CN114445302A - 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
- CN114445302A CN114445302A CN202210114150.XA CN202210114150A CN114445302A CN 114445302 A CN114445302 A CN 114445302A CN 202210114150 A CN202210114150 A CN 202210114150A CN 114445302 A CN114445302 A CN 114445302A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- skin
- training
- target
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 270
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 254
- 238000012549 training Methods 0.000 claims abstract description 211
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000005286 illumination Methods 0.000 claims description 38
- 230000003631 expected effect Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 14
- 238000011282 treatment Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000037303 wrinkles Effects 0.000 claims description 8
- 238000005562 fading Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 235000002673 Dioscorea communis Nutrition 0.000 claims description 5
- 241000544230 Dioscorea communis Species 0.000 claims description 5
- 208000035753 Periorbital contusion Diseases 0.000 claims description 5
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 11
- 230000001815 facial effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000009290 primary effect Effects 0.000 description 6
- 230000003716 rejuvenation Effects 0.000 description 6
- 238000000265 homogenisation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种图像处理方法、装置、电子设备及存储介质，其中，该方法包括：获取待处理图像，其中，待处理图像包括面部区域，待处理图像的面部区域的皮肤状态处于第一皮肤年龄；将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。本公开实施例的技术方案，简化了图像处理流程，实现了提高图像处理的自适应性以及图像处理结果的自然度的效果。
Description
技术领域
本公开实施例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
基于人像美化相关技术人为改动皮肤的状态，可以达成皮肤更加紧致、饱满的目的。
目前，可以通过对用户的面部各区域进行逐一处理，以达到改变皮肤状态的效果，但是，该方式操作复杂、交互繁琐，存在用户体验度较差的问题。还可以通过类似于“一键美颜”的方式对用户的皮肤状态进行调整，但是，由于该方式的参数固定，会导致处理结果同质化严重问题，并且，细节信息损失较多，会造成图像质量较差的问题，影响用户的体验。
发明内容
本公开实施例提供了一种图像处理方法、装置、电子设备及存储介质，以实现简化图像处理流程，提高图像处理的自适应性以及图像处理结果的自然度的效果。
第一方面，本公开实施例提供了一种图像处理方法，该方法包括：
获取待处理图像，其中，所述待处理图像包括面部区域，所述待处理图像的面部区域的皮肤状态处于第一皮肤年龄；
将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。
第二方面，本公开实施例还提供了一种图像处理装置，该装置包括：
图像获取模块，用于获取待处理图像，其中，所述待处理图像包括面部区域，所述待处理图像的面部区域的皮肤状态处于第一皮肤年龄；
皮肤处理模块，用于将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本公开任意实施例所提供的图像处理方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本公开任意实施例所提供的图像处理方法。
本公开实施例的技术方案，通过获取待处理图像，将待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与待处理图像对应的目标效果图像，解决了用户面部美化时同质化严重、细节损失严重、分辨率低的问题，实现简化图像处理流程，提高图像处理的自适应性以及图像处理结果的自然度的效果。
附图说明
为了更加清楚地说明本公开示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本公开实施例一所提供的一种图像处理方法的流程示意图；
图2为本公开实施例二所提供的一种目标皮肤图像处理模型的训练方法的流程示意图；
图3为本公开实施例三所提供的一种目标皮肤图像处理模型的训练方法的流程示意图；
图4为本公开实施例四所提供的一种图像处理和模型训练方法的示意图；
图5为本公开实施例五所提供的一种图像处理装置的结构示意图；
图6为本公开实施例六所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
需要说明的是，本发明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，以便这里描述的本发明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。此外，术语“包括”和“具备”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1为本公开实施例一所提供的一种图像处理方法的流程示意图，本实施例可适用于对用户的面部区域进行皮肤状态调整的情况，该方法可以由图像处理装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本公开实施例中的图像处理方法。
如图1所示，本实施例的方法具体可包括：
S110、获取待处理图像。
其中，待处理图像包括面部区域，待处理图像的面部区域的皮肤状态处于第一皮肤年龄。待处理图像可以是待进行后续进行皮肤年轻化处理的图像，待处理图像可以是基于拍摄装置拍摄的包含面部区域的图像，也可以是上传的包含面部区域的图像等。
其中，皮肤年龄可以是肌肤的年龄，例如可以根据皮肤的皱纹、毛孔、色斑、弹性、光滑度以及水合度等各方面的数值进行确定，即，根据面部皮肤状态确定出的年龄。皮肤年龄和真实年龄可以相同也可以不同。一般地，各个真实年龄对应的皮肤年龄为真实年龄所处的年龄段中普遍人群对应的平均肤质。但，也存在皮肤年龄与实际年龄不符的情况。需要说明的是，真实年龄为根据出生日期计算出的年龄。
在本发明实施例中，第一皮肤年龄可以是用于描述待处理图像中面部区域的皮肤状态的信息。
具体的，可以基于设备的拍摄功能，拍摄包含面部区域的图像，将拍摄得到的图像作为待处理图像。还可以基于图像上传功能，上传包含面部区域的图像，并将上传的图像作为待处理图像。
在本公开实施例技术方案的基础上，可以通过下述方式获取待处理图像：
步骤一、当接收用于启用预设皮肤处理特效的特效触发操作时，展示至少一种图像获取控件。
其中，预设皮肤处理特效可以是对面部区域进行与皮肤状态调整相关的特效，例如：降低肤龄的特效，也可以是各种皮肤处理的特效，在这些特效中包含对面部区域进行皮肤年轻化处理部分就可以将这些特效确定为预设皮肤处理特效。特效触发操作可以是点击与特效触发相关联的控件，也可以是语音触发、动作触发、手势触发等触发操作。图像获取控件可以是与不同图像获取方式相对应的控件，图像获取控件可以是设置于应用软件界面上的虚拟标识，图像获取控件的表现形式可以有多种，例如：按钮或图标等。
具体的，当用户想要进行特效处理的时候，可以执行触发预设皮肤处理特效的触发操作。当接收用于启用预设皮肤处理特效的特效触发操作时，可以展示至少一种图像获取控件，以使用户可以通过触发图像获取控件确定后续进行预设皮肤处理特效的图像。
步骤二、接收针对至少一种图像获取控件的控件触发操作，采用所触发的图像获取控件对应的图像获取方式获取待处理图像。
具体的，在接收针对至少一种图像获取控件的控件触发操作时，确定控件触发操作所对应的图像获取方式，并根据确定出的图像获取方式获取待处理图像。
示例性的，若触发的图像获取控件为“拍照上传”，则可以确定图像获取方式为通过拍摄功能拍摄获取图像，因此，可以启动拍摄功能以获取待处理图像。若触发的图像获取控件为“本地上传”，则可以确定图像获取方式为通过将本地图片上传，因此，可以打开相册，以使用户选择相册中的图片上传。
S120、将待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与待处理图像对应的目标效果图像。
其中，目标皮肤图像处理模型可以是用于对待处理图像进行皮肤图像处理的模型，目标皮肤图像处理模型根据样本原始图像以及与样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，第二皮肤年龄小于或等于第一皮肤年龄。第二皮肤年龄可以是用于描述目标效果图像中面部区域的皮肤状态的信息。
样本原始图像可以是未经处理的面部图像，样本效果图可以是经过皮肤图像处理后的面部图像，例如：经过皮肤提拉处理后的面部图像等。初始皮肤图像处理模型可以是模型参数为默认参数的模型，作为后续模型训练的基础模型。目标效果图像为待处理图像经过目标皮肤图像处理模型处理后得到的图像，即待处理图像所对应的进行皮肤图像处理后的图像。
需要说明的是，样本效果图像可以是通过图像处理软件(如：PhotoShop 等)，对样本原始图像进行各种处理后的图像，例如：处理可以是去黑眼圈、去法令纹、去皱纹、凹陷填充等皮肤年轻化处理。样本原始图像和样本效果图像也可以是现有的皮肤图像处理前后的图像集中的图像，将皮肤提拉前的图像确定为样本原始图像，将皮肤图像处理后的图像确定为样本效果图像。初始皮肤图像处理模型可以是神经网络模型、生成对抗网络模型等。
具体的，将待处理图像输入至预先训练得到的目标皮肤图像处理模型中，通过目标皮肤图像处理模型对待处理图像进行处理，将处理得到的图像作为目标效果图像，即得到皮肤图像处理后的待处理图像。
在本公开实施例技术方案的基础上，可以在预设显示区域显示目标效果图像。需要说明的是，目标效果图像的展示方式可以有多种，在此并不做具体限制。例如，目标效果图像本身可以是静态展示也可以是动态展示，还可以是在目标效果图像上叠加其他展示效果进行展示。
其中，预设显示区域可以是全部显示区域或全部显示区域中的部分显示区域。当预设显示区域为部分显示区域时，目标效果图像的展示方式可以是在显示区域中分区域展示待处理图像和目标效果图像，以便于查看待处理图像和目标效果图像之间的区别，直观了解待处理图像进行处理后的效果。
具体的，在得到目标效果图像后，可以将目标效果图像推送给用户，以使用户直观看到皮肤图像处理后的图像。为了使用户能够比对看出皮肤图像处理前后的区别，可以在待处理图像显示的同时，在预设显示区域显示目标效果图像。
需要说明的是，目标效果图所对应的皮肤年龄小于或等于待处理图像所对应的皮肤年龄。由于用户的皮肤年龄可能存在与真实年龄不匹配的情况，此种情况下，可能存在目标效果图所对应的皮肤年龄仍然大于真实年龄，或者与真实年龄相差不大的情况。示例性的，用户A的真实年龄为20岁，用户A的待处理图像的皮肤年龄为40岁，那么，目标效果图像的皮肤年龄小于或等于40 岁，但是可能仍然大于20岁，也可能小于或等于20岁；用户B的真实年龄为 60岁，用户B的待处理图像的皮肤年龄为40岁，那么，目标效果图像的皮肤年龄小于或等于40岁，可能远小于60岁，具体目标效果图像对应的皮肤年龄还是要根据图像处理情况来确定。
本公开实施例的技术方案，通过获取待处理图像，将待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与待处理图像对应的目标效果图像，解决了用户面部美化时同质化严重、细节损失严重、分辨率低的问题，实现简化图像处理流程，提高图像处理的自适应性以及图像处理结果的自然度的效果。
实施例二
图2为本公开实施例二所提供的一种目标皮肤图像处理模型的训练方法的流程示意图，本实施例在本公开实施例中任一可选技术方案的基础上，可选地，针对目标皮肤图像处理模型的训练方式可参见本实施例的技术方案。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所示，本实施例的方法具体可包括：
S210、获取包括面部区域的样本原始图像，确定与样本原始图像对应的样本效果图像。
其中，样本原始图像可以是未经处理的面部图像，样本效果图可以是经过皮肤图像处理后的面部图像。样本原始图像的面部区域的皮肤状态处于第一皮肤年龄，样本效果图像的面部区域的皮肤状态处于第二皮肤年龄，第二皮肤年龄小于或等于第一皮肤年龄。
具体的，可以通过拍摄、下载或上传等方式获取一定数量的包括面部区域的样本原始图像。进而，针对每一张样本原始图像可以通过逐步处理，处理主要为皮肤年轻化处理。将处理完成的图像，确定为与样本原始图像对应的样本效果图像，以使样本效果图像相对于样本原始图像更加年轻化。
在本公开实施例技术方案的基础上，可以通过下述方式确定与样本原始图像对应的样本效果图像：
获取对样本原始图像中的面部区域进行肤龄转换处理得到的初步效果图像，根据初步效果图像确定样本效果图像。
其中，肤龄转换处理包括皱纹淡化处理、黑眼圈淡化处理及凹陷填充处理中的至少一种。肤龄转化处理与后续训练得到的目标皮肤图像处理模型进行的皮肤图像处理相对应。初步效果图像可以是样本原始图像进行肤龄转换处理后的图像，即皮肤年轻化处理后的图像。
具体的，对每一张样本原始图像中的面部区域进行肤龄转换处理，以使样本原始图像中的面部区域更加年轻化，肤龄更小。将肤龄转换处理后的图像确定为初步效果图像。进而，可以将初步效果图像作为样本效果图像，也可以对初步效果图像进行进一步的调节处理，得到样本效果图像，其中，调节处理可以是亮度调节、饱和度调节、色彩调节、清晰度调节等。
在本公开实施例技术方案的基础上，可以通过下述方式根据初步效果图像确定样本效果图像：
根据样本原始图像对初步效果图像中的面部区域进行皮肤颜色校正处理，得到样本效果图像。
其中，皮肤颜色校正处理可以是对初步效果图像中的皮肤区域的颜色进行调节，以使皮肤区域颜色贴近样本原始图像的处理方式。
具体的，以样本原始图像中面部区域的皮肤颜色为基准，对初步效果图像中的面部区域的皮肤颜色进行调节，使得初步效果图像中的面部区域的皮肤颜色更贴近基准，以提高图像处理的真实性。
在本公开实施例技术方案的基础上，可以通过下述各步骤根据样本原始图像对初步效果图像中的面部区域进行皮肤颜色校正处理，得到样本效果图像：
步骤一、计算样本原始图像中面部区域的第一皮肤颜色均值，以及初步效果图像中的面部区域的第二皮肤颜色均值。
其中，第一皮肤颜色均值可以是样本原始图像中面部区域所对应的各像素点的颜色值的均值。第二皮肤颜色均值可以是初步效果图像中面部区域的所对应的各像素点的颜色值的均值。
具体的，根据样本原始图像中面部区域所对应的各个像素点的颜色值，计算各颜色值的均值得到第一皮肤颜色均值。根据初步效果图像中面部区域所对应的各个像素点的颜色值，计算各颜色值的均值得到第二皮肤颜色均值。
可选的，可以通过下述方式计算样本原始图像中面部区域的第一皮肤颜色均值：
确定样本原始图像中的面部区域，并确定面部区域中的皮肤区域，计算皮肤区域中各像素点的第一皮肤颜色均值。
其中，皮肤区域可以是面部区域中除去眉毛区域、眼睛区域、嘴唇区域等非皮肤区域的剩余区域。
具体的，在样本原始图像中识别出面部区域，并在面部区域中的确定出皮肤区域，进而，将皮肤区域中各个像素点的颜色值的叠加求平均，得到第一皮肤颜色均值。
需要说明的是，针对第二皮肤颜色均值的确定方式与上述方式类似，在此不再赘述。
步骤二、根据第一皮肤颜色均值、第二皮肤颜色均值以及初步效果图像中的面部区域的各个像素点对应的原始颜色值分别确定初步效果图像中的面部区域的各个像素点对应的目标颜色值，根据目标颜色值生成样本效果图像。
其中，原始颜色值可以是初步效果图像中的面部区域的各个像素点对应的颜色值。目标颜色值可以是初步效果图像中的面部区域的各个像素点待调整为的颜色值。
具体的，根据第一皮肤颜色均值和第二皮肤颜色均值，可以确定样本原始图像和初步效果图像之间的颜色差异。进而，根据样本原始图像和初步效果图像之间的颜色差异对初步效果图像中的面部区域的各个像素点对应的原始颜色值进行处理，确定与各个像素点对应的目标颜色值。根据各个像素点对应的目标颜色值生成样本效果图像，以达到将初步效果图调整为皮肤颜色与样本原始图像相匹配的样本效果图。
示例性的，可以将初步效果图像中的面部区域的各个像素点对应的原始颜色值与第二皮肤颜色均值相减，得到各个像素点对应的去均值颜色值。进而，将各个像素点对应的去均值颜色值与第一皮肤颜色均值相加，得到各个像素点对应的目标颜色值。通过上述方式，可以进行皮肤颜色均值的调节，以使图像更真实。
S220、基于多张样本原始图像以及与样本原始图像对应的样本效果图像构建训练样本集，根据训练样本集中的样本原始图像以及与样本原始图像对应的样本效果图像对生成对抗网络进行训练，将训练完成的皮肤图像处理生成器作为目标皮肤图像处理模型。
其中，初始皮肤图像处理模型包括生成对抗网络，生成对抗网络包括皮肤图像处理生成器和皮肤图像处理判别器。皮肤图像处理生成器可以是全连接神经网络、反卷积网络等，皮肤图像处理判别器可以是任意的判别器模型，比如全连接网络、包含卷积的网络等。训练样本集可以是由多张样本原始图像以及与每一张样本原始图像对应的样本效果图像组成的图像集，用于后续训练得到目标皮肤图像处理模型。
具体的，将多张样本原始图像以及与样本原始图像对应的样本效果图像组合得到训练样本集。根据训练样本集中的样本原始图像以及与样本原始图像对应的样本效果图像对生成对抗网络进行训练，可以是分别训练皮肤图像处理生成器和皮肤图像处理判别器，进而，将训练完成的皮肤图像处理生成器作为目标皮肤图像处理模型。
由于训练样本集中的样本原始图像的年龄不同，后续处理得到的样本效果图像的显著程度不同。若各年龄的样本数量不同，则存在样本不均衡的问题，会导致生成对抗网络的训练效果差的问题。因此，可以对不同年龄的样本数量进行均衡处理。在本公开实施例技术方案的基础上，可选的，通过下述方式对生成对抗网络进行训练：
根据训练样本集中的样本原始图像对应的皮肤年龄以及各个皮肤年龄对应的样本原始图像的图像数量确定样本原始图像的目标迭代训练次数，根据样本原始图像、与样本原始图像对应的样本效果以及目标迭代训练次数图像对生成对抗网络进行训练。
其中，皮肤年龄可以是样本原始图像中面部区域所对应的人物的面部区域的皮肤状态所对应的年龄，并非是真实年龄。示例性的，若根据图像处理分析难以确定皮肤年龄的具体数值，只能确定到一定的数值范围，则可以将该数值范围作为皮肤年龄。目标迭代训练次数可以是样本原始图像对生成对抗网络进行训练的次数。
具体的，确定训练样本集中的各样本原始图像对应的皮肤年龄，并确定各个皮肤年龄对应的样本原始图像的图像数量。为了使得各个皮肤年龄对应的样本原始图像的图像数量均衡，可以确定各皮肤年龄对应的各样本原始图像所对应的目标迭代训练次数。进而，将每个样本原始图像依据与样本原始图像相对应的目标迭代训练次数输入至生成对抗网络中进行训练。
示例性的，皮肤年龄A所对应的样本原始图像的图像数量为300，皮肤年龄B所对应的样本原始图像的图像数量为600。那么，可以将皮肤年龄A所对应的每一张样本原始图像的目标迭代训练次数确定为2，并保持皮肤年龄B所对应的每一张样本原始图像的目标迭代训练次数仍为1；还可以将皮肤年龄A 所对应的样本原始图像中的随机150张的目标迭代训练次数确定为3，将剩余 150张样本原始图像的目标迭代训练次数确定为1，并保持皮肤年龄B所对应的每一张样本原始图像的目标迭代训练次数仍为1；也可以将皮肤年龄A所对应的样本原始图像中的某一张的目标迭代训练次数确定为301，将剩余299张样本原始图像的目标迭代训练次数确定为1，并保持皮肤年龄B所对应的每一张样本原始图像的目标迭代训练次数仍为1。
在本公开实施例技术方案的基础上，可选的，可以依据皮肤年龄进行分组处理，以提高样本均衡的效率。具体可以是：
根据训练样本集中每张样本原始图像对应的皮肤年龄将训练样本集中各个样本原始图像进行分组处理，得到至少两个年龄段的样本训练组，分别根据每个样本训练组对应的样本原始图像的图像数量确定每个样本训练组对应的目标迭代训练次数。
其中，图像数量偏少的样本训练组的目标迭代训练次数不低于图像数量偏多的样本训练组的目标迭代训练次数。
具体的，确定训练样本集中每张样本原始图像对应的皮肤年龄，根据预先设定的分组需求，将各样本原始图像进行分组处理，以分为至少两个年龄段对应的样本训练组。进而，分别根据每个样本训练组对应的样本原始图像的图像数量，增大图像数量偏少的样本训练组的目标迭代训练次数，以使各个样本训练组均衡。
示例性的，将皮肤年龄21-40作为第一年龄段，并将第一年龄段所对应的样本训练组确定为第一样本训练组；将皮肤年龄41-60作为第二年龄段，并将第二年龄段所对应的样本训练组确定为第二样本训练组；将皮肤年龄61-80作为第三年龄段，并将第三年龄段所对应的样本训练组确定为第三样本训练组。第一样本训练组对应的样本原始图像的图像数量为400，第二样本训练组对应的样本原始图像的图像数量为200，第三样本训练组对应的样本原始图像的图像数量为100。据此，可以确定第二样本训练组的目标迭代训练次数为2，第三样本训练组的目标迭代训练次数为4。需要说明的是，若图像数量偏多的样本训练组的图像数量并不是图像数量偏少的样本训练组的图像数量的整数倍，则可以分别确定图像数量偏少的样本训练组的各样本原始图像所对应的目标迭代训练次数，即同一样本训练组中不同的样本原始图像所对应的目标迭代训练次数可以相同也可以不同。
本实施例的技术方案，通过获取包括面部区域的样本原始图像，确定与样本原始图像对应的样本效果图像，基于多张样本原始图像以及与样本原始图像对应的样本效果图像构建训练样本集，根据训练样本集中的样本原始图像以及与样本原始图像对应的样本效果图像对生成对抗网络进行训练，将训练完成的皮肤图像处理生成器作为目标皮肤图像处理模型，解决了通过模型对用户面部进行美化时，美化效果较差以及美化后图像自然度较差的问题，实现了通过生成对抗网络在提高美化效果的同时，提高美化后图像自然度的效果。
实施例三
图3为本公开实施例三所提供的一种目标皮肤图像处理模型的训练方法的流程示意图，本实施例在本公开实施例中任一可选技术方案的基础上，可选地，针对训练样本集的样本扩充、皮肤图像处理生成器和皮肤图像处理判别器的训练过程可参见本实施例的技术方案。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
如图3所示，本实施例的方法具体可包括：
S310、获取包括面部区域的样本原始图像，确定与样本原始图像对应的样本效果图像。
S320、获取多张样本原始图像中的目标原始图像以及与目标原始图像对应的样本效果图像。
其中，目标原始图像可以是样本原始图像中的全部或部分图像，用于后续进行训练样本集扩充。
具体的，从多张样本原始图像中选择出目标原始图像，并将与各目标原始图像相对应的样本效果图像确定出来，以便后续处理和匹配。
S330、根据预设光照条件对目标原始图像进行光照模拟处理，得到样本扩充图像，并根据预设光照条件对与目标原始图像对应的样本效果图像进行光照模拟处理，得到与样本扩充图像对应的样本效果图像。
其中，预设光照条件可以是用于改变目标原始图像光照情况的光照条件，可以包括光照部位、光照强度、光照颜色、光源形式等。光照模拟处理可以是将预设光照条件的光叠加在目标原始图像上的处理方式。样本扩充图像可以是光照模拟处理后的图像，用于对样本原始图像进行样本扩充。
具体的，可以确定一种或多种预设光照条件，并根据一种或多种预设光照条件对目标原始图像进行光照模拟处理，将处理后的图像作为样本扩充图像。相应的，根据一种或多种预设光照条件对与目标原始图像对应的样本效果图像进行光照模拟处理，将处理后的图像作为与各样本扩充图像对应的样本效果图像。
需要说明的是，将目标原始图像和与目标原始图像对应的样本效果图像进行相同的光照模拟处理的原因在于，保证样本扩充图像和与样本扩充图像对应的样本效果图像只是进行了皮肤图像处理，避免光照情况的影响。
S340、将样本原始图像和样本扩充图像作为样本输入图像，将与样本原始图像对应的样本效果图像和与样本扩充图像对应的样本效果图像作为期望效果图像，根据样本输入图像和期望效果图像构建训练样本集。
其中，样本输入图像是训练样本集中皮肤图像处理之前的图像，期望效果图像是训练样本集中皮肤图像处理之后得到的图像。
具体的，样本原始图像和与样本原始图像对应的样本效果图像为训练样本集中的原始部分，样本扩充图像和与样本扩充图像对应的样本效果图像为训练样本集中的扩充部分。将样本原始图像和样本扩充图像作为样本输入图像，即皮肤图像处理前的图像，将与样本原始图像对应的样本效果图像和与样本扩充图像对应的样本效果图像作为期望效果图像，即皮肤图像处理后的图像。进而，将样本输入图像和期望效果图像对应构建训练样本集。
S350、将训练样本集中的样本输入图像输入至生成对抗网络中的皮肤图像处理生成器中，得到样本生成图像。
具体的，将训练样本集中的样本输入图像输入至生成对抗网络中的皮肤图像处理生成器中，通过皮肤图像处理生成器的处理，可以得到与各样本输入图像相对应的样本生成图像。
S360、根据样本生成图像、样本输入图像以及与样本输入图像对应的期望效果图像对皮肤图像处理生成器的网络参数进行调整。
具体的，根据样本生成图像和样本输入图像之间的差异，可以判断皮肤图像处理生成器处理前后图像之间的差异，根据样本生成图像和与样本输入图像对应的期望效果图像之间的差异，可以判断皮肤图像处理生成器处理后的图像与期望得到的图像的差异。进而，通过确定出的两种差异对皮肤图像处理生成器的网络参数进行调整，以使后续皮肤图像处理生成器输出的样本生成图像相对于样本输入图像存在皮肤处理的效果，相对于期望效果图像存在难以分辨的效果。
在本公开实施例技术方案的基础上，可选的，可以依据下述方式对皮肤图像处理生成器的网络参数进行调整：
步骤一、根据预设第一损失函数计算样本生成图像与样本输入图像之间的第一损失值。
其中，预设第一损失函数可以是用于衡量样本生成图像与样本输入图像之间差异的损失函数。第一损失值可以是预设第一损失函数计算得到的输出值，表示样本生成图像与样本输入图像之间的差异。
需要说明的是，为了保证皮肤图像处理生成器的效果的真实性，则要保证未经处理的部分尽可能的接近样本输入图像。因此，可以将眼部区域、法令纹区域、腮部区域等处理较为明显的关注区域排除，根据除关注区域外的剩余区域构建第一损失函数，以使剩余区域的差异不明显。
步骤二、根据预设第二损失函数计算样本生成图像与样本输入图像对应的期望效果图像之间的第二损失值。
其中，预设第二损失函数可以是用于衡量样本生成图像与样本输入图像对应的期望效果图像之间差异的损失函数。第二损失值可以是预设第二损失函数计算得到的输出值，表示样本生成图像与样本输入图像对应的期望效果图像之间的差异。
需要说明的是，为了保证皮肤图像处理生成器的效果的有效性，则要保证已经处理的部分尽可能的接近期望效果图像。因此，可以根据眼部区域、法令纹区域、腮部区域等处理较为明显的关注区域构建第二损失函数，以降低样本生成图像和与样本输入图像对应的期望效果图像之间的差异。
步骤三、根据第一损失值与第二损失值对皮肤图像处理生成器的网络参数进行调整。
具体的，在得到第一损失值和第二损失值后，可以根据第一损失值和第二损失值分别对皮肤图像处理生成器的网络参数进行调整，以使调整后计算得到的第一损失值和第二损失值的综合损失值下降。其中，综合损失值可以是根据第一损失值和第二损失值计算处理得到的，计算处理方式可以是求和计算、加权求和计算等。
S370、根据样本生成图像以及与样本生成图像对应的期望效果图像对皮肤图像处理判别器进行训练，并基于训练得到的皮肤图像处理判别器对样本生成图像的判别结果确定是否结束对皮肤图像处理生成器的调整。
具体的，根据样本生成图像以及与样本生成图像对应的期望效果图像对皮肤图像处理判别器进行训练，以使皮肤图像处理判别器能够较为有效的区分样本生成图像和与该样本生成图像相对应的期望效果图像。基于训练得到的皮肤图像处理判别器对样本生成图像的判别结果可以确定样本生成图像和与该样本生成图像相对应的期望效果图像是否可区分，如果明显可区分，则表明样本生成图像的效果不佳，需要重新调整皮肤图像处理生成器的参数，不能结束对皮肤图像处理生成器的调整；如果已经难以区分，则表明样本生成图像的效果较好，贴近期望效果图像，可以结束对皮肤图像处理生成器的调整。
S380、如果是，则将调整得到的皮肤图像处理生成器作为目标皮肤图像处理模型。
具体的，如果基于训练得到的皮肤图像处理判别器对样本生成图像的判别结果确定可以结束对皮肤图像处理生成器的调整，则表明调整得到的皮肤图像处理生成器的效果稳定、自然、能够有效实现皮肤年轻化，可以将调整得到的皮肤图像处理生成器作为目标皮肤图像处理模型。
本实施例的技术方案，通过获取包括面部区域的样本原始图像，确定与样本原始图像对应的样本效果图像，获取多张样本原始图像中的目标原始图像以及与目标原始图像对应的样本效果图像，根据预设光照条件对目标原始图像进行光照模拟处理，得到样本扩充图像，并根据预设光照条件对与目标原始图像对应的样本效果图像进行光照模拟处理，得到与样本扩充图像对应的样本效果图像，并将样本原始图像和样本扩充图像作为样本输入图像，将与样本原始图像对应的样本效果图像和与样本扩充图像对应的样本效果图像作为期望效果图像，根据样本输入图像和期望效果图像构建训练样本集，以对训练样本集进行可靠的扩充，使模型训练样本的增加，便于有效提高后续的模型训练效果。进而，将训练样本集中的样本输入图像输入至生成对抗网络中的皮肤图像处理生成器中，得到样本生成图像，根据样本生成图像、样本输入图像以及与样本输入图像对应的期望效果图像对皮肤图像处理生成器的网络参数进行调整，以使皮肤图像处理生成器的训练过程达到均衡美化效果和自然效果的目的。根据样本生成图像以及与样本生成图像对应的期望效果图像对皮肤图像处理判别器进行训练，并基于训练得到的皮肤图像处理判别器对样本生成图像的判别结果确定是否结束对皮肤图像处理生成器的调整，如果是，则将调整得到的皮肤图像处理生成器作为目标皮肤图像处理模型，解决了模型训练样本数量较少而导致的模型训练效果不佳的问题，以及难以同时兼顾美化效果和自然效果的问题，实现了对训练样本集的扩充，并综合考虑了美化效果和自然效果，来提高用户体验度的效果。
实施例四
作为上述各实施例的可选实施例，图4为本公开实施例四所提供的一种图像处理和模型训练方法的示意图，如图4所示，本实施例的方法具体可包括：模型训练部分和图像处理部分。
其中，模型训练部分主要包括：
1、脸部数据采集。
具体的，可以通过人工采集的方式获取一定数量的高清脸部数据(样本原始图像)，例如：500-2000张高清脸部图像，具体数量可以根据实际需求选择。为了保证模型训练的效果，可以要求脸部图像的分辨率不低于1024*1024，脸部数据分布要求尽可能覆盖男、女，20-80岁各皮肤年龄段，涵盖脸部的各种角度等。
2、脸部特征矫正。
具体的，通过人工处理的方式可以将高清脸部图像进行脸部特征矫正，矫正的内容主要与脸部提拉紧致相关，例如：去除黑眼圈、去除皱纹、降低法令纹、填充脸部凹陷等。经过脸部特征矫正可以得到与各高清脸部图像相对应的矫正脸部图像(样本效果图像)，可以将高清脸部图像记为A，将与各高清脸部图像相对应的矫正脸部图像记为B。
3、有监督训练提拉紧致GAN(Generative Adversarial Networks，生成式对抗网络)模型，获取人脸美化生成器(目标皮肤图像处理模型)。
具体的，使用上述一定数量的高清脸部图像A，和与各高清脸部图像相对应的矫正脸部图像B训练提拉紧致模型(生成对抗网络)。为了保证训练过程中，人脸美化生成器能自适应学习脸部提拉紧致相关的参数，需要指定监督策略。在提拉紧致GAN模型的训练过程中，加入了光照条件模拟(光照模拟处理)、年龄分布适配(根据训练样本集中的样本原始图像对应的皮肤年龄以及各个皮肤年龄对应的样本原始图像的图像数量确定样本原始图像的目标迭代训练次数，根据样本原始图像、与样本原始图像对应的样本效果以及目标迭代训练次数图像对生成对抗网络进行训练)、皮肤颜色矫正(皮肤颜色校正处理)、人脸高维语义特征矫正(根据预设第一损失函数计算样本生成图像与样本输入图像之间的第一损失值)、人脸低维纹理特征矫正(根据预设第二损失函数计算样本生成图像与样本输入图像对应的期望效果图像之间的第二损失值)等图像算法策略，保证提拉紧致GAN网络在训练过程中，不但能保留原始的肤质信息，而且只针对性地处理皱纹、黑眼圈、皮肤凹陷等缺陷区域，生成完整的人脸美化生成器，记为G(A，B)。
其中，图像处理部分主要包括：
1、接收用户图像。
示例性的，在线上应用的环境中，接收用户通过拍摄或上传等方式确定的用户图像(待处理图像)。
2、脸部裁剪。
具体的，在用户上传用户图像后，使用脸部关键点信息进行脸部裁剪。人脸裁剪的方式是将用户上传的用户图像中的脸部区域进行识别和裁剪，得到裁剪后的脸部图像。并且，可以将脸部图像依据模特图像进行调整，将脸部图像的范围拉伸或压缩至与模特图像中的脸部图像相同的范围，以便提升后续皮肤提拉紧致处理区域的识别，提高图像处理效果。
3、基于人脸美化生成器进行处理。
具体的，将裁剪后的脸部图像输入至模型获取阶段得到的人脸美化生成器 G(A，B)中，通过人脸美化生成器G(A，B)对脸部图像进行脸部信息提取，并对对脸部语义、纹理等信息等进行处理。
4、输出提拉紧致脸部效果图。
具体的，在预设显示区域自适应的输出具有提拉紧致效果的脸部效果图。
本实施例的技术方案，通过脸部数据采集、脸部特征矫正以及有监督训练提拉紧致GAN模型，来获取人脸美化生成器。并且，通过接收用户图像，进行脸部裁剪，基于人脸美化生成器进行处理，输出提拉紧致脸部效果图，解决了用户面部美化时同质化严重、细节损失严重、分辨率低的问题，实现简化图像处理流程，提高图像处理的自适应性以及图像处理结果的自然度的效果。
实施例五
图5为本公开实施例五所提供的一种图像处理装置的结构示意图，本实施例所提供的图像处理装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本公开实施例中的图像处理方法。如图5所示，该装置具体可包括：
其中，图像获取模块510，用于获取待处理图像，其中，所述待处理图像包括面部区域，所述待处理图像的面部区域的皮肤状态处于第一皮肤年龄；皮肤处理模块520，用于将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。
在本公开实施例中任一可选技术方案的基础上，可选地，所述初始皮肤图像处理模型包括生成对抗网络，所述生成对抗网络包括皮肤图像处理生成器和皮肤图像处理判别器，所述装置还包括：模型训练模块，用于获取包括面部区域的样本原始图像，确定与所述样本原始图像对应的样本效果图像，其中，所述样本原始图像的面部区域的皮肤状态处于第一皮肤年龄，所述样本效果图像的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄；基于多张样本原始图像以及与所述样本原始图像对应的样本效果图像构建训练样本集，根据所述训练样本集中的样本原始图像以及与所述样本原始图像对应的样本效果图像对所述生成对抗网络进行训练，将训练完成的皮肤图像处理生成器作为目标皮肤图像处理模型。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于获取对所述样本原始图像中的面部区域进行肤龄转换处理得到的初步效果图像，根据所述初步效果图像确定样本效果图像，其中，所述肤龄转换处理包括皱纹淡化处理、黑眼圈淡化处理及凹陷填充处理中的至少一种。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于根据所述样本原始图像对所述初步效果图像中的面部区域进行皮肤颜色校正处理，得到样本效果图像。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于计算所述样本原始图像中面部区域的第一皮肤颜色均值，以及所述初步效果图像中的面部区域的第二皮肤颜色均值；根据所述第一皮肤颜色均值、所述第二皮肤颜色均值以及所述初步效果图像中的面部区域的各个像素点对应的原始颜色值分别确定所述初步效果图像中的面部区域的各个像素点对应的目标颜色值，根据所述目标颜色值生成样本效果图像。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于确定所述样本原始图像中的面部区域，并确定所述面部区域中的皮肤区域，计算所述皮肤区域中各像素点的第一皮肤颜色均值。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于获取多张样本原始图像中的目标原始图像以及与所述目标原始图像对应的样本效果图像；根据预设光照条件对所述目标原始图像进行光照模拟处理，得到样本扩充图像，并根据所述预设光照条件对与所述目标原始图像对应的样本效果图像进行光照模拟处理，得到与所述样本扩充图像对应的样本效果图像；将所述样本原始图像和所述样本扩充图像作为样本输入图像，将与所述样本原始图像对应的样本效果图像和与所述样本扩充图像对应的样本效果图像作为期望效果图像，根据所述样本输入图像和所述期望效果图像构建训练样本集。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于将所述训练样本集中的样本输入图像输入至所述生成对抗网络中的皮肤图像处理生成器中，得到样本生成图像；根据所述样本生成图像、所述样本输入图像以及与所述样本输入图像对应的期望效果图像对所述皮肤图像处理生成器的网络参数进行调整；根据所述样本生成图像以及与所述样本生成图像对应的期望效果图像对皮肤图像处理判别器进行训练，并基于训练得到的所述皮肤图像处理判别器对所述样本生成图像的判别结果确定是否结束对所述皮肤图像处理生成器的调整；如果是，则将调整得到的皮肤图像处理生成器作为目标皮肤图像处理模型。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于根据预设第一损失函数计算所述样本生成图像与所述样本输入图像之间的第一损失值；根据预设第二损失函数计算所述样本生成图像与所述样本输入图像对应的期望效果图像之间的第二损失值；根据所述第一损失值与所述第二损失值对所述皮肤图像处理生成器的网络参数进行调整。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于根据所述训练样本集中的样本原始图像对应的皮肤年龄以及各个皮肤年龄对应的样本原始图像的图像数量确定所述样本原始图像的目标迭代训练次数，根据所述样本原始图像、与所述样本原始图像对应的样本效果以及所述目标迭代训练次数图像对所述生成对抗网络进行训练。
在本公开实施例中任一可选技术方案的基础上，可选地，所述模型训练模块，还用于根据所述训练样本集中每张样本原始图像对应的皮肤年龄将所述训练样本集中各个样本原始图像进行分组处理，得到至少两个年龄段的样本训练组，分别根据每个样本训练组对应的样本原始图像的图像数量确定每个样本训练组对应的目标迭代训练次数；其中，图像数量偏少的样本训练组的目标迭代训练次数不低于图像数量偏多的样本训练组的目标迭代训练次数。
在本公开实施例中任一可选技术方案的基础上，可选地，所述图像获取模块510，还用于当接收用于启用预设皮肤处理特效的特效触发操作时，展示至少一种图像获取控件；接收针对至少一种图像获取控件的控件触发操作，采用所触发的图像获取控件对应的图像获取方式获取待处理图像。
上述装置可执行本公开任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本公开实施例的技术方案，通过获取待处理图像，将待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与待处理图像对应的目标效果图像，解决了用户面部美化时同质化严重、细节损失严重、分辨率低的问题，实现简化图像处理流程，提高图像处理的自适应性以及图像处理结果的自然度的效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例六
图6为本公开实施例六所提供的一种电子设备的结构示意图。下面参考图 6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线605彼此相连。编辑/输出(I/O) 接口604也连接至总线605。
通常，以下装置可以连接至I/O接口604：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602 被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
本公开实施例提供的电子设备与上述实施例提供的图像处理方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例七
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的图像处理方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、 RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取待处理图像，其中，所述待处理图像包括面部区域，所述待处理图像的面部区域的皮肤状态处于第一皮肤年龄；
将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器 (EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例一】提供了一种图像处理方法，该方法包括：
获取待处理图像，其中，所述待处理图像包括面部区域，所述待处理图像的面部区域的皮肤状态处于第一皮肤年龄；
将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。
根据本公开的一个或多个实施例，【示例二】提供了一种图像处理方法，该方法，还包括：
可选的，所述初始皮肤图像处理模型包括生成对抗网络，所述生成对抗网络包括皮肤图像处理生成器和皮肤图像处理判别器，所述目标皮肤图像处理模型基于如下方式训练得到：
获取包括面部区域的样本原始图像，确定与所述样本原始图像对应的样本效果图像，其中，所述样本原始图像的面部区域的皮肤状态处于第一皮肤年龄，所述样本效果图像的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄；
基于多张样本原始图像以及与所述样本原始图像对应的样本效果图像构建训练样本集，根据所述训练样本集中的样本原始图像以及与所述样本原始图像对应的样本效果图像对所述生成对抗网络进行训练，将训练完成的皮肤图像处理生成器作为目标皮肤图像处理模型。
根据本公开的一个或多个实施例，【示例三】提供了一种图像处理方法，该方法，还包括：
所述确定与所述样本原始图像对应的样本效果图像，包括：
获取对所述样本原始图像中的面部区域进行肤龄转换处理得到的初步效果图像，根据所述初步效果图像确定样本效果图像，其中，所述肤龄转换处理包括皱纹淡化处理、黑眼圈淡化处理及凹陷填充处理中的至少一种。
可选地，根据本公开的一个或多个实施例，【示例四】提供了一种图像处理方法，该方法还包括：
可选的，所述根据所述初步效果图像确定样本效果图像，包括：
根据所述样本原始图像对所述初步效果图像中的面部区域进行皮肤颜色校正处理，得到样本效果图像。
根据本公开的一个或多个实施例，【示例五】提供了一种图像处理方法，该方法，还包括：
可选的，所述根据所述样本原始图像对所述初步效果图像中的面部区域进行皮肤颜色校正处理，得到样本效果图像，包括：
计算所述样本原始图像中面部区域的第一皮肤颜色均值，以及所述初步效果图像中的面部区域的第二皮肤颜色均值；
根据所述第一皮肤颜色均值、所述第二皮肤颜色均值以及所述初步效果图像中的面部区域的各个像素点对应的原始颜色值分别确定所述初步效果图像中的面部区域的各个像素点对应的目标颜色值，根据所述目标颜色值生成样本效果图像。
根据本公开的一个或多个实施例，【示例六】提供了一种图像处理方法，该方法，还包括：
可选的，所述计算所述样本原始图像中面部区域的第一皮肤颜色均值，包括：
确定所述样本原始图像中的面部区域，并确定所述面部区域中的皮肤区域，计算所述皮肤区域中各像素点的第一皮肤颜色均值。
根据本公开的一个或多个实施例，【示例七】提供了一种图像处理方法，该方法，还包括：
可选的，所述基于多张样本原始图像以及与所述样本原始图像对应的样本效果图像构建训练样本集，包括：
获取多张样本原始图像中的目标原始图像以及与所述目标原始图像对应的样本效果图像；
根据预设光照条件对所述目标原始图像进行光照模拟处理，得到样本扩充图像，并根据所述预设光照条件对与所述目标原始图像对应的样本效果图像进行光照模拟处理，得到与所述样本扩充图像对应的样本效果图像；
将所述样本原始图像和所述样本扩充图像作为样本输入图像，将与所述样本原始图像对应的样本效果图像和与所述样本扩充图像对应的样本效果图像作为期望效果图像，根据所述样本输入图像和所述期望效果图像构建训练样本集。
根据本公开的一个或多个实施例，【示例八】提供了一种图像处理方法，该方法，还包括：
可选的，所述根据所述训练样本集中的样本原始图像以及与所述样本原始图像对应的样本效果图像对所述生成对抗网络进行训练，将训练完成的皮肤图像处理生成器作为目标皮肤图像处理模型，包括：
将所述训练样本集中的样本输入图像输入至所述生成对抗网络中的皮肤图像处理生成器中，得到样本生成图像；
根据所述样本生成图像、所述样本输入图像以及与所述样本输入图像对应的期望效果图像对所述皮肤图像处理生成器的网络参数进行调整；
根据所述样本生成图像以及与所述样本生成图像对应的期望效果图像对皮肤图像处理判别器进行训练，并基于训练得到的所述皮肤图像处理判别器对所述样本生成图像的判别结果确定是否结束对所述皮肤图像处理生成器的调整；
如果是，则将调整得到的皮肤图像处理生成器作为目标皮肤图像处理模型。
根据本公开的一个或多个实施例，【示例九】提供了一种图像处理方法，该方法，还包括：
可选的，所述根据所述样本生成图像、所述样本输入图像以及与所述样本输入图像对应的期望效果图像对所述皮肤图像处理生成器的网络参数进行调整，包括：
根据预设第一损失函数计算所述样本生成图像与所述样本输入图像之间的第一损失值；
根据预设第二损失函数计算所述样本生成图像与所述样本输入图像对应的期望效果图像之间的第二损失值；
根据所述第一损失值与所述第二损失值对所述皮肤图像处理生成器的网络参数进行调整。
根据本公开的一个或多个实施例，【示例十】提供了一种图像处理方法，该方法，还包括：
可选的，所述根据所述训练样本集中的样本原始图像以及与所述样本原始图像对应的样本效果图像对所述生成对抗网络进行训练，包括：
根据所述训练样本集中的样本原始图像对应的皮肤年龄以及各个皮肤年龄对应的样本原始图像的图像数量确定所述样本原始图像的目标迭代训练次数，根据所述样本原始图像、与所述样本原始图像对应的样本效果以及所述目标迭代训练次数图像对所述生成对抗网络进行训练。
根据本公开的一个或多个实施例，【示例十一】提供了一种图像处理方法，该方法，还包括：
可选地，所述根据所述训练样本集中的样本原始图像对应的皮肤年龄以及各个皮肤年龄对应的样本原始图像的图像数量确定所述样本原始图像的目标迭代训练次数，包括：
根据所述训练样本集中每张样本原始图像对应的皮肤年龄将所述训练样本集中各个样本原始图像进行分组处理，得到至少两个年龄段的样本训练组，分别根据每个样本训练组对应的样本原始图像的图像数量确定每个样本训练组对应的目标迭代训练次数；
其中，图像数量偏少的样本训练组的目标迭代训练次数不低于图像数量偏多的样本训练组的目标迭代训练次数。
根据本公开的一个或多个实施例，【示例十二】提供了一种图像处理方法，该方法，还包括：
可选的，所述获取待处理图像，包括：
当接收用于启用预设皮肤处理特效的特效触发操作时，展示至少一种图像获取控件；
接收针对至少一种图像获取控件的控件触发操作，采用所触发的图像获取控件对应的图像获取方式获取待处理图像。
根据本公开的一个或多个实施例，【示例十三】提供了一种图像处理装置，该装置包括：
图像获取模块，用于获取待处理图像，其中，所述待处理图像包括面部区域，所述待处理图像的面部区域的皮肤状态处于第一皮肤年龄；
皮肤处理模块，用于将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了如果干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (15)
1.一种图像处理方法，其特征在于，包括：
获取待处理图像，其中，所述待处理图像包括面部区域，所述待处理图像的面部区域的皮肤状态处于第一皮肤年龄；
将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。
2.根据权利要求1所述的方法，其特征在于，所述初始皮肤图像处理模型包括生成对抗网络，所述生成对抗网络包括皮肤图像处理生成器和皮肤图像处理判别器，所述目标皮肤图像处理模型基于如下方式训练得到：
获取包括面部区域的样本原始图像，确定与所述样本原始图像对应的样本效果图像，其中，所述样本原始图像的面部区域的皮肤状态处于第一皮肤年龄，所述样本效果图像的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄；
基于多张样本原始图像以及与所述样本原始图像对应的样本效果图像构建训练样本集，根据所述训练样本集中的样本原始图像以及与所述样本原始图像对应的样本效果图像对所述生成对抗网络进行训练，将训练完成的皮肤图像处理生成器作为目标皮肤图像处理模型。
3.根据权利要求2所述的方法，其特征在于，所述确定与所述样本原始图像对应的样本效果图像，包括：
获取对所述样本原始图像中的面部区域进行肤龄转换处理得到的初步效果图像，根据所述初步效果图像确定样本效果图像，其中，所述肤龄转换处理包括皱纹淡化处理、黑眼圈淡化处理及凹陷填充处理中的至少一种。
4.根据权利要求3所述的方法，其特征在于，所述根据所述初步效果图像确定样本效果图像，包括：
根据所述样本原始图像对所述初步效果图像中的面部区域进行皮肤颜色校正处理，得到样本效果图像。
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本原始图像对所述初步效果图像中的面部区域进行皮肤颜色校正处理，得到样本效果图像，包括：
计算所述样本原始图像中面部区域的第一皮肤颜色均值，以及所述初步效果图像中的面部区域的第二皮肤颜色均值；
根据所述第一皮肤颜色均值、所述第二皮肤颜色均值以及所述初步效果图像中的面部区域的各个像素点对应的原始颜色值分别确定所述初步效果图像中的面部区域的各个像素点对应的目标颜色值，根据所述目标颜色值生成样本效果图像。
6.根据权利要求5所述的方法，其特征在于，所述计算所述样本原始图像中面部区域的第一皮肤颜色均值，包括：
确定所述样本原始图像中的面部区域，并确定所述面部区域中的皮肤区域，计算所述皮肤区域中各像素点的第一皮肤颜色均值。
7.根据权利要求2所述的方法，其特征在于，所述基于多张样本原始图像以及与所述样本原始图像对应的样本效果图像构建训练样本集，包括：
获取多张样本原始图像中的目标原始图像以及与所述目标原始图像对应的样本效果图像；
根据预设光照条件对所述目标原始图像进行光照模拟处理，得到样本扩充图像，并根据所述预设光照条件对与所述目标原始图像对应的样本效果图像进行光照模拟处理，得到与所述样本扩充图像对应的样本效果图像；
将所述样本原始图像和所述样本扩充图像作为样本输入图像，将与所述样本原始图像对应的样本效果图像和与所述样本扩充图像对应的样本效果图像作为期望效果图像，根据所述样本输入图像和所述期望效果图像构建训练样本集。
8.根据权利要求7所述的方法，其特征在于，所述根据所述训练样本集中的样本原始图像以及与所述样本原始图像对应的样本效果图像对所述生成对抗网络进行训练，将训练完成的皮肤图像处理生成器作为目标皮肤图像处理模型，包括：
将所述训练样本集中的样本输入图像输入至所述生成对抗网络中的皮肤图像处理生成器中，得到样本生成图像；
根据所述样本生成图像、所述样本输入图像以及与所述样本输入图像对应的期望效果图像对所述皮肤图像处理生成器的网络参数进行调整；
根据所述样本生成图像以及与所述样本生成图像对应的期望效果图像对皮肤图像处理判别器进行训练，并基于训练得到的所述皮肤图像处理判别器对所述样本生成图像的判别结果确定是否结束对所述皮肤图像处理生成器的调整；
如果是，则将调整得到的皮肤图像处理生成器作为目标皮肤图像处理模型。
9.根据权利要求8所述的方法，其特征在于，所述根据所述样本生成图像、所述样本输入图像以及与所述样本输入图像对应的期望效果图像对所述皮肤图像处理生成器的网络参数进行调整，包括：
根据预设第一损失函数计算所述样本生成图像与所述样本输入图像之间的第一损失值；
根据预设第二损失函数计算所述样本生成图像与所述样本输入图像对应的期望效果图像之间的第二损失值；
根据所述第一损失值与所述第二损失值对所述皮肤图像处理生成器的网络参数进行调整。
10.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本集中的样本原始图像以及与所述样本原始图像对应的样本效果图像对所述生成对抗网络进行训练，包括：
根据所述训练样本集中的样本原始图像对应的皮肤年龄以及各个皮肤年龄对应的样本原始图像的图像数量确定所述样本原始图像的目标迭代训练次数，根据所述样本原始图像、与所述样本原始图像对应的样本效果以及所述目标迭代训练次数图像对所述生成对抗网络进行训练。
11.根据权利要求10所述的方法，其特征在于，所述根据所述训练样本集中的样本原始图像对应的皮肤年龄以及各个皮肤年龄对应的样本原始图像的图像数量确定所述样本原始图像的目标迭代训练次数，包括：
根据所述训练样本集中每张样本原始图像对应的皮肤年龄将所述训练样本集中各个样本原始图像进行分组处理，得到至少两个年龄段的样本训练组，分别根据每个样本训练组对应的样本原始图像的图像数量确定每个样本训练组对应的目标迭代训练次数；
其中，图像数量偏少的样本训练组的目标迭代训练次数不低于图像数量偏多的样本训练组的目标迭代训练次数。
12.根据权利要求1所述的方法，其特征在于，所述获取待处理图像，包括：
当接收用于启用预设皮肤处理特效的特效触发操作时，展示至少一种图像获取控件；
接收针对至少一种图像获取控件的控件触发操作，采用所触发的图像获取控件对应的图像获取方式获取待处理图像。
13.一种图像处理装置，其特征在于，包括：
图像获取模块，用于获取待处理图像，其中，所述待处理图像包括面部区域，所述待处理图像的面部区域的皮肤状态处于第一皮肤年龄；
皮肤处理模块，用于将所述待处理图像输入至预先训练得到的目标皮肤图像处理模型中，得到与所述待处理图像对应的目标效果图像，其中，所述目标皮肤图像处理模型根据样本原始图像以及与所述样本原始图像对应的样本效果图像对初始皮肤图像处理模型训练得到，所述目标效果图像中的面部区域的皮肤状态处于第二皮肤年龄，所述第二皮肤年龄小于或等于所述第一皮肤年龄。
14.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-12中任一所述的图像处理方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-12中任一所述的图像处理方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210114150.XA CN114445302A (zh) | 2022-01-30 | 2022-01-30 | 图像处理方法、装置、电子设备及存储介质 |
| PCT/CN2023/072098 WO2023143129A1 (zh) | 2022-01-30 | 2023-01-13 | 图像处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210114150.XA CN114445302A (zh) | 2022-01-30 | 2022-01-30 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114445302A true CN114445302A (zh) | 2022-05-06 |
Family
ID=81371504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210114150.XA Pending CN114445302A (zh) | 2022-01-30 | 2022-01-30 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114445302A (zh) |
| WO (1) | WO2023143129A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023143129A1 (zh) * | 2022-01-30 | 2023-08-03 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094966B (zh) * | 2023-08-21 | 2024-04-05 | 青岛美迪康数字工程有限公司 | 基于图像扩增的舌图像识别方法、装置和计算机设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107909095A (zh) * | 2017-11-07 | 2018-04-13 | 江苏大学 | 一种基于深度学习的图像识别方法 |
| US11055514B1 (en) * | 2018-12-14 | 2021-07-06 | Snap Inc. | Image face manipulation |
| CN113255396A (zh) * | 2020-02-07 | 2021-08-13 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法及装置、图像处理方法及装置 |
| CN111429536B (zh) * | 2020-03-13 | 2023-12-19 | 深圳市雄帝科技股份有限公司 | 一种对图像中肤色进行调色的方法、系统及其存储介质 |
| CN111553854A (zh) * | 2020-04-21 | 2020-08-18 | 维沃移动通信有限公司 | 一种图像处理方法及电子设备 |
| CN113177891B (zh) * | 2021-04-28 | 2023-09-26 | 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 |
| CN114445302A (zh) * | 2022-01-30 | 2022-05-06 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-30 CN CN202210114150.XA patent/CN114445302A/zh active Pending
-
2023
- 2023-01-13 WO PCT/CN2023/072098 patent/WO2023143129A1/zh unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023143129A1 (zh) * | 2022-01-30 | 2023-08-03 | 北京字跳网络技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023143129A1 (zh) | 2023-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112989904B (zh) | 风格图像生成方法、模型训练方法、装置、设备和介质 | |
| CN106682632B (zh) | 用于处理人脸图像的方法和装置 | |
| CN114445302A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| US20230386001A1 (en) | Image display method and apparatus, and device and medium | |
| RU2697928C1 (ru) | Способ сверхразрешения изображения, имитирующего повышение детализации на основе оптической системы, выполняемый на мобильном устройстве, обладающем ограниченными ресурсами, и мобильное устройство, его реализующее | |
| CN114092678A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112419179B (zh) | 修复图像的方法、装置、设备和计算机可读介质 | |
| CN110069974A (zh) | 高光图像处理方法、装置和电子设备 | |
| CN116934577A (zh) | 一种风格图像生成方法、装置、设备及介质 | |
| WO2022132032A1 (zh) | 人像图像处理方法及装置 | |
| CN111583103A (zh) | 人脸图像处理方法、装置、电子设备及计算机存储介质 | |
| CN113989717A (zh) | 视频图像处理方法、装置、电子设备及存储介质 | |
| CN113344776A (zh) | 图像处理方法、模型训练方法、装置、电子设备及介质 | |
| CN110689478B (zh) | 图像风格化处理方法、装置、电子设备及可读介质 | |
| CN113962859A (zh) | 一种全景图生成方法、装置、设备及介质 | |
| CN114066722B (zh) | 用于获取图像的方法、装置和电子设备 | |
| CN114445301A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112819691B (zh) | 图像处理方法、装置、设备及可读存储介质 | |
| CN113313790A (zh) | 视频生成方法、装置、设备及存储介质 | |
| CN115953597B (zh) | 图像处理方法、装置、设备及介质 | |
| CN114418835B (zh) | 图像处理方法、装置、设备及介质 | |
| CN109658360B (zh) | 图像处理的方法、装置、电子设备和计算机存储介质 | |
| CN116563556A (zh) | 模型训练方法 | |
| CN116168106A (zh) | 图像处理方法、装置、计算机设备以及存储介质 | |
| CN111784726A (zh) | 人像抠图方法和装置 |
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 |