步骤,此处不再赘述。
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,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,该模块的划分,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,多个模块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。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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory,ROM),或随机存储存储器(random access memory,RAM),或磁性介质,例如,软盘、硬盘、磁带、磁碟、或光介质,例如,数字通用光盘(digital versatile disc,DVD)、或者半导体介质,例如,固态硬盘(solid state disk,SSD)等。
Claims (10)
1.一种人脸图像头发渲染方法,其特征在于,包括:
获取待处理图像中的头发区域,所述头发区域的各个像素点的第一颜色值为RGB格式;
根据预设线性变换关系,对所述第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值;修正后的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度,所述目标像素点为所述头发区域中的任一像素点;
将所述修正后的第一颜色值转换为HSV格式,获得所述各个像素点的第二颜色值;
获取HSV格式的参考颜色值;根据所述参考颜色值和所述第二颜色值,获得所述各个像素点的目标颜色值,所述目标颜色值为RGB格式;
使用所述各个像素点的目标颜色值渲染所述头发区域,获得渲染后的图像。
2.根据权利要求1所述的人脸图像头发渲染方法,其特征在于,所述根据预设线性变换关系,对所述第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值包括:
获取所述第一颜色值中的每个通道分量,以及所述每个通道分量的均值和方差;
根据预设调节系数、所述每个通道分量,以及所述每个通道分量的均值和方差,计算获得所述修正后的第一颜色值。
3.根据权利要求1所述的人脸图像头发渲染方法,其特征在于,所述根据所述参考颜色值和所述第二颜色值,获得所述各个像素点的目标颜色值,包括:
将所述第二颜色值中的色调值和饱和度值分别设置为所述参考颜色值中的色调值和饱和度值,获得第三颜色值;
根据所述第三颜色值和预设的渲染映射关系,计算获得所述各个像素点的目标颜色值。
4.根据权利要求1所述的人脸图像头发渲染方法,其特征在于,所述将所述修正后的第一颜色值转换为HSV格式,获得所述各个像素点的第二颜色值,包括:
根据所述修正后的第一颜色值中各通道值之间的大小关系,确定所述修正后的第一颜色值与HSV格式颜色值的映射关系;
根据所述修正后的第一颜色值与HSV格式颜色值的映射关系,计算获得所述修正后的第一颜色值所对应的HSV格式颜色值为所述第二颜色值。
5.根据权利要求1-4任一项所述的人脸图像头发渲染方法,其特征在于,所述获取待处理图像中的头发区域,包括:
获取所述待处理图像;
基于预设头发分割模型对所述待处理图像进行处理,获得所述待处理图像中的头发区域;
所述预设头发分割模型为通过如下方法训练得到:
获取样本图像数据,所述样本图像数据包括不同类型的人脸头发样本图像以及所述人脸头发样本图像对应的标注样本图像,所述标注样本图像中已标注头发区域和背景区域;
采用所述样本图像数据和预设损失函数训练预设的卷积神经网络,获得所述预设头发分割模型;所述预设损失函数包括全局损失函数与局部损失函数,所述全局损失函数用于计算所述预设的卷积神经网络的预测结果与所述标注样本图像的头发区域的整体差异度,所述局部损失函数用于计算所述预测结果与所述标注样本图像的头发区域中每个像素点的差异度。
6.根据权利要求5所述的人脸图像头发渲染方法,其特征在于,所述预设头发分割模型包括编码模块和解码模块,所述编码模块与所述解码模块连接;所述基于预设头发分割模型对所述待处理图像进行处理,获得所述待处理图像中的头发区域,包括:
通过所述编码模块分析所述待处理图像,以获得所述待处理图像对应的特征图;
通过所述解码模块根据所述待处理图像对应的特征图,获得所述待处理图像中的每个像素点的类别预测概率,并根据所述待处理图像中的每个像素点的类别预测概率获得所述待处理图像中的头发区域,所述类别预测概率包括所述像素点属于头发区域的概率和所述像素点不属于头发区域的概率。
7.根据权利要求1-6任一项所述的人脸图像头发渲染方法,其特征在于,所述使用所述各个像素点的目标颜色值渲染所述头发区域之后,所述方法还包括:
对所述头发区域的像素点进行锐化处理。
8.一种人脸图像头发渲染装置,其特征在于,包括:
获取模块,用于获取待处理图像中的头发区域,所述头发区域的各个像素点的第一颜色值为RGB格式;
修正模块,用于根据预设线性变换关系,对所述第一颜色值中的每个通道分量进行修正处理,获得修正后的第一颜色值;修正后的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度大于修正前的目标像素点的第一颜色值与所述目标像素点的亮度值之间的区别程度,所述目标像素点为所述头发区域中的任一像素点;
转换模块,用于将所述修正后的第一颜色值转换为HSV格式,获得所述各个像素点的第二颜色值;
渲染模块,用于:
获取HSV格式的参考颜色值;根据所述参考颜色值和所述第二颜色值,获得所述各个像素点的目标颜色值,所述目标颜色值为RGB格式;
使用所述各个像素点的目标颜色值渲染所述头发区域,获得渲染后的图像。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的人脸图像头发渲染的步骤。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的人脸图像头发渲染方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011433458.8A CN112614060A (zh) | 2020-12-09 | 2020-12-09 | 人脸图像头发渲染方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011433458.8A CN112614060A (zh) | 2020-12-09 | 2020-12-09 | 人脸图像头发渲染方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112614060A true CN112614060A (zh) | 2021-04-06 |
Family
ID=75232576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011433458.8A Pending CN112614060A (zh) | 2020-12-09 | 2020-12-09 | 人脸图像头发渲染方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614060A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240760A (zh) * | 2021-06-29 | 2021-08-10 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
CN113837928A (zh) * | 2021-09-17 | 2021-12-24 | 平安普惠企业管理有限公司 | 对象颜色调整方法、装置、电子设备及存储介质 |
CN114022395A (zh) * | 2022-01-06 | 2022-02-08 | 广州卓腾科技有限公司 | 一种证件照头发颜色矫正方法、装置及介质 |
CN114140547A (zh) * | 2021-12-07 | 2022-03-04 | 北京百度网讯科技有限公司 | 图像生成方法和装置 |
CN114445898A (zh) * | 2022-01-29 | 2022-05-06 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、设备、存储介质及程序产品 |
WO2022227547A1 (zh) * | 2021-04-29 | 2022-11-03 | 北京市商汤科技开发有限公司 | 用于图像处理的方法、装置、电子设备及存储介质 |
WO2023029184A1 (zh) * | 2021-08-31 | 2023-03-09 | 浙江大学 | 一种基于深度学习的视频头发颜色转换方法 |
CN115797432A (zh) * | 2023-01-05 | 2023-03-14 | 荣耀终端有限公司 | 估计图像绝对深度的方法和装置 |
WO2023045946A1 (zh) * | 2021-09-27 | 2023-03-30 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
TWI813098B (zh) * | 2021-04-08 | 2023-08-21 | 美商谷歌有限責任公司 | 用於新穎視圖合成之神經混合 |
CN117454256A (zh) * | 2023-12-26 | 2024-01-26 | 长春工程学院 | 基于人工智能的地质勘测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
CN108876931A (zh) * | 2017-05-12 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 三维物体颜色调整方法、装置、计算机设备及计算机可读存储介质 |
CN111476849A (zh) * | 2020-04-03 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 对象颜色识别方法、装置、电子设备以及存储介质 |
CN111899182A (zh) * | 2019-05-06 | 2020-11-06 | 浙江宇视科技有限公司 | 颜色增强方法及装置 |
-
2020
- 2020-12-09 CN CN202011433458.8A patent/CN112614060A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
CN108876931A (zh) * | 2017-05-12 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 三维物体颜色调整方法、装置、计算机设备及计算机可读存储介质 |
CN111899182A (zh) * | 2019-05-06 | 2020-11-06 | 浙江宇视科技有限公司 | 颜色增强方法及装置 |
CN111476849A (zh) * | 2020-04-03 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 对象颜色识别方法、装置、电子设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
辛浪;刘钧;袁渊;: "基于图像分割和局部亮度调整的微光图像颜色传递算法", 应用光学, no. 02, 30 April 2020 (2020-04-30) * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI813098B (zh) * | 2021-04-08 | 2023-08-21 | 美商谷歌有限責任公司 | 用於新穎視圖合成之神經混合 |
WO2022227547A1 (zh) * | 2021-04-29 | 2022-11-03 | 北京市商汤科技开发有限公司 | 用于图像处理的方法、装置、电子设备及存储介质 |
CN113240760B (zh) * | 2021-06-29 | 2023-11-24 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
CN113240760A (zh) * | 2021-06-29 | 2021-08-10 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
WO2023273111A1 (zh) * | 2021-06-29 | 2023-01-05 | 北京市商汤科技开发有限公司 | 一种图像处理方法、装置、计算机设备和存储介质 |
WO2023029184A1 (zh) * | 2021-08-31 | 2023-03-09 | 浙江大学 | 一种基于深度学习的视频头发颜色转换方法 |
CN113837928A (zh) * | 2021-09-17 | 2021-12-24 | 平安普惠企业管理有限公司 | 对象颜色调整方法、装置、电子设备及存储介质 |
WO2023045946A1 (zh) * | 2021-09-27 | 2023-03-30 | 上海商汤智能科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN114140547A (zh) * | 2021-12-07 | 2022-03-04 | 北京百度网讯科技有限公司 | 图像生成方法和装置 |
CN114140547B (zh) * | 2021-12-07 | 2023-03-14 | 北京百度网讯科技有限公司 | 图像生成方法和装置 |
CN114022395A (zh) * | 2022-01-06 | 2022-02-08 | 广州卓腾科技有限公司 | 一种证件照头发颜色矫正方法、装置及介质 |
CN114445898A (zh) * | 2022-01-29 | 2022-05-06 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、设备、存储介质及程序产品 |
CN114445898B (zh) * | 2022-01-29 | 2023-08-29 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、设备、存储介质及程序产品 |
CN115797432A (zh) * | 2023-01-05 | 2023-03-14 | 荣耀终端有限公司 | 估计图像绝对深度的方法和装置 |
CN117454256A (zh) * | 2023-12-26 | 2024-01-26 | 长春工程学院 | 基于人工智能的地质勘测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614060A (zh) | 人脸图像头发渲染方法、装置、电子设备和介质 | |
Wang et al. | Gladnet: Low-light enhancement network with global awareness | |
CN107122826B (zh) | 用于卷积神经网络的处理方法和系统、和存储介质 | |
Celik et al. | Contextual and variational contrast enhancement | |
US20180374203A1 (en) | Methods, systems, and media for image processing | |
Hanbury | Constructing cylindrical coordinate colour spaces | |
CN107204034B (zh) | 一种图像处理方法及终端 | |
US9401027B2 (en) | Method and apparatus for scene segmentation from focal stack images | |
CN106326823B (zh) | 一种获取图片中头像的方法和系统 | |
AU2015201623A1 (en) | Choosing optimal images with preference distributions | |
CN111429416B (zh) | 一种人脸色素斑识别方法、装置及电子设备 | |
Iraji et al. | Skin color segmentation in fuzzy YCBCR color space with the mamdani inference | |
CN112541868B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN115115554B (zh) | 基于增强图像的图像处理方法、装置和计算机设备 | |
CN108806638B (zh) | 一种图像的显示方法及其装置 | |
CN112712569B (zh) | 一种肤色检测方法、装置、移动终端和存储介质 | |
CN113095470A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
Ansari et al. | Significance of color spaces and their selection for image processing: a survey | |
US10909351B2 (en) | Method of improving image analysis | |
CN109934783B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Bugeau et al. | Influence of color spaces for deep learning image colorization | |
CN113052783A (zh) | 一种基于人脸关键点的人脸图像融合方法 | |
Yuan et al. | Full convolutional color constancy with adding pooling | |
CN105631812B (zh) | 一种对显示图像进行色彩增强的控制方法及控制装置 | |
US11182634B2 (en) | Systems and methods for modifying labeled content |
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 |