CN115050065B - 一种基于曲线的皮肤滤镜建模方法 - Google Patents

一种基于曲线的皮肤滤镜建模方法 Download PDF

Info

Publication number
CN115050065B
CN115050065B CN202210448697.3A CN202210448697A CN115050065B CN 115050065 B CN115050065 B CN 115050065B CN 202210448697 A CN202210448697 A CN 202210448697A CN 115050065 B CN115050065 B CN 115050065B
Authority
CN
China
Prior art keywords
original
curve
skin
sampling
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
Application number
CN202210448697.3A
Other languages
English (en)
Other versions
CN115050065A (zh
Inventor
卢海峰
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.)
Hangzhou Haima Photography Co ltd
Original Assignee
Hangzhou Haima Photography 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 Hangzhou Haima Photography Co ltd filed Critical Hangzhou Haima Photography Co ltd
Priority to CN202210448697.3A priority Critical patent/CN115050065B/zh
Publication of CN115050065A publication Critical patent/CN115050065A/zh
Application granted granted Critical
Publication of CN115050065B publication Critical patent/CN115050065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

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

Abstract

本发明公开了一种基于曲线的皮肤滤镜建模方法，包括以下步骤：设置原始图像集合、目标图像集合并采样得到图像对；获取皮肤像素值集合原始，获取皮肤像素值集合目标；聚类并计算差异得到调整曲线的点；将调整曲线的点作为模拟退火算法初始状态，确定最终曲线调整点；将最终曲线调整点作为二阶插值方法输入值，得到完整曲线作为神经网络模型的训练目标；将皮肤像素值集合原始采样后作为神经网络模型的输入；继续采样得到图像对并执行S2至S6操作，得到训练集；将训练集输入到神经网络模型中进行训练，得到基于曲线的皮肤滤镜模型。该模型在调色过程中既不会破坏原图信息，且调色时还考虑了人脸皮肤的颜色信息，调色效果更好。

Description

一种基于曲线的皮肤滤镜建模方法
技术领域
本发明涉及图像处理领域，尤其涉及一种基于曲线的皮肤滤镜建模方法。
背景技术
在图像处理过程中，经常需要对图像中人的皮肤颜色进行调节，现有的调色方法是通过pixel2pixel的方式，借助CNN和反向传播机制，不断拟合模型参数，最终训练出一个可以调色的模型，并通过这种模型对图像进行调色处理。但这种方法存在2个问题，问题1:像素预测的方式会破坏原图信息，尤其是高分辨率图(例如1080P、2K、4K)的情况。问题2:基于CNN的方式善于捕捉纹理信息，但不善于捕捉颜色信息，而在人脸皮肤调色过程中，颜色信息更为重要。因此，需要进行改进。
发明内容
本发明针对现有技术的调色模型会破坏原图信息以及调色不准等缺陷，提供了新的一种基于曲线的皮肤滤镜建模方法。
为了解决上述技术问题，本发明通过以下技术方案实现：
一种基于曲线的皮肤滤镜建模方法，包括以下步骤：
S1、设置原始图像集合、目标图像集合，对原始图像集合、目标图像集合分别采样得到原始图像、目标图像，从而形成图像对；
S2、从所述原始图像中获取人脸皮肤的MASK原始，获取MASK原始的外接矩形框并缩放至256x256像素大小作为缩略原始图像，然后根据MASK原始从缩略原始图像中获取皮肤像素值集合原始，从所述目标图像中获取人脸皮肤的MASK目标，获取MASK目标的外接矩形框并缩放至256x256像素大小，然后获取皮肤像素值集合目标；
S3、对皮肤像素值集合原始、皮肤像素值集合目标进行聚类并计算两者之间的差异，最终得到调整曲线的点；
S4、将得到的调整曲线的点作为模拟退火算法初始状态，利用模拟退火算法确定最终曲线调整点；
S5、将最终曲线调整点作为二阶插值方法的输入值，从而输出得到完整曲线，所述完整曲线作为神经网络模型的训练目标；
S6、将皮肤像素值集合原始采样后作为神经网络模型的输入；
S7、从原始图像集合、目标图像集合继续采样得到图像对，对每个图像对都执行S2至S6操作，从而得到训练集；
S8、将所述训练集输入到神经网络模型中进行训练，从而得到基于曲线的皮肤滤镜模型。
其中，步骤S1中采样图像对是为了从图像对中提取出有效的颜色特征，图像对中的原始图像为模型提供输入，图像对中的目标图像为模型提供标签，从而降低建模的复杂度；步骤S2中的缩放操作可以加快后续采样点的速度，同时不会影响最终结果；而获取MASK可以避免采样到非皮肤区域，从而排除干扰；步骤S3中的聚类操作可以获得两者最具有代表性的差异，降低采样噪声的干扰，有利于二阶插值的平滑性；步骤S4通过调整曲线的点来设置模拟退火算法初始状态，有利于加快模拟退火算法的收敛速度；步骤S5中，二阶插值方法能保证完整曲线的平滑性，避免出现棱角或过度扭曲的情况。而通过神经网络模型预测完整曲线，可以避免推理阶段时再次执行二阶插值的操作，推理时更加快速；步骤S6中，采样输入可以进一步降低神经网络模型复杂度；步骤S7中，通过重复多次的方式可以获得足够的训练数据，避免神经网络模型过拟合，而具体重复次数可以根据实际情况自由抉择，例如重复1000次或甚至重复10000次皆可。通过步骤S1至S7得到的训练集最终再通过步骤S8得到基于曲线的皮肤滤镜模型，在调色过程中既不会破坏原图信息，且调色时还考虑了人脸皮肤的颜色信息，调色效果更好。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S2中，获取皮肤像素值集合原始的方法为：
A1、统计MASK原始中值为1的总数，记为K；
A2、申请一块内存空间，空间大小为1*K；
A3、从上到下、从左到右遍历缩略原始图像，将MASK原始中值为1的像素对应坐标上缩略原始图像的R通道值拷贝到申请的内存空间中，得到R通道元素集合；
A4、针对缩略原始图像的G、B通道再执行步骤A2-A3，得到G通道元素集合、B通道元素集合，将R通道元素集合、G通道元素集合、B通道元素集合进行组合得到皮肤像素值集合原始。
通过以上步骤，能够避免采样到非皮肤区域而影响模型拟合，进一步排除干扰。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S6中，所述采样方式为：
B1、设定采样总数m，设定采样间距大小为所述100≤m≤K，且所述m为整数；
B2、对皮肤像素值集合原始中R通道元素集合的每一个值进行排序得到有序R通道元素集合；
B3、对有序R通道元素集合从头到尾按照采样间距进行采样，得到R通道采样集合；
B4、对皮肤像素值集合原始中G通道元素集合、B通道元素集合执行步骤B2-B3，得到G通道采样集合、B通道采样集合；
B5、把R通道采样集合、G通道采样集合、B通道采样集合依次首尾相连组成得到RGB采样集合作为神经网络模型的输入。
步骤B1中，根据采样总数可以自适应决定采样间距，直接决定了神经网络模型的输入维度；步骤B2中通过排序操作可以消除像素的位置信息，只关注其分布特征，且配合步骤A1至A2的单独申请内存空间操作，进一步提升了排序效率；步骤B3至B4通过等间距采样既可以保证信息完整，又可以降低信息噪声的干扰；步骤B5通过依次首尾相连的方式组成得到RGB采样集合，能够更好地适配神经网络模型的输入要求。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S6中的神经网络模型结构为：由输入层、隐含层、输出层构成，输入层神经元个数为m*3，隐含层神经元个数为h，输出层神经元个数为256*3，隐含层的激活函数为Relu，所述h为大于100的整数。
神经网络模型限定为以上结构，实现了全连接神经网络模型结构，其具有拟合能力强的特点，无需关注输入数据的空间位置信息，从而与本发明所要得到的模型更加适配。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S6中的神经网络模型的学习率为0.1，迭代周期数为20，学习率下降方式为CosineAnnealingLR。
其中CosineAnnealingLR有利于神经网络模型收敛，减缓陷入局部最小值的风险。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S3中，预设一个超参数n，把皮肤像素值集合原始、皮肤像素值集合目标分别聚类成n个类簇，统计皮肤像素值集合原始对应的类簇与皮肤像素值集合目标对应的类簇之间的差值集合，对每一个类簇对应的差值集合求均值，将皮肤像素值集合原始对应的类簇中的像素值求均值，作为调整点的横坐标，结合差值集合的均值即可得到调整曲线的一个点，从而最终得到n个调整曲线的点，所述n为2。
其中聚类数选择为2类可以降低模拟退火算法拟合的难度，有利于二阶插值的平滑性。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S4中，设置模拟退火温度参数t和迭代次数L，所述t为1，所述L为500。
通过以上参数的设置，能够更好地对模拟退火算法的速度以及复杂度进行平衡。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S4中，所述模拟退火算法的损失值由最小均方误差和参数正则项组成，所述参数 其中Pi为第i个调整曲线的点的增量，Pi-1为第i-1个调整曲线的点的增量，0.1＜λ＜1。
通过以上限定，能够避免参数在数值上出现异常值，有利于完整曲线的平滑。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S7中，在得到所述训练集后，对训练集进行清洗，清洗方法包括以下步骤：
C1、将训练集中损失值小于5的数据直接作为训练集的一部分；
C2、将训练集中损失值大于10的数据直接丢弃；
C3、将训练集中损失值小于等于10且大于等于5的数据继续执行模拟退火算法，并且将上一步模拟退火算法获得的结果初始化下一步模拟退火算法的参数，并控制模拟退火温度和迭代次数不变；
C4、如果步骤C3得到的数据损失值小于5，则该数据作为训练集的一部分；
C5、如果步骤C3得到的数据损失值大于等于5，则对该数据执行步骤C3，且如果步骤C3执行了3次后得到的数据损失值依旧大于5则丢弃该数据。
其中损失值小于5的训练数据是理想的训练数据，大于10的数据是异常值，会影响模型训练，损失值介于5-10之间存在一部分可以补救的训练数据，重复多次可以增加训练集的数量，降低过拟合的风险。
作为优选，上述所述的一种基于曲线的皮肤滤镜建模方法，所述步骤S1中，对原始图像集合、目标图像集合进行采样的方法为：
D1、将原始图像集合、目标图像集合按照性别分为两部分；
D2、采样时原始图像集合、目标图像集合均按照相同性别条件进行采样。
由于男女肤色的差别，通过以上步骤能够避免女性肤色匹配到男性肤色的情况发生，进一步降低干扰。
具体实施方式
下面结合具体实施方式对本发明作进一步详细描述，但它们不是对本发明的限制：
实施例1
一种基于曲线的皮肤滤镜建模方法，包括以下步骤：
S1、设置原始图像集合、目标图像集合，对原始图像集合、目标图像集合分别采样得到原始图像、目标图像，从而形成图像对；
S2、从所述原始图像中获取人脸皮肤的MASK原始，获取MASK原始的外接矩形框并缩放至256x256像素大小作为缩略原始图像，然后根据MASK原始从缩略原始图像中获取皮肤像素值集合原始，从所述目标图像中获取人脸皮肤的MASK目标，获取MASK目标的外接矩形框并缩放至256x256像素大小，然后获取皮肤像素值集合目标；
S3、对皮肤像素值集合原始、皮肤像素值集合目标进行聚类并计算两者之间的差异，最终得到调整曲线的点；
S4、将得到的调整曲线的点作为模拟退火算法初始状态，利用模拟退火算法确定最终曲线调整点；
S5、将最终曲线调整点作为二阶插值方法的输入值，从而输出得到完整曲线，所述完整曲线作为神经网络模型的训练目标；
S6、将皮肤像素值集合原始采样后作为神经网络模型的输入；
S7、从原始图像集合、目标图像集合继续采样得到图像对，对每个图像对都执行S2至S6操作，从而得到训练集；
S8、将所述训练集输入到神经网络模型中进行训练，从而得到基于曲线的皮肤滤镜模型。
作为优选，所述步骤S2中，获取皮肤像素值集合原始的方法为：
A1、统计MASK原始中值为1的总数，记为K；
A2、申请一块内存空间，空间大小为1*K；
A3、从上到下、从左到右遍历缩略原始图像，将MASK原始中值为1的像素对应坐标上缩略原始图像的R通道值拷贝到申请的内存空间中，得到R通道元素集合；
A4、针对缩略原始图像的G、B通道再执行步骤A2-A3，得到G通道元素集合、B通道元素集合，将R通道元素集合、G通道元素集合、B通道元素集合进行组合得到皮肤像素值集合原始。
作为优选，所述步骤S6中，所述采样方式为：
B1、设定采样总数m，设定采样间距大小为所述100≤m≤K，且所述m为整数；
B2、对皮肤像素值集合原始中R通道元素集合的每一个值进行排序得到有序R通道元素集合；
B3、对有序R通道元素集合从头到尾按照采样间距进行采样，得到R通道采样集合；
B4、对皮肤像素值集合原始中G通道元素集合、B通道元素集合执行步骤B2-B3，得到G通道采样集合、B通道采样集合；
B5、把R通道采样集合、G通道采样集合、B通道采样集合依次首尾相连组成得到RGB采样集合作为神经网络模型的输入。
作为优选，所述步骤S6中的神经网络模型结构为：由输入层、隐含层、输出层构成，输入层神经元个数为m*3，隐含层神经元个数为h，输出层神经元个数为256*3，隐含层的激活函数为Relu，所述h为大于100的整数。
作为优选，所述步骤S6中的神经网络模型的学习率为0.1，迭代周期数为20，学习率下降方式为CosineAnnealingLR。
作为优选，所述步骤S3中，预设一个超参数n，把皮肤像素值集合原始、皮肤像素值集合目标分别聚类成n个类簇，统计皮肤像素值集合原始对应的类簇与皮肤像素值集合目标对应的类簇之间的差值集合，对每一个类簇对应的差值集合求均值，将皮肤像素值集合原始对应的类簇中的像素值求均值，作为调整点的横坐标，结合差值集合的均值即可得到调整曲线的一个点，从而最终得到n个调整曲线的点，所述n为2。
作为优选，所述步骤S4中，设置模拟退火温度参数t和迭代次数L，所述t为1，所述L为500。
作为优选，所述步骤S4中，所述模拟退火算法的损失值由最小均方误差和参数正则项组成，所述参数其中Pi为第i个调整曲线的点的增量，Pi-1为第i-1个调整曲线的点的增量，0.1＜λ＜1。
作为优选，所述步骤S7中，在得到所述训练集后，对训练集进行清洗，清洗方法包括以下步骤：
C1、将训练集中损失值小于5的数据直接作为训练集的一部分；
C2、将训练集中损失值大于10的数据直接丢弃；
C3、将训练集中损失值小于等于10且大于等于5的数据继续执行模拟退火算法，并且将上一步模拟退火算法获得的结果初始化下一步模拟退火算法的参数，并控制模拟退火温度和迭代次数不变；
C4、如果步骤C3得到的数据损失值小于5，则该数据作为训练集的一部分；
C5、如果步骤C3得到的数据损失值大于等于5，则对该数据执行步骤C3，且如果步骤C3执行了3次后得到的数据损失值依旧大于5则丢弃该数据。
作为优选，所述步骤S1中，对原始图像集合、目标图像集合进行采样的方法为：
D1、将原始图像集合、目标图像集合按照性别分为两部分；
D2、采样时原始图像集合、目标图像集合均按照相同性别条件进行采样。
总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利的范围所作的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (10)

1.一种基于曲线的皮肤滤镜建模方法，其特征在于：包括以下步骤：
S1、设置原始图像集合、目标图像集合，对原始图像集合、目标图像集合分别采样得到原始图像、目标图像，从而形成图像对；
S2、从所述原始图像中获取人脸皮肤的MASK原始，获取MASK原始的外接矩形框并缩放至256x256像素大小作为缩略原始图像，然后根据MASK原始从缩略原始图像中获取皮肤像素值集合原始，从所述目标图像中获取人脸皮肤的MASK目标，获取MASK目标的外接矩形框并缩放至256x256像素大小，然后获取皮肤像素值集合目标；
S3、对皮肤像素值集合原始、皮肤像素值集合目标进行聚类并计算两者之间的差异，最终得到调整曲线的点；
S4、将得到的调整曲线的点作为模拟退火算法初始状态，利用模拟退火算法确定最终曲线调整点；
S5、将最终曲线调整点作为二阶插值方法的输入值，从而输出得到完整曲线，所述完整曲线作为神经网络模型的训练目标；
S6、将皮肤像素值集合原始采样后作为神经网络模型的输入；
S7、从原始图像集合、目标图像集合继续采样得到图像对，对每个图像对都执行S2至S6操作，从而得到训练集；
S8、将所述训练集输入到神经网络模型中进行训练，从而得到基于曲线的皮肤滤镜模型。
2.根据权利要求1所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S2中，获取皮肤像素值集合原始的方法为：
A1、统计MASK原始中值为1的总数，记为K；
A2、申请一块内存空间，空间大小为1*K；
A3、从上到下、从左到右遍历缩略原始图像，将MASK原始中值为1的像素对应坐标上缩略原始图像的R通道值拷贝到申请的内存空间中，得到R通道元素集合；
A4、针对缩略原始图像的G、B通道再执行步骤A2-A3，得到G通道元素集合、B通道元素集合，将R通道元素集合、G通道元素集合、B通道元素集合进行组合得到皮肤像素值集合原始。
3.根据权利要求2所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S6中，所述采样方式为：
B1、设定采样总数m，设定采样间距大小为所述100≤m≤K，且所述m为整数；
B2、对皮肤像素值集合原始中R通道元素集合的每一个值进行排序得到有序R通道元素集合；
B3、对有序R通道元素集合从头到尾按照采样间距进行采样，得到R通道采样集合；
B4、对皮肤像素值集合原始中G通道元素集合、B通道元素集合执行步骤B2-B3，得到G通道采样集合、B通道采样集合；
B5、把R通道采样集合、G通道采样集合、B通道采样集合依次首尾相连组成得到RGB采样集合作为神经网络模型的输入。
4.根据权利要求3所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S6中的神经网络模型结构为：由输入层、隐含层、输出层构成，输入层神经元个数为m*3，隐含层神经元个数为h，输出层神经元个数为256*3，隐含层的激活函数为Relu，所述h为大于100的整数。
5.根据权利要求1所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S6中的神经网络模型的学习率为0.1，迭代周期数为20，学习率下降方式为CosineAnnealingLR。
6.根据权利要求1所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S3中，预设一个超参数n，把皮肤像素值集合原始、皮肤像素值集合目标分别聚类成n个类簇，统计皮肤像素值集合原始对应的类簇与皮肤像素值集合目标对应的类簇之间的差值集合，对每一个类簇对应的差值集合求均值，将皮肤像素值集合原始对应的类簇中的像素值求均值，作为调整点的横坐标，结合差值集合的均值即可得到调整曲线的一个点，从而最终得到n个调整曲线的点，所述n为2。
7.根据权利要求1所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S4中，设置模拟退火温度参数t和迭代次数L，所述t为1，所述L为500。
8.根据权利要求6所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S4中，所述模拟退火算法的损失值由最小均方误差和参数正则项组成，所述其中Pi为第i个调整曲线的点的增量，Pi-1为第i-1个调整曲线的点的增量，0.1＜λ＜1。
9.根据权利要求8所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S7中，在得到所述训练集后，对训练集进行清洗，清洗方法包括以下步骤：
C1、将训练集中损失值小于5的数据直接作为训练集的一部分；
C2、将训练集中损失值大于10的数据直接丢弃；
C3、将训练集中损失值小于等于10且大于等于5的数据继续执行模拟退火算法，并且将上一步模拟退火算法获得的结果初始化下一步模拟退火算法的参数，并控制模拟退火温度和迭代次数不变；
C4、如果步骤C3得到的数据损失值小于5，则该数据作为训练集的一部分；
C5、如果步骤C3得到的数据损失值大于等于5，则对该数据执行步骤C3，且如果步骤C3执行了3次后得到的数据损失值依旧大于5则丢弃该数据。
10.根据权利要求1所述的一种基于曲线的皮肤滤镜建模方法，其特征在于：所述步骤S1中，对原始图像集合、目标图像集合进行采样的方法为：
D1、将原始图像集合、目标图像集合按照性别分为两部分；
D2、采样时原始图像集合、目标图像集合均按照相同性别条件进行采样。
CN202210448697.3A 2022-04-26 2022-04-26 一种基于曲线的皮肤滤镜建模方法 Active CN115050065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210448697.3A CN115050065B (zh) 2022-04-26 2022-04-26 一种基于曲线的皮肤滤镜建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210448697.3A CN115050065B (zh) 2022-04-26 2022-04-26 一种基于曲线的皮肤滤镜建模方法

Publications (2)

Publication Number Publication Date
CN115050065A CN115050065A (zh) 2022-09-13
CN115050065B true CN115050065B (zh) 2024-05-31

Family

ID=83157685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210448697.3A Active CN115050065B (zh) 2022-04-26 2022-04-26 一种基于曲线的皮肤滤镜建模方法

Country Status (1)

Country Link
CN (1) CN115050065B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092431A1 (zh) * 2015-12-01 2017-06-08 乐视控股（北京）有限公司 基于肤色的人手检测方法及装置
WO2019037739A1 (zh) * 2017-08-24 2019-02-28 Oppo广东移动通信有限公司 图像处理参数获取方法、可读存储介质和计算机设备
WO2019095118A1 (zh) * 2017-11-14 2019-05-23 深圳和而泰智能控制股份有限公司 一种皮肤瑕疵点分类方法及电子设备
CN111583154A (zh) * 2020-05-12 2020-08-25 Oppo广东移动通信有限公司 图像处理方法、肤质美化模型训练方法及相关装置
WO2021134871A1 (zh) * 2019-12-30 2021-07-08 深圳市爱协生科技有限公司 基于局部二值模式和深度学习的合成人脸图像取证方法
CN113920005A (zh) * 2021-09-29 2022-01-11 杭州缦图摄影有限公司 一种构造单一人脸皮肤差异图片对的方法
CN114202769A (zh) * 2021-11-03 2022-03-18 天津理工大学 一种基于图像曲线化调整和颜色重分布的数据增强方法
CN114240743A (zh) * 2021-12-15 2022-03-25 重庆米弘科技有限公司 一种基于高反差磨皮的人脸图像的美肤方法
CN114331892A (zh) * 2021-12-29 2022-04-12 上海肤焕科技有限公司 肤色调节的方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348428B (zh) * 2017-11-01 2023-03-24 腾讯科技（深圳）有限公司 眼底图像分类方法、装置及计算机可读存储介质
CN108875821A (zh) * 2018-06-08 2018-11-23 Oppo广东移动通信有限公司 分类模型的训练方法和装置、移动终端、可读存储介质
KR20220158218A (ko) * 2019-07-10 2022-11-30 루오웨이 지앙 피부 분석을 위한 이미지들을 프로세싱하고 피부 분석을 시각화하기 위한 시스템들 및 방법들

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092431A1 (zh) * 2015-12-01 2017-06-08 乐视控股（北京）有限公司 基于肤色的人手检测方法及装置
WO2019037739A1 (zh) * 2017-08-24 2019-02-28 Oppo广东移动通信有限公司 图像处理参数获取方法、可读存储介质和计算机设备
WO2019095118A1 (zh) * 2017-11-14 2019-05-23 深圳和而泰智能控制股份有限公司 一种皮肤瑕疵点分类方法及电子设备
WO2021134871A1 (zh) * 2019-12-30 2021-07-08 深圳市爱协生科技有限公司 基于局部二值模式和深度学习的合成人脸图像取证方法
CN111583154A (zh) * 2020-05-12 2020-08-25 Oppo广东移动通信有限公司 图像处理方法、肤质美化模型训练方法及相关装置
CN113920005A (zh) * 2021-09-29 2022-01-11 杭州缦图摄影有限公司 一种构造单一人脸皮肤差异图片对的方法
CN114202769A (zh) * 2021-11-03 2022-03-18 天津理工大学 一种基于图像曲线化调整和颜色重分布的数据增强方法
CN114240743A (zh) * 2021-12-15 2022-03-25 重庆米弘科技有限公司 一种基于高反差磨皮的人脸图像的美肤方法
CN114331892A (zh) * 2021-12-29 2022-04-12 上海肤焕科技有限公司 肤色调节的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于肤色检测和导向滤波的人脸美化技术;吴颖斌;;运城学院学报;20180802(第03期);全文 *

Also Published As

Publication number Publication date
CN115050065A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN107977932B (zh) 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法
CN111080511B (zh) 一种端到端的高分辨率多特征提取的人脸交换方法
CN111739078B (zh) 一种基于上下文注意力机制的单目无监督深度估计方法
Batson et al. Noise2self: Blind denoising by self-supervision
CN108229381B (zh) 人脸图像生成方法、装置、存储介质和计算机设备
CN110059796B (zh) 卷积神经网络的生成方法及装置
Liu et al. Learning converged propagations with deep prior ensemble for image enhancement
WO2019120110A1 (zh) 图像重建方法及设备
CN109961396B (zh) 一种基于卷积神经网络的图像超分辨率重建方法
CN110287777B (zh) 一种自然场景下的金丝猴躯体分割算法
CN113177882B (zh) 一种基于扩散模型的单帧图像超分辨处理方法
CN112818827B (zh) 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法
CN109410127A (zh) 一种基于深度学习与多尺度图像增强的图像去噪方法
CN109598220B (zh) 一种基于多元输入多尺度卷积的人数统计方法
CN110245550B (zh) 一种基于总体余弦分布的人脸噪音数据集cnn训练方法
CN112837224A (zh) 一种基于卷积神经网络的超分辨率图像重建方法
CN111145102A (zh) 一种基于卷积神经网络的合成孔径雷达图像去噪方法
CN114897882B (zh) 一种基于加权平均曲率滤波分解的遥感图像融合方法
CN115050065B (zh) 一种基于曲线的皮肤滤镜建模方法
CN111160161B (zh) 一种基于噪声剔除的自步学习人脸年龄估计方法
CN114641792A (zh) 图像处理方法、图像处理设备和可读存储介质
CN115439849A (zh) 基于动态多策略gan网络的仪表数字识别方法及系统
CN111915506B (zh) 一种序列图像条带噪声消除方法
CN114693743A (zh) 一种目标跟踪训练数据集的数据清洗方法
CN110381313B (zh) 基于lstm网络与图像组质量盲评估的视频压缩感知重构方法

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
CB02 Change of applicant information

Address after: No. 1001, 10th floor, No. 65, kejiyuan Road, Hangzhou Economic and Technological Development Zone, Zhejiang Province, 310018

Applicant after: Hangzhou Haima Photography Co.,Ltd.

Address before: No. 1001, 10th floor, No. 65, kejiyuan Road, Hangzhou Economic and Technological Development Zone, Zhejiang Province, 310018

Applicant before: Hangzhou manto photography Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant