CN115909466A - 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
- CN115909466A CN115909466A CN202310007350.XA CN202310007350A CN115909466A CN 115909466 A CN115909466 A CN 115909466A CN 202310007350 A CN202310007350 A CN 202310007350A CN 115909466 A CN115909466 A CN 115909466A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- target
- pixel
- frequency information
- target pixel
- 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
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开关于一种图像处理方法、装置、电子设备及存储介质,该方法包括:获取人脸图像;通过不同的图像模糊算法对目标像素点进行不同程度的模糊处理,得到所述目标像素点对应的第一低频信息和第二低频信息;基于所述目标像素点对应的所述第一低频信息和所述第二低频信息,确定所述目标像素点对应的皱纹强度,以及所述目标像素点第一平滑皱纹后的像素值;基于所述目标像素点在所述目标区域的原始像素值,以及所述目标像素点第一平滑皱纹后的像素值的加权结果,得到所述目标像素点第二平滑皱纹后的目标像素值;可见,通过将皱纹区域的暗部适度提亮,保留纹理细节,并将皱纹区域的亮部适度压暗,使得处理后的皱纹区域均匀平滑,真实自然。
Description
技术领域
本申请涉及图像处理领域,特别是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
由于美颜技术可以提升图像中人像的容颜,因此,在图像处理中得到了广泛的应用。在人像中,人脸中的皱纹如抬头纹是非常明显的一种人脸老化特征。为此,在美颜过程中,经常会遇到将人脸中的抬头纹等皱纹去除的情况。
以皱纹是抬头纹为例,相关技术中,可以通过训练深度模型的方式来去除抬头纹。但是在训练深度模型时,需要采集大量成对的训练样本,例如,需要采集包括同一张人脸的有抬头纹以及没有抬头纹的成对图像。实际应用中,需要设计师手动修图来处理大量的人脸抬头纹,来得到没有抬头纹的图像,以通过包括同一张人脸的有抬头纹的图像和没有抬头纹的图像,来训练训练用于去除抬头纹的深度模型。
由于设计师人工修图所得的没有抬头纹的图像,可能存在不真实自然的情况,导致实际应用中,从训练后的深度模型所输出的图像的去抬头纹效果不够真实自然。
发明内容
为了解决相关技术中存在的上述技术问题,本公开的技术方案如下:
第一方面,本公开实施例提供了一种图像处理方法,包括:
获取人脸图像;所述人脸图像包括待平滑皱纹的目标区域;
通过不同的图像模糊算法对目标像素点进行不同程度的模糊处理,得到所述目标像素点对应的第一低频信息和第二低频信息;所述目标像素点为所述目标区域中属于皮肤且属于皱纹的像素点;
基于所述目标像素点对应的所述第一低频信息和所述第二低频信息,确定所述目标像素点对应的皱纹强度,以及所述目标像素点第一平滑皱纹后的像素值;
基于所述目标像素点在所述目标区域的原始像素值,以及所述目标像素点第一平滑皱纹后的像素值的加权结果,得到所述目标像素点第二平滑皱纹后的目标像素值;所述目标像素点第一平滑皱纹后的像素值的加权系数与所述皱纹强度正相关,所述原始像素值的加权系数与所述皱纹强度负相关。
可选的,在所述获取人脸图像之后,还包括:
获取所述目标区域中各个像素点对应的第一概率和第二概率;一个像素点对应的第一概率为该像素点属于皱纹的概率,一个像素点对应的第二概率为该像素点属于皮肤的概率;
基于所述各个像素点对应的第一概率和第二概率,确定所述目标区域中的目标像素点;所述目标像素点对应的第一概率大于第一阈值,且所述目标像素点对应的第二概率大于第二阈值。
可选的,所述基于所述目标像素点对应的第一低频信息和所述第二低频信息,确定所述目标像素点对应的皱纹强度,以及所述目标像素点第一平滑皱纹后的像素值;包括:
基于所述目标像素点对应的第一低频信息和所述第二低频信息之间的差值,确定所述目标像素点对应的皱纹强度;
基于所述目标像素点对应的第一低频信息确定所述目标像素点对应的高频信息,并将所述高频信息和所述目标像素点对应的第二低频信息之和确定为所述目标像素点第一平滑皱纹后的像素值。
可选的,通过图像模糊算法对目标像素点进行模糊处理,得到所述目标像素点对应的第一低频信息,包括:
确定第一目标窗口;
对于所述第一目标窗口的第一中心像素点,在所述第一中心像素点为目标像素点时,确定多个第一领域像素点分别对应的像素值;所述多个第一邻域像素点为所述第一目标窗口内除所述第一中心像素点之外的像素点;
基于所述第一中心像素点的像素值,以及所述多个第一邻域像素点分别对应的像素值,对所述第一中心像素点进行高斯模糊处理,得到所述第一中心像素点的第一低频信息;
移动所述第一目标窗口,在移动后的第一目标窗口的第一中心像素点为目标像素点的情况下,返回执行所述确定多个第一领域像素点分别对应的像素值的步骤,直至得到所述目标区域内各个目标像素点的第一低频信息。
可选的,所述确定多个第一领域像素点分别对应的像素值,包括:
对于每一第一邻域像素点,基于所述第一邻域像素点对应的第一概率以及第二概率,确定所述第一邻域像素点是否为目标像素点;
在所述第一邻域像素点为目标像素点的情况下,将所述第一领域像素点在所述目标区域的原始像素值确定为所述第一邻域像素点的像素值;
在所述第一邻域像素点不为目标像素点的情况下,将所述第一中心像素点的像素值确定为所述第一邻域像素点的像素值。
可选的,通过图像模糊算法对目标像素点进行模糊处理,得到所述目标像素点对应的第二低频信息,包括:
确定第二目标窗口;
对于所述第二目标窗口的第二中心像素点,在所述第二中心像素点为目标像素点的情况下,基于宽度比例系数和高度比例系数确定均值加权模糊处理步长;其中,所述宽度比例系数为人脸区域的宽度占所述人脸图像的宽度的比例,所述高度比例系数为所述人脸区域的高度占所述人脸图像的高度的比例,所述均值加权模糊处理步长与所述宽度比例系数和所述高度比例系数均成正比;
基于所述均值加权模糊处理步长确定所述第二中心像素点的多个第二邻域像素点;
确定所述多个第二领域像素点分别对应的像素值;
基于所述第二中心像素点的像素值,以及所述多个第二邻域像素点的像素值,对所述第二中心像素点进行均值加权模糊处理,得到所述第二中心像素点的第二低频信息;
移动所述第二目标窗口,在移动后的第二目标窗口的第二中心像素点为目标像素点的情况下,返回执行基于所述均值加权模糊处理步长确定所述第二中心像素点的多个第二邻域像素点,直至得到所述目标区域内各个目标像素点的第二低频信息。
可选的,还包括:
获取所述人脸图像中人脸关键点的坐标,所述人脸关键点包括人脸中心点、眉毛关键点和脸颊关键点;
基于所述人脸中心点的坐标与所述眉毛关键点的坐标,计算所述目标区域中额头关键点的坐标,并基于所述人脸中心点的坐标与所述脸颊关键点的坐标,计算所述人脸图像中位于人脸外边框的像素点的坐标;
确定所述人脸图像中人脸区域的目标外接矩形,所述目标外接矩形为用于包围所述人脸外框像素点和所述额头关键点的最小外接矩形;
基于所述目标外接矩形的宽度和所述人脸图像的宽度,计算人脸区域占所述人脸图像的宽度比例系数,并基于所述目标外接矩形的高度和所述人脸图像的高度,计算人脸区域占所述人脸图像的高度比例系数。
可选的,所述确定多个第二领域像素点分别对应的像素值,包括:
获取所述多个第二邻域像素点分别对应的第一概率以及第二概率;
对于每一第二邻域像素点,基于所述第二邻域像素点对应的第一概率以及第二概率,确定所述第二邻域像素点是否为目标像素点;
在所述第二邻域像素点为目标像素点的情况下,将所述第二领域像素点在所述目标区域的原始像素值确定为所述第二邻域像素点的像素值;
在所述第二邻域像素点不为目标像素点的情况下,将所述第二中心像素点的像素值确定为所述第二邻域像素点的像素值。
可选的,所述基于所述目标像素点对应的第一低频信息确定所述目标像素点对应的高频信息,包括:
通过所述目标像素点对应的第一低频信息计算所述目标像素点对应的第一高频信息;
在所述人脸图像中选取属于皮肤的皮肤像素点,基于所述皮肤像素点对应的第一低频信息,确定所述皮肤像素点对应的第二高频信息;
计算所述目标像素点的对应第一高频信息的第一信息强度,并计算所述皮肤像素点对应的第二高频信息的第二信息强度;
在所述第一信息强度小于所述第二信息强度的情况下,将所述第一高频信息确定为所述目标像素点对应的高频信息;在所述第一强度大于所述第二强度的情况下,将所述第二高频信息确定为所述目标像素点对应的高频信息。
可选的,所述获取所述目标区域中各个像素点对应的第一概率,包括:
将所述人脸图像输入预先训练得到的概率检测模型,得到所述目标区域中各个像素点对应的初始第一概率;
对于初始第一概率小于第三阈值的像素点,增大所述像素点对应的初始第一概率,得到所述像素点对应的第一概率;所述第三阈值小于第一阈值,所述像素点对应的第一概率大于所述第一阈值。
第二方面,本公开实施例提供了一种图像处理装置,包括:
人脸图像获取模块,被配置为执行获取人脸图像;所述人脸图像包括待平滑皱纹的目标区域;
图像模糊处理模块,被配置为执行通过不同的图像模糊算法对目标像素点进行不同程度的模糊处理,得到所述目标像素点对应的第一低频信息和第二低频信息;所述目标像素点为所述目标区域中属于皮肤且属于皱纹的像素点;
信息确定模块,被配置为执行基于所述目标像素点对应的所述第一低频信息和所述第二低频信息,确定所述目标像素点对应的皱纹强度,以及所述目标像素点第一平滑皱纹后的像素值;
目标像素值确定模块,被配置为执行基于所述目标像素点在所述目标区域的原始像素值,以及所述目标像素点第一平滑皱纹后的像素值的加权结果,得到所述目标像素点第二平滑皱纹后的目标像素值;所述目标像素点第一平滑皱纹后的像素值的加权系数与所述皱纹强度正相关,所述原始像素值的加权系数与所述皱纹强度负相关。
可选的,还包括:
概率获取模块,被配置为执行在所述人脸图像获取模块获取人脸图像之后,获取所述目标区域中各个像素点对应的第一概率和第二概率;一个像素点对应的第一概率为该像素点属于皱纹的概率,一个像素点对应的第二概率为该像素点属于皮肤的概率;
目标像素点确定模块,被配置为执行基于所述各个像素点对应的第一概率和第二概率,确定所述目标区域中的目标像素点;所述目标像素点对应的第一概率大于第一阈值,且所述目标像素点对应的第二概率大于第二阈值。
可选的,所述信息确定模块,具体被配置为执行:
基于所述目标像素点对应的第一低频信息和所述第二低频信息之间的差值,确定所述目标像素点对应的皱纹强度;
基于所述目标像素点对应的第一低频信息确定所述目标像素点对应的高频信息,并将所述高频信息和所述目标像素点对应的第二低频信息之和确定为所述目标像素点第一平滑皱纹后的像素值。
可选的,所示图像模糊处理模块,被配置为执行:
确定第一目标窗口;
对于所述第一目标窗口的第一中心像素点,在所述第一中心像素点为目标像素点时,确定多个第一领域像素点分别对应的像素值;所述多个第一邻域像素点为所述第一目标窗口内除所述第一中心像素点之外的像素点;
基于所述第一中心像素点的像素值,以及所述多个第一邻域像素点分别对应的像素值,对所述第一中心像素点进行高斯模糊处理,得到所述第一中心像素点的第一低频信息;
移动所述第一目标窗口,在移动后的第一目标窗口的第一中心像素点为目标像素点的情况下,返回执行所述确定多个第一领域像素点分别对应的像素值的步骤,直至得到所述目标区域内各个目标像素点的第一低频信息。
可选的,所示图像模糊处理模块,被配置为执行:
对于每一第一邻域像素点,基于所述第一邻域像素点对应的第一概率以及第二概率,确定所述第一邻域像素点是否为目标像素点;
在所述第一邻域像素点为目标像素点的情况下,将所述第一领域像素点在所述目标区域的原始像素值确定为所述第一邻域像素点的像素值;
在所述第一邻域像素点不为目标像素点的情况下,将所述第一中心像素点的像素值确定为所述第一邻域像素点的像素值。
可选的,所示图像模糊处理模块,被配置为执行:
确定第二目标窗口;
对于所述第二目标窗口的第二中心像素点,在所述第二中心像素点为目标像素点的情况下,基于宽度比例系数和高度比例系数确定均值加权模糊处理步长;其中,所述宽度比例系数为人脸区域的宽度占所述人脸图像的宽度的比例,所述高度比例系数为所述人脸区域的高度占所述人脸图像的高度的比例,所述均值加权模糊处理步长与所述宽度比例系数和所述高度比例系数均成正比;
基于所述均值加权模糊处理步长确定所述第二中心像素点的多个第二邻域像素点;
确定所述多个第二领域像素点分别对应的像素值;
基于所述第二中心像素点的像素值,以及所述多个第二邻域像素点的像素值,对所述第二中心像素点进行均值加权模糊处理,得到所述第二中心像素点的第二低频信息;
移动所述第二目标窗口,在移动后的第二目标窗口的第二中心像素点为目标像素点的情况下,返回执行基于所述均值加权模糊处理步长确定所述第二中心像素点的多个第二邻域像素点,直至得到所述目标区域内各个目标像素点的第二低频信息。
可选的,还包括:
坐标确定模块,被配置为执行获取所述人脸图像中人脸关键点的坐标,所述人脸关键点包括人脸中心点、眉毛关键点和脸颊关键点;
坐标计算模块,被配置为执行基于所述人脸中心点的坐标与所述眉毛关键点的坐标,计算所述目标区域中额头关键点的坐标,并基于所述人脸中心点的坐标与所述脸颊关键点的坐标,计算所述人脸图像中位于人脸外边框的像素点的坐标;
外接矩形确定模块,被配置为执行确定所述人脸图像中人脸区域的目标外接矩形,所述目标外接矩形为用于包围所述人脸外框像素点和所述额头关键点的最小外接矩形;
宽度和高度确定模块,被配置为执行确定所述目标外接矩形的宽度和高度;
比例系数确定模块,被配置为执行基于所述目标外接矩形的宽度和所述人脸图像的宽度,计算人脸区域占所述人脸图像的宽度比例系数,并基于所述目标外接矩形的高度和所述人脸图像的高度,计算人脸区域占所述人脸图像的高度比例系数。
可选的,所述图像模糊处理模块,被配置为执行:
对于每一第二邻域像素点,基于所述第二邻域像素点对应的第一概率以及第二概率,确定所述第二邻域像素点是否为目标像素点;
在所述第二邻域像素点为目标像素点的情况下,将所述第二领域像素点在所述目标区域的原始像素值确定为所述第二邻域像素点的像素值;
在所述第二邻域像素点不为目标像素点的情况下,将所述第二中心像素点的像素值确定为所述第二邻域像素点的像素值。
可选的,所述信息确定模块,具体被配置为执行:
通过所述目标像素点对应的第一低频信息计算所述目标像素点对应的第一高频信息;
在所述人脸图像中选取属于皮肤的皮肤像素点,基于所述皮肤像素点对应的第一低频信息,确定所述皮肤像素点对应的第二高频信息;
计算所述目标像素点的对应第一高频信息的第一信息强度,并计算所述皮肤像素点对应的第二高频信息的第二信息强度;
在所述第一信息强度小于所述第二信息强度的情况下,将所述第一高频信息确定为所述目标像素点对应的高频信息;在所述第一强度大于所述第二强度的情况下,将所述第二高频信息确定为所述目标像素点对应的高频信息。
可选的,所述概率获取模块,被配置为执行:
将所述人脸图像输入预先训练得到的概率检测模型,得到所述目标区域中各个像素点对应的初始第一概率;
对于初始第一概率小于第三阈值的像素点,增大所述像素点对应的初始第一概率,得到所述像素点对应的第一概率;所述第三阈值小于第一阈值,所述像素点对应的第一概率大于所述第一阈值。
第三方面,本公开实施例提供了一种电子设备,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,以实现如第一方面所述的方法。
第四方面,本公开实施例提供了一种计算机可读存储介质,当所述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第一方面所述的方法。
第五方面,本公开实施例提供了一种计算机程序产品,当其在计算机上运行时,使得计算机实现如第一方面所述的方法。
本公开实施例提供的技术方案,获取人脸图像,该人脸图像包括待平滑皱纹的目标区域;通过不同的图像模糊算法对目标区域中属于皮肤且属于皱纹的目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息;并基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点第一平滑皱纹后的像素点;最终基于目标像素点在目标区域的原始像素值,以及目标像素点第一平滑皱纹后的像素值的加权结果,得到目标像素点第二平滑皱纹后的目标像素值。计算所得的目标像素值实现了将平滑皱纹后对应的像素值与原始像素值进行结合。
由于目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。对于皱纹强度较大的区域即皱纹较深的暗部区域,该暗部区域中各个目标像素点的目标像素值更加接近第一平滑皱纹后的像素值,从而可以使得皱纹较深的暗部区域适度提亮,并且保留了纹理细节;对于皱纹强度较小的区域即皱纹较浅的亮部区域,该亮部区域中各个目标像素点的目标像素值更加接近原始像素值,从而可以使得抬头纹区域的亮部适度压暗。可见,通过将皱纹区域的暗部适度提亮,保留纹理细节,并将皱纹区域的亮部适度压暗,使得处理后的皱纹区域均匀平滑,真实自然。
附图说明
图1是根据一示例性实施例示出的一种图像处理方法的流程图;
图2是根据一示例性实施例示出的另一种图像处理方法的流程图;
图3是图1所示实施例中步骤S130的一种实施方式的流程图;
图4是图3所示实施例中步骤S132的一种实施方式的流程图;
图5是图1所示实施例中步骤S120的一种实施方式的流程图;
图6是图5所示实施例中步骤S520的一种实施方式的流程图;
图7是本公开实施例提供的一种确定人脸区域占人脸图像的高度比例系数的一种实施方式流程图;
图8是图1所示实施例中步骤S120的另一种实施方式的流程图;
图9是图8所示实施例中步骤S840的另一种实施方式的流程图;
图10是根据一示例性实施例示出的一种图像处理装置的框图;
图11是根据一示例性实施例示出的另一种图像处理装置的框图。
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。
由于美颜技术可以提升图像中人像的容颜,因此,在图像处理中得到了广泛的应用。在人像中,人脸中的皱纹如抬头纹是非常明显的一种人脸老化特征。为此,在美颜过程中,经常会遇到将人脸中的抬头纹等皱纹去除的情况。
以皱纹是抬头纹为例,相关技术中,可以通过训练深度模型的方式来去除抬头纹。但是在训练深度模型时,需要采集大量成对的训练样本,例如,需要采集包括同一张人脸的有抬头纹以及没有抬头纹的成对图像。实际应用中,需要设计师手动修图来处理大量的人脸抬头纹,来得到没有抬头纹的图像,以通过包括同一张人脸的有抬头纹的图像和没有抬头纹的图像,来训练训练用于去除抬头纹的深度模型。
由于设计师人工修图所得的没有抬头纹的图像,可能存在不真实自然的情况,导致实际应用中,从训练后的深度模型所输出的图像的去抬头纹效果不够真实自然。并且,相关技术中,训练用于去除抬头纹的深度模型,需要较高的成本。
为此,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。
第一方面,首先对本公开实施例提供的一种图像处理方法进行详细介绍。
如图1所示,本公开实施例提供的一种图像处理方法,可以包括如下步骤:
S110,获取人脸图像。
其中,人脸图像包括待平滑皱纹的目标区域。
具体的,人脸图像可以是包括人的正脸的任意图像。获取人脸图像的方式可以是实时采集的人脸图像,还可以是在从终端或者服务器获取的已有的人脸图像,本公开实施例对此不做具体限定。
并且,人脸图像可以包括待平滑皱纹的目标区域,即目标区域的纹理特征包括皱纹纹理特征。在实际应用中,该目标区域可以是具有抬头纹的额头区域等,额头区域可以是人脸中,眉毛以上、发际线以下的区域。
S120,通过不同的图像模糊算法对目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息。
其中,目标像素点为目标区域中属于皮肤且属于皱纹的像素点。
具体的,为了实现弱化或去除人脸图像中抬头纹等皱纹的目的,在获取到人脸图像后,可以确定目标区域中属于皮肤且属于皱纹的目标像素点,以便对这些目标像素点进行弱化或者去除皱纹操作。为了方案描述清楚,将在下面实施例中对确定目标像素点的具体实施方式进行详细阐述。
在确定了待处理的目标像素点后,可以通过不同的图像模糊算法对目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息。
具体的,可以通过第一图像模糊算法对目标像素点进行模糊处理,得到目标像素点对应的第一低频信息Df1,其中,第一图像模糊算法可以是高斯模糊算法。并可以通过第二图像模糊算法对目标像素点进行模糊处理,得到目标像素点对应的第二低频信息Df2,其中,第二图像模糊算法可以是均值加权模糊算法。
通过两个不同的图像模糊算法对目标像素点进行不同程度的模糊处理,所得到的第一低频信息Df1和第二低频信息Df2实质上属于不同模糊程度的模糊信息,反映了不同频段的图像特征,后续步骤中,通过对不同频段的图像特征相减能够得到一些结构性的信息,例如人脸图像中抬头纹所在的位置和强度。
为了方案描述清楚,将在下面实施例中对S120的具体实施方式进行详细阐述。
S130,基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点第一平滑皱纹后的像素值。
由上述描述可知,第一低频信息和第二低频信息是对目标像素点进行不同程度的模糊处理得到的,因此,第一低频信息和第二低频信息反映了目标像素点不同频段的图像特征,通过对第一低频信息和第二低频信息相减,可以得到目标像素点对应的皱纹强度,并且,通过第一低频信息和第二低频信息可以得到目标像素点平滑皱纹后的像素值,为了方案描述清楚,将所得的目标像素点平滑皱纹后的像素值称为目标像素点第一平滑皱纹后的像素值。
为了方案描述清楚,将在下面实施例中对S130的具体实施方式进行详细阐述。
S140,基于目标像素点在目标区域的原始像素值,以及目标像素点第一平滑皱纹后像素值的加权结果,得到目标像素点第二平滑皱纹后的目标像素值。
其中,目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。
在本步骤中,用于确定处理后的目标像素点的最终输出像素值,即目标像素点在处理后的人脸图像中的目标像素值。具体的,可以将目标像素点在目标区域的原始像素值,与目标像素点第一平滑皱纹后像素值进行加权计算;并且,目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。在实际应用中,可以将S130中计算得到的皱纹强度确定为目标像素点第一平滑皱纹后的像素值的加权系数,并将预设值与皱纹强度之差确定为原始像素值的加权系数,其中,预设值可以为1。
例如,以皱纹是抬头纹为例,目标像素值记为Iout,目标像素点第一平滑皱纹后对应的像素值记为Itmp,原始像素值为I,Idiff为皱纹强度,那么,
Iout=(1-Idiff)*I+Idiff*Itmp
通过该公式计算所得的目标像素值实现了将第一平滑抬头纹后所得的像素值Itmp与原人脸图像中的像素值I进行结合。
对于抬头纹中相对较强的暗部即抬头纹较深的区域,此时,Idiff可以为1,此时,Iout=Itmp,即使用均匀提亮并且保留了纹理细节的Itmp来替换原人脸图像的像素值。
对于相对亮部即抬头纹较浅区域的目标像素点,Iout=(1-Idiff)*I+Idiff*Itmp,即使用一定比例的Idiff均匀压暗后的Itmp,来和原人脸图像中的像素值的混合,使得相对亮部压暗,从而处理后的抬头纹区域均匀平滑,真实自然。
本公开实施例提供的技术方案,获取人脸图像,该人脸图像包括待平滑皱纹的目标区域;通过不同的图像模糊算法对目标区域中属于皮肤且属于皱纹的目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息;并基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点第一平滑皱纹后的像素点;最终基于目标像素点在目标区域的原始像素值,以及目标像素点第一平滑皱纹后的像素值的加权结果,得到目标像素点第二平滑皱纹后的目标像素值。计算所得的目标像素值实现了将平滑皱纹后对应的像素值与原始像素值进行结合。
由于目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。对于皱纹强度较大的区域即皱纹较深的暗部区域,该暗部区域中各个目标像素点的目标像素值更加接近第一平滑皱纹后的像素值,从而可以使得皱纹较深的暗部区域适度提亮,并且保留了纹理细节;对于皱纹强度较小的区域即皱纹较浅的亮部区域,该亮部区域中各个目标像素点的目标像素值更加接近原始像素值,从而可以使得抬头纹区域的亮部适度压暗。可见,通过将皱纹区域的暗部适度提亮,保留纹理细节,并将皱纹区域的亮部适度压暗,使得处理后的皱纹区域均匀平滑,真实自然。
在上述图1所示实施例的基础上,在一种实施方式中,在获取人脸图像之后,如图2所示,该图像处理方法还可以包括如下步骤:
S120a,获取目标区域中各个像素点对应的第一概率和第二概率。
其中,一个像素点对应的第一概率为该像素点属于皱纹的概率,一个像素点对应的第二概率为该像素点属于皮肤的概率。
具体的,在获取到人脸图像后,可以将人脸图像输入到预先训练得到的概率检测模型中,从概率检测模型中输出人脸图像中各个像素点对应的第一概率以及第二概率,从而可以获取到目标区域中各个像素点对应的第一概率和第二概率。
其中,一个像素点对应的第一概率为这个像素点属于皱纹的概率。第一概率的大小位于0到1之间。例如,一个像素点所在的位置属于目标区域中的抬头纹区域,且该像素点所在的位置对应的抬头纹比较深,那么,该像素点对应的第一概率较大,例如,可以为1。再例如,一个像素点所在的位置属于目标区域中的抬头纹区域,且该像素点所在的位置对应的抬头纹比较浅,那么,该像素点对应的第一概率较小,例如,可以为0.6。
一个像素点对应的第二概率为这个像素点属于皮肤区域的概率。第二概率的大小也位于0到1之间。具体的,某一个像素点对应的第二概率可以理解为该像素点属于皮肤的概率,如果该像素点位置是皮肤,那么,该像素点对应的第二概率较大,例如,可以为1;如果该像素点位置不是皮肤,例如,位于眼珠子区域的像素点,那么,该像素点对应的第二概率较小,例如,可以为0。
其中,上述概率检测模型的训练过程可以为:采集大量包括目标区域的样本人脸图像,并对样本人脸图像中的像素点的第一概率以及第二概率进行标定,并将标定后的样本人脸图像输出到待训练的概率检测模型,对待训练的概率检测模型进行训练,并基于输出的概率与标定的概率计算概率检测模型的损失函数值,在损失函数值小于预设阈值时,得到训练后的概率检测模型。
在一种实施方式中,获取目标区域中各个像素点对应的第一概率,可以包括如下步骤,分别为步骤a和步骤b:
步骤a,将人脸图像输入预先训练得到的概率检测模型,得到目标区域中各个像素点对应的初始第一概率。
具体的,在将人脸图像输入预先训练得到的概率检测模型,得到目标区域中各个像素点属于皱纹的概率,为了方案描述清楚,将从概率检测模型中输出的概率称为初始第一概率。
步骤b,对于初始第一概率小于第三阈值的像素点,增大该像素点对应的初始第一概率,得到该像素点对应的第一概率。
其中,第三阈值小于第一阈值,该像素点对应的第一概率大于第一阈值。
具体的,在实际应用中,有些皱纹区域中皱纹是比较浅的,对于位于这些皱纹区域的像素点,概率检测模型输出的初始第一概率较小,即这些像素点对应的初始第一概率小于第三阈值,该第三阈值小于第一阈值,但是,这些像素点后续也需要进行弱化或者去除皱纹处理,因此,对于初始第一概率小于第三阈值的像素点,可以对这些像素点进行膨胀操作处理。具体的,可以增大这些像素点对应的初始第一概率,得到这些像素点对应的最终第一概率大于第一阈值,这样,后续步骤中,可以对这些像素点进行图像处理。
可见,本实施例提供的技术方案,对于初始第一概率较小的像素点,通过增大该像素点对应的初始第一概率,可以实现增大该像素点对应的最终第一概率,使得该像素点对应的最终第一概率大于第一阈值。这样,后续步骤中,可以对该像素点进行弱化或者去除皱纹处理,从而更好地达到弱化或去除面部皱纹的目的。
S120b,基于各个像素点对应的第一概率和第二概率,确定目标区域中的目标像素点。
其中,目标像素点的第一概率大于第一阈值,且目标像素点对应的第二概率大于第二阈值。
具体的,由于一个像素点对应的第一概率为该像素点属于皱纹的概率,一个像素点对应的第二概率为该像素点属于皮肤的概率。对于第一概率大于第一阈值,且第二概率大于第二阈值的像素点,属于目标区域中需要进行弱化或者去除皱纹的像素点,因此,将第一概率大于第一阈值,且第二概率大于第二阈值的像素点确定为目标像素点,以便后续步骤中,对目标区域中的目标像素点进行弱化或者去除皱纹处理。
以皱纹为抬头纹为例,目标像素点所在的位置应该属于目标区域即抬头纹区域,还应该属于皮肤区域,因此,目标像素点对应的第一概率大于第一阈值t1,且目标像素点对应的第二概率大于第二阈值t2。也就是说,在本实施例中,对第一概率大于t1,且第二概率大于t2的像素点进行图像处理,其他像素点可以不做处理。t1和t2的大小可以根据实际情况进行确定,本公开实施例对此不做具体限定。
可见,通过本实施例提供的技术方案,通过获取目标区域中各个像素点对应的第一概率和第二概率,并将第一概率大于第一阈值,且第二概率大于第二阈值的阈值的像素点确定为目标像素点,即将属于皱纹且属于皮肤的像素点确定为目标像素点,这样后续步骤中,可以准确地对属于皱纹且属于皮肤的目标像素点进行图像处理,进而可以达到弱化或者去除皱纹的目的。
在一种实施方式中,S130,基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点平滑皱纹后对应的像素值;如图3所示,可以包括如下步骤:
S131,基于目标像素点对应的第一低频信息和第二低频信息之间的差值,确定目标像素点对应的皱纹强度。
由上述描述可知,通过两个不同的图像模糊算法对目标区域的目标像素点进行模糊处理,所得到的第一低频信息Df1和第二低频信息Df2实质上属于不同模糊程度的模糊信息,反映了不同频段的图像特征,通过对不同频段的图像特征相减能够得到一些结构性的信息。具体的,抬头纹是人脸图像中相对较暗的区域。通过计算Df1和Df2的差,就可以得到抬头纹明暗的表现,即可以确定目标像素点对应的皱纹强度。且一个目标像素点对应的皱纹强度与该目标像素点的深度成正比。
在一种实施方式中,基于目标像素点对应的第一低频信息和第二低频信息之间的差值,确定目标像素点对应的皱纹强度,可以包括如下步骤:
通过如下公式计算目标区域中目标像素点对应的子皱纹强度:
Idiff=alpha*(Df2-Df1)+255
将目标像素点对应的子皱纹强度归一化至(0,1),得到目标像素点对应的皱纹强度。
其中,alpha为预设参数;Df2为第二低频信息,Df1为第一低频信息。
需要说明的是,alpha为调整的经验值,并将Idiff先调整至[0,255],然后再归一化到[0,1]。并且,皱纹较深的区域即抬头纹中相对较强的暗部中,目标像素值对应的Idiff可以为1,皱纹较浅的区域即抬头纹中相对亮部中,Idiff可以为0。
S132,基于目标像素点对应的第一低频信息确定目标像素点对应的高频信息,并将高频信息和目标像素点对应的第二低频信息之和确定为目标像素点第一平滑皱纹后的像素值。
具体的,可以基于目标像素点的第一低频信息,得到目标像素点的高频信息,例如,高频信息记为Ihigh,第一低频信息为Df1,那么,Ihigh可以等于I-Df1。
然后,可以将高频信息和第二低频信息之和确定为目标像素点第一平滑皱纹后的像素值,通过在平滑抬头纹后的人脸图像上增加高频信息,目标像素点第一平滑皱纹后的像素值可以实现保留纹理细节,更加真实自然。例如,目标像素点第一平滑皱纹后的像素值记为Itmp,那么,Itmp=Df2+Ihigh。
为了方案描述清楚,将在下面实施例中对S132的具体实施方式进行详细阐述。
可见,通过本实施例提供的技术方案,通过两个不同的图像模糊算法对目标区域的目标像素点进行模糊处理,所得到的第一低频信息和第二低频信息实质上属于不同模糊程度的模糊信息,反映了不同频段的图像特征,通过对不同频段的图像特征相减能够得到一些结构性的信息,从而准确地得到了目标区域中各个目标像素点对应的皱纹强度,以便后续步骤中基于该皱纹强度来弱化或去除皱纹。并且,通过将高频信息和第二低频信息之和确定为目标像素点第一平滑皱纹后的像素值,所得的目标像素点第一平滑皱纹后的像素值可以保留纹理细节,更加真实自然。
为了方案描述清楚,将在下面实施例中对S132的具体实施方式进行详细阐述。
在图3所示实施例的基础上,在一种实施方式中,在上述实施例的基础上,在一种实施例中,如图4所示,S132,基于目标像素点对应的第一低频信息确定目标像素点对应的高频信息,可以包括如下步骤:
S1321,通过目标像素点对应的第一低频信息计算目标像素点对应的第一高频信息。
具体的,第一高频信息可以记为Ihigh1,第一低频信息可以记为Df1,那么,Ihigh1=I-Df1,其中,I为目标像素点在目标区域的原始像素值。
S1322,在人脸图像中选取属于皮肤的皮肤像素点,基于皮肤像素点对应的第一低频信息,确定皮肤像素点对应的第二高频信息。
具体的,可以在人脸图像中属于皮肤区域的像素点组成的点集中,随机选取一点皮肤像素点R,并计算该皮肤像素点的第二高频信息,该第二高频信息为IhighR=I-DfR,
S1323,计算目标像素点对应的第一高频信息对应的第一信息强度,并计算皮肤像素点对应的第二高频信的第二信息强度。
具体的,由于第一高频信息和第二高频信息通常都表示多个颜色通道的高频信息,例如R通道,G通道和B通道三个通道,因此,可以将第一高频信息和第二高频信息看成一个三维向量,来计算第一高频信息的模大小,即为第一信息强度;以及,第二高频信息的模大小,即为第二信息强度。
S1324,在第一信息强度小于第二信息强度的情况下,将第一高频信息确定为目标像素点对应的高频信息;在第一信息强度大于第二信息强度的情况下,将第二高频信息确定为目标像素点对应的高频信息。
具体的,在计算得到第一信息强度和第二信息强度后,比较第一信息强度与第二信息强度的大小,在第一信息强度小于第二信息强度的情况下,将第一高频信息确定为目标像素点对应的高频信息;并在第一信息强度大于第二信息强度的情况下,将第二高频信息确定为目标像素点对应的高频信息。
可见,通过本实施例提供的技术方案,在确定目标像素点对应的高频信息时,首先通过目标像素点对应的第一低频信息来计算第一高频信息,并计算皮肤区域的任一皮肤像素点对应的第二高频信息,并比较第一高频信息与第二高频信息的信息强度,将信息强度相对较低的高频信息确定为目标像素点的高频信息,这样,后续得到的目标像素点第一平滑皱纹后的像素值更加精确,处理后的目标像素点更加真实自然。
在上述图1所述实施例的基础上,在一种实施方式中,如图5所示,S120,通过图像模糊算法对目标像素点进行模糊处理,得到目标像素点的第一低频信息,可以包括如下步骤:
S510,确定第一目标窗口。
具体的,在实际应用中,可以根据实际情况来确定目标窗口,为了方案描述清楚,将该目标窗口称为第一目标窗口。例如,第一目标窗口可以为r1*r1的正方形窗口,该r1可以为3。
S520,对于第一目标窗口的第一中心像素点,在第一中心像素点为目标像素点的情况下,确定多个第一领域像素点分别对应的像素值。
其中,多个第一邻域像素点为第一目标窗口内除第一中心像素点之外的像素点。
需要说明的是,为了方案描述清楚,将位于第一目标窗口中心的像素点称为第一中心像素点,并将第一目标窗口内除第一中心像素点之外的像素点称为第一邻域像素点。例如,第一目标窗口为3*3的正方形,那么,第一目标窗口中包括9个像素点,最中心的像素点为第一中心像素点,除第一中心像素点之外的8个像素点称为第一邻域像素点。
在第一目标窗口位于目标区域时,首先可以判断第一中心像素点对应的第一概率是否大于第一阈值t1,以及,第一中心像素点对应的第二概率是否大于第二阈值t2,如果第一中心像素点对应的第一概率大于t1,且第一中心像素点对应的第二概率大于t2,说明第一中心像素点位于皱纹区域,且位于皮肤区域,需要对该第一中心像素点进行去皱纹处理,即该第一中心像素点为目标像素点,此时,对于多个邻域像素点中的每一邻域像素点,可以基于该邻域像素点的原始像素值以及第一中心像素点的像素值,来确定多个第一邻域像素点分别对应的像素值。
在一种实施方式中,S520,确定多个第一领域像素点分别对应的像素值,如图6所示,可以包括如下步骤:
S521,对于每一第一邻域像素点,基于该第一邻域像素点对应的第一概率以及第二概率,确定该第一邻域像素点是否为目标像素点。
具体的,通过获取多个第一邻域像素点分别对应的第一概率以及第二概率,可以判断多个第一邻域像素点是否均位于皱纹区域,且位于皮肤区域。
对于每一第一邻域像素点,判断该第一邻域像素点对应的第一概率是否大于第一阈值t1,以及,该第一邻域像素点对应的第二概率是否大于第二阈值t2;如果该第一邻域像素点对应的第一概率大于第一阈值t1,且该第一邻域像素点对应的第二概率大于第二阈值t2,说明该第一邻域像素点位于皱纹区域,且位于皮肤区域,需要对该第一邻域像素点进行去皱纹处理,即该第一邻域像素点为目标像素点,否则,该第一邻域像素点不为目标像素点。
S522,在第一邻域像素点为目标像素点的情况下,将第一领域像素点在目标区域的原始像素值确定为第一邻域像素点的像素值。
S523,在第一邻域像素点不为目标像素点的情况下,将第一中心像素点的像素值确定为第一邻域像素点的像素值。
具体的,在第一邻域像素点为目标像素点的情况下,直接将第一领域像素点在目标区域的原始像素值确定为第一邻域像素点的像素值;在第一邻域像素点不在目标像素点的情况下,说明第一邻域像素点不是位于皱纹区域,且位于皮肤区域的像素点,为了防止第一邻域像素点对后续模糊处理的影响,将将第一中心像素点的像素值确定为第一邻域像素点的像素值。
可见,通过本实施方式提供的技术方案,在确定每个第一邻域像素点的像素值时,首先可以判断该第一邻域像素点是否为目标像素点,即判断该第一邻域像素点是否位于皱纹区域,且位于皮肤区域;如果该第一邻域像素点不是目标像素点,为了防止第一邻域像素点的像素值对后续图像模糊处理的影响,将第一中心像素点的像素值确定为第一邻域像素点的像素值,从而可以提高图像模糊处理的准确性,即得到的第一低频信息的准确率较高。
S530,基于第一中心像素点的像素值,以及多个第一邻域像素点分别对应的像素值,对第一中心像素点进行高斯模糊处理,得到第一中心像素点的第一低频信息。
具体的,在确定了第一中心像素点的像素值,以及多个第一邻域像素点分别对应的像素值后,可以基于第一中心像素点的像素值,以及多个第一邻域像素点的像素值对第一中心像素点进行高斯模糊处理,得到第一中心像素点的第一低频信息。本领域技术人员应该可以理解高斯模糊处理的具体过程,在此不再赘述。
S540,移动第一目标窗口,在移动后的第一目标窗口的第一中心像素点为目标像素点的情况下,返回执行确定多个第一领域像素点分别对应的像素值的步骤,直至得到目标区域内各个目标像素点的第一低频信息。
具体的,通过移动第一目标窗口,在移动后的第一目标窗口的第一中心像素点位于皱纹区域,且位于皮肤区域时,对第一中心像素点进行高斯模糊处理,直至得到目标区域内各个目标像素点的第一低频信息。
可见,通过本实施方式,在第一目标窗口的第一中心像素点位于皱纹区域,且位于皮肤区域时,利用第一中心像素点的像素值和第一邻域像素点的像素值对第一中心像素点进行高斯模糊处理,并且,通过移动第一目标窗口,在移动后的第一目标窗口的第一中心像素点为目标像素点的情况下,继续利用第一中心像素点的像素值和第一邻域像素点的像素值对第一中心像素点进行高斯模糊处理,直至得到目标区域内各个目标像素点的第一低频信息,从而可以准确地得到目标区域内各个目标像素点的第一低频信息。
在图1所示的实施例中,为了后续步骤中,可以基于人脸区域占人脸图像的比例系数,来确定通过图像模糊处理算法对目标像素点进行模糊处理,得到第二低频信息时,图像模糊处理算法的步长,在一种实施方式中,如图7所示,还可以包括如下步骤:
S710,获取人脸图像中人脸关键点的坐标。
其中,人脸关键点包括人脸中心点、眉毛关键点和脸颊关键点。
具体的,可以将人脸图像输入预先训练得到的人脸关键点提取模型中,人脸关键点提取模型输出人脸图像的人脸关键点。需要说明的是,人脸关键点包括:人脸中心点、眉毛关键点和脸颊关键点,其中,人脸中心点通常是指鼻子正中间的坐标。但人脸关键点通常不包括额头关键点,这是因为有些人脸图像中额头会有刘海或者帽子等遮挡物,因此,人脸关键点提取模型通常不提取额头关键点的坐标。
S720,基于人脸中心点的坐标与眉毛关键点的坐标,计算目标区域中额头关键点的坐标,并基于人脸中心点的坐标与脸颊关键点的坐标,计算人脸图像中位于人脸外边框的像素点的坐标。
具体的,假设人脸中心点为Xo,眉毛关键点为Xm,则定义扩展点Xe为Xo和Xm两点延长线上的点,设置扩展倍数为n,n可以根据实际情况进行确定。则基于如下公式:
(Xe-Xo)/(Xm-Xo)=n
即可计算出额头关键点Xe的坐标。
同样,基于上述公式,通过人脸关键点以及脸颊关键点的坐标,即可计算出人脸外边框的像素点的坐标。具体的,假设人脸中心点为Xo,脸颊关键点为Xm,则定义扩展点Xe为Xo和Xm两点延长线上的点,设置扩展倍数为n,即可以通过上述公式计算出人脸外边框的像素点的坐标。例如,有10个脸颊关键点,那么,可以计算出10个人脸外边框的像素点的坐标。
S730,确定人脸图像中人脸区域的目标外接矩形。
其中,目标外接矩形为用于包围人脸外框像素点和额头关键点的最小外接矩形。
具体的,在得到额头关键点和人脸外框像素点的坐标之后,即可以确定出额头关键点和人脸外框像素点所在的位置,然后,可以通过一个最小外接矩形来将额头关键点和人脸外框像素点包围起来,即得到了目标外接矩形。
S740,基于目标外接矩形的宽度和人脸图像的宽度,计算人脸区域占人脸图像的宽度比例系数,并基于目标外接矩形的高度和人脸图像的高度,计算人脸区域占人脸图像的高度比例系数。
具体的,由于额头关键点的坐标和人脸外框像素点的坐标均是确定的,因此,可以确定出目标外接矩形的顶点坐标,在确定了目标外接矩形顶点坐标后,可以利用顶点坐标来计算出目标外接矩形的宽度和高度,可以将目标外接矩形的高度即为Hf,将目标外接矩形的宽度即为Wf。
假设人脸图像的宽度为WI,高度为HI,那么,宽度比例系数RfW可以为Wf/WI,高度比例系数RfH可以为Hf/HI。
可见,通过本实施方式提供的技术方案,通过人脸图像的人脸关键点坐标,可以估算出额头关键点的坐标,以及人脸外框像素点的坐标,并基于额头关键点的坐标,以及人脸外框像素点的坐标,可以准确地计算出目标外接矩形的宽度比例系数和高度比例系数,进而后续步骤中,可以基于人脸区域占人脸图像的比例系数,来确定通过第二图像模糊处理算法进行模糊处理时的步长。
在图7所示实施例的基础上,在一种实施方式中,如图8所示,S120,通过第二图像模糊算法对目标区域中的目标像素点进行模糊处理,得到目标区域的第二低频信息,可以包括如下步骤:
S810,确定第二目标窗口。
具体的,在实际应用中,可以根据实际情况来确定目标窗口,为了方案描述清楚,将该目标窗口称为第二目标窗口。例如,第二目标窗口可以为r2*r2的正方形窗口,r2可以为3。
S820,对于第二目标窗口的第二中心像素点,在第二中心像素点为目标像素点的情况下,基于宽度比例系数和高度比例系数确定均值加权模糊处理步长。
其中,宽度比例系数为人脸区域的宽度占人脸图像的宽度的比例,高度比例系数为人脸区域的高度占人脸图像的高度的比例,均值加权模糊处理步长与宽度比例系数和高度比例系数均成正比。
需要说明的是,为了方案描述清楚,将位于第二目标窗口中心的像素点称为第二中心像素点。例如,第一目标窗口为3*3的正方形,那么,第一目标窗口中包括9个像素点,最中心的像素点为第二中心像素点。
在确定了第二中心像素点之后,可以基于均值加权模糊步长来确定第二中心像素点的第二邻域像素点,其中,均值加权模糊步长可以(a*Rfw,a*R_fH),可见,均值加权模糊步长的大小与度比例系数以及高度比例系数成正比,a可以根据实际情况进行确定,可以理解的是,通常情况下,相邻两个邻域像素点的步长为1,如果宽度比例系数RfW和高度比例系数RfH较大,说明人脸区域占人脸图像的比例较大,此时,可以调整相邻两个邻域像素点的步长,例如,可以调整为2,有助于提高均值加权模糊处理的效率,同时归一化人脸模糊图的计算,使得对于不同大小的人脸,后续皱纹祛除的效果趋于一致。
S830,基于均值加权模糊处理步长确定第二中心像素点的多个第二邻域像素点。
S840,确定多个第二领域像素点分别对应的像素值。
在确定了第二中心像素点以及均值加权模糊处理步长后,即可以确定第二中心像素点的多个第二邻域像素点。对于每个第二邻域像素点,可以基于第二中心像素点的像素值和该第二邻域像素点的像素值,来确定各个第二邻域像素点对应的像素值。
在一种实施方式中,S840,确定多个第二领域像素点分别对应的像素值,如图9所示,可以包括如下步骤:
S841,对于每一第二邻域像素点,基于该第二邻域像素点对应的第一概率以及第二概率,确定该第二邻域像素点是否为目标像素点。
具体的,通过获取多个第二邻域像素点分别对应的第一概率以及第二概率,可以判断多个第二邻域像素点是否均位于皱纹区域,且位于皮肤区域。
对于每一第二邻域像素点,判断该第二邻域像素点对应的第一概率是否大于第一阈值t1,以及,该第二邻域像素点对应的第二概率是否大于第二阈值t2;如果该第二邻域像素点对应的第一概率大于第一阈值t1,且该第二邻域像素点对应的第二概率大于第二阈值t2,说明该第二邻域像素点位于皱纹区域,且位于皮肤区域,需要对该第二邻域像素点进行去皱纹处理,即该第二邻域像素点为目标像素点,否则,该第二邻域像素点不为目标像素点。
S842,在第二邻域像素点为目标像素点的情况下,将第一领域像素点在目标区域的原始像素值确定为第二邻域像素点的像素值。
S843,在第二邻域像素点不为目标像素点的情况下,将第二中心像素点的像素值确定为第二邻域像素点的像素值。
具体的,在第二邻域像素点为目标像素点的情况下,直接将第一领域像素点在目标区域的原始像素值确定为第二邻域像素点的像素值;在第二邻域像素点不在目标像素点的情况下,说明第二邻域像素点不是位于皱纹区域,且位于皮肤区域的像素点,为了防止第二邻域像素点对后续模糊处理的影响,将将第二中心像素点的像素值确定为第二邻域像素点的像素值。
可见,通过本实施方式提供的技术方案,在确定每个第二邻域像素点的像素值时,首先可以判断该第二邻域像素点是否为目标像素点,即判断该第二邻域像素点是否位于皱纹区域,且位于皮肤区域;如果该第二邻域像素点不是目标像素点,为了防止第二邻域像素点的像素值对后续图像模糊处理的影响,将第二中心像素点的像素值确定为第二邻域像素点的像素值,从而可以提高图像模糊处理的准确性,即得到的第一低频信息的准确率较高。
S850,基于第二中心像素点的像素值,以及多个第二邻域像素点的像素值对第二中心像素点进行均值加权模糊处理,得到第二中心像素点的第二低频信息。
具体的,在将第二中心像素点的像素值确定为第二目标邻域像素点的像素值后,可以基于第二中心像素点的像素值,以及多个第二邻域像素点的像素值对第二中心像素点进行均值加权模糊处理,得到第二中心像素点的第二低频信息。本领域技术人员应该可以理解均值加权模糊处理的具体过程,在此不再赘述。其中,假设第二中心像素点的坐标为(x,y),则第二中心像素点的第二低频信息的计算结果如下:
其中,I(i,j)为第一中心像素点和多个第二邻域像素点的像素值,假设r2为3,那么,通过均值加权模糊步长(a*Rfw,a*R_fH)可以确定8个第二邻域像素点,并计算第二中心像素点的像素值和这8个第二邻域像素点的像素值的均值加权值,得到第二中心像素点的第二低频信息。
S860,移动第二目标窗口,在移动后的第二目标窗口的第二中心像素点为目标像素点的情况下,返回执行基于均值加权模糊处理步长确定第二中心像素点的多个第二邻域像素点,直至得到目标区域内各个目标像素点的第二低频信息。
具体的,通过移动第二目标窗口,在移动后的第二目标窗口的第二中心像素点位于皱纹区域,且位于皮肤区域时,对第二中心像素点进行均值加权模糊处理,直至得到目标区域中各个目标像素点的第二低频信息。
可见,通过本实施方式,在第二目标窗口的第二中心像素点位于皱纹区域,且位于皮肤区域时,通过人脸区域占人脸图像的宽度比例系数和高度比例系数来确定均值加权模糊处理的步长,从而确定第二中心像素点的第二邻域像素点,利用第二中心像素点的像素值和第二邻域像素点的像素值对第二中心像素点进行均值加权模糊处理,并且,通过移动第二目标窗口,在移动后的第二目标窗口的第二中心像素点为目标像素点的情况下,继续利用第二中心像素点的像素值和第二邻域像素点的像素值对第二中心像素点进行高斯模糊处理,直至得到目标区域内各个目标像素点的第二低频信息,从而可以准确地得到目标区域内各个目标像素点的第二低频信息。
为了方案描述清楚,下面将以弱化或者去除抬头纹为例,对本公开实施例的完整技术方案进行详细阐述。本公开实施例的完整技术方案可以包括如下步骤:
1、获取人脸图像I,其宽度为WI,高为HI。
2、使用预先训练得到的人脸关键点提取模型计算人脸关键点Kf的坐标,抬头纹区域的概率图Pw,和皮肤的概率图Pskin。
3、对概率图Pw进行膨胀操作处理,得到Pwd。,即对Pw较小的像素点,增加这些像素点对应的第一子概率,得到这些像素点对应的最终第一概率Pwd。
4、获取人脸比例相关信息。
具体的,获取人脸图像中人脸关键点的坐标,基于人脸中心点的坐标与眉毛关键点的坐标,计算目标区域中额头关键点的坐标,并基于人脸中心点的坐标与脸颊关键点的坐标,计算人脸图像中位于人脸外边框的像素点的坐标。确定人脸图像中人脸区域的目标外接矩形,确定目标外接矩形的宽度和高度。基于目标外接矩形的宽度和人脸图像的宽度,计算人脸区域占人脸图像的宽度比例系数RfW,并基于目标外接矩形的高度和人脸图像的高度,计算人脸区域占人脸图像的高度比例系数RfH。
由于在上述实施例中已经对该步骤进行了详细阐述,在此不再赘述。
5、基于4中的目标外接矩形将人脸数据进行裁剪,并调整大小为边长为k的正方形图像,记为Ifp。
6、获取Ifp低频模糊图。具体的,对Ifp进行窗口为r1*r1的加权高斯模糊处理,得到低频图Df1;并对Ifp进行窗口为r2*r2的加权均值模糊处理,得到低频图Df2。其中,Df1和Df2的具体实施方式在上述实施例中已经进行详细阐述,在此不再赘述。
7、对于进行图像处理的每一目标像素点,基于目标像素点的第一低频信息确定目标像素点的目标高频信息,并基于目标高频信息和第二低频信息确定目标像素点的第一像素值Itmp;
8、计算抬头纹区域的明暗程度差。基于抬头纹区域的第一低频信息Df1与抬头纹区域的第二低频信息Df2之间的差值,确定抬头纹区域中各个目标像素点对应的皱纹强度Idiff。其中,计算Idiff的具体过程在上述实施例中已经阐述,在此不再赘述。
9、对于满足Pwd>t1,并且Pskin>t2的目标像素点,目标像素点在处理后的人脸图像中的像素值为Iout。
Iout=(1-Idiff)*I+Idiff*Itmp
通过该公式计算所得的目标像素值实现了将平滑抬头纹后所得的像素值Itmp与原人脸图像中的像素值I进行结合。对于抬头纹中相对较强的暗边即抬头纹较深的区域,此时,Idiff=1,Iout=Itmp,即使用均匀提亮并且保留了纹理细节的Itmp来替换原人脸图像的像素值;对于相对亮部即抬头纹较浅区域的目标像素点,Iout=(1-Idiff)*I+Idiff*Itmp,即使用一定比例的Idiff均匀压暗后的Itmp来和原人脸图像中的像素值的混合,使得相对亮部压暗,从而处理后的抬头纹区域均匀平滑,真实自然。
10、输出Iout,即得到去除抬头纹的人脸图像。
第二方面,本公开实施例提供了一种图像处理装置,如图10所示,包括:
人脸图像获取模块1010,被配置为执行获取人脸图像;所述人脸图像包括待平滑皱纹的目标区域;
图像模糊处理模块1020,被配置为执行通过不同的图像模糊算法对目标像素点进行不同程度的模糊处理,得到所述目标像素点对应的第一低频信息和第二低频信息;所述目标像素点为所述目标区域中属于皮肤且属于皱纹的像素点;
信息确定模块1030,被配置为执行基于所述目标像素点对应的所述第一低频信息和所述第二低频信息,确定所述目标像素点对应的皱纹强度,以及所述目标像素点第一平滑皱纹后的像素值;
目标像素值确定模块1040,被配置为执行基于所述目标像素点在所述目标区域的原始像素值,以及所述目标像素点第一平滑皱纹后的像素值的加权结果,得到所述目标像素点第二平滑皱纹后的目标像素值;所述目标像素点第一平滑皱纹后的像素值的加权系数与所述皱纹强度正相关,所述原始像素值的加权系数与所述皱纹强度负相关。
本公开实施例提供的技术方案,获取人脸图像,该人脸图像包括待平滑皱纹的目标区域;通过不同的图像模糊算法对目标区域中属于皮肤且属于皱纹的目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息;并基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点第一平滑皱纹后的像素点;最终基于目标像素点在目标区域的原始像素值,以及目标像素点第一平滑皱纹后的像素值的加权结果,得到目标像素点第二平滑皱纹后的目标像素值。计算所得的目标像素值实现了将平滑皱纹后对应的像素值与原始像素值进行结合。
由于目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。对于皱纹强度较大的区域即皱纹较深的暗部区域,该暗部区域中各个目标像素点的目标像素值更加接近第一平滑皱纹后的像素值,从而可以使得皱纹较深的暗部区域适度提亮,并且保留了纹理细节;对于皱纹强度较小的区域即皱纹较浅的亮部区域,该亮部区域中各个目标像素点的目标像素值更加接近原始像素值,从而可以使得抬头纹区域的亮部适度压暗。可见,通过将皱纹区域的暗部适度提亮,保留纹理细节,并将皱纹区域的亮部适度压暗,使得处理后的皱纹区域均匀平滑,真实自然。
可选的,还包括:
概率获取模块,被配置为执行在所述人脸图像获取模块获取人脸图像之后,获取所述目标区域中各个像素点对应的第一概率和第二概率;一个像素点对应的第一概率为该像素点属于皱纹的概率,一个像素点对应的第二概率为该像素点属于皮肤的概率;
目标像素点确定模块,被配置为执行基于所述各个像素点对应的第一概率和第二概率,确定所述目标区域中的目标像素点;所述目标像素点对应的第一概率大于第一阈值,且所述目标像素点对应的第二概率大于第二阈值。
可选的,所述信息确定模块,具体被配置为执行:
基于所述目标像素点对应的第一低频信息和所述第二低频信息之间的差值,确定所述目标像素点对应的皱纹强度;
基于所述目标像素点对应的第一低频信息确定所述目标像素点对应的高频信息,并将所述高频信息和所述目标像素点对应的第二低频信息之和确定为所述目标像素点第一平滑皱纹后的像素值。
可选的,所示图像模糊处理模块,被配置为执行:
确定第一目标窗口;
对于所述第一目标窗口的第一中心像素点,在所述第一中心像素点为目标像素点时,确定多个第一领域像素点分别对应的像素值;所述多个第一邻域像素点为所述第一目标窗口内除所述第一中心像素点之外的像素点;
基于所述第一中心像素点的像素值,以及所述多个第一邻域像素点分别对应的像素值,对所述第一中心像素点进行高斯模糊处理,得到所述第一中心像素点的第一低频信息;
移动所述第一目标窗口,在移动后的第一目标窗口的第一中心像素点为目标像素点的情况下,返回执行所述确定多个第一领域像素点分别对应的像素值的步骤,直至得到所述目标区域内各个目标像素点的第一低频信息。
可选的,所示图像模糊处理模块,被配置为执行:
对于每一第一邻域像素点,基于所述第一邻域像素点对应的第一概率以及第二概率,确定所述第一邻域像素点是否为目标像素点;
在所述第一邻域像素点为目标像素点的情况下,将所述第一领域像素点在所述目标区域的原始像素值确定为所述第一邻域像素点的像素值;
在所述第一邻域像素点不为目标像素点的情况下,将所述第一中心像素点的像素值确定为所述第一邻域像素点的像素值。
可选的,所示图像模糊处理模块,被配置为执行:
确定第二目标窗口;
对于所述第二目标窗口的第二中心像素点,在所述第二中心像素点为目标像素点的情况下,基于宽度比例系数和高度比例系数确定均值加权模糊处理步长;其中,所述宽度比例系数为人脸区域的宽度占所述人脸图像的宽度的比例,所述高度比例系数为所述人脸区域的高度占所述人脸图像的高度的比例,所述均值加权模糊处理步长与所述宽度比例系数和所述高度比例系数均成正比;
基于所述均值加权模糊处理步长确定所述第二中心像素点的多个第二邻域像素点;
确定所述多个第二领域像素点分别对应的像素值;
基于所述第二中心像素点的像素值,以及所述多个第二邻域像素点的像素值,对所述第二中心像素点进行均值加权模糊处理,得到所述第二中心像素点的第二低频信息;
移动所述第二目标窗口,在移动后的第二目标窗口的第二中心像素点为目标像素点的情况下,返回执行基于所述均值加权模糊处理步长确定所述第二中心像素点的多个第二邻域像素点,直至得到所述目标区域内各个目标像素点的第二低频信息。
可选的,还包括:
坐标确定模块,被配置为执行获取所述人脸图像中人脸关键点的坐标,所述人脸关键点包括人脸中心点、眉毛关键点和脸颊关键点;
坐标计算模块,被配置为执行基于所述人脸中心点的坐标与所述眉毛关键点的坐标,计算所述目标区域中额头关键点的坐标,并基于所述人脸中心点的坐标与所述脸颊关键点的坐标,计算所述人脸图像中位于人脸外边框的像素点的坐标;
外接矩形确定模块,被配置为执行确定所述人脸图像中人脸区域的目标外接矩形,所述目标外接矩形为用于包围所述人脸外框像素点和所述额头关键点的最小外接矩形;
宽度和高度确定模块,被配置为执行确定所述目标外接矩形的宽度和高度;
比例系数确定模块,被配置为执行基于所述目标外接矩形的宽度和所述人脸图像的宽度,计算人脸区域占所述人脸图像的宽度比例系数,并基于所述目标外接矩形的高度和所述人脸图像的高度,计算人脸区域占所述人脸图像的高度比例系数。
可选的,所述图像模糊处理模块,被配置为执行:
对于每一第二邻域像素点,基于所述第二邻域像素点对应的第一概率以及第二概率,确定所述第二邻域像素点是否为目标像素点;
在所述第二邻域像素点为目标像素点的情况下,将所述第二领域像素点在所述目标区域的原始像素值确定为所述第二邻域像素点的像素值;
在所述第二邻域像素点不为目标像素点的情况下,将所述第二中心像素点的像素值确定为所述第二邻域像素点的像素值。
可选的,所述信息确定模块,具体被配置为执行:
通过所述目标像素点对应的第一低频信息计算所述目标像素点对应的第一高频信息;
在所述人脸图像中选取属于皮肤的皮肤像素点,基于所述皮肤像素点对应的第一低频信息,确定所述皮肤像素点对应的第二高频信息;
计算所述目标像素点的对应第一高频信息的第一信息强度,并计算所述皮肤像素点对应的第二高频信息的第二信息强度;
在所述第一信息强度小于所述第二信息强度的情况下,将所述第一高频信息确定为所述目标像素点对应的高频信息;在所述第一强度大于所述第二强度的情况下,将所述第二高频信息确定为所述目标像素点对应的高频信息。
可选的,所述概率获取模块,被配置为执行:
将所述人脸图像输入预先训练得到的概率检测模型,得到所述目标区域中各个像素点对应的初始第一概率;
对于初始第一概率小于第三阈值的像素点,增大所述像素点对应的初始第一概率,得到所述像素点对应的第一概率;所述第三阈值小于第一阈值,所述像素点对应的第一概率大于所述第一阈值。
第三方面,本公开实施例提供了一种电子设备,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,以实现如第一方面所述的方法。
本公开实施例提供的技术方案,获取人脸图像,该人脸图像包括待平滑皱纹的目标区域;通过不同的图像模糊算法对目标区域中属于皮肤且属于皱纹的目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息;并基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点第一平滑皱纹后的像素点;最终基于目标像素点在目标区域的原始像素值,以及目标像素点第一平滑皱纹后的像素值的加权结果,得到目标像素点第二平滑皱纹后的目标像素值。计算所得的目标像素值实现了将平滑皱纹后对应的像素值与原始像素值进行结合。
由于目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。对于皱纹强度较大的区域即皱纹较深的暗部区域,该暗部区域中各个目标像素点的目标像素值更加接近第一平滑皱纹后的像素值,从而可以使得皱纹较深的暗部区域适度提亮,并且保留了纹理细节;对于皱纹强度较小的区域即皱纹较浅的亮部区域,该亮部区域中各个目标像素点的目标像素值更加接近原始像素值,从而可以使得抬头纹区域的亮部适度压暗。可见,通过将皱纹区域的暗部适度提亮,保留纹理细节,并将皱纹区域的亮部适度压暗,使得处理后的皱纹区域均匀平滑,真实自然。
第四方面,本公开实施例提供了一种计算机可读存储介质,当所述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第一方面所述的方法。
本公开实施例提供的技术方案,获取人脸图像,该人脸图像包括待平滑皱纹的目标区域;通过不同的图像模糊算法对目标区域中属于皮肤且属于皱纹的目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息;并基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点第一平滑皱纹后的像素点;最终基于目标像素点在目标区域的原始像素值,以及目标像素点第一平滑皱纹后的像素值的加权结果,得到目标像素点第二平滑皱纹后的目标像素值。计算所得的目标像素值实现了将平滑皱纹后对应的像素值与原始像素值进行结合。
由于目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。对于皱纹强度较大的区域即皱纹较深的暗部区域,该暗部区域中各个目标像素点的目标像素值更加接近第一平滑皱纹后的像素值,从而可以使得皱纹较深的暗部区域适度提亮,并且保留了纹理细节;对于皱纹强度较小的区域即皱纹较浅的亮部区域,该亮部区域中各个目标像素点的目标像素值更加接近原始像素值,从而可以使得抬头纹区域的亮部适度压暗。可见,通过将皱纹区域的暗部适度提亮,保留纹理细节,并将皱纹区域的亮部适度压暗,使得处理后的皱纹区域均匀平滑,真实自然。
第五方面,本公开实施例提供了一种计算机程序产品,当其在计算机上运行时,使得计算机实现如第一方面所述的方法。
本公开实施例提供的技术方案,获取人脸图像,该人脸图像包括待平滑皱纹的目标区域;通过不同的图像模糊算法对目标区域中属于皮肤且属于皱纹的目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息;并基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点第一平滑皱纹后的像素点;最终基于目标像素点在目标区域的原始像素值,以及目标像素点第一平滑皱纹后的像素值的加权结果,得到目标像素点第二平滑皱纹后的目标像素值。计算所得的目标像素值实现了将平滑皱纹后对应的像素值与原始像素值进行结合。
由于目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。对于皱纹强度较大的区域即皱纹较深的暗部区域,该暗部区域中各个目标像素点的目标像素值更加接近第一平滑皱纹后的像素值,从而可以使得皱纹较深的暗部区域适度提亮,并且保留了纹理细节;对于皱纹强度较小的区域即皱纹较浅的亮部区域,该亮部区域中各个目标像素点的目标像素值更加接近原始像素值,从而可以使得抬头纹区域的亮部适度压暗。可见,通过将皱纹区域的暗部适度提亮,保留纹理细节,并将皱纹区域的亮部适度压暗,使得处理后的皱纹区域均匀平滑,真实自然。
图11是根据一示例性实施例示出的一种装置1100的框图。例如,装置1100可以被提供为一服务器。参照图11,装置1100包括处理组件1122,其进一步包括一个或多个处理器,以及由存储器1132所代表的存储器资源,用于存储可由处理组件1122的执行的指令,例如应用程序。存储器1132中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1122被配置为执行指令,以执行第一方面所述的图像处理方法。
装置1100还可以包括一个电源组件1126被配置为执行装置1100的电源管理,一个有线或无线网络接口1150被配置为将装置1100连接到网络,和一个输入输出(I/O)接口1158。装置1100可以操作基于存储在存储器1132的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本公开实施例提供的技术方案,获取人脸图像,该人脸图像包括待平滑皱纹的目标区域;通过不同的图像模糊算法对目标区域中属于皮肤且属于皱纹的目标像素点进行不同程度的模糊处理,得到目标像素点对应的第一低频信息和第二低频信息;并基于目标像素点对应的第一低频信息和第二低频信息,确定目标像素点对应的皱纹强度,以及目标像素点第一平滑皱纹后的像素点;最终基于目标像素点在目标区域的原始像素值,以及目标像素点第一平滑皱纹后的像素值的加权结果,得到目标像素点第二平滑皱纹后的目标像素值。计算所得的目标像素值实现了将平滑皱纹后对应的像素值与原始像素值进行结合。
由于目标像素点第一平滑皱纹后的像素值的加权系数与皱纹强度正相关,原始像素值的加权系数与皱纹强度负相关。对于皱纹强度较大的区域即皱纹较深的暗部区域,该暗部区域中各个目标像素点的目标像素值更加接近第一平滑皱纹后的像素值,从而可以使得皱纹较深的暗部区域适度提亮,并且保留了纹理细节;对于皱纹强度较小的区域即皱纹较浅的亮部区域,该亮部区域中各个目标像素点的目标像素值更加接近原始像素值,从而可以使得抬头纹区域的亮部适度压暗。可见,通过将皱纹区域的暗部适度提亮,保留纹理细节,并将皱纹区域的亮部适度压暗,使得处理后的皱纹区域均匀平滑,真实自然。
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 (13)
1.一种图像处理方法,其特征在于,包括:
获取人脸图像;所述人脸图像包括待平滑皱纹的目标区域;
通过不同的图像模糊算法对目标像素点进行不同程度的模糊处理,得到所述目标像素点对应的第一低频信息和第二低频信息;所述目标像素点为所述目标区域中属于皮肤且属于皱纹的像素点;
基于所述目标像素点对应的所述第一低频信息和所述第二低频信息,确定所述目标像素点对应的皱纹强度,以及所述目标像素点第一平滑皱纹后的像素值;
基于所述目标像素点在所述目标区域的原始像素值,以及所述目标像素点第一平滑皱纹后的像素值的加权结果,得到所述目标像素点第二平滑皱纹后的目标像素值;所述目标像素点第一平滑皱纹后的像素值的加权系数与所述皱纹强度正相关,所述原始像素值的加权系数与所述皱纹强度负相关。
2.根据权利要求1所述的方法,其特征在于,在所述获取人脸图像之后,还包括:
获取所述目标区域中各个像素点对应的第一概率和第二概率;一个像素点对应的第一概率为该像素点属于皱纹的概率,一个像素点对应的第二概率为该像素点属于皮肤的概率;
基于所述各个像素点对应的第一概率和第二概率,确定所述目标区域中的目标像素点;所述目标像素点对应的第一概率大于第一阈值,且所述目标像素点对应的第二概率大于第二阈值。
3.根据权利要求1所述的方法,其特征在于,所述基于所述目标像素点对应的第一低频信息和所述第二低频信息,确定所述目标像素点对应的皱纹强度,以及所述目标像素点第一平滑皱纹后的像素值;包括:
基于所述目标像素点对应的第一低频信息和所述第二低频信息之间的差值,确定所述目标像素点对应的皱纹强度;
基于所述目标像素点对应的第一低频信息确定所述目标像素点对应的高频信息,并将所述高频信息和所述目标像素点对应的第二低频信息之和确定为所述目标像素点第一平滑皱纹后的像素值。
4.根据权利要求1所述的方法,其特征在于,通过图像模糊算法对目标像素点进行模糊处理,得到所述目标像素点对应的第一低频信息,包括:
确定第一目标窗口;
对于所述第一目标窗口的第一中心像素点,在所述第一中心像素点为目标像素点的情况下,确定多个第一领域像素点分别对应的像素值;所述多个第一邻域像素点为所述第一目标窗口内除所述第一中心像素点之外的像素点;
基于所述第一中心像素点的像素值,以及所述多个第一邻域像素点分别对应的像素值,对所述第一中心像素点进行高斯模糊处理,得到所述第一中心像素点的第一低频信息;
移动所述第一目标窗口,在移动后的第一目标窗口的第一中心像素点为目标像素点的情况下,返回执行所述确定多个第一领域像素点分别对应的像素值的步骤,直至得到所述目标区域内各个目标像素点的第一低频信息。
5.根据权利要求4所述的方法,其特征在于,所述确定多个第一领域像素点分别对应的像素值,包括:
对于每一第一邻域像素点,基于所述第一邻域像素点对应的第一概率以及第二概率,确定所述第一邻域像素点是否为目标像素点;
在所述第一邻域像素点为目标像素点的情况下,将所述第一领域像素点在所述目标区域的原始像素值确定为所述第一邻域像素点的像素值;
在所述第一邻域像素点不为目标像素点的情况下,将所述第一中心像素点的像素值确定为所述第一邻域像素点的像素值。
6.根据权利要求1所述的方法,其特征在于,通过图像模糊算法对目标像素点进行模糊处理,得到所述目标像素点对应的第二低频信息,包括:
确定第二目标窗口;
对于所述第二目标窗口的第二中心像素点,在所述第二中心像素点为目标像素点的情况下,基于宽度比例系数和高度比例系数确定均值加权模糊处理步长;其中,所述宽度比例系数为人脸区域的宽度占所述人脸图像的宽度的比例,所述高度比例系数为所述人脸区域的高度占所述人脸图像的高度的比例,所述均值加权模糊处理步长与所述宽度比例系数和所述高度比例系数均成正比;
基于所述均值加权模糊处理步长确定所述第二中心像素点的多个第二邻域像素点;
确定所述多个第二领域像素点分别对应的像素值;
基于所述第二中心像素点的像素值,以及所述多个第二邻域像素点的像素值,对所述第二中心像素点进行均值加权模糊处理,得到所述第二中心像素点的第二低频信息;
移动所述第二目标窗口,在移动后的第二目标窗口的第二中心像素点为目标像素点的情况下,返回执行基于所述均值加权模糊处理步长确定所述第二中心像素点的多个第二邻域像素点,直至得到所述目标区域内各个目标像素点的第二低频信息。
7.根据权利要求6所述的方法,其特征在于,还包括:
获取所述人脸图像中人脸关键点的坐标,所述人脸关键点包括人脸中心点、眉毛关键点和脸颊关键点;
基于所述人脸中心点的坐标与所述眉毛关键点的坐标,计算所述目标区域中额头关键点的坐标,并基于所述人脸中心点的坐标与所述脸颊关键点的坐标,计算所述人脸图像中位于人脸外边框的像素点的坐标;
确定所述人脸图像中人脸区域的目标外接矩形,所述目标外接矩形为用于包围所述人脸外框像素点和所述额头关键点的最小外接矩形;
基于所述目标外接矩形的宽度和所述人脸图像的宽度,计算人脸区域占所述人脸图像的宽度比例系数,并基于所述目标外接矩形的高度和所述人脸图像的高度,计算人脸区域占所述人脸图像的高度比例系数。
8.根据权利要求6所述的方法,其特征在于,所述确定多个第二领域像素点分别对应的像素值,包括:
对于每一第二邻域像素点,基于所述第二邻域像素点对应的第一概率以及第二概率,确定所述第二邻域像素点是否为目标像素点;
在所述第二邻域像素点为目标像素点的情况下,将所述第二领域像素点在所述目标区域的原始像素值确定为所述第二邻域像素点的像素值;
在所述第二邻域像素点不为目标像素点的情况下,将所述第二中心像素点的像素值确定为所述第二邻域像素点的像素值。
9.根据权利要求3所述的方法,其特征在于,所述基于所述目标像素点对应的第一低频信息确定所述目标像素点对应的高频信息,包括:
通过所述目标像素点对应的第一低频信息计算所述目标像素点对应的第一高频信息;
在所述人脸图像中选取属于皮肤的皮肤像素点,基于所述皮肤像素点对应的第一低频信息,确定所述皮肤像素点对应的第二高频信息;
计算所述目标像素点对应的第一高频信息的第一信息强度,并计算所述皮肤像素点对应的第二高频信息的第二信息强度;
在所述第一信息强度小于所述第二信息强度的情况下,将所述第一高频信息确定为所述目标像素点对应的高频信息;在所述第一强度大于所述第二强度的情况下,将所述第二高频信息确定为所述目标像素点对应的高频信息。
10.根据权利要求2所述的方法,其特征在于,所述获取所述目标区域中各个像素点对应的第一概率,包括:
将所述人脸图像输入预先训练得到的概率检测模型,得到所述目标区域中各个像素点对应的初始第一概率;
对于初始第一概率小于第三阈值的像素点,增大所述像素点对应的初始第一概率,得到所述像素点对应的第一概率;所述第三阈值小于第一阈值,所述像素点对应的第一概率大于所述第一阈值。
11.一种图像处理装置,其特征在于,包括:
人脸图像获取模块,被配置为执行获取人脸图像;所述人脸图像包括待平滑皱纹的目标区域;
图像模糊处理模块,被配置为执行通过不同的图像模糊算法对目标像素点进行不同程度的模糊处理,得到所述目标像素点对应的第一低频信息和第二低频信息;所述目标像素点为所述目标区域中属于皮肤且属于皱纹的像素点;
信息确定模块,被配置为执行基于所述目标像素点对应的所述第一低频信息和所述第二低频信息,确定所述目标像素点对应的皱纹强度,以及所述目标像素点第一平滑皱纹后的像素值;
目标像素值确定模块,被配置为执行基于所述目标像素点在所述目标区域的原始像素值,以及所述目标像素点第一平滑皱纹后的像素值的加权结果,得到所述目标像素点第二平滑皱纹后的目标像素值;所述目标像素点第一平滑皱纹后的像素值的加权系数与所述皱纹强度正相关,所述原始像素值的加权系数与所述皱纹强度负相关。
12.一种电子设备,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10任一项所述的方法。
13.一种计算机可读存储介质,当所述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10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310007350.XA CN115909466A (zh) | 2023-01-04 | 2023-01-04 | 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 |
---|---|---|---|
CN202310007350.XA CN115909466A (zh) | 2023-01-04 | 2023-01-04 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909466A true CN115909466A (zh) | 2023-04-04 |
Family
ID=86479001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310007350.XA Pending CN115909466A (zh) | 2023-01-04 | 2023-01-04 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909466A (zh) |
-
2023
- 2023-01-04 CN CN202310007350.XA patent/CN115909466A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11132824B2 (en) | Face image processing method and apparatus, and electronic device | |
CN108229278B (zh) | 人脸图像处理方法、装置和电子设备 | |
JP7413400B2 (ja) | 肌質測定方法、肌質等級分類方法、肌質測定装置、電子機器及び記憶媒体 | |
JP4461789B2 (ja) | 画像処理装置 | |
US10304166B2 (en) | Eye beautification under inaccurate localization | |
CN104252698B (zh) | 一种基于半逆法的快速单幅图像去雾算法 | |
EP2923306B1 (en) | Method and apparatus for facial image processing | |
US8902326B2 (en) | Automatic face and skin beautification using face detection | |
US8520089B2 (en) | Eye beautification | |
CN112784773B (zh) | 图像处理方法及装置、存储介质、终端 | |
CN107369133B (zh) | 一种人脸图像美化方法和装置 | |
CN111524080A (zh) | 脸部皮肤特征的识别方法、终端及计算机设备 | |
CN108932493A (zh) | 一种面部皮肤质量评价方法 | |
EP2339533A1 (en) | Saliency based video contrast enhancement method | |
CN112258440B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN109712095B (zh) | 一种快速边缘保留的人脸美化方法 | |
CN113344837B (zh) | 人脸图像处理方法及装置、计算机可读存储介质、终端 | |
CN107316281B (zh) | 图像处理方法、装置和终端设备 | |
CN112686800A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113379623B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114240743B (zh) | 一种基于高反差磨皮的人脸图像的美肤方法 | |
CN115909466A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112907438B (zh) | 肖像生成方法、装置、电子设备及存储介质 | |
CN111612712B (zh) | 一种人脸端正度的确定方法、装置、设备及介质 | |
US12029483B2 (en) | System and method for finding an area of an eye from a facial image |
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 |