CN113191938B - 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
- CN113191938B CN113191938B CN202110473454.0A CN202110473454A CN113191938B CN 113191938 B CN113191938 B CN 113191938B CN 202110473454 A CN202110473454 A CN 202110473454A CN 113191938 B CN113191938 B CN 113191938B
- Authority
- CN
- China
- Prior art keywords
- pixel points
- target
- image
- determining
- original image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims description 92
- 238000012937 correction Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 28
- 238000012986 modification Methods 0.000 claims description 22
- 230000004048 modification Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change 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
- 241001465754 Metazoa Species 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000037308 hair color Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Color Image Communication Systems (AREA)
Abstract
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,其中,本公开首先获取原始图像,并确定所述原始图像中至少部分像素点为目标像素点的概率值;所述目标像素点为所述原始图像中属于目标对象的像素点;其次,基于所述至少部分像素点对应的所述概率值和预先选择的目标颜色值,确定至少部分像素点对应的融合颜色值;最后,利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,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
图像作为一种常规的信息承载媒介,在工作、生活等各个场景都被广泛应用。通过修改图像中像素点的图像参数,可以对图像中的画面进行修改。比如,可以通过替换图像中像素点的颜色值,改变画面中某个对象的颜色值。然而,画面的颜色通常是较为复杂的,若直接将画面中某个对象的像素点的颜色值替换为某个特定值,画面中的对象与其他部分连接的部分会失去过渡色,使进行换色的对象所呈现出来的效果与原图像之间会存在较大的差异。
发明内容
本公开实施例至少提供一种图像处理方法、装置、电子设备及存储介质。
第一方面,本公开实施例提供了一种图像处理方法,包括:
获取原始图像,并确定所述原始图像中至少部分像素点为目标像素点的概率值;所述目标像素点为所述原始图像中属于目标对象的像素点;
基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值;
利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像。
该方面,通过确定原始图像至少部分像素点为目标像素点的概率值,能够从原始图像中识别出需要替换颜色的目标对象,基于至少部分像素点对应的概率值和预先选择的目标颜色值确定至少部分像素点对应的融合颜色值,再利用融合颜色值调整至少部分像素点的颜色值,得到目标图像,使得目标图像中,目标对象附近与内部的像素点之间产生一定的区别,形成过渡色,从而使目标对象在进行颜色替换后的特征更符合原始图像。
在一种可能的实施方式中,所述确定所述原始图像中至少部分像素点为目标像素点的概率值,包括:
提取所述原始图像中的图像特征信息;
基于所述原始图像对应的图像特征信息,确定所述原始图像中至少部分像素点为所述目标像素点的初始概率值;
基于所述至少部分像素点的初始概率值及颜色值,确定标准颜色值;
基于所述标准颜色值以及所述至少部分像素点的颜色值,对所述至少部分像素点对应的初始概率值进行校准,并将校准后的所述初始概率值作为所述原始图像中至少部分像素点为所述目标像素点的概率值。
该实施方式,基于至少部分像素点的初始概率值及颜色值确定标准色值,再利用至少部分像素点对应的颜色值和标准颜色值对初始概率值进行修正,使得至少部分像素点对应的概率值更符合真实情况,提高识别目标对象的精度。
在一种可能的实施方式中,所述基于所述原始图像对应的图像特征信息,确定所述原始图像中至少部分像素点为所述目标像素点的初始概率值,包括:
基于所述图像特征信息,确定所述至少部分像素点为目标像素点的评价分数;
基于预设的评价分数修正阈值和所述至少部分像素点对应的评价分数,分别确定所述至少部分像素点的初始概率值。
该实施方式,利用评价分数修正阈值对至少部分的像素点的评价分数进行修正,得到初始概率值,使初始概率值更加准确。
在一种可能的实施方式中,所述评价分数修正阈值包括第一修正阈值和第二修正阈值;所述第一修正阈值大于所述第二修正阈值;
所述基于预设的评价分数修正阈值和至少部分像素点对应的评价分数,分别确定至少部分像素点的初始概率值,包括:
针对所述至少部分像素点中任一像素点,在所述像素点的评价分数大于或等于所述第一修正阈值的情况下,确定所述像素点的初始概率值为第一预设概率值;
在所述像素点的评价分数小于或等于所述第二修正阈值的情况下,确定所述像素点的初始概率值为第二预设概率值;
在所述像素点的评价分数小于第一修正阈值且大于所述第二修正阈值的情况下,基于所述评价分数、所述第一修正阈值以及所述第二修正阈值确定所述像素点的初始概率值。
该实施方式,通过设置第一修正阈值和第二修正阈值,直接确定符合条件的像素点的初始概率值,能够降低计算初始概率值的计算量,提高计算效率。
在一种可能的实施方式中,所述基于所述评价分数、所述第一修正阈值以及所述第二修正阈值确定所述像素点的初始概率值,包括:
确定所述第一修正阈值与所述第二修正阈值之间的第一差值;
确定所述评价分数与所述第二修正阈值之间的第二差值;
基于所述第二差值与所述第一差值之间的比值,确定所述初始概率值。
该实施方式,利用第二差值与第一差值之间的比值确定初始概率值,能够提高初始概率值的精确度。
在一种可能的实施方式中,所述基于所述至少部分像素点的初始概率值及颜色值,确定标准颜色值,包括:
确定所述初始概率值高于或等于预设阈值的像素点的颜色值的均值,并将所述均值作为所述标准颜色值;
所述基于所述标准颜色值以及所述至少部分像素点的颜色值,对所述至少部分像素点对应的初始概率值进行校准,包括:
针对所述至少部分像素点中任一像素点,确定所述像素点的颜色值与所述标准颜色值之间的相似度;
基于所述相似度对所述至少部分像素点对应的初始概率值进行校准。
该实施方式,利用像素点的颜色值与标准颜色值之间的相似度对初始概率进行修正,进一步提升概率值的精确度。
在一种可能的实施方式中,所述基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值,包括:
针对所述至少部分像素点中任一所述像素点,基于所述像素点为所述目标像素点的概率值,确定所述像素点对应的颜色融合权重;
基于所述像素点的颜色值、所述目标颜色值以及所述像素点的颜色融合权重,确定所述像素点的融合颜色值。
该实施方式,基于像素点对应的概率值确定像素点对应的颜色融合权重,再基于颜色融合权重将像素点的颜色值和目标颜色值进行融合,得到融合颜色值,使得融合颜色值能够按照颜色融合权重反映出像素点原本的颜色值和目标颜色值,从而使目标对象的边界形成过渡色,使目标对象在进行颜色替换后的特征更符合原始图像。
在一种可能的实施方式中,在利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像之后,所述方法还包括:
基于所述原始图像中所述至少部分像素点的灰阶值,和/或所述至少部分像素点的预设灰阶值,确定所述目标图像中与所述至少部分像素点对应的像素点的目标灰阶值;
将目标图像中与所述至少部分像素点对应的像素点的灰阶值调整为对应的所述目标灰阶值。
该实施方式,利用原始图像中至少部分像素点的灰阶值和/或至少部分像素点的预设灰阶值确定目标图像中至少部分像素点的目标灰阶值,可以对换色后的目标对象的亮度进行调整,使目标对象在进行颜色替换后的特征更符合用户期望。
在一种可能的实施方式中,所述提取所述原始图像中的图像特征信息包括:
提取所述原始图像在多种预设分辨率下各个像素点的图像特征信息;
所述基于所述图像特征信息,确定所述至少部分像素点为目标像素点的评价分数,包括:
利用预设的分类器,确定所述原始图像在最低的预设分辨率下至少部分像素点为目标像素点的初始评价分数;
按照预设分辨率从低到高的顺序,基于前一预设分辨率下至少部分像素点的所述初始评价分数以及当前预设分辨率下至少部分像素点的图像特征信息,确定当前预设分辨率下所述原始图像中至少部分像素点为所述目标像素点的中间评价分数;
将所述原始图像在最高预设分辨率下至少部分像素点的中间评价分数作为所述原始图像中至少部分像素点为目标像素点的评价分数。
该实施方式,通过确定原始图像在多个预设分辨率下的初始评价分数,再基于初始评价分数确定至少部分像素点为目标像素点的评价分数,能够提高计算概率值的精确度。
在一种可能的实施方式中,所述获取原始图像,包括:
获取增强现实AR设备拍摄的现场图像,并将所述现场图像作为所述原始图像;
所述方法还包括:
利用所述AR设备展示所述目标图像。
该实施方式,通过AR设备获取原始图像,并通过AR设备展示目标图像,能够实现在AR场景下对目标对象的实时换色。
在一种可能的实施方式中,所述获取原始图像,包括:
获取目标人物图像,并将所述目标人物图像作为所述原始图像;其中,所述目标对象包括所述目标人物图像中的人体头发区域、人体皮肤区域、至少部分服饰区域中的至少一种;或者,
获取目标物体图像,并将所述目标物体图像作为所述原始图像;其中,所述目标对象为所述目标物体图像中的至少部分物体区域。
该实施方式,将目标人物图像或目标物体图像作为原始图像,从而实现对人体头发区域、人体皮肤区域、服饰区域或物体区域进行颜色调整。
第二方面,本公开实施例还提供一种图像处理装置,包括:
获取模块,用于获取原始图像,并确定所述原始图像中至少部分像素点为目标像素点的概率值;所述目标像素点为所述原始图像中属于目标对象的像素点;
确定模块,用于基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值;
生成模块,用于利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像。
第三方面,本公开实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
第四方面,本公开实施例还提供一种计算机可读存储介质,该计算机可读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上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
关于上述图像处理装置、电子设备、及计算机可读存储介质的效果描述参见上述图像处理方法的说明,这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,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示出了本公开实施例所提供的一种图像处理方法的流程图;
图2示出了本公开实施例所提供的置信度图的示意图;
图3示出了本公开实施例所提供的神经网络的示意图;
图4示出了本公开实施例所提供的一种图像处理装置的示意图;
图5示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。通常在此处描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,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,都属于本公开保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现,在针对图像中的一些对象进行换色处理时,若直接将画面中某个对象的像素点的颜色值替换为某个特定值,画面中的对象与其他部分连接的部分会失去过渡色,使进行换色的对象所呈现出来的效果与原图像之间会存在较大的差异。
基于上述研究,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,本公开实施例通过确定原始图像中至少部分像素点为目标像素点的概率值,能够从原始图像中识别出需要替换颜色的目标对象,基于至少部分像素点对应的概率值和预先选择的目标颜色值确定至少部分像素点对应的融合颜色值,再基于融合颜色值生成目标图像,使得目标图像中,目标对象附近与内部的像素点之间产生一定的区别,形成过渡色,从而使目标对象在进行颜色替换后的特征更符合原始图像。
针对以上方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案,都应该是发明人在本公开过程中对本公开做出的贡献。
下面通过具体的实施例,对本公开公开的图像处理方法、装置、电子设备及计算机可读存储介质进行说明。
如图1所示,本公开实施例公开了一种图像处理方法,该方法可以应用于具有计算能力的电子设备上,例如服务器等。具体地,该图像处理方法可以包括如下步骤:
S110、获取原始图像,并确定所述原始图像中至少部分像素点为目标像素点的概率值;所述目标像素点为所述原始图像中属于目标对象的像素点。
在一些可能的实施方式中,上述原始图像可以是增强现实AR设备拍摄的现场图像,在AR设备在拍摄到现场图像时,可以实时获取原始图像,并确定原始图像中至少部分像素点为目标像素点的概率值。其中,AR设备可以是是用户持有的具有AR功能的智能终端,可以包括但不限于:手机、平板电脑、AR眼镜等能够呈现增强现实效果的电子设备。上述至少部分像素点可以为原始图像中的全部像素点,也可以是预设区域中的像素点,预设区域可以为用户预先选取的区域。
其中,目标像素点可以是原始图像中属于目标对象的像素点,目标对象可以是需要进行颜色替换的对象所在的区域,该对象可以是物体、人物的整体或一部分,如头发、服装等。
示例性的,原始图像可以为包含毛发的图像,发毛具体可以是人体的头发,也可以是动物的毛发等。需要进行颜色替换的区域例如为人体的头发区域,或者动物的毛发区域等。
示例性的,原始图像可以为目标人物图像,此时目标对象可以包括目标人物图像中的人体头发区域、人体皮肤区域、人体眼睛区域、至少部分服饰区域中的至少一种。
进一步的,原始图像还可以为目标物体图像,目标物体图像中可以包括一个或多个物体对象,此时目标对象可以为目标物体图像中的至少部分物体区域,实例性的,目标对象可以为目标物体图像中的树木区域,该树木区域可以为树木的树干区域、树叶区域或树木全部的区域。
在一些可能的实施例中,可以通过以下步骤确定原始图像中至少部分像素点为目标像素点的概率值:
提取所述原始图像中的图像特征信息;
基于所述原始图像对应的图像特征信息,确定所述原始图像中至少部分像素点为所述目标像素点的初始概率值;
基于所述至少部分像素点的初始概率值及颜色值,确定标准颜色值;
基于所述标准颜色值以及所述至少部分像素点的颜色值,对所述至少部分像素点对应的初始概率值进行校准,并将校准后的所述初始概率值作为所述原始图像中至少部分像素点为所述目标像素点的概率值。
上述确定所述原始图像中至少部分像素点为所述目标像素点的初始概率值,可以包括:
基于所述图像特征信息,确定所述至少部分像素点为目标像素点的评价分数;
基于预设的评价分数修正阈值和所述至少部分像素点对应的评价分数,分别确定所述至少部分像素点的初始概率值。
上述图像特征可以是原始图像中至少部分像素点的特征参数,如颜色值、饱和度、亮度等,可以利用训练好的神经网络对图像特征信息进行处理,得到至少部分像素点为目标像素点的评价分数,再利用评价分数修正阈值和评价分数,确定原始图像中至少部分像素点为目标像素点的初始概率值。
在一些可能的实施例中,可以提取原始图像在多种预设分辨率下至少部分像素点的图像特征信息,再利用训练好的神经网络确定至少部分像素点为目标像素点的评价分数。
示例性的,如图3所示,为本公开实施例提供的神经网络的示意图,神经网络可以利用特征提取器,提取多个预设分辨率下的图像特征信息,具体的,可以先提取在分辨率最高的预设分辨率下的图像特征信息,再对得到的图像特征信息进行下采样处理,得到各个预设分辨率下的图像特征信息。
在得到各个预设分辨率下的图像特征信息后,神经网络可以利用预设的分类器,确定原始图像在最低的预设分辨率下至少部分像素点为目标像素点的初始评价分数,然后按照预设分辨率从低到高的顺序,基于前一预设分辨率下至少部分像素点的初始评价分数、当前预设分辨率下至少部分像素点的图像特征信息以及分类器,确定当前预设分辨率下原始图像中至少部分像素点为所述目标像素点的中间评价分数,最后将原始图像在最高预设分辨率下至少部分像素点的中间评价分数作为所述原始图像至少部分像素点为目标像素点的评价分数并输出。
示例性的,在得到当前预设分辨率下的初始评价分数后,可以对前一预设分辨率下的初始评价分数进行上采样,使前一预设分辨率下的评价分数的分辨率与当前预设分辨率下的评价分数的分辨率相同,再将两个预设分辨率的评价分数进行拼接,得到当前预设分辨率下拼接后的评价分数。
上述神经网络可以通过预先准备好的数据集训练得到,数据集可以包括大量的图像及图像对应的标签,图像中包含有目标对象,标签可以标注有目标对象对应的像素点,利用如图3所示的神经网络,可以从不同的预设分辨率的输出上进行监督,并将小分辨率输出与低层的大分辨率特征进行融合,使得小分辨率输出学习到更好的语义类别,而大分辨率输出学习到更精细的细节,进提升神经网络的精确度。在将数据集输入至神经网络后,可以根据神经网络的输出结果及标注结果计算损失,由于目标对象相较于其它背景往往在边界处会有颜色的跳变,从而拥有明显的梯度,可以采用更能保持边界梯度的refine loss损失函数,使得神经网络的图像的边界处与原始输入图像拥有相近的梯度,从而获得更精细的边缘预测结果。
该实施方式,可以通过利用评价分数修正阈值对像素点进行分类,能够针对不同类型的像素点采取不同的初始概率值计算方式,便于进行计算优化。
在一些可能的实施例中,所述评价分数修正阈值包括第一修正阈值和第二修正阈值;所述第一修正阈值大于所述第二修正阈值;
所述基于预设的评价分数修正阈值和所述至少部分像素点对应的评价分数,分别确定所述至少部分像素点的初始概率值,包括:
针对所述至少部分像素点中任一像素点,在所述像素点的评价分数大于或等于所述第一修正阈值的情况下,确定所述像素点的初始概率值为第一预设概率值;
在所述像素点的评价分数小于或等于所述第二修正阈值的情况下,确定所述像素点的初始概率值为第二预设概率值;
在所述像素点的评价分数小于第一修正阈值且大于所述第二修正阈值的情况下,基于所述评价分数、所述第一修正阈值以及所述第二修正阈值确定所述像素点的初始概率值。
示例性的,第一修正阈值可以设置为0.7,第二修正阈值可以设置为0.4,对于小于或等于第二修正阈值的评价分数,其对应的像素点为目标像素点的概率较低,可以忽略不计,直接将其初始概率值设置为0,相应的,对于大于或等于第一修正阈值的评价分数,可以将其对应的初始概率值设置为1。
这样,通过先将评价值足够高和足够低像素点设定为对应的概率值,针对大于第二修正阈值且小于第一修正阈值的像素点进行计算,大幅度降低计算初始概率值的计算时间,提高计算效率。
上述基于所述评价分数、所述第一修正阈值以及所述第二修正阈值确定所述像素点的初始概率值,可以包括:
确定所述第一修正阈值与所述第二修正阈值之间的第一差值;
确定所述评价分数与所述第二修正阈值之间的第二差值;
基于所述第二差值与所述第一差值之间的比值,确定所述初始概率值。
具体的,可以将第二差值与第一差值之间的比值作为初始概率值。
对于上述初始概率值高于或等于预设阈值的像素点,可以认为该像素点为目标像素点,可以将上述像素点的颜色值的均值作为标准颜色值,并利用标准颜色值对初始概率进行修正,得到至少部分像素点为目标像素点的概率值。
上述预设阈值可以与第一修正阈值相同,可以确定初始概率值高于或等于预设阈值的像素点的颜色值的均值,并将上述均值作为标准颜色值,标准颜色值与目标像素点的颜色值较为接近,因此可以利用标准颜色值对初始概率值进行修正。
一些可能的实施例中,可以针对上述至少部分像素点,确定所述像素点的颜色值与所述标准颜色值之间的相似度;基于所述相似度对所述至少部分像素点对应的初始概率值进行校准。示例性的,可以利用所述像素点的颜色值与所述标准颜色值之间的相似度对初始概率值进行加权,将加权后的概率值作为校准结果,得到上述像素点为目标像素点的概率值。
示例性的,如图2所示,为本公开实施例提供的置信度图的示意图。上述置信度图可以表示原始图像中至少部分像素点为目标像素点的概率值,如图2对应的原始图像为人物图像,目标对象为头发,图2中头发对应的目标像素点的概率值趋近于1,在置信度图中趋于白色,其他部分对应的概率值趋近0,在置信度图中趋于黑色。
S120、基于所述至少部分像素点对应的所述概率值和预设的目标颜色值,确定所述至少部分像素点对应的融合颜色值。
上述目标颜色值可以是用户预设的颜色值,比如,若用户期望将图2中的头发颜色替换为棕色,则可以将棕色对应的颜色值设置为目标颜色值。
一些可能的实施例中,基于所述至少部分像素点对应的所述概率值和预设的目标颜色值,确定所述至少部分像素点对应的融合颜色值,可以包括:
针对所述至少部分像素点中任一所述像素点,基于所述像素点为所述目标像素点的概率值,确定所述像素点对应的颜色融合权重;基于所述像素点的颜色值、所述目标颜色值以及所述像素点的颜色融合权重,确定所述像素点的融合颜色值。
示例性的,可以基于上述概率值确定像素点原有的颜色值和目标颜色值的融合权重,并按照融合权重的比例将像素点原有的颜色值和目标颜色值融合,得到像素点的融合颜色值。
具体的,可以利用alpha融合的方式将像素点原有的颜色值和目标颜色值融合。
该实施方式,基于像素点对应的概率值确定像素点对应的颜色融合权重,再基于颜色融合权重将像素点的颜色值和目标颜色值进行融合,得到融合颜色值,使得融合颜色值能够按照颜色融合权重反映出像素点原本的颜色值和目标颜色值,从而使目标对象的边界形成过渡色,使目标对象在进行颜色替换后的特征更符合原始图像。
S130、利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像。
该步骤中,可以按照上述至少部分像素点对应的融合颜色值,对原始图像中的至少部分像素点的颜色值进行替换,得到目标图像。
在生成目标图像之后,可以基于所述原始图像中所述至少部分像素点的灰阶值,和/或所述至少部分像素点的预设灰阶值,确定所述目标图像中至少部分像素点的目标灰阶值,再将目标图像中所述至少部分像素点的灰阶值调整为对应的所述目标灰阶值。
这样,利用原始图像中至少部分像素点的灰阶值和/或至少部分像素点的预设灰阶值确定目标图像中至少部分像素点的目标灰阶值,可以对换色后的目标对象的亮度进行调整,使目标对象在进行颜色替换后能够保有原来的纹理和亮度,特征更符合用户期望。
在得到目标图像之后,还可以利用AR设备展示得到的目标图像,能够实现在AR场景下对目标对象的实时换色。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与图像处理方法对应的图像处理装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述图像处理方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图4所示,为本公开实施例提供的一种图像处理装置的示意图,所述装置包括:
获取模块410,用于获取原始图像,并确定所述原始图像中至少部分像素点为目标像素点的概率值;所述目标像素点为所述原始图像中属于目标对象的像素点;
确定模块420,用于基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值;
生成模块430,用于利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像。
在一种可能的实施方式中,所述获取模块410具体用于:
提取所述原始图像中的图像特征信息;
基于所述原始图像对应的图像特征信息,确定所述原始图像中至少部分像素点为所述目标像素点的初始概率值;
基于所述至少部分像素点的初始概率值及颜色值,确定标准颜色值;
基于所述标准颜色值以及所述至少部分像素点的颜色值,对所述至少部分像素点对应的初始概率值进行校准,并将校准后的所述初始概率值作为所述原始图像中至少部分像素点为所述目标像素点的概率值。
在一种可能的实施方式中,所述获取模块410在基于所述原始图像对应的图像特征信息,确定所述原始图像中至少部分像素点为所述目标像素点的初始概率值时,具体用于:
基于所述图像特征信息,确定所述至少部分像素点为目标像素点的评价分数;
基于预设的评价分数修正阈值和所述至少部分像素点对应的评价分数,分别确定所述至少部分像素点的初始概率值。
在一种可能的实施方式中,所述评价分数修正阈值包括第一修正阈值和第二修正阈值;所述第一修正阈值大于所述第二修正阈值;
所述获取模块410在所述基于预设的评价分数修正阈值和所述至少部分像素点对应的评价分数,分别确定所述至少部分像素点的初始概率值时,具体用于:
针对所述至少部分像素点中任一像素点,在所述像素点的评价分数大于或等于所述第一修正阈值的情况下,确定所述像素点的初始概率值为第一预设概率值;
在所述像素点的评价分数小于或等于所述第二修正阈值的情况下,确定所述像素点的初始概率值为第二预设概率值;
在所述像素点的评价分数小于第一修正阈值且大于所述第二修正阈值的情况下,基于所述评价分数、所述第一修正阈值以及所述第二修正阈值确定所述像素点的初始概率值。
在一种可能的实施方式中,所述获取模块410在基于所述评价分数、所述第一修正阈值以及所述第二修正阈值确定所述像素点的初始概率值时,具体用于:
确定所述第一修正阈值与所述第二修正阈值之间的第一差值;
确定所述评价分数与所述第二修正阈值之间的第二差值;
基于所述第二差值与所述第一差值之间的比值,确定所述初始概率值。
在一种可能的实施方式中,所述获取模块410在基于所述至少部分像素点的初始概率值及颜色值,确定标准颜色值时,具体用于:
确定所述初始概率值高于或等于预设阈值的像素点的颜色值的均值,并将所述均值作为所述标准颜色值;
所述获取模块410在基于所述标准颜色值以及所述至少部分像素点的颜色值,对所述至少部分像素点对应的初始概率值进行校准时,具体用于:
针对所述至少部分像素点中任一像素点,确定所述像素点的颜色值与所述标准颜色值之间的相似度;
基于所述相似度对所述至少部分像素点对应的初始概率值进行校准。
在一种可能的实施方式中,所述确定模块420在基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值时,具体用于:
针对所述至少部分像素点中任一所述像素点,基于所述像素点为所述目标像素点的概率值,确定所述像素点对应的颜色融合权重;
基于所述像素点的颜色值、所述目标颜色值以及所述像素点的颜色融合权重,确定所述像素点的融合颜色值。
在一种可能的实施方式中,所述生成模块430还用于:
基于所述原始图像中所述至少部分像素点的灰阶值,和/或所述至少部分像素点的预设灰阶值,确定所述目标图像中与所述至少部分像素点对应的像素点的目标灰阶值;
将目标图像中与所述至少部分像素点对应的像素点的灰阶值调整为对应的所述目标灰阶值。
在一种可能的实施方式中,所述获取模块410在提取所述原始图像中的图像特征信息时,具体用于:
提取所述原始图像在多种预设分辨率下各个像素点的图像特征信息;
所述获取模块在基于所述图像特征信息,确定所述至少部分像素点为目标像素点的评价分数时,具体用于:
利用预设的分类器,确定所述原始图像在最低的预设分辨率下至少部分像素点为目标像素点的初始评价分数;
按照预设分辨率从低到高的顺序,基于前一预设分辨率下至少部分像素点的所述初始评价分数以及当前预设分辨率下至少部分像素点的图像特征信息,确定当前预设分辨率下所述原始图像中至少部分像素点为所述目标像素点的中间评价分数;
将所述原始图像在最高预设分辨率下至少部分像素点的中间评价分数作为所述原始图像中至少部分像素点为目标像素点的评价分数。
在一种可能的实施方式中,所述获取模块410在获取原始图像时,具体用于:
获取增强现实AR设备拍摄的现场图像,并将所述现场图像作为所述原始图像;
所述生成模块430还用于:
利用所述AR设备展示所述目标图像。
在一种可能的实施方式中,所述获取模块410在获取原始图像时,具体用于:
获取目标人物图像,并将所述目标人物图像作为所述原始图像;其中,所述目标对象包括所述目标人物图像中的人体头发区域、人体皮肤区域、至少部分服饰区域中的至少一种;或者,
获取目标物体图像,并将所述目标物体图像作为所述原始图像;其中,所述目标对象为所述目标物体图像中的至少部分物体区域。
对应于图1中的图像处理方法,本公开实施例还提供了一种电子设备500,如图5所示,为本公开实施例提供的电子设备500结构示意图,包括:
处理器51、存储器52、和总线53;存储器52用于存储执行指令,包括内存521和外部存储器522;这里的内存521也称内存储器,用于暂时存放处理器51中的运算数据,以及与硬盘等外部存储器522交换的数据,处理器51通过内存521与外部存储器522进行数据交换,当所述电子设备500运行时,所述处理器51与所述存储器52之间通过总线53通信,使得所述处理器51可以执行以下指令:
获取原始图像,并确定所述原始图像中至少部分像素点为目标像素点的概率值;所述目标像素点为所述原始图像中属于目标对象的像素点;
基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值;
利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像。
上述指令的具体执行过程可以参考本公开实施例中所述的图像处理方法的步骤,此处不再赘述。
本公开实施例还提供一种计算机可读存储介质,该计算机可读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上述方法实施例中所述图像处理方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供了一种计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中所述图像处理方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
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,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开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。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,又例如,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通信接口,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,在本公开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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (14)
1.一种图像处理方法,其特征在于,包括:
获取原始图像,并确定所述原始图像中至少部分像素点为目标像素点的概率值;所述目标像素点为所述原始图像中属于目标对象的像素点;
基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值;
利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像。
2.根据权利要求1所述的方法,其特征在于,所述确定所述原始图像中至少部分像素点为目标像素点的概率值,包括:
提取所述原始图像中的图像特征信息;
基于所述原始图像对应的图像特征信息,确定所述原始图像中至少部分像素点为所述目标像素点的初始概率值;
基于所述至少部分像素点的初始概率值及颜色值,确定标准颜色值;
基于所述标准颜色值以及所述至少部分像素点的颜色值,对所述至少部分像素点对应的初始概率值进行校准,并将校准后的所述初始概率值作为所述原始图像中至少部分像素点为所述目标像素点的概率值。
3.根据权利要求2所述的方法,其特征在于,所述基于所述原始图像对应的图像特征信息,确定所述原始图像中至少部分像素点为所述目标像素点的初始概率值,包括:
基于所述图像特征信息,确定所述至少部分像素点为目标像素点的评价分数;
基于预设的评价分数修正阈值和所述至少部分像素点对应的评价分数,分别确定所述至少部分像素点的初始概率值。
4.根据权利要求3所述的方法,其特征在于,所述评价分数修正阈值包括第一修正阈值和第二修正阈值;所述第一修正阈值大于所述第二修正阈值;
所述基于预设的评价分数修正阈值和所述至少部分像素点对应的评价分数,分别确定所述至少部分像素点的初始概率值,包括:
针对所述至少部分像素点中任一像素点,在所述像素点的评价分数大于或等于所述第一修正阈值的情况下,确定所述像素点的初始概率值为第一预设概率值;
在所述像素点的评价分数小于或等于所述第二修正阈值的情况下,确定所述像素点的初始概率值为第二预设概率值;
在所述像素点的评价分数小于第一修正阈值且大于所述第二修正阈值的情况下,基于所述评价分数、所述第一修正阈值以及所述第二修正阈值确定所述像素点的初始概率值。
5.根据权利要求4所述的方法,其特征在于,所述基于所述评价分数、所述第一修正阈值以及所述第二修正阈值确定所述像素点的初始概率值,包括:
确定所述第一修正阈值与所述第二修正阈值之间的第一差值;
确定所述评价分数与所述第二修正阈值之间的第二差值;
基于所述第二差值与所述第一差值之间的比值,确定所述初始概率值。
6.根据权利要求2~5任一所述的方法,其特征在于,所述基于所述至少部分像素点的初始概率值及颜色值,确定标准颜色值,包括:
确定所述初始概率值高于或等于预设阈值的像素点的颜色值的均值,并将所述均值作为所述标准颜色值;
所述基于所述标准颜色值以及所述至少部分像素点的颜色值,对所述至少部分像素点对应的初始概率值进行校准,包括:
针对所述至少部分像素点中任一像素点,确定所述像素点的颜色值与所述标准颜色值之间的相似度;
基于所述相似度对所述至少部分像素点对应的初始概率值进行校准。
7.根据权利要求1~6任一所述的方法,其特征在于,所述基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值,包括:
针对所述至少部分像素点中任一所述像素点,基于所述像素点为所述目标像素点的概率值,确定所述像素点对应的颜色融合权重;
基于所述像素点的颜色值、所述目标颜色值以及所述像素点的颜色融合权重,确定所述像素点的融合颜色值。
8.根据权利要求1至7任一所述的方法,其特征在于,在利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像之后,所述方法还包括:
基于所述原始图像中所述至少部分像素点的灰阶值,和/或所述至少部分像素点的预设灰阶值,确定所述目标图像中与所述至少部分像素点对应的像素点的目标灰阶值;
将目标图像中与所述至少部分像素点对应的像素点的灰阶值调整为对应的所述目标灰阶值。
9.根据权利要求3所述的方法,其特征在于,所述提取所述原始图像中的图像特征信息包括:
提取所述原始图像在多种预设分辨率下各个像素点的图像特征信息;
所述基于所述图像特征信息,确定所述至少部分像素点为目标像素点的评价分数,包括:
利用预设的分类器,确定所述原始图像在最低的预设分辨率下至少部分像素点为目标像素点的初始评价分数;
按照预设分辨率从低到高的顺序,基于前一预设分辨率下至少部分像素点的所述初始评价分数以及当前预设分辨率下至少部分像素点的图像特征信息,确定当前预设分辨率下所述原始图像中至少部分像素点为所述目标像素点的中间评价分数;
将所述原始图像在最高预设分辨率下至少部分像素点的中间评价分数作为所述原始图像中至少部分像素点为目标像素点的评价分数。
10.根据权利要求1~9任一所述的方法,其特征在于,所述获取原始图像,包括:
获取增强现实AR设备拍摄的现场图像,并将所述现场图像作为所述原始图像;
所述方法还包括:
利用所述AR设备展示所述目标图像。
11.根据权利要求1~9任一所述的方法,其特征在于,所述获取原始图像,包括:
获取目标人物图像,并将所述目标人物图像作为所述原始图像;其中,所述目标对象包括所述目标人物图像中的人体头发区域、人体皮肤区域、至少部分服饰区域中的至少一种;或者,
获取目标物体图像,并将所述目标物体图像作为所述原始图像;其中,所述目标对象为所述目标物体图像中的至少部分物体区域。
12.一种图像处理装置,其特征在于,包括:
获取模块,用于获取原始图像,并确定所述原始图像中至少部分像素点为目标像素点的概率值;所述目标像素点为所述原始图像中属于目标对象的像素点;
确定模块,用于基于所述至少部分像素点分别对应的所述概率值和预先选择的目标颜色值,确定所述至少部分像素点对应的融合颜色值;
生成模块,用于利用确定的所述融合颜色值对所述至少部分像素点的颜色值进行调整,得到目标图像。
13.一种电子设备,其特征在于,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述处理器用于执行所述存储器中存储的机器可读指令,所述机器可读指令被所述处理器执行时,所述处理器执行如权利要求1至11任一项所述的图像处理方法的步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被计算机设备运行时,所述计算机设备执行如权利要求1至11任意一项所述的图像处理方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473454.0A CN113191938B (zh) | 2021-04-29 | 2021-04-29 | 图像处理方法、装置、电子设备及存储介质 |
PCT/CN2021/133400 WO2022227547A1 (zh) | 2021-04-29 | 2021-11-26 | 用于图像处理的方法、装置、电子设备及存储介质 |
TW110146140A TW202242804A (zh) | 2021-04-29 | 2021-12-09 | 用於影像處理的方法、裝置、電子設備及儲存媒體 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110473454.0A CN113191938B (zh) | 2021-04-29 | 2021-04-29 | 图像处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191938A CN113191938A (zh) | 2021-07-30 |
CN113191938B true CN113191938B (zh) | 2022-11-15 |
Family
ID=76980903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110473454.0A Active CN113191938B (zh) | 2021-04-29 | 2021-04-29 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN113191938B (zh) |
TW (1) | TW202242804A (zh) |
WO (1) | WO2022227547A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191938B (zh) * | 2021-04-29 | 2022-11-15 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113763270B (zh) * | 2021-08-30 | 2024-05-07 | 青岛信芯微电子科技股份有限公司 | 蚊式噪声去除方法及电子设备 |
CN114022395B (zh) * | 2022-01-06 | 2022-04-12 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110971839A (zh) * | 2019-11-18 | 2020-04-07 | 咪咕动漫有限公司 | 视频融合方法、电子设备及存储介质 |
CN112204608A (zh) * | 2019-08-27 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 图像处理方法及装置 |
CN112233154A (zh) * | 2020-11-02 | 2021-01-15 | 影石创新科技股份有限公司 | 拼接图像的色差消除方法、装置、设备和可读存储介质 |
CN112235520A (zh) * | 2020-12-07 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9262684B2 (en) * | 2013-06-06 | 2016-02-16 | Apple Inc. | Methods of image fusion for image stabilization |
US20170270679A1 (en) * | 2016-03-21 | 2017-09-21 | The Dial Corporation | Determining a hair color treatment option |
CN108921810A (zh) * | 2018-06-20 | 2018-11-30 | 厦门美图之家科技有限公司 | 一种颜色迁移方法及计算设备 |
CN110930296B (zh) * | 2019-11-20 | 2023-08-08 | Oppo广东移动通信有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111145086A (zh) * | 2019-12-27 | 2020-05-12 | 北京奇艺世纪科技有限公司 | 一种图像处理方法、装置及电子设备 |
CN112614060A (zh) * | 2020-12-09 | 2021-04-06 | 深圳数联天下智能科技有限公司 | 人脸图像头发渲染方法、装置、电子设备和介质 |
CN113191938B (zh) * | 2021-04-29 | 2022-11-15 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2021
- 2021-04-29 CN CN202110473454.0A patent/CN113191938B/zh active Active
- 2021-11-26 WO PCT/CN2021/133400 patent/WO2022227547A1/zh active Application Filing
- 2021-12-09 TW TW110146140A patent/TW202242804A/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112204608A (zh) * | 2019-08-27 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 图像处理方法及装置 |
CN110971839A (zh) * | 2019-11-18 | 2020-04-07 | 咪咕动漫有限公司 | 视频融合方法、电子设备及存储介质 |
CN112233154A (zh) * | 2020-11-02 | 2021-01-15 | 影石创新科技股份有限公司 | 拼接图像的色差消除方法、装置、设备和可读存储介质 |
CN112235520A (zh) * | 2020-12-07 | 2021-01-15 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022227547A1 (zh) | 2022-11-03 |
CN113191938A (zh) | 2021-07-30 |
TW202242804A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191938B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
Gijsenij et al. | Computational color constancy: Survey and experiments | |
CN112446302B (zh) | 一种人体姿态检测方法、系统、电子设备和存储介质 | |
CN114444558A (zh) | 用于对象识别的神经网络的训练方法及训练装置 | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN108198177A (zh) | 图像获取方法、装置、终端及存储介质 | |
CN112581370A (zh) | 人脸图像的超分辨率重建模型的训练及重建方法 | |
CN113239875B (zh) | 人脸特征的获取方法、系统、装置及计算机可读存储介质 | |
CN105825168A (zh) | 一种基于s-tld的川金丝猴面部检测和追踪算法 | |
CN115035581A (zh) | 面部表情识别方法、终端设备及存储介质 | |
CN108647696B (zh) | 图片颜值确定方法及装置、电子设备、存储介质 | |
CN111091055A (zh) | 脸型识别方法、装置、设备及计算机可读存储介质 | |
CN113240760A (zh) | 一种图像处理方法、装置、计算机设备和存储介质 | |
CN111127367A (zh) | 人脸图像处理的方法、装置及系统 | |
CN111541937A (zh) | 画质调整方法、电视机设备及计算机存储介质 | |
CN111080754A (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
Watson et al. | Person re-identification combining deep features and attribute detection | |
CN113128373A (zh) | 基于图像处理的色斑评分方法、色斑评分装置及终端设备 | |
CN108664921A (zh) | 一种安卓平台下基于词袋模型的图像识别方法及系统 | |
Yuan et al. | Full convolutional color constancy with adding pooling | |
CN113780487A (zh) | 图片分类方法、存储介质及电子设备 | |
Shen et al. | A holistic image segmentation framework for cloud detection and extraction | |
CN107992853B (zh) | 人眼检测方法、装置、计算机设备及存储介质 | |
CN108681998A (zh) | 一种微动目标检测方法、电子设备、存储介质及系统 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40049356 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |