CN107123088A - 一种自动更换证件照背景颜色的方法 - Google Patents
一种自动更换证件照背景颜色的方法 Download PDFInfo
- Publication number
- CN107123088A CN107123088A CN201710264952.8A CN201710264952A CN107123088A CN 107123088 A CN107123088 A CN 107123088A CN 201710264952 A CN201710264952 A CN 201710264952A CN 107123088 A CN107123088 A CN 107123088A
- Authority
- CN
- China
- Prior art keywords
- image
- photo
- edge
- certificate photo
- background
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 16
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 239000007787 solid Substances 0.000 claims abstract description 8
- 238000003708 edge detection Methods 0.000 claims description 13
- 230000010339 dilation Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 231100000289 photo-effect Toxicity 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自动更换证件照背景颜色的方法,包括对证件照图像进行边缘检测,得到证件照边缘图像;从证件照边缘图像中提取人物目标区域的外轮廓图像;采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值;根据计算得到的掩膜值,以1与掩膜值之差和掩膜值分别作为证件照图像的纯色背景图像和前背景图像的系数,将证件照图像的纯色背景图像和前背景图像进行线性叠加,最终得到合成后的证件照图像。本发明不仅可以满足申请人无需外出即可自助更换证件照背景的需求,还能完成快速、高效、精确、自动地获取图像背景区域,实现较好的证件照换底效果。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种自动更换证件照背景颜色的方法。
背景技术
随着社会的发展,人们申请***证件的种类在不断增加,根据不同地区和不同证件 的办理种类,***机关对证件上证件照的背景颜色有着严格的要求。比如,四川省的出入境 证件照要求背景为白色,而广东省的出入境证件照要求背景为蓝色;又如,我国办理赴美签 证和赴中国台湾通行证时要求签证的证件照为白底,而办理农村养老金申领表格中则要求证 件照以红色为底。
在实际的证件照拍摄过程中,很难要求每个申请人都按照正确的证件照背景标准来设置 背景布拍摄,因此,在现实证件照的制作过程中,根据不同需要求,往往需要通过软件程序 对证件照进行换底处理,使之满足制证要求。
传统的证件照处理方法主要是通过人工判断图像背景区域,然后通过图像处理软件进行 描取人物目标边缘等相关操作来更换背景色,然而在实际操作中,这些传统方法存在很多不 足:对人工依赖性强,耗时耗力效率不高,获取的图像背景区域准确度较低,人物目标边缘 信息丢失严重,证件照换底效果不佳。很显然,传统方法无法适应于对各类证件照图像背景 区域的获取,满足不了全自动获取证件照图像背景的发展要求,也无法满足普通人群自助制 作证件照的应用需求。
发明内容
为了解决现有技术中对人工依赖性强,耗时耗力效率不高,获取的图像背景区域准确度 较低,人物目标边缘信息丢失严重,证件照换底效果不佳的不足,本发明提供了一种自动更 换证件照背景颜色的方法,其不仅可以满足申请人无需外出即可自助更换证件照背景的需求, 还能完成快速、高效、精确、自动地获取图像背景区域,实现较好的证件照换底效果。
本发明的一种自动更换证件照背景颜色的方法,该方法应用于服务器,包括:
对证件照图像进行边缘检测,得到证件照边缘图像;
从证件照边缘图像中提取人物目标区域的外轮廓图像;
采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值;
根据计算得到的掩膜值,以1与掩膜值之差和掩膜值分别作为证件照图像的纯色背景图 像和前背景图像的系数,将证件照图像的纯色背景图像和前背景图像进行线性叠加,最终得 到合成后的证件照图像。
进一步的,采用融合Sobel和K-means的边缘检测算法对证件照图像进行边缘检测, 得到证件照边缘图像。
进一步的,采用融合Sobel和K-means的边缘检测算法对证件照图像进行边缘检测的 具体过程,包括:
(1-1):利用四个卷积模板与证件照图像进行卷积,得到四个梯度图像分别为Gx,Gy, G45,G135及相应的四个梯度直方图;其中,四个卷积模板分别为Sobel算子对x,y方向以及 45°和135°的边缘的检测卷积模板;
(1-2):列出步骤(1-1)中得到的四个梯度图像的梯度取值范围;
(1-3):采用K-means算法自适应选取阈值,分别对步骤(1-1)得到的梯度图像进行阈值分割,并将梯度图像中所有像素点分为两类:一类属于边缘,一类属于背景;
(1-4):将梯度图像中每个像素点的梯度值进行归类;
(1-5):对于每个聚类,重新计算相应类的质心;
(1-6):重复上述步骤(1-4)至(1-5),直至质心变化幅度在符合要求的范围内;
(1-7):计算梯度阈值,最佳梯度阈值应为背景类中的最大值点或边缘类中的最小值点;
(1-8):采用Ostu算法评价选取的梯度阈值是否为最佳梯度阈值,根据步骤(1-7)选 取的梯度阈值,将梯度图像中所有的梯度值分为两类,计算出类间方差与全局方差,使两者 比值最大时的阈值为最佳梯度阈值;
(1-9):根据步骤(1-7)和(1-8)所得到的最佳梯度阈值,二值化梯度图像,获得边缘 图像;
(1-10):对步骤(1-1)得到的四幅梯度图像分别取绝对值得到|Gx|、|Gy|、|G45|、|G135|, 再分别对每幅取绝对值的梯度图像使用步骤(1-2)至(1-9)得到边缘图像,将四幅边缘图 像异或获得最终边缘图像。
本发明采用融合Sobel和K-means的边缘检测算法来获得证件照边缘图像,该方法可以 自适应获取最佳阈值,阈值定位准确,解决了传统边缘检测算法阈值选取不当而造成的边缘 信息丢失问题,在边缘丰富度、连续性、精准度方面均表现良好。
进一步的,从证件照边缘图像中提取人物目标区域的外轮廓图像的具体过程为:
(2-1):采用方形结构元素,对证件照边缘图像做形态学膨胀运算操作,以连接可能存 在的边缘断裂点;
(2-2):连接证件照中的人物目标外轮廓,从步骤(2-1)得到的图像矩阵中寻找第一列 和最后一列的所有白色轮廓点中行坐标最小的两个点,分别视为左右肩膀与图像左右侧的交 点,根据这两个点向下补充白色轮廓点,并将图像矩阵的最后一行设置为白色轮廓,得到封 闭的人物目标轮廓;
(2-3):对步骤(2-2)得到的图像,标记八邻接结构下该图像中目标像素点构成的每个 连通分量,计算每个连通分量对应的像素点数目,选出最大的目标连通分量,作为人物目标 的外轮廓;
(2-4):对步骤(2-3)得到的人物目标的外轮廓图像进行图像填充,得到人物目标区域 图像;
(2-5):对步骤(2-4)得到的人物目标区域图像,采用Canny算子做边缘检测,得到人物目标区域外轮廓图像。
进一步的,在所述步骤(2-1)中采用4×4方形结构元素对证件照边缘图像做形态学膨胀 运算操作。
本发明采用方形结构元素对证件照边缘图像做形态学膨胀运算操作,以连接可能存在的 边缘断裂点,能有效地对人物证件照的背景色进行更换,换底后能较为完整地保留人物的发 丝细节,具有良好的人物证件照换底效果。
进一步的,采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值之前,还 包括:从人物目标区域外轮廓图像中提取三值图像矩阵trimap图。
进一步的,从人物目标区域外轮廓图像中提取三值图像矩阵trimap图的过程包括:
采用4×4的方形结构元素,对人物目标区域外轮廓图像做多次形态学膨胀运算,得到三 值图像矩阵trimap图,该图包含确定的人物目标像素点、背景像素点,以及待确定类别的像 素点。
进一步的,在采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值的过程 中,三值图像矩阵trimap图作为输入,三值图像矩阵trimap图中所有像素点组成的像素点 集为Ω,Ω包括已确定的像素点集Ωl和待确定的像素点集Ωu;
采用加权岭回归算法训练一个全局alpha-color模型,对于待确定像素点集Ωu中的任一 像素点,用该线性全局alpha-color模型估算待确定像素点的掩膜值。
进一步的,该方法还包括:采用kernel trick算法将训练得到的线性alpha-color模型扩 展到非线性alpha-color模型,利用非线性模型来估算待确定像素点集的掩膜值。
本发明采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值,该算法能较 好地适应基于trimap图的数字抠图,且只需通过一些简单的图像矩阵运算即可实现,还能有 效地处理图像中的非线性局部颜色分布的情况,计算结果准确度高。
进一步的,所述纯色背景图像包括红色、蓝色和白色。在我国根据用途不同,证件照背 景色一般分为红色、蓝色和白色这三种颜色。
与现有技术相比,本发明的有益效果是:
(1)本发明采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值,该算法 能较好地适应基于trimap图的数字抠图,且只需通过一些简单的图像矩阵运算即可实现,还 能有效地处理图像中的非线性局部颜色分布的情况,计算结果准确度高。
(2)本发明采用融合Sobel和K-means的边缘检测算法来获得证件照边缘图像,该方 法可以自适应获取最佳阈值,阈值定位准确,解决了传统边缘检测算法阈值选取不当而造成 的边缘信息丢失问题,在边缘丰富度、连续性、精准度方面均表现良好。
(3)本发明的自动更换证件照背景颜色的方法,能有效地对人物证件照的背景色进行更 换,换底后能较为完整地保留人物的发丝细节,具有良好的人物证件照换底效果,其不仅可 以满足申请人无需外出即可自助更换证件照背景的需求,还能完成快速、高效、精确、自动 地获取图像背景区域,实现较好的证件照换底效果。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实 施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明实施例中一种自动更换证件照背景颜色的方法的流程示意图;
图2是采用融合Sobel和K-means的边缘检测算法对证件照图像进行边缘检测的流程 示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指 明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的 相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申 请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图 包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时, 其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有技术中存在:对人工依赖性强,耗时耗力效率不高,获取 的图像背景区域准确度较低,人物目标边缘信息丢失严重,证件照换底效果不佳的不足,为 了解决如上的技术问题,本申请提出了一种自动更换证件照背景颜色的方法,其不仅可以满 足申请人无需外出即可自助更换证件照背景的需求,还能完成快速、高效、精确、自动地获 取图像背景区域,实现较好的证件照换底效果。
图1是本发明实施例中一种自动更换证件照背景颜色的方法的流程示意图,该方法应用 服务器或处理器;如图所示本实施例中的自动更换证件照背景颜色的方法可以包括:
S101,对证件照图像进行边缘检测,得到证件照边缘图像。
具体实现中,采用融合Sobel和K-means的边缘检测算法对证件照图像进行边缘检测, 得到证件照边缘图像。
如图2所示,采用融合Sobel和K-means的边缘检测算法对证件照图像进行边缘检测 的具体过程,包括:
(1-1):在Sobel算子原有的对x,y方向的边缘的检测卷积模板基础上,增加对45°和 135°的边缘的检测卷积模板,用这四个卷积模板与输入的证件照图像进行卷积,得到四个梯 度图像分别为Gx,Gy,G45,G135以及相应的四个梯度直方图;
(1-2):列出采用Sobel算子处理得到的梯度图像G中梯度取值范围为[0,1,2,…,L], 其中L为梯度级数,L为正整数,梯度点总数的计算公式如下:
N=N0+N1+N2+…+NL (1)
(1-3):采用K-means算法自适应选取阈值,对步骤(1-1)得到的梯度图像进行阈值分割。根据步骤(1-1)得到的梯度直方图分布特点,以及梯度图像中每个像素点的梯度值,将所有的像素点分为两类:一类属于边缘,一类属于背景,选取初始的质心点μ1、μ2, μ1、μ2∈{0,1,2,…,L},设置μ1=0,μ2=255;
(1-4):对于每个像素点的梯度值gj,将其归类到与聚类质心点μi差值较小的类ci,归 类的判别公式如下:
gj∈ci,when min||gj-μi||2 (2)
其中,每个聚类质心点μi对应一个类ci,i∈{1,2}为第i个聚类,j表示梯度图像中像 素点的个数,j∈{1,2,…,N};
(1-5):对于每个聚类ci,重新计算该类的质心μi,即计算属于这一类的像素点的梯度 平均值,质心μi计算公式如下:
(1-6):重复上述步骤(1-4)至(1-5),直至质心变化幅度在符合要求的范围range内, 其匹配公式如下:
其中,为第n次迭代的聚类质心点,为第n-1次迭代的聚类质心点;
(1-7):计算梯度阈值th,最佳梯度阈值应为背景类中的最大值点或边缘类中的最小值 点,计算公式如下:
th=maxgi or mingj,gi∈c1,gj∈c2 (5)
其中,c1表示背景类,gi为背景类中像素点的梯度值,c2表示边缘类,gj为边缘类中像 素点的梯度值;
(1-8):采用Ostu算法评价选取的梯度阈值是否为最佳梯度阈值,根据步骤(1-7)选 取的梯度阈值为th,将梯度图像中所有的梯度值分为两类,计算出类间方差与全局方差 使比值η最大时的阈值th即为最佳梯度阈值,比值η的计算公式如下:
其中,类间方差和全局方差的计算公式如下:
上式中,ω0、ω1为每一类梯度值出现的概率,μ0、μ1为每一类的类均值,μT为梯度图像 的总体的梯度均值,pi表示梯度值为i的出现的概率;
其中,概率pi与总体梯度均值μT的计算公式如下:
上式中,i∈{1,2,…,L}表示梯度值级数,ni表示梯度值为i的像素点的个数,N为总的 像素点个数;
(1-9):根据步骤(1-7)和(1-8)所得到的最佳梯度阈值,二值化梯度图像,获得边缘 图像E(i,j),二值化公式如下:
(1-10):对步骤(1-1)得到的四幅梯度图像分别取绝对值得到|Gx|、|Gy|、|G45|、|G135|, 再分别对每幅取绝对值的梯度图像使用步骤(1-2)至(1-9)得到边缘图像,将四幅边缘图 像异或获得最终边缘图像,异或公式如下:
E(i,j)=|Ex(i,j)|xor|Ey(i,j)|xor|E45(i,j)|xor|E135(i,j)| (13)。
本发明采用融合Sobel和K-means的边缘检测算法来获得证件照边缘图像,该方法可以 自适应获取最佳阈值,阈值定位准确,解决了传统边缘检测算法阈值选取不当而造成的边缘 信息丢失问题,在边缘丰富度、连续性、精准度方面均表现良好。
S102,从证件照边缘图像中提取人物目标区域的外轮廓图像。
具体实现中,从证件照边缘图像中提取人物目标区域的外轮廓图像的具体过程为:
(2-1):采用4×4的方形结构元素,对得到的边缘图像做形态学膨胀运算操作,以连接 可能存在的边缘断裂点;
(2-2):连接证件照中的人物目标外轮廓,从步骤(2-1)得到的图像矩阵中寻找第一列 和最后一列的所有白色轮廓点中行坐标最小的两个点,分别视为左右肩膀与图像左右侧的交 点,根据这两个点向下补充白色轮廓点,并将图像矩阵的最后一行设置为白色轮廓,得到封 闭的人物目标轮廓;
(2-3):对步骤(2-2)得到的图像,标记八邻接结构下该图像中目标像素点(即白色边 缘点)构成的每个连通分量,计算每个连通分量对应的像素点数目,选出最大的目标连通分 量,作为人物目标的外轮廓;
(2-4):对步骤(2-3)得到的人物目标的外轮廓图像进行图像填充,得到人物目标区域 图像;
(2-5):对步骤(2-4)得到的人物目标区域图像,采用Canny算子做边缘检测,得到人物目标区域外轮廓图像。
在可选实施例中,采用其他矩阵形式的方形结构元素,对得到的边缘图像做形态学膨胀 运算操作。
本发明采用方形结构元素对证件照边缘图像做形态学膨胀运算操作,以连接可能存在的 边缘断裂点,能有效地对人物证件照的背景色进行更换,换底后能较为完整地保留人物的发 丝细节,具有良好的人物证件照换底效果。
S103,采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值。
具体地,采用基于全局学习的数字抠图算法计算图像合成中所需的掩膜值α,包括:
(3-1):对得到的人物目标区域外轮廓图像,从中提取trimap图,具体做法为:采用4×4 的方形结构元素,对人物目标区域外轮廓图像做多次形态学膨胀运算,得到三值图像矩阵 trimap图,该图包含确定的人物目标像素点(即白色像素点)、背景像素点(即黑色像素点), 以及待确定类别的像素点(即灰色像素点);
(3-2):将步骤(3-1)得到的trimap图作为输入,trimap图中所有像素点组成的像素 点集为Ω(Ω={1,2,,n}),Ω包括已确定的像素点集Ωl和待确定的像素点集Ωu,其中已确 定的像素点集Ωl又包括已确定的前景像素点集Ωl f(即人物目标像素点集,掩膜值α=1)和 背景像素点集Ωl b(掩膜值α=0),从已确定的像素点集中选取两个子集和对这两个子集中的任何一个像素点j需满足:
Dj<Dth (14)
上式中,Dj为在规则网格中像素点j到待确定像素点集Ωu中的像素点的最短欧氏距离, Dth是一个距离阈值;
其中,距离阈值Dth的计算公式如下:
上式中,γd为常数,经验值设为1.2;
(3-3):对于待确定的像素点集Ωu中的每个像素点i,从Ql f和Ql b中选取两个具有相同 像素点个数的子集和使在Ql f'和Ql b'中的像素点j到像素点i的欧式距 离Dj最短,并采用线性时间欧氏距离变换算法计算线性时间内的欧式距离Dj;
(3-4):对步骤(3-3)选取的Ql f'和Ql b'中的每一个像素点j,为其设置一个权值ωj,用Ql f'和Ql b'中的所有像素点的权值ω构造一个维的对角矩阵权值ωj的赋值公式如下:
上式中,Dj为步骤(3-3)计算得到的最短欧式距离,γω为常数,一般取经验值γω=0.25;
(3-5):采用加权岭回归算法训练一个全局alpha-color模型,对于待确定像素点集Ωu中 的任一像素点i,用该线性全局alpha-color模型估算待确定像素点的掩膜值αi,估算公式如 下:
上式中,xi是待确定的像素点的像素值组成的数据向量,可表示为xi′=[xi T 1]T,(其中Ql f'∪Ql b'={τ1,…,τt})是一个由Ql f'∪Ql b'中的像素点的像素值构成的 矩阵,λr是一个参数,通常设为0.1,I(t)为一个t×t维的单位矩阵,表示由Ql f'∪Ql b'中的 所有像素点的掩膜值组成的向量;
(3-6):更一般地,采用kernel trick算法将步骤(3-5)训练得到的线性alpha-color模 型扩展到非线性alpha-color模型,利用非线性模型来估算待确定像素点集的掩膜值αi,估算 公式如下:
上式中,为一个由高斯核函数值k(xi′,xj′)代替数据向量xi′和xj′內积的向量,可表示 为 为高斯核函数值k(xi′,xj′)构成的矩阵,可表示为
其中,高斯核函数值k(xi′,xj′)计算公式如下:
上式中,υ是人物证件照源图像的灰度图像的方差值。
本发明采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值,该算法能较 好地适应基于trimap图的数字抠图,且只需通过一些简单的图像矩阵运算即可实现,还能有 效地处理图像中的非线性局部颜色分布的情况,计算结果准确度高。
S104,根据计算得到的掩膜值,以1与掩膜值之差和掩膜值分别作为证件照图像的纯色 背景图像和前背景图像的系数,将证件照图像的纯色背景图像和前背景图像进行线性叠加, 最终得到合成后的证件照图像。
具体做法为:输入任意背景色的人物证件照源图像和红、白、蓝三种纯色图像(在我国 根据用途不同,证件照背景色一般分为此三种颜色),根据S103最终计算得到的掩膜值α, 采用图像线性混合方程来实现证件照的自动换底,合成公式如下:
I=αF+(1-α)B (20)
其中,I代表合成后的证件照图像,F为前景图像,即任意背景色的人物证件照源图像, B为背景图像,即红色(或白,或蓝,根据实际用途选择证件照背景色)纯色图像,α即为掩膜值,它表示合成图像I对应的颜色值中含前景颜色的百分比或者该点的不透明程度。
本发明的自动更换证件照背景颜色的方法,能有效地对人物证件照的背景色进行更换, 换底后能较为完整地保留人物的发丝细节,具有良好的人物证件照换底效果,其不仅可以满 足申请人无需外出即可自助更换证件照背景的需求,还能完成快速、高效、精确、自动地获 取图像背景区域,实现较好的证件照换底效果。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限 制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付 出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种自动更换证件照背景颜色的方法,该方法应用于服务器,其特征在于,包括:
对证件照图像进行边缘检测,得到证件照边缘图像;
从证件照边缘图像中提取人物目标区域的外轮廓图像;
采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值;
根据计算得到的掩膜值,以1与掩膜值之差和掩膜值分别作为证件照图像的纯色背景图像和前背景图像的系数,将证件照图像的纯色背景图像和前背景图像进行线性叠加,最终得到合成后的证件照图像。
2.如权利要求1所述的一种自动更换证件照背景颜色的方法,其特征在于,采用融合Sobel和K-means的边缘检测算法对证件照图像进行边缘检测,得到证件照边缘图像。
3.如权利要求2所述的一种自动更换证件照背景颜色的方法,其特征在于,采用融合Sobel和K-means的边缘检测算法对证件照图像进行边缘检测的具体过程,包括:
(1-1):利用四个卷积模板与证件照图像进行卷积,得到四个梯度图像分别为Gx,Gy,G45,G135及相应的四个梯度直方图;其中,四个卷积模板分别为Sobel算子对x,y方向以及45°和135°的边缘的检测卷积模板;
(1-2):列出步骤(1-1)中得到的四个梯度图像的梯度取值范围;
(1-3):采用K-means算法自适应选取阈值,分别对步骤(1-1)得到的梯度图像进行阈值分割,并将梯度图像中所有像素点分为两类:一类属于边缘,一类属于背景;
(1-4):将梯度图像中每个像素点的梯度值进行归类;
(1-5):对于每个聚类,重新计算相应类的质心;
(1-6):重复上述步骤(1-4)至(1-5),直至质心变化幅度在符合要求的范围内;
(1-7):计算梯度阈值,最佳梯度阈值应为背景类中的最大值点或边缘类中的最小值点;
(1-8):采用Ostu算法评价选取的梯度阈值是否为最佳梯度阈值,根据步骤(1-7)选取的梯度阈值,将梯度图像中所有的梯度值分为两类,计算出类间方差与全局方差,使两者比值最大时的阈值为最佳梯度阈值;
(1-9):根据步骤(1-7)和(1-8)所得到的最佳梯度阈值,二值化梯度图像,获得边缘图像;
(1-10):对步骤(1-1)得到的四幅梯度图像分别取绝对值得到|Gx|、|Gy|、|G45|、|G135|,再分别对每幅取绝对值的梯度图像使用步骤(1-2)至(1-9)得到边缘图像,将四幅边缘图像异或获得最终边缘图像。
4.如权利要求1所述的一种自动更换证件照背景颜色的方法,其特征在于,从证件照边缘图像中提取人物目标区域的外轮廓图像的具体过程为:
(2-1):采用方形结构元素,对证件照边缘图像做形态学膨胀运算操作,以连接可能存在的边缘断裂点;
(2-2):连接证件照中的人物目标外轮廓,从步骤(2-1)得到的图像矩阵中寻找第一列和最后一列的所有白色轮廓点中行坐标最小的两个点,分别视为左右肩膀与图像左右侧的交点,根据这两个点向下补充白色轮廓点,并将图像矩阵的最后一行设置为白色轮廓,得到封闭的人物目标轮廓;
(2-3):对步骤(2-2)得到的图像,标记八邻接结构下该图像中目标像素点构成的每个连通分量,计算每个连通分量对应的像素点数目,选出最大的目标连通分量,作为人物目标的外轮廓;
(2-4):对步骤(2-3)得到的人物目标的外轮廓图像进行图像填充,得到人物目标区域图像;
(2-5):对步骤(2-4)得到的人物目标区域图像,采用Canny算子做边缘检测,得到人物目标区域外轮廓图像。
5.如权利要求4所述的一种自动更换证件照背景颜色的方法,其特征在于,在所述步骤(2-1)中采用4×4方形结构元素对证件照边缘图像做形态学膨胀运算操作。
6.如权利要求1所述的一种自动更换证件照背景颜色的方法,其特征在于,采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值之前,还包括:从人物目标区域外轮廓图像中提取三值图像矩阵trimap图。
7.如权利要求6所述的一种自动更换证件照背景颜色的方法,其特征在于,从人物目标区域外轮廓图像中提取三值图像矩阵trimap图的过程包括:
采用4×4的方形结构元素,对人物目标区域外轮廓图像做多次形态学膨胀运算,得到三值图像矩阵trimap图,该图包含确定的人物目标像素点、背景像素点,以及待确定类别的像素点。
8.如权利要求7所述的一种自动更换证件照背景颜色的方法,其特征在于,在采用基于全局学习的数字抠图算法来计算图像合成中所需的掩膜值的过程中,三值图像矩阵trimap图作为输入,三值图像矩阵trimap图中所有像素点组成的像素点集为Ω,Ω包括已确定的像素点集Ωl和待确定的像素点集Ωu;
采用加权岭回归算法训练一个全局alpha-color模型,对于待确定像素点集Ωu中的任一像素点,用该线性全局alpha-color模型估算待确定像素点的掩膜值。
9.如权利要求8所述的一种自动更换证件照背景颜色的方法,其特征在于,该方法还包括:采用kernel trick算法将训练得到的线性alpha-color模型扩展到非线性alpha-color模型,利用非线性模型来估算待确定像素点集的掩膜值。
10.如权利要求1所述的一种自动更换证件照背景颜色的方法,其特征在于,所述纯色背景图像包括红色、蓝色和白色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710264952.8A CN107123088B (zh) | 2017-04-21 | 2017-04-21 | 一种自动更换证件照背景颜色的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710264952.8A CN107123088B (zh) | 2017-04-21 | 2017-04-21 | 一种自动更换证件照背景颜色的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107123088A true CN107123088A (zh) | 2017-09-01 |
CN107123088B CN107123088B (zh) | 2019-09-13 |
Family
ID=59724949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710264952.8A Active CN107123088B (zh) | 2017-04-21 | 2017-04-21 | 一种自动更换证件照背景颜色的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107123088B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622504A (zh) * | 2017-09-30 | 2018-01-23 | 北京百度网讯科技有限公司 | 用于处理图片的方法和装置 |
CN108154086A (zh) * | 2017-12-06 | 2018-06-12 | 北京奇艺世纪科技有限公司 | 一种图像提取方法、装置及电子设备 |
CN108171677A (zh) * | 2017-12-07 | 2018-06-15 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN108256497A (zh) * | 2018-02-01 | 2018-07-06 | 北京中税网控股股份有限公司 | 一种视频图像处理方法及装置 |
CN109145922A (zh) * | 2018-09-10 | 2019-01-04 | 成都品果科技有限公司 | 一种自动抠图*** |
CN109413330A (zh) * | 2018-11-07 | 2019-03-01 | 深圳市博纳思信息技术有限公司 | 一种证件照片智能换背景方法 |
CN109660725A (zh) * | 2018-12-24 | 2019-04-19 | 惠州Tcl移动通信有限公司 | 图像拍摄方法、计算机存储介质以及移动终端 |
CN109697722A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 用于生成三分图的方法及装置 |
CN110008832A (zh) * | 2019-02-27 | 2019-07-12 | 西安电子科技大学 | 基于深度学习人物图像自动分割方法、信息数据处理终端 |
WO2020082731A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技(深圳)有限公司 | 电子装置、证件识别方法及存储介质 |
CN111191580A (zh) * | 2019-12-27 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 合成渲染方法、装置、电子设备及介质 |
CN111402291A (zh) * | 2020-03-04 | 2020-07-10 | 北京百度网讯科技有限公司 | 用于跟踪目标的方法和装置 |
CN111476146A (zh) * | 2020-04-03 | 2020-07-31 | 北京金沙江科技有限公司 | 一种基于移动端的学历证件照标准化处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542275A (zh) * | 2011-12-15 | 2012-07-04 | 广州商景网络科技有限公司 | 一种证件照背景自动识别方法及其*** |
CN102592260A (zh) * | 2011-12-26 | 2012-07-18 | 广州商景网络科技有限公司 | 证照图像裁剪方法及*** |
CN102750718A (zh) * | 2012-05-31 | 2012-10-24 | 山东神思电子技术股份有限公司 | 一种背景蒙版生成方法 |
CN103473780A (zh) * | 2013-09-22 | 2013-12-25 | 广州市幸福网络技术有限公司 | 一种人像背景抠图的方法 |
CN104504745A (zh) * | 2015-01-16 | 2015-04-08 | 成都品果科技有限公司 | 一种基于图像分割和抠图的证件照生成方法 |
-
2017
- 2017-04-21 CN CN201710264952.8A patent/CN107123088B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542275A (zh) * | 2011-12-15 | 2012-07-04 | 广州商景网络科技有限公司 | 一种证件照背景自动识别方法及其*** |
CN102592260A (zh) * | 2011-12-26 | 2012-07-18 | 广州商景网络科技有限公司 | 证照图像裁剪方法及*** |
CN102750718A (zh) * | 2012-05-31 | 2012-10-24 | 山东神思电子技术股份有限公司 | 一种背景蒙版生成方法 |
CN103473780A (zh) * | 2013-09-22 | 2013-12-25 | 广州市幸福网络技术有限公司 | 一种人像背景抠图的方法 |
CN104504745A (zh) * | 2015-01-16 | 2015-04-08 | 成都品果科技有限公司 | 一种基于图像分割和抠图的证件照生成方法 |
Non-Patent Citations (5)
Title |
---|
朱秋煌,黄素娟,王朔中: "证件照片的特征提取与检索", 《模式识别与人工智能》 * |
李勤垂,陈若玲,王明楸,李佐勇: "融合边缘与过渡区域提取的人物证件照分割", 《福建电脑》 * |
杨昆,张明新,先晓兵,郑金龙,聂盼红: "一种基于Sobel与K-means的边缘检测方法", 《光学技术》 * |
王明楸,陈金聪,陈东昇,文龙,李佐勇: "人物证件照的自动换底算法", 《F福建电脑》 * |
许华虎,王慧雅等: "身份证件人像自动采集与识别***", 《上海大学学报(自然科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622504A (zh) * | 2017-09-30 | 2018-01-23 | 北京百度网讯科技有限公司 | 用于处理图片的方法和装置 |
CN109697722A (zh) * | 2017-10-23 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 用于生成三分图的方法及装置 |
CN108154086A (zh) * | 2017-12-06 | 2018-06-12 | 北京奇艺世纪科技有限公司 | 一种图像提取方法、装置及电子设备 |
CN108171677A (zh) * | 2017-12-07 | 2018-06-15 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN108171677B (zh) * | 2017-12-07 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN108256497A (zh) * | 2018-02-01 | 2018-07-06 | 北京中税网控股股份有限公司 | 一种视频图像处理方法及装置 |
CN109145922B (zh) * | 2018-09-10 | 2022-03-29 | 成都品果科技有限公司 | 一种自动抠图*** |
CN109145922A (zh) * | 2018-09-10 | 2019-01-04 | 成都品果科技有限公司 | 一种自动抠图*** |
WO2020082731A1 (zh) * | 2018-10-26 | 2020-04-30 | 平安科技(深圳)有限公司 | 电子装置、证件识别方法及存储介质 |
CN109413330A (zh) * | 2018-11-07 | 2019-03-01 | 深圳市博纳思信息技术有限公司 | 一种证件照片智能换背景方法 |
CN109660725A (zh) * | 2018-12-24 | 2019-04-19 | 惠州Tcl移动通信有限公司 | 图像拍摄方法、计算机存储介质以及移动终端 |
CN110008832A (zh) * | 2019-02-27 | 2019-07-12 | 西安电子科技大学 | 基于深度学习人物图像自动分割方法、信息数据处理终端 |
CN111191580A (zh) * | 2019-12-27 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 合成渲染方法、装置、电子设备及介质 |
CN111402291A (zh) * | 2020-03-04 | 2020-07-10 | 北京百度网讯科技有限公司 | 用于跟踪目标的方法和装置 |
CN111402291B (zh) * | 2020-03-04 | 2023-08-29 | 阿波罗智联(北京)科技有限公司 | 用于跟踪目标的方法和装置 |
CN111476146A (zh) * | 2020-04-03 | 2020-07-31 | 北京金沙江科技有限公司 | 一种基于移动端的学历证件照标准化处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107123088B (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN103914699B (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN107452010B (zh) | 一种自动抠图算法和装置 | |
CN107578390A (zh) | 一种使用神经网络进行图像白平衡校正的方法及装置 | |
CN107492070A (zh) | 一种双通道卷积神经网络的单图像超分辨率计算方法 | |
CN103854261B (zh) | 色偏图像的校正方法 | |
CN106780434A (zh) | 水下图像视觉质量评价方法 | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN112614077A (zh) | 一种基于生成对抗网络的非监督低照度图像增强方法 | |
CN109191460B (zh) | 一种对于色调映射图像的质量评价方法 | |
CN108805839A (zh) | 基于卷积神经网络的联合估计图像去雾方法 | |
CN104504722B (zh) | 一种利用灰色点校正图像颜色的方法 | |
CN110827304B (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和*** | |
CN105139404A (zh) | 一种可检测拍摄质量的证照相机及拍摄质量检测方法 | |
CN110335221B (zh) | 一种基于无监督学习的多曝光图像融合方法 | |
CN107122713B (zh) | 一种基于深度学习的似物性检测方法 | |
CN107301626B (zh) | 一种适合移动设备拍摄图像的磨皮算法 | |
CN109064418A (zh) | 一种基于非局部均值的非均匀噪声图像去噪方法 | |
CN110533732A (zh) | 图像中肤色的识别方法、装置、电子设备及存储介质 | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
CN109685772A (zh) | 一种基于配准失真表示的无参照立体图像质量评估方法 | |
JP2023115104A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN110189262A (zh) | 基于神经网络以及直方图匹配的图像去雾算法 | |
CN113920378A (zh) | 基于注意力机制的柴胡种子识别方法 | |
CN110415816B (zh) | 一种基于迁移学习的皮肤病临床图像多分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |