CN114926350A - 一种图像美化方法、装置、电子设备及存储介质 - Google Patents

一种图像美化方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114926350A
CN114926350A CN202210375958.3A CN202210375958A CN114926350A CN 114926350 A CN114926350 A CN 114926350A CN 202210375958 A CN202210375958 A CN 202210375958A CN 114926350 A CN114926350 A CN 114926350A
Authority
CN
China
Prior art keywords
image
face
processed
low
frequency 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.)
Pending
Application number
CN202210375958.3A
Other languages
English (en)
Inventor
郭赛南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202210375958.3A priority Critical patent/CN114926350A/zh
Publication of CN114926350A publication Critical patent/CN114926350A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本公开关于一种图像美化方法、装置、电子设备及存储介质，该方法包括：获取待处理人脸图像；对待处理人脸图像进行模糊处理，得到第一低频图像；确定待处理人脸图像与第一低频图像之间的残差，得到待处理人脸图像的待处理高频图像；将待处理高频图像中小于预设阈值的像素值修改为预设阈值，得到目标高频图像；将目标高频图像与第一低频图像进行融合，得到待处理人脸图像对应的美化图像。也就是说，根据本公开的方案，可以在去除黑头的同时，保留图像中的纹理信息，从而提高了美化图像的真实感。

Description

一种图像美化方法、装置、电子设备及存储介质
技术领域
本公开涉及图像处理领域，尤其涉及一种图像美化方法、装置、电子设备及存储介质。
背景技术
在社交网络中，对照片先进行美化再分享已经成了当代年轻人默认的社交方式。为了吸引用户，各种针对人脸图像进行美化的方法层出不穷。通常，对人脸图像的美化范围包括肤质、脸型、体型、画质等，其中，针对肤质问题进行磨皮优化，去除瑕疵均匀肤质是用户较为关注的部分。人脸鼻部的黑头是影响面部匀净度和精致度的一种常见瑕疵，因此，去除黑头可以使得人脸图像的美化效果更好，进一步满足用户需求。
但是，目前缺少针对黑头进行处理的方法，大多数是通过全脸磨皮来直接将鼻部磨削光滑，这样的方案虽然可以去除黑头，但是鼻头本身的纹理细节也被去除，损失了真实感，效果并不理想。
发明内容
本公开提供一种图像美化方法、装置、电子设备及存储介质，以至少解决相关技术中通过全脸磨皮直接将鼻部磨削光滑，导致鼻头本身的纹理细节也被去除，损失了真实感，效果并不理想的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种图像美化方法，所述方法包括：
获取待处理人脸图像；
对所述待处理人脸图像进行模糊处理，得到第一低频图像；
确定所述待处理人脸图像与所述第一低频图像之间的残差，得到所述待处理人脸图像的待处理高频图像；
将所述待处理高频图像中小于所述预设阈值的像素值修改为所述预设阈值，得到目标高频图像；
将所述目标高频图像与所述第一低频图像进行融合，得到所述待处理人脸图像对应的美化图像。
可选地，所述获取待处理人脸图像，包括：
获取原始图像，所述原始图像中包括人脸；
基于所述原始图像中的人脸关键点及人脸俯仰角，确定所述原始图像中的人脸区域；
基于所述人脸区域的位置信息和尺寸信息，将所述人脸区域绘制在预设分辨率的图像窗口内，得到待处理人脸图像。
可选地，所述人脸关键点中包括眉毛关键点、面中关键点、下巴关键点及脸颊关键点，所述尺寸信息包括高度信息及宽度信息，所述基于所述人脸关键点及所述人脸俯仰角，确定所述原始图像中的人脸区域，包括：
基于所述眉毛关键点及所述面中关键点及预设扩展倍数，确定所述原始图像中人脸区域对应的额头扩展点；
根据所述额头扩展点、所述下巴关键点及所述人脸俯仰角，确定所述原始图像中人脸区域的高度信息；
基于所述脸颊关键点，确定所述原始图像中人脸区域的宽度信息。
可选地，所述基于所述眉毛关键点及所述面中关键点，确定对应的额头扩展点，包括：
Figure BDA0003590744320000021
其中，所述Xo代表所述面中关键点，所述Xm代表所述眉毛关键点，所述Xe代表所述额头扩展点，所述n代表所述预设扩展倍数。
可选地，所述根据所述额头扩展点、所述下巴关键点及所述人脸俯仰角，确定所述原始图像中人脸区域的高度，包括：
Hface＝(face.top–face.bottom)*alpha*(beta-Kpitch)
其中，所述Hface代表所述原始图像中人脸区域的高度信息，所述alpha代表第一预设参数，所述beta代表第二预设参数，所述face.top代表所述额头扩展点中的最高点，所述face.bottom代表所述下巴关键点中的最低点，所述Kpitch代表所述人脸俯仰角。
可选地，所述将所述目标高频图像与所述第一低频图像进行融合，得到所述待处理人脸图像对应的美化图像，包括：
对所述待处理人脸图像进行保边滤波处理，得到第二低频图像；
融合所述第一低频图像及所述第二低频图像，得到融合低频图像；
叠加所述目标高频图像与所述融合低频图像，得到所述待处理人脸图像对应的美化图像。
可选地，所述融合所述第一低频图像及所述第二低频图像，得到融合低频图像，包括：
获取预设的人脸蒙版图，所述蒙版图中包括所述待处理人脸图像中每个像素点对应的掩码值，其中，所述预设的人脸蒙版图中非鼻部区域的像素点对应的掩码值为0，且鼻部区域的像素点对应的掩码值非0；
根据所述掩码值，融合所述第一低频图像及所述第二低频图像，得到融合低频图像。
可选地，所述掩码值取值在0至1之间，所述根据所述掩码值，融合所述第一低频图像及所述第二低频图像，得到融合低频图像，包括：
针对每个像素点，计算所述掩码值与所述第一低频图像中像素值的第一乘积，并计算1与所述掩码值之差与所述第二低频图像中像素值的第二乘积；
计算所述第一乘积与所述第二乘积之和，并将所述和作为融合低频图像中该像素点的像素值。
根据本公开实施例的第二方面，提供了一种图像美化装置，所述装置包括：
获取单元，被配置为执行获取待处理人脸图像；
模糊单元，被配置为执行对所述待处理人脸图像进行模糊处理，得到第一低频图像；
确定单元，被配置为执行确定所述待处理人脸图像与所述第一低频图像之间的残差，得到所述待处理人脸图像的待处理高频图像；
处理单元，被配置为执行将所述待处理高频图像中小于所述预设阈值的像素值修改为所述预设阈值，得到目标高频图像；
融合单元，被配置为执行将所述目标高频图像与所述第一低频图像进行融合，得到所述待处理人脸图像对应的美化图像。
可选地，所述获取单元，被配置为执行：
获取原始图像，所述原始图像中包括人脸；
基于所述原始图像中的人脸关键点及人脸俯仰角，确定所述原始图像中的人脸区域；
基于所述人脸区域的位置信息和尺寸信息，将所述人脸区域绘制在预设分辨率的图像窗口内，得到待处理人脸图像。
可选地，所述人脸关键点中包括眉毛关键点、面中关键点、下巴关键点及脸颊关键点，所述尺寸信息包括高度信息及宽度信息，所述获取单元，被配置为执行：
基于所述眉毛关键点、所述面中关键点及预设扩展倍数，确定所述原始图像中人脸区域对应的额头扩展点；
根据所述额头扩展点、所述下巴关键点及所述人脸俯仰角，确定所述原始图像中人脸区域的高度信息；
基于所述脸颊关键点，确定所述原始图像中人脸区域的宽度信息。
可选地，所述获取单元，被配置为执行：
Figure BDA0003590744320000041
其中，所述Xo代表所述面中关键点，所述Xm代表所述眉毛关键点，所述Xe代表所述额头扩展点，所述n代表所述预设扩展倍数。
可选地，所述获取单元，被配置为执行：
Hface＝(face.top–face.bottom)*alpha*(beta-Kpitch)
其中，所述Hface代表所述原始图像中人脸区域的高度信息，所述alpha代表第一预设参数，所述beta代表第二预设参数，所述face.top代表所述额头扩展点中的最高点，所述face.bottom代表所述下巴关键点中的最低点，所述Kpitch代表所述人脸俯仰角。
可选地，所述融合单元，被配置为执行：
对所述待处理人脸图像进行保边滤波处理，得到第二低频图像；
融合所述第一低频图像及所述第二低频图像，得到融合低频图像；
叠加所述目标高频图像与所述融合低频图像，得到所述待处理人脸图像对应的美化图像。
可选地，所述融合单元，被配置为执行：
获取预设的人脸蒙版图，所述蒙版图中包括所述待处理人脸图像中每个像素点对应的掩码值，其中，所述预设的人脸蒙版图中非鼻部区域的像素点对应的掩码值为0，且鼻部区域的像素点对应的掩码值非0；
根据所述掩码值，融合所述第一低频图像及所述第二低频图像，得到融合低频图像。
可选地，所述掩码值取值在0至1之间，所述融合单元，被配置为执行：
针对每个像素点，计算所述掩码值与所述第一低频图像中像素值的第一乘积，并计算1与所述掩码值之差与所述第二低频图像中像素值的第二乘积；
计算所述第一乘积与所述第二乘积之和，并将所述和作为融合低频图像中该像素点的像素值。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现上述第一项所述的图像美化方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行上述任一项所述的图像美化方法。
根据本公开实施例的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述第一项所述的图像美化方法。
本公开的实施例提供的技术方案至少带来以下有益效果：
获取待处理人脸图像；对所述待处理人脸图像进行模糊处理，得到第一低频图像；确定所述待处理人脸图像与所述第一低频图像之间的残差，得到所述待处理人脸图像的待处理高频图像；将所述待处理高频图像中小于所述预设阈值的像素值修改为所述预设阈值，得到目标高频图像；将所述目标高频图像与所述第一低频图像进行融合，得到所述待处理人脸图像对应的美化图像。
也就是说，基于高低频信息分离的思想，提取出待处理人脸图像的低频信息，作为第一低频图像，然后，基于第一低频图像生成对应的待处理高频图像，进而，通过对待处理高频图像的处理，去除黑头，同时，图像中的纹理信息得以保留，提高了美化图像的真实感。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种图像美化方法的流程图。
图2是根据一示例性实施例示出的一种图像美化装置的框图。
图3是根据一示例性实施例示出的一种用于图像美化的电子设备的框图。
图4是根据一示例性实施例示出的一种用于图像美化的装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种图像美化方法的流程图，如图1所示，该图像美化方法具体包括以下步骤。
在步骤S11中，获取待处理人脸图像。
在本步骤中，待处理人脸图像可以为任一格式的包含人脸区域的图像数据，其中，获取待处理人脸图像的具体步骤，可以包括：
获取原始图像，原始图像中包括人脸；基于原始图像中的人脸关键点及人脸俯仰角，确定原始图像中的人脸区域；基于人脸区域的位置信息和尺寸信息，将人脸区域绘制在预设分辨率的图像窗口内，得到待处理人脸图像。
其中，可以使用训练过的深度神经网络识别原始图像中的人脸关键点及人脸俯仰角，得到人脸关键点位置信息Kf以及人脸俯仰角Kpitch。人脸关键点可以包括眉毛关键点、面中关键点、下巴关键点及脸颊关键点，还可以包括唇部关键点和鼻部关键点，等等，具体不做限定。人脸关键点和人脸俯仰角可以用于估计人脸区域，也就是人脸最小外接矩，该外接矩需要覆盖整个人脸信息之外，要尽可能覆盖较多的脖颈部位。
人脸区域的位置信息可以指示人脸区域在原始图像中的位置，尺寸信息则包括人脸区域的高度信息及宽度信息，那么，得到人脸区域的位置信息和尺寸信息之后，可以将人脸区域抠出来，绘制到固定分辨率k的图像窗口上，获得人脸图像S，这样，可以保证后续计算中人脸尺度的一致性，减少不同大小的人脸，黑头的大小相对于图像来说也是变化的，导致后续的误处理。
一种实现方式中，基于人脸关键点及人脸俯仰角，确定原始图像中的人脸区域，包括：
基于眉毛关键点、面中关键点及预设扩展倍数，确定原始图像中人脸区域对应的额头扩展点；根据额头扩展点、下巴关键点及人脸俯仰角，确定原始图像中人脸区域的高度信息；基于脸颊关键点，确定原始图像中人脸区域的宽度信息。
可以理解，在相关技术中，通常识别出的人脸关键点不包括额头扩展点，这样，对于人脸区域的识别以及后续黑头的处理是不够完善的，通过本方案可以计算出额头扩展点，进而确定人脸区域的高度信息和宽度信息，从而更准确的识别出人脸区域及人脸区域中的鼻部区域，也有利于后续对黑头的美化处理。
举例而言，如果面中关键点为Xo，眉毛关键点为Xm，则定义额头扩展点Xe为Xo和Xm两点延长线上的点，设置扩展倍数为n，则基于可以采用以下公式计算出额头扩展点Xe的坐标：
Figure BDA0003590744320000071
也就是说，基于眉毛关键点、面中关键点及预设扩展倍数，确定原始图像中人脸区域对应的额头扩展点，包括：计算眉毛关键点与面中关键点的坐标之差，将差与预设扩展倍数的乘积与面中关键点的坐标相加，得到对应的额头扩展点的坐标。确定额头扩展点之后，可以进一步计算人脸区域的高度信息，进而有利于后续对黑头的美化处理。
进一步地，根据额头扩展点、下巴关键点及人脸俯仰角，确定原始图像中人脸区域的高度，可以采用如下公式：
Hface＝(face.top–face.bottom)*alpha*(beta-Kpitch)
其中，Hface为人脸区域的高度，alpha和beta都是可调节的预设参数，face.top为额头扩展点中的最高点，face.bottom为下巴关键点中的最低点，Kpitch为人脸俯仰角。
也就是说，计算额头扩展点中的最高点与下巴关键点中的最低点之差，作为第一参考值；计算第一预设参数与人脸俯仰角之差，作为第二参考值；计算第一参考值、第二参考值及第二预设参数的乘积，得到原始图像中人脸区域的高度。
可以理解，当人脸仰起时，人脸最高点和最低点间距缩小，而脖颈对应暴露的面积增大，因此，引入人脸俯仰角可以更好地覆盖人脸范围。
在步骤S12中，对待处理人脸图像进行模糊处理，得到第一低频图像。
其中，可以使用一个半径为r1的均值模糊计算待处理人脸图像的低频信息，得到第一低频图像。或者，模糊处理也可以为高斯模糊、中值模糊等，具体不做限定。
在步骤S13中，确定待处理人脸图像与第一低频图像之间的残差，得到待处理人脸图像的待处理高频图像。
在本步骤中，确定待处理人脸图像与第一低频图像之间的残差，生成待处理人脸图像的待处理高频图像，包括：计算待处理人脸图像与第一低频图像之间的差值，对差值进行缩放及补偿处理，得到待处理人脸图像的待处理高频图像。
其中，缩放是指每个像素的色阶要除以缩放值，本步骤中缩放值可以为2，补偿是指每个像素的色阶加上或减上补偿值，本步骤中补偿值可以为128。
在步骤S14中，将待处理高频图像中小于预设阈值的像素值修改为预设阈值，得到目标高频图像。
其中，预设阈值为待处理高频图像中像素值的截断经验值T，待处理高频图像中取值高于T的像素点代表着黑头，那么，根据T来对待处理高频图像进行截断处理，即待处理高频图像中小于该经验值T的位置对应的像素值被置为T。因为黑头为待处理高频图像里的局部暗点，因此去除该部分暗部信息即可实现去除待处理图像中的黑头。
在步骤S15中，将目标高频图像与第一低频图像进行融合，得到待处理人脸图像对应的美化图像。
在本步骤中，叠加目标高频图像与第一低频图像，得到待处理人脸图像对应的美化图像，包括：
对待处理人脸图像进行保边滤波处理，得到第二低频图像；融合第一低频图像及第二低频图像，得到融合低频图像；叠加目标高频图像与融合低频图像，得到待处理人脸图像对应的美化图像。
其中，保边滤波处理可以为表面模糊处理，经过保边滤波处理的第二低频图像包括的结构信息多于第一低频图像中包括的结构信息，表面模糊处理基于半径r2以及阈值Y进行，且r2＝r1，都是基于人脸归一化后的大小进行设置的，Y为参数调优后所设定的阈值。叠加目标高频图像与融合低频图像可以采用线性光叠加，因为H仅对高频中的暗部进行处理，对于非暗部即非黑头区域纹理信息不会有损失。由于表面模糊是一种保边滤波，因此，融合第一低频图像L1和第二低频图像L2，可以最大程度保留鼻子区域的立体感，在去除瑕疵的基础上，进一步保留结构信息。
其中，融合第一低频图像及第二低频图像，得到融合低频图像，包括：获取预设的人脸蒙版图，蒙版图中包括待处理人脸图像中每个像素点对应的掩码值，其中，预设的人脸蒙版图中非鼻部区域的像素点对应的掩码值为0，且鼻部区域的像素点对应的掩码值非0；根据掩码值，融合第一低频图像及第二低频图像，得到融合低频图像。
可以理解，通过预设的人脸蒙版图，可以快速区分人脸区域中的鼻部区域和非鼻部区域，相比于对人脸区域进行特征识别的方式，可以提高图像美化的速度和效率。
具体来说，掩码值取值在0至1之间，根据掩码值，融合第一低频图像及第二低频图像，得到融合低频图像，包括：针对每个像素点，计算掩码值与第一低频图像中像素值的第一乘积，并计算1与掩码值之差与第二低频图像中像素值的第二乘积；计算第一乘积与第二乘积之和，将得到的和作为融合低频图像中该像素点的像素值。
举例而言，蒙版图包含整个人脸区域，且该蒙版图并非纯1或0的二值掩码值图，其中，非鼻子区域掩码值为0，鼻子覆盖区域掩码值取值在0～1之间，需要保留边缘信息的区域，则掩码值取值越接近1，反之，则接近0。
对第一低频图像及第二低频图像的融合可以采用如下公式：
S1＝aL1+(1-a)L2
其中，a代表掩码值，S1表示融合低频图像，即去除所有瑕疵的光滑均匀的鼻部结果。这样，根据人脸蒙版中每个像素的掩码值，就可以对第一低频图像及第二低频图像进行处理，得到图像美化结果，去除鼻部区域的黑头。
由以上可见，本公开的实施例提供的技术方案，基于高低频信息分离的思想，提取出待处理人脸图像的低频信息，作为第一低频图像，然后，基于第一低频图像生成对应的待处理高频图像，进而，通过对待处理高频图像的处理，去除黑头，同时，图像中的纹理信息得以保留，提高了美化图像的真实感。
图2是根据一示例性实施例示出的一种图像美化装置框图，所述装置包括：
获取单元201，被配置为执行获取待处理人脸图像；
模糊单元202，被配置为执行对所述待处理人脸图像进行模糊处理，得到第一低频图像；
确定单元203，被配置为执行确定所述待处理人脸图像与所述第一低频图像之间的残差，得到所述待处理人脸图像的待处理高频图像；
处理单元204，被配置为执行将所述待处理高频图像中小于所述预设阈值的像素值修改为所述预设阈值，得到目标高频图像；
融合单元205，被配置为执行将所述目标高频图像与所述第一低频图像进行融合，得到所述待处理人脸图像对应的美化图像。
一种实现方式中，所述获取单元，被配置为执行：
获取原始图像，所述原始图像中包括人脸；
基于所述原始图像中的人脸关键点及人脸俯仰角，确定所述原始图像中的人脸区域；
基于所述人脸区域的位置信息和尺寸信息，将所述人脸区域绘制在预设分辨率的图像窗口内，得到待处理人脸图像。
一种实现方式中，所述人脸关键点中包括眉毛关键点、面中关键点、下巴关键点及脸颊关键点，所述尺寸信息包括高度信息及宽度信息，所述获取单元，被配置为执行：
基于所述眉毛关键点、所述面中关键点及预设扩展倍数，确定所述原始图像中人脸区域对应的额头扩展点；
根据所述额头扩展点、所述下巴关键点及所述人脸俯仰角，确定所述原始图像中人脸区域的高度信息；
基于所述脸颊关键点，确定所述原始图像中人脸区域的宽度信息。
一种实现方式中，所述获取单元，被配置为执行：
Figure BDA0003590744320000101
其中，所述Xo代表所述面中关键点，所述Xm代表所述眉毛关键点，所述Xe代表所述额头扩展点，所述n代表所述预设扩展倍数。
一种实现方式中，所述获取单元，被配置为执行：
Hface＝(face.top–face.bottom)*alpha*(beta-Kpitch)
其中，所述Hface代表所述原始图像中人脸区域的高度信息，所述alpha代表第一预设参数，所述beta代表第二预设参数，所述face.top代表所述额头扩展点中的最高点，所述face.bottom代表所述下巴关键点中的最低点，所述Kpitch代表所述人脸俯仰角。
一种实现方式中，所述融合单元，被配置为执行：
对所述待处理人脸图像进行保边滤波处理，得到第二低频图像；
融合所述第一低频图像及所述第二低频图像，得到融合低频图像；
叠加所述目标高频图像与所述融合低频图像，得到所述待处理人脸图像对应的美化图像。
一种实现方式中，所述融合单元，被配置为执行：
获取预设的人脸蒙版图，所述蒙版图中包括所述待处理人脸图像中每个像素点对应的掩码值，其中，所述预设的人脸蒙版图中非鼻部区域的像素点对应的掩码值为0，且鼻部区域的像素点对应的掩码值非0；
根据所述掩码值，融合所述第一低频图像及所述第二低频图像，得到融合低频图像。
一种实现方式中，所述掩码值取值在0至1之间，所述融合单元，被配置为执行：
针对每个像素点，计算所述掩码值与所述第一低频图像中像素值的第一乘积，并计算1与所述掩码值之差与所述第二低频图像中像素值的第二乘积；
计算所述第一乘积与所述第二乘积之和，并将所述和作为融合低频图像中该像素点的像素值。
由以上可见，本公开的实施例提供的技术方案，基于高低频信息分离的思想，提取出待处理人脸图像的低频信息，作为第一低频图像，然后，基于第一低频图像生成对应的待处理高频图像，进而，通过对待处理高频图像的处理，去除黑头，同时，图像中的纹理信息得以保留，提高了美化图像的真实感。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图3是根据一示例性实施例示出的一种用于图像美化的电子设备的框图。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器，上述指令可由电子设备的处理器执行以完成上述方法。可选地，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供一种计算机程序产品，当其在计算机上运行时，使得计算机实现上述图像美化的方法。
由以上可见，本公开的实施例提供的技术方案，基于高低频信息分离的思想，提取出待处理人脸图像的低频信息，作为第一低频图像，然后，基于第一低频图像生成对应的待处理高频图像，进而，通过对待处理高频图像的处理，去除黑头，同时，图像中的纹理信息得以保留，提高了美化图像的真实感。
图4是根据一示例性实施例示出的一种用于图像美化的装置800的框图。
例如，装置800可以是移动电话，计算机，数字广播电子设备，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图4，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件807为装置800的各种组件提供电力。电源组件807可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行第一方面和第二方面所述的方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述方法。可选地，例如，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性非临时性计算机可读存储介质计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中所述的图像美化方法。
由以上可见，本公开的实施例提供的技术方案，基于高低频信息分离的思想，提取出待处理人脸图像的低频信息，作为第一低频图像，然后，基于第一低频图像生成对应的待处理高频图像，进而，通过对待处理高频图像的处理，去除黑头，同时，图像中的纹理信息得以保留，提高了美化图像的真实感。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种图像美化方法，其特征在于，所述方法包括：
获取待处理人脸图像；
对所述待处理人脸图像进行模糊处理，得到第一低频图像；
计算所述待处理人脸图像与所述第一低频图像之间的残差，得到所述待处理人脸图像的待处理高频图像；
将所述待处理高频图像中小于预设阈值的像素值修改为所述预设阈值，得到目标高频图像；
将所述目标高频图像与所述第一低频图像进行融合，得到所述待处理人脸图像对应的美化图像。
2.根据权利要求1所述的图像美化方法，其特征在于，所述获取待处理人脸图像，包括：
获取原始图像，所述原始图像中包括人脸；
基于所述原始图像中的人脸关键点及人脸俯仰角，确定所述原始图像中的人脸区域；
基于所述人脸区域的位置信息和尺寸信息，将所述人脸区域绘制在预设分辨率的图像窗口内，得到待处理人脸图像。
3.根据权利要求2所述的图像美化方法，其特征在于，所述人脸关键点中包括眉毛关键点、面中关键点、下巴关键点及脸颊关键点，所述尺寸信息包括高度信息及宽度信息，所述基于所述原始图像中的人脸关键点及所述人脸俯仰角，确定所述原始图像中的人脸区域，包括：
基于所述眉毛关键点、所述面中关键点及预设扩展倍数，确定所述原始图像中人脸区域对应的额头扩展点；
根据所述额头扩展点、所述下巴关键点及所述人脸俯仰角，确定所述原始图像中人脸区域的高度信息；
基于所述脸颊关键点，确定所述原始图像中人脸区域的宽度信息。
4.根据权利要求3所述的图像美化方法，其特征在于，所述基于所述眉毛关键点、所述面中关键点及预设扩展倍数，确定对应的额头扩展点，包括：
Figure FDA0003590744310000011
其中，所述Xo代表所述面中关键点，所述Xm代表所述眉毛关键点，所述Xe代表所述额头扩展点，所述n代表所述预设扩展倍数。
5.根据权利要求3所述的图像美化方法，其特征在于，所述根据所述额头扩展点、所述下巴关键点及所述人脸俯仰角，确定所述原始图像中人脸区域的高度信息，包括：
Hface＝(face.top–face.bottom)*alpha*(beta-Kpitch)
其中，所述Hface代表所述原始图像中人脸区域的高度信息，所述alpha代表第一预设参数，所述beta代表第二预设参数，所述face.top代表所述额头扩展点中的最高点，所述face.bottom代表所述下巴关键点中的最低点，所述Kpitch代表所述人脸俯仰角。
6.根据权利要求1～5任一所述的图像美化方法，其特征在于，所述将所述目标高频图像与所述第一低频图像进行融合，得到所述待处理人脸图像对应的美化图像，包括：
对所述待处理人脸图像进行保边滤波处理，得到第二低频图像；
融合所述第一低频图像及所述第二低频图像，得到融合低频图像；
叠加所述目标高频图像与所述融合低频图像，得到所述待处理人脸图像对应的美化图像。
7.一种图像美化装置，其特征在于，所述装置包括：
获取单元，被配置为执行获取待处理人脸图像；
模糊单元，被配置为执行对所述待处理人脸图像进行模糊处理，得到第一低频图像；
确定单元，被配置为执行确定所述待处理人脸图像与所述第一低频图像之间的残差，得到所述待处理人脸图像的待处理高频图像；
处理单元，被配置为执行将所述待处理高频图像中小于预设阈值的像素值修改为所述预设阈值，得到目标高频图像；
融合单元，被配置为执行将所述目标高频图像与所述第一低频图像进行融合，得到所述待处理人脸图像对应的美化图像。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的图像美化方法。
9.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至6中任一项所述的图像美化方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的图像美化方法。
CN202210375958.3A 2022-04-11 2022-04-11 一种图像美化方法、装置、电子设备及存储介质 Pending CN114926350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210375958.3A CN114926350A (zh) 2022-04-11 2022-04-11 一种图像美化方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210375958.3A CN114926350A (zh) 2022-04-11 2022-04-11 一种图像美化方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114926350A true CN114926350A (zh) 2022-08-19

Family

ID=82805474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210375958.3A Pending CN114926350A (zh) 2022-04-11 2022-04-11 一种图像美化方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114926350A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953313A (zh) * 2022-12-23 2023-04-11 百度在线网络技术（北京）有限公司 用于处理图像的方法，装置，设备以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953313A (zh) * 2022-12-23 2023-04-11 百度在线网络技术（北京）有限公司 用于处理图像的方法，装置，设备以及存储介质

Similar Documents

Publication Publication Date Title
CN108898546B (zh) 人脸图像处理方法、装置及设备、可读存储介质
CN107862673B (zh) 图像处理方法及装置
CN110675310B (zh) 视频处理方法、装置、电子设备及存储介质
US10565763B2 (en) Method and camera device for processing image
CN107798654B (zh) 图像磨皮方法及装置、存储介质
CN110580688B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN107730448B (zh) 基于图像处理的美颜方法及装置
CN110599410B (zh) 图像处理的方法、装置、终端及存储介质
CN105512605A (zh) 人脸图像处理方法及装置
CN108154465B (zh) 图像处理方法及装置
CN112330570B (zh) 图像处理方法、装置、电子设备及存储介质
US11403789B2 (en) Method and electronic device for processing images
CN108154466B (zh) 图像处理方法及装置
CN109784164B (zh) 前景识别方法、装置、电子设备及存储介质
CN112614064B (zh) 图像处理方法、装置、电子设备及存储介质
CN112188091B (zh) 人脸信息识别方法、装置、电子设备及存储介质
CN107507128B (zh) 图像处理方法及设备
CN111127352B (zh) 一种图像处理方法、装置、终端及存储介质
CN108961156B (zh) 人脸图像处理的方法及装置
CN107730443B (zh) 图像处理方法、装置及用户设备
CN114926350A (zh) 一种图像美化方法、装置、电子设备及存储介质
CN107563957B (zh) 眼部图像处理方法及装置
CN106469446B (zh) 深度图像的分割方法和分割装置
CN108596957B (zh) 物体跟踪方法及装置
CN113160099B (zh) 人脸融合方法、装置、电子设备、存储介质及程序产品

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