CN114494071A - 图像处理方法、装置、设备及存储介质 - Google Patents
图像处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114494071A CN114494071A CN202210108249.9A CN202210108249A CN114494071A CN 114494071 A CN114494071 A CN 114494071A CN 202210108249 A CN202210108249 A CN 202210108249A CN 114494071 A CN114494071 A CN 114494071A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- facial
- processed
- face
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000001815 facial effect Effects 0.000 claims abstract description 115
- 238000012545 processing Methods 0.000 claims abstract description 70
- 230000007547 defect Effects 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims description 67
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 210000000697 sensory organ Anatomy 0.000 abstract description 5
- 230000036548 skin texture Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013519 translation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 230000006978 adaptation Effects 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
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Abstract
本公开实施例公开了一种图像处理方法、装置、设备及存储介质。获取待处理面部图像;将所述待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像。本公开实施例提供的图像处理方法,基于生成对抗网络获取的面部瑕疵信息对待处理面部图像进行去瑕疵处理,无需对待处理面部图像进行全局处理,避免五官与皮肤纹理的细节缺失,从而提高去瑕疵后面部图像的真实性。
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、设备及存储介质。
背景技术
现有的面部图像去瑕疵方法,主要采用磨皮技术。传统的磨皮算法由各类高通滤波算法和图像处理算法组合而成,该方法通常对面部图像做全局处理,磨皮后会导致五官与皮肤纹理细节缺失,从而形成明显的假脸效果。
发明内容
本公开实施例提供一种图像处理方法、装置、设备及存储介质,可以实现对面部图像的去瑕疵处理,避免五官与皮肤纹理的细节缺失,从而提高去瑕疵后面部图像的真实性。
第一方面,本公开实施例提供了一种图像处理方法,包括:
获取待处理面部图像;
将所述待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;
根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像。
第二方面,本公开实施例还提供了一种图像处理装置,包括:
待处理图像获取模块,用于获取待处理面部图像;
面部瑕疵信息获取模块,用于将所述待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;
目标面部图像获取模块,用于根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理装置;
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装置执行,使得所述一个或多个处理装置实现如本公开实施例所述的图像处理方法。
第四方面,本公开实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现如本公开实施例所述的图像处理方法。
本公开实施例公开了一种图像处理方法、装置、设备及存储介质。获取待处理面部图像;将待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;根据面部瑕疵信息对待处理面部图像进行去瑕疵处理,获得目标面部图像。本公开实施例提供的图像处理方法,基于生成对抗网络获取的面部瑕疵信息对待处理面部图像进行去瑕疵处理,无需对待处理面部图像进行全局处理,避免五官与皮肤纹理的细节缺失,从而提高去瑕疵后面部图像的真实性。
附图说明
图1是本公开实施例中的一种图像处理方法的流程图;
图2是本公开实施例中的对面部图像进行去瑕疵处理的原理图;
图3是本公开实施例中的一种图像处理装置的结构示意图;
图4是本公开实施例中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”。
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。
图1为本公开实施例提供的一种图像处理方法的流程图,本实施例可适用于对面部图像进行去瑕处理的情况,该方法可以由图像处理装置来执行,该装置可由硬件和/或软件组成,并一般可集成在具有图像处理功能的设备中,该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示,该方法具体包括如下步骤:
S110,获取待处理面部图像。
其中,待处理面部图像可以是面部具有瑕疵的图像。本实施例中,待处理面部图像可以是从原始图像中截取的、尺寸为设定大小且面部对齐的图像,这样可以减少待处理面部图像在空间分布上的差异,降低生成对抗网络的学习难度。面部对齐可以理解为双眼的连线与水平线平行。
可选的,获取待处理面部图像的方式可以是:对原始图像进行面部关键点识别,获得初始关键点信息;根据初始关键点信息和标准关键点信息确定仿射变换信息;根据仿射变换信息对原始图像进行处理,获得待处理面部图像。
其中,标准关键点信息为标准面部图像对应的关键点信息。仿射变换信息由第一设定大小的矩阵表征,第一设定大小可以是256*256。关键点信息可以是关键点的位置信息,是人体面部中设定数量(例如106个)的关键点信息,用于标识面部轮廓及五官位置的点信息。仿射变换信息可以表征图像翻转、旋转、剪切及平移等信息。本实施例中的仿射变换信息表征待处理面部图像到标准面部图像的翻转、旋转、剪切及平移等信息。
本实施例中,初始关键点信息和表征关键点信息均可以采用矩阵表示,根据初始关键点信息和标准关键点信息确定仿射变换信息可以转化为仿射变换信息对应的矩阵的求解过程。假设A表示初始点关键点信息对应的矩阵,B表示标准关键点信息对应的矩阵,X为仿射变换信息对应的矩阵,则三者存在如下关系:B=XA,则X=BA-1。其中,标准关键点信息对应的矩阵与仿射变换信息对应的矩阵的尺寸相同。在获得仿射变换信息后,根据仿射变换信息一步到位的实现对原始图像的截取及对齐的操作,可以提高获取待处理面部图像的效率。
可选的,根据仿射变换信息对原始图像进行处理,获得待处理面部图像的方式可以是:调用设定图像变换函数;将仿射变换信息及原始图像输入设定图像变换函数,获得待处理面部图像。
其中,设定图像变换函数可以是从开源数据库(opencv)或者本地数据库(mobilecv)中用于实现图像翻转、旋转、剪切及平移等操作的函数,例如可以是warpAffine函数。具体的,将仿射变换信息及原始图像输入设定图像变换函数,就可以实现对原始图像的截取及对齐的操作。无需开发人员重新编写程序代码,可以降低技术人员的工作量。
可选的,获取待处理面部图像的方式还可以是:对原始图像进行面部区域的截取,获得初始面部图像;对初始面部图像执行对齐操作;将对齐后的初始面部图像缩放为设定大小的图像,获得待处理面部图像。
对原始图像进行面部区域的截取的过程可以是:对原始图像进行面部识别,将识别到面部所在的区域从原始图像中截取出来,获得初始面部图像。对初始面部图像执行对齐操作可以理解为:对初始面部图像进行旋转,使得旋转后的面部图像双眼连线与水平线平行。对对齐后初始面部图像的缩放可以理解为图像尺寸的缩小或者放大。本实施例中,对原始图像依次执行截取、对齐及缩放操作,使得获得的待处理面部图像可以被生成对抗网络的生成器识别,从而提高网络的识别精度。
具体的,对缩放后的初始面部图像执行对齐操作,获得待处理面部图像的方式可以是:获取初始面部图像中双眼连线与水平线的夹角;基于夹角对原始面部图像进行旋转,使得双眼连线与水平线平行,获得待处理面部图像。
其中,基于夹角对原始面部图像进行旋转可以理解为对原始面部图像绕顺时针或者逆时针旋转双眼连线与水平线夹角对应的角度,使得双眼连线与水平线平行。本实施例中,通过应用仿射变换使得原始面部图像对齐,确保待处理面部图像能被生成对抗网络的生成器更好地处理瑕疵。
S120,将待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息。
其中,设定生成对抗网络的生成器具有瑕疵检测及去除瑕疵的功能,网络的输出为一张RGBA的四通道图像或者是只有A通道的图像,A通道图像携带有瑕疵的位置信息及瑕疵像素变换信息。瑕疵像素变换信息可以理解为瑕疵去除前与去除后间的像素变换的权重信息。
S130,根据面部瑕疵信息对待处理面部图像进行去瑕疵处理,获得目标面部图像。
其中,面部瑕疵信息可以由携带有瑕疵位置信息及瑕疵像素变换信息的矩阵表征。
具体的,根据面部瑕疵信息对待处理面部图像进行去瑕疵处理,获得目标面部图像的方式可以是:将待处理面部图像的各颜色通道信息分别与面部瑕疵信息进行融合,获得中间面部图像;对仿射变换信息对应的矩阵进行逆变换,获得仿射变换逆信息;根据仿射变换逆信息对中间面部图像进行处理,获得目标面部图像。
其中,颜色通道包括红色(R)通道、蓝色(G)通道及绿色(B)通道。本实施例中,将待处理面部图像中的RGB三个通道信息分别与面部瑕疵信息进行融合,获得融合后的RGB三通道信息,融合后的RGB三通道信息构成中间面部图像。
本实施例中,由于中间面部图像是经过仿射变换后图像,因此,需要将仿射变换逆信息对应的矩阵与中间面部图像进行相乘,获得目标面部图像,最后将目标面部图像粘贴回原始图像中,实现对面部图像的去瑕疵处理。
具体的,将待处理面部图像的各颜色通道信息分别与面部瑕疵信息进行相融合,获得中间面部图像的方式可以是:将待处理面部图像的各颜色通道信息对应的矩阵分别与面部瑕疵信息对应的矩阵进行相乘,获得目标面部图像。
本实施例中,由于A通道是比较稀疏的矩阵,图像的放缩对其影响比较小,做融合后,原图人脸上的大部分像素得到了完好地保留,发生变化的像素仅仅是斑痘等瑕疵区域。该方法解决了这个任务使用生成对抗网络常常会带来的清晰度下降问题,使得即使用小分辨率也能完成高清人像任务。
可选的,在获取待处理面部图像之后,还包括如下步骤:将所述待处理面部图像缩放至第二设定大小。
其中,第二设定大小可以理解为生成对抗神经网络可以识别的图像大小。
相应的,在根据面部瑕疵信息对待处理面部图像进行去瑕疵处理之前,还包括:对面部瑕疵信息缩放至第一设定大小。
本实施例中,将生成器输出的面部瑕疵信息缩放至第一设定大小,有利于保护原始人脸图像的清晰度。
可选的,设定生成对抗网络还包括判别器。本实施例中,设定生成对抗网络的训练方式为:获取带有瑕疵的第一面部图像样本和对应的去除瑕疵的第二面部图像样本;将第一面部图像样本输入生成器中,获得面部瑕疵信息样本;根据面部瑕疵信息样本对第一面部图像样本进行去瑕疵处理,获得第三面部图像;将第三面部图像和第一面部图像组成负样本对,将第二面部图像和第一面部图像组成正样本对;将负样本对输入判别器,获得第一判别结果;将正样本对输入判别器,获得第二判别结果;基于第一判别结果和第二判别结果对生成器和判别器进行交替迭代训练。
其中,第一面部图像样本可以是对原始图像经过截取、缩放及对齐处理后的图像。第二面部图像样本可以是采用设定修图软件对第一面部图像样本去瑕疵处理后的图像。交替迭代训练可以理解为:首先训练一次判别器,在判别器训练后的基础上训练一次生成器,再在生成器训练后的基础上训练一次判别器,以此类推,直到满足训练完成条件。
其中,根据面部瑕疵信息样本对第一面部图像样本进行去瑕疵处理的方式参照上述实施例,此处不再赘述。
具体的,基于第一判别结果和第二判别结果对生成器和判别器进行交替迭代训练的方式可以是:根据第一判别结果确定第一损失函数,根据第二判别结果生成第二损失函数,对第一损失函数和第二损失函数进行线性叠加,得到目标损失函数,基于目标损失函数对生成器和判别器进行交替迭代训练,可以提高生成对抗生成网络的精度。
示例性的,图2是本实施例中对面部图像进行去瑕疵处理的原理图。如图2所示,首先对原始图像进行关键点识别,基于识别到的关键点信息和标准关键点信息确定仿射变换矩阵;基于仿射变换矩阵对原始图像进行截取及对齐操作,获得待处理面部图像;对待处理面部图像进行缩放处理,并将缩放后的图像输入生成对抗网络(GAN)中,输出RGBA图像;对RGBA图像中的A通道进行缩放,将缩放后的A通道与待处理图像进行融合,并将融合后的图像与仿射变换逆矩阵相乘,获得目标面部图像;最后将目标面部图像粘贴回原始图像中,获得结果图。
本公开实施例的技术方案,获取待处理面部图像;将待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;根据面部瑕疵信息对待处理面部图像进行去瑕疵处理,获得目标面部图像。本公开实施例提供的图像处理方法,基于生成对抗网络获取的面部瑕疵信息对待处理面部图像进行去瑕疵处理,无需对待处理面部图像进行全局处理,避免五官与皮肤纹理的细节缺失,从而提高去瑕疵后面部图像的真实性。
图3是本公开实施例提供的一种图像处理装置的结构示意图,如图3所示,该装置包括:
待处理图像获取模块210,用于获取待处理面部图像;
面部瑕疵信息获取模块220,用于将待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;
目标面部图像获取模块230,用于根据面部瑕疵信息对待处理面部图像进行去瑕疵处理,获得目标面部图像。
可选的,待处理图像获取模块210,还用于:
对原始图像进行面部关键点识别,获得初始关键点信息;
根据初始关键点信息和标准关键点信息确定仿射变换信息;其中,标准关键点信息为标准面部图像对应的关键点信息;仿射变换信息由第一设定大小的矩阵表征;
根据仿射变换信息对原始图像进行处理,获得待处理面部图像。
可选的,待处理图像获取模块210,还用于:
调用设定图像变换函数;
将仿射变换信息及原始图像输入设定图像变换函数,以对原始图像进行截取及对齐操作,获得待处理面部图像。
可选的,目标面部图像获取模块230,还用于:
将待处理面部图像的各颜色通道信息分别与面部瑕疵信息进行融合,获得中间面部图像;
对仿射变换信息对应的矩阵进行逆变换,获得仿射变换逆信息;
根据仿射变换逆信息对中间面部图像进行处理,获得目标面部图像。
可选的,目标面部瑕疵信息包括瑕疵位置信息及瑕疵像素变换信息;目标面部图像获取模块230,还用于:
将待处理面部图像的各颜色通道信息对应的矩阵分别与面部瑕疵信息对应的矩阵进行相乘,获得目标面部图像。
可选的,还包括:缩放模块,用于:
将待处理面部图像缩放至第二设定大小;
对面部瑕疵信息缩放至第一设定大小。
可选的,设定生成对抗网络还包括判别器;还包括:设定生成对抗网络的训练模块,用于:
获取带有瑕疵的第一面部图像样本和对应的去除瑕疵的第二面部图像样本;
将第一面部图像样本输入生成器中,获得面部瑕疵信息样本;
根据面部瑕疵信息样本对第一面部图像样本进行去瑕疵处理,获得第三面部图像;
将第三面部图像和第一面部图像组成负样本对,将第二面部图像和第一面部图像组成正样本对;
将负样本对输入判别器,获得第一判别结果;将正样本对输入判别器,获得第二判别结果;
基于第一判别结果和第二判别结果对生成器和判别器进行交替迭代训练。
上述装置可执行本公开前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开前述所有实施例所提供的方法。
下面参考图4,其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子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,或者各种形式的服务器,如独立服务器或者服务器集群。图4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4所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储装置(ROM)302中的程序或者从存储装置305加载到随机访问存储装置(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305: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306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备300,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词语的推荐方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置305被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开实施例的方法中限定的上述功能。
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:获取待处理面部图像;将所述待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像。
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。
根据本公开实施例的一个或多个实施例,本公开实施例公开了一种图像处理方法,包括:
获取待处理面部图像;
将所述待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;
根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像。
进一步地,获取待处理面部图像,包括:
对原始图像进行面部关键点识别,获得初始关键点信息;
根据所述初始关键点信息和标准关键点信息确定仿射变换信息;其中,所述标准关键点信息为标准面部图像对应的关键点信息;所述仿射变换信息由第一设定大小的矩阵表征;
根据所述仿射变换信息对所述原始图像进行处理,获得待处理面部图像。
进一步地,根据所述仿射变换信息对所述原始图像进行处理,获得待处理面部图像,包括:
调用设定图像变换函数;
将所述仿射变换信息及所述原始图像输入所述设定图像变换函数,以对所述原始图像进行截取及对齐操作,获得待处理面部图像。
进一步地,根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像,包括:
将所述待处理面部图像的各颜色通道信息分别与所述面部瑕疵信息进行融合,获得中间面部图像;
对所述仿射变换信息对应的矩阵进行逆变换,获得仿射变换逆信息;
根据所述仿射变换逆信息对所述中间面部图像进行处理,获得目标面部图像。
进一步地,所述目标面部瑕疵信息包括瑕疵位置信息及瑕疵像素变换信息;将所述待处理面部图像的各颜色通道信息分别与所述面部瑕疵信息进行相融合,获得中间面部图像,包括:
将所述待处理面部图像的各颜色通道信息对应的矩阵分别与所述面部瑕疵信息对应的矩阵进行相乘,获得目标面部图像。
进一步地,在获取待处理面部图像之后,还包括:
将所述待处理面部图像缩放至第二设定大小;
在根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理之前,还包括:
对所述面部瑕疵信息缩放至第一设定大小。
进一步地,所述设定生成对抗网络还包括判别器;所述设定生成对抗网络的训练方式为:
获取带有瑕疵的第一面部图像样本和对应的去除瑕疵的第二面部图像样本;
将所述第一面部图像样本输入所述生成器中,获得面部瑕疵信息样本;
根据所述面部瑕疵信息样本对所述第一面部图像样本进行去瑕疵处理,获得第三面部图像;
将所述第三面部图像和所述第一面部图像组成负样本对,将所述第二面部图像和所述第一面部图像组成正样本对;
将所述负样本对输入所述判别器,获得第一判别结果;将所述正样本对输入所述判别器,获得第二判别结果;
基于所述第一判别结果和所述第二判别结果对所述生成器和所述判别器进行交替迭代训练。
注意,上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解,本公开不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此,虽然通过以上实施例对本公开进行了较为详细的说明,但是本公开不仅仅限于以上实施例,在不脱离本公开构思的情况下,还可以包括更多其他等效实施例,而本公开的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取待处理面部图像;
将所述待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;
根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像。
2.根据权利要求1所述的方法,其特征在于,获取待处理面部图像,包括:
对原始图像进行面部关键点识别,获得初始关键点信息;
根据所述初始关键点信息和标准关键点信息确定仿射变换信息;其中,所述标准关键点信息为标准面部图像对应的关键点信息;所述仿射变换信息由第一设定大小的矩阵表征;
根据所述仿射变换信息对所述原始图像进行处理,获得待处理面部图像。
3.根据权利要求2所述的方法,其特征在于,根据所述仿射变换信息对所述原始图像进行处理,获得待处理面部图像,包括:
调用设定图像变换函数;
将所述仿射变换信息及所述原始图像输入所述设定图像变换函数,以对所述原始图像进行截取及对齐操作,获得待处理面部图像。
4.根据权利要求2所述的方法,其特征在于,根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像,包括:
将所述待处理面部图像的各颜色通道信息分别与所述面部瑕疵信息进行融合,获得中间面部图像;
对所述仿射变换信息对应的矩阵进行逆变换,获得仿射变换逆信息;
根据所述仿射变换逆信息对所述中间面部图像进行处理,获得目标面部图像。
5.根据权利要求4所述的方法,其特征在于,所述目标面部瑕疵信息包括瑕疵位置信息及瑕疵像素变换信息;将所述待处理面部图像的各颜色通道信息分别与所述面部瑕疵信息进行相融合,获得中间面部图像,包括:
将所述待处理面部图像的各颜色通道信息对应的矩阵分别与所述面部瑕疵信息对应的矩阵进行相乘,获得目标面部图像。
6.根据权利要求2所述的方法,其特征在于,在获取待处理面部图像之后,还包括:
将所述待处理面部图像缩放至第二设定大小;
在根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理之前,还包括:
对所述面部瑕疵信息缩放至第一设定大小。
7.根据权利要求1所述的方法,其特征在于,所述设定生成对抗网络还包括判别器;所述设定生成对抗网络的训练方式为:
获取带有瑕疵的第一面部图像样本和对应的去除瑕疵的第二面部图像样本;
将所述第一面部图像样本输入所述生成器中,获得面部瑕疵信息样本;
根据所述面部瑕疵信息样本对所述第一面部图像样本进行去瑕疵处理,获得第三面部图像;
将所述第三面部图像和所述第一面部图像组成负样本对,将所述第二面部图像和所述第一面部图像组成正样本对;
将所述负样本对输入所述判别器,获得第一判别结果;将所述正样本对输入所述判别器,获得第二判别结果;
基于所述第一判别结果和所述第二判别结果对所述生成器和所述判别器进行交替迭代训练。
8.一种图像处理装置,其特征在于,包括:
待处理图像获取模块,用于获取待处理面部图像;
面部瑕疵信息获取模块,用于将所述待处理面部图像输入设定生成对抗网络的生成器中,获得面部瑕疵信息;
目标面部图像获取模块,用于根据所述面部瑕疵信息对所述待处理面部图像进行去瑕疵处理,获得目标面部图像。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理装置;
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装置执行,使得所述一个或多个处理装置实现如权利要求1-7中任一所述的图像处理方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如权利要求1-7中任一所述的图像处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108249.9A CN114494071A (zh) | 2022-01-28 | 2022-01-28 | 图像处理方法、装置、设备及存储介质 |
PCT/CN2023/072511 WO2023143222A1 (zh) | 2022-01-28 | 2023-01-17 | 图像处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210108249.9A CN114494071A (zh) | 2022-01-28 | 2022-01-28 | 图像处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494071A true CN114494071A (zh) | 2022-05-13 |
Family
ID=81476271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210108249.9A Pending CN114494071A (zh) | 2022-01-28 | 2022-01-28 | 图像处理方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114494071A (zh) |
WO (1) | WO2023143222A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023143222A1 (zh) * | 2022-01-28 | 2023-08-03 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116996695B (zh) * | 2023-09-27 | 2024-04-05 | 深圳大学 | 一种全景图像压缩方法、装置、设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578017B (zh) * | 2017-09-08 | 2020-11-17 | 百度在线网络技术(北京)有限公司 | 用于生成图像的方法和装置 |
CN107945135B (zh) * | 2017-11-30 | 2021-03-02 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质和电子设备 |
CN110796039B (zh) * | 2019-10-15 | 2021-04-27 | 北京达佳互联信息技术有限公司 | 一种面部瑕疵检测方法、装置、电子设备及存储介质 |
CN112184584A (zh) * | 2020-09-29 | 2021-01-05 | 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 |
CN114494071A (zh) * | 2022-01-28 | 2022-05-13 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备及存储介质 |
-
2022
- 2022-01-28 CN CN202210108249.9A patent/CN114494071A/zh active Pending
-
2023
- 2023-01-17 WO PCT/CN2023/072511 patent/WO2023143222A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023143222A1 (zh) * | 2022-01-28 | 2023-08-03 | 北京字跳网络技术有限公司 | 图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023143222A1 (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 | |
CN111242881B (zh) | 显示特效的方法、装置、存储介质及电子设备 | |
CN111369427B (zh) | 图像处理方法、装置、可读介质和电子设备 | |
CN114494071A (zh) | 图像处理方法、装置、设备及存储介质 | |
WO2022105779A1 (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
CN110728622B (zh) | 鱼眼图像处理方法、装置、电子设备及计算机可读介质 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
CN113949808B (zh) | 视频生成方法、装置、可读介质及电子设备 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN114022662A (zh) | 图像识别方法、装置、设备及介质 | |
CN114399814A (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
CN111402159B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN112418054A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
WO2023098649A1 (zh) | 视频生成方法、装置、设备及存储介质 | |
CN115358919A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111915532B (zh) | 图像追踪方法、装置、电子设备及计算机可读介质 | |
CN114419298A (zh) | 虚拟物体的生成方法、装置、设备及存储介质 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN112070903A (zh) | 虚拟对象的展示方法、装置、电子设备及计算机存储介质 | |
CN111402133A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN114049417B (zh) | 虚拟角色图像的生成方法、装置、可读介质及电子设备 | |
CN114863025B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN111738899B (zh) | 用于生成水印的方法、装置、设备和计算机可读介质 | |
CN115937010B (zh) | 一种图像处理方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |