CN108876751A - 图像处理方法、装置、存储介质及终端 - Google Patents

Abstract

本申请实施例公开了一种图像处理方法，其包括将第一人脸图像输入预先训练的通用瘦脸模型进行处理，以生成第一瘦脸图像，所述通用瘦脸模型对输入图像进行处理时具有预设的瘦脸属性强度；输出所述第一瘦脸图像。本申请实施例通过采用上述技术方案，可以输出结合了瘦脸属性强度的美颜照片，符合用户实际需求，更容易满足用户的使用体验。

Description

图像处理方法、装置、存储介质及终端

技术领域

本申请实施例涉及通信技术领域，尤其涉及图像处理方法、装置、存储介质及终端。

背景技术

随着人工智能AI技术领域的发展，智能终端设备也得到了不断深入的发展。使用相机拍照也越来越被人们喜爱，其中美颜拍照是使用频率最高的相机使用场景之一。现有人脸美颜的一种方式是基于固定的算法，通过用户手动调整美颜参数来实现人脸美颜，事实上，由于人脸的肤色、皮肤的粗糙程度、用户所处的环境及个人爱好等等的差异，仅仅简单通过用户自己的一些参数调整很难达到一个很好的美颜效果。现有技术也有采用深度学习训练大量样本数据得到的美颜算法。但是，这些算法没有考虑到瘦脸的强度或等级，因此生成的美颜照片很难准确、快地速满足用户的美颜需求，用户体验也不太好。

发明内容

本申请实施例提供图像处理方法、装置、存储介质及终端，可以准确、快速提供用户需要的美颜瘦脸图像。

第一方面，本申请实施例提供了一种图像处理方法，包括：

获取第一人脸图像；

将第一人脸图像输入预先训练的通用瘦脸模型进行处理，所述通用瘦脸模型对输入图像进行处理时具有预设的瘦脸属性强度；

所述通用瘦脸模型根据预设的瘦脸属性强度生成第一瘦脸图像。

第二方面，本申请实施例提供了一种图像处理装置，包括：

图像获取模块，用于获取第一人脸图像；

图像生成模块，用于将第一人脸图像输入预先训练的通用瘦脸模型进行处理，以生成第一瘦脸图像，所述通用瘦脸模型对输入图像进行处理时具有预设的瘦脸属性强度；

图像输出模块，用于输出所述第一瘦脸图像。

第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例第一方面所述的图像处理方法。

第四方面，本申请实施例提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例第一方面所述的图像处理方法。

本申请实施例中提供的图像处理方案，采用具有瘦脸属性强度的通用瘦脸模型对用户输入的第一图像进行处理，以输出对应的瘦脸美颜图像，由于本实施例的通用瘦脸模型通过预先训练学习具有预设的瘦脸属性强度，因此输出给用户的图像结合了预设的瘦脸属性强度，输出的美颜照片更加符合用户实际需求，更容易满足用户的使用体验。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本申请实施例提供的一种图像处理方法的流程示意图；

图2为本申请实施例提供的另一种图像处理方法的流程示意图；

图3为本申请实施例提供的一种图像处理装置的结构示意图；

图4为本申请实施例提供的一种终端的结构示意图；

图5为本申请实施例提供的另一种终端的结构示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

图1为本申请实施例提供的图像处理方法的流程示意图，该方法可以由图像处理装置执行，其中该装置可由软件和/或硬件实现，一般可集成在终端中。如图1所示，该方法包括：

步骤S101、获取第一人脸图像。

示例性的，本申请实施例中的终端可包括手机、平板电脑、笔记本电脑以及智能家电等终端设备。终端中装载有操作***。

本实施例中所述第一人脸图像可以是用户存储在手机、平板电脑、笔记本电脑上的自己或第三人的一张照片，也可以是从网络服务器上抓取的自己的或第三人的照片，也可以是用户当前拍摄的一张自己的或第三人的照片。

步骤S102、将第一人脸图像输入预先训练的通用瘦脸模型进行处理，以生成第一瘦脸图像，所述通用瘦脸模型对输入图像进行处理时具有预设的瘦脸属性强度。

本实施例对通用瘦脸模型进行的预先训练可以包括步骤S1021-S1022。

步骤S1021、获取具有不同瘦脸属性强度的人脸图像样本。所述瘦脸属性强度是指瘦脸的等级或级别，等级划分的标准可以是脸型轮廓的长宽比值大小。一实施例中脸型轮廓的长宽比值的计算方式为：获取脸型轮廓最长的距离和最宽的距离，以这两个距离的比值作为计算结果。一实施中可以按脸型轮廓的长宽比值对每张人脸图像设定瘦脸属性强度，例如人脸图像N的脸型轮廓的长宽比值为An，则设定人脸图像N的瘦脸属性强度为An，N为自然数。替代实施例中，也可按区间将N张人脸图像分为M个不同等级，M为自然数。以5个递增等级M1-M5为例，人脸图像的脸型轮廓的长宽比值在A1-A2之间，其瘦脸属性强度设为M1；人脸图像的脸型轮廓的长宽比值在A2-A3之间，其瘦脸属性强度设为M2；人脸图像的脸型轮廓的长宽比值在A3-A4之间，其瘦脸属性强度设为M3；人脸图像的脸型轮廓的长宽比值在A4-A5之间，其瘦脸属性强度设为M4；人脸图像的脸型轮廓的长宽比值在A5-A6之间，其瘦脸属性强度设为M5。其中，A1、A2、A3、A4、A5、A6依次增大。

替代实施例中，等级划分的标准可以是脸部面积的大小。一实施例中脸部面积的计算方式为：将所有人脸图像缩放为相同长度时，获取脸型轮廓并计算轮廓包围的面积作为计算结果。一实施中可以按脸部面积的计算结果对每张人脸图像设定瘦脸属性强度，例如人脸图像N的脸部面积为Bn，则设定人脸图像N的瘦脸属性强度为Bn。替代实施例中，也可按区间将N张人脸图像分为M个不同等级，以5个递增等级M1-M5为例，人脸图像的脸部面积在B1-B2之间，其瘦脸属性强度设为M1；人脸图像的脸部面积在B2-B3之间，其瘦脸属性强度设为M2；人脸图像的脸部面积在B3-B4之间，其瘦脸属性强度设为M3；人脸图像的脸部面积在B4-B5之间，其瘦脸属性强度设为M4；人脸图像的脸部面积在B5-B6之间，其瘦脸属性强度设为M5，其中，B1、B2、B3、B4、B5、B6依次减小。

其他实施例中，也可以同时采用脸型轮廓的长宽比值大小和脸部面积作为划分等级的标准，例如人脸图像N的脸型轮廓的长宽比值为An，脸部面积为Bn，则设定人脸图像N的瘦脸属性强度为An*Bn，也可根据An*Bn的分布按区间将N张人脸图像分为M个不同等级。

一实施例中，随机选取N张不同人脸图像，例如5000-50000张人脸图像。预先对选取的不同人脸图像进行不同瘦脸属性强度划分：本实施例根据选取的人脸图像的不同的脸型,例如圆脸、鹅蛋脸、方脸、瓜子脸等，分别设定不同等级的瘦脸属性强度，以5个等级为例，根据脸型轮廓的长宽比值大小和/或脸部面积计算结果，可以设定：很胖、稍胖、标准、稍瘦、很瘦5个递增瘦脸属性强度。本实施例中的人脸图像既包括同一身份的不同瘦脸属性强度的人脸图像，也包括多个不同身份的不同瘦脸属性强度的人脸图像。所述同一身份的不同瘦脸属性强度的人脸图像可以是同一身份不同历史时期的照片，可以包括同一身份很胖、稍胖、标准、稍瘦、很瘦各阶段体重例如300、250、200、150、100斤体重对应的人脸照片。所述同一身份的不同瘦脸属性强度的人脸图像还可以是任意一张或多张人脸照片通过美颜软件自动生成的很胖、稍胖、标准、稍瘦、很瘦5个递增瘦脸属性强度人脸照片。本实施例中采用不同身份的人脸图像进行训练可以增加通用瘦脸模型的兼容性，采用相同身份的人脸图像进行训练可以增加通用瘦脸模型对特定个体的匹配度，提高使用体验。

本实施例中，根据脸型和5个递增瘦脸属性强度将可以将选取的人脸图像分为，很胖圆脸、稍胖圆脸、标准圆脸、稍瘦圆脸、很瘦圆脸、很胖鹅蛋脸、稍胖鹅蛋脸、标准鹅蛋脸、稍瘦鹅蛋脸、很瘦鹅蛋脸、很胖方脸、稍胖方脸、标准方脸、稍瘦方脸、很瘦方脸、很胖瓜子脸、稍胖瓜子脸、标准瓜子脸、稍瘦瓜子脸、很瘦瓜子脸等类型，将这些分类后的具有不同瘦脸属性强度的人脸图像标记后作为后面训练学习的样本。本实施例中对选取的人脸图像的标记既包括脸型的文字标记也包括代表瘦脸属性强度的数字标记，例如：脸型分别标记：圆脸为“Y”、鹅蛋脸“E”、方脸“F”、瓜子“G”；5个递增瘦脸属性强度分别标记：很胖为“1”、稍胖为“2”、标准为“3”、稍瘦为“4”、很瘦为“5”。

另一实施方式中，对选取的人脸图像的标记可以仅包括代表瘦脸属性强度的数字标记，较佳实施例中可将上述很胖圆脸、稍胖圆脸、标准圆脸、稍瘦圆脸、很瘦圆脸、很胖鹅蛋脸、稍胖鹅蛋脸、标准鹅蛋脸、稍瘦鹅蛋脸、很瘦鹅蛋脸、很胖方脸、稍胖方脸、标准方脸、稍瘦方脸、很瘦方脸、很胖瓜子脸、稍胖瓜子脸、标准瓜子脸、稍瘦瓜子脸、很瘦瓜子脸等类型的按递增强度的瘦脸属性强度依次排列并重新赋值，例如很胖圆脸为“1”、很胖方脸为“2”、很胖鹅蛋脸为“3”、稍胖圆脸为“4”、稍胖方脸为“5”、稍胖鹅蛋脸为“6”、标准圆脸为“7”、标准方脸为“8”、标准鹅蛋脸为“9”、稍胖瓜子脸为“10”、稍瘦圆脸为“11”、稍瘦方脸为“12”、很胖瓜子脸为“13”、很瘦圆脸为“14”、很瘦鹅蛋脸为“15”、标准瓜子脸为“16”、很瘦方脸为“17”、稍瘦鹅蛋脸为“18”、稍瘦瓜子脸为“19”、很瘦瓜子脸为“20”。

替代实施例中，所述不同瘦脸属性强度不限于5个，也可以是2-10个递增瘦脸属性强度，为了提高运行速度可以减少设定的递增瘦脸属性强度的数量例如仅设2个：正常、瘦脸。为了提高用户的体验效果也可以设定更多的递增瘦脸属性强度的数量例如10个或以上，设定更多的递增瘦脸属性强度可以更准确匹配用户实际瘦脸图像需求，满足更多不同用户的特色要求。

步骤S1022、基于具有不同瘦脸属性强度的人脸图像样本对预设机器学习模型进行训练，得到所述通用瘦脸模型。

在本申请实施例中，预设机器训练模型可以包括编码解码网络(Encoder-Decoder)、卷积神经网络(Convolutional Neural Networks，CNN)、自动编码器(AutoEncoder)、疏编码(Sparse Coding)、限制波尔兹曼机(Restricted Boltzmann Machine，RBM)、深信度网络(Deep Belief Networks，DBN)、递归神经网络(Recurrent neuralNetwork，RNN)、双向RNN网络、门限递归单元(Gated Recurrent Unit，GRU)、长短项记忆网络(Long Short Term Memory，LSTM)中的一种或多种。

本实施例中，可以是在终端侧对具有不同瘦脸属性强度的人脸图像样本进行训练，生成通用瘦脸模型，所述人脸图像样本可以是根据终端照片库中存放的照片中截取的人脸图像，也可以是通过互联网从网络服务器浏览并截取的人脸图像。替代实施例中，也可以在服务器侧对具有不同瘦脸属性强度的人脸图像样本进行训练，生成通用瘦脸模型，所述人脸图像样本可以存储在是服务器侧的预先分类并进行标记的人脸图像样本。当通用瘦脸模型是在服务器侧训练生成时，终端可以直接从服务器侧调用训练好的通用瘦脸模型。一实施例中，将人脸图像样本输入到编码解码网络，通过持续的训练使得预设机器学习模型的瘦脸损失函数降低到最小，得到的网络模型即为通用瘦脸模型。

本实施例中，以很胖、稍胖、标准、稍瘦、很瘦5个递增瘦脸属性强度为例，通用瘦脸模型输出的照片(第一瘦脸图像)具有预设的瘦脸属性强度，所述预设的瘦脸属性强度为一初始固定值，例如稍瘦，此时通用瘦脸模型根据输入的当前照片(第一人脸图像)对应输出具有预设的瘦脸属性强度的照片作为第一瘦脸图像。本实施例中，不论当前照片的瘦脸属性强度为圆脸很胖还是圆脸标准，都输出具有瘦脸属性强度圆脸稍瘦的照片作为第一瘦脸图像。一实施方式中，预设的瘦脸属性强度还可以是所有人脸图像样本的瘦脸属性强度的中间等级，例如所有人脸图像样本的瘦脸属性强度分5个等级，则设第3个等级为预设的瘦脸属性强度；所有人脸图像样本的瘦脸属性强度分10个等级，则设第5个等级或第6个等级为预设的瘦脸属性强度。

替代实施例中，所述预设的瘦脸属性强度比输入的当前照片的瘦脸属性强度高1-2个强度级别，以高1个强度级别为例，如当前照片的瘦脸属性强度为稍胖，则预设的瘦脸属性强度为标准，如当前照片的瘦脸属性强度为标准，则预设的瘦脸属性强度为稍瘦，如作为第一人脸图像的当前照片的瘦脸属性强度为圆脸标准，则输出瘦脸属性强度为圆脸稍瘦的照片作为第一瘦脸图像。以高2个强度级别为例，例如当前照片的瘦脸属性强度为圆脸很胖，则输出瘦脸属性强度为圆脸标准的照片作为第一瘦脸图像。当然，本实施例的预设的瘦脸属性强度不限于比输入的当前照片的瘦脸属性强度高1-2个强度级别，也可以根据递增强度的数量灵活调整为高3-5个级别或更多的瘦脸属性强度。

本实施例对具有不同瘦脸属性强度的人脸图像样本分别进行预设机器学习模型训练，得到通用瘦脸模型，通用瘦脸模型根据用户输入的人脸图像输出对应的瘦脸美颜图像，由于本实施例结合了瘦脸属性强度事先进行了预设机器学习模型的深度训练，因此输出给用户的图像结合了瘦脸属性强度，输出的美颜照片更加容易符合用户实际需求，并满足用户的使用体验。本实施例中预设的瘦脸属性强度比输入的当前照片的瘦脸属性强度高1-2个强度级别时，用户可以直接获取具有预设瘦脸属性强度变化的瘦脸美容照片，进一步提高了用户使用体验。

步骤S103、输出所述第一瘦脸图像。

本实施例中，显示所述第一瘦脸图像至用户显示器，例如输出所述第一瘦脸图像至用户正在使用的美颜瘦脸软件的交互界面或作为桌面背景。

图2为本申请实施例提供的图像处理方法的流程示意图。如图2所示，该方法包括：

步骤S201、获取具有不同瘦脸属性强度的人脸图像样本。

一实施例中的人脸图像样本包括不同的脸型例如圆脸、鹅蛋脸、方脸、瓜子脸等，分别设定：很胖、稍胖、标准、稍瘦、很瘦5个递增瘦脸属性强度。

步骤S202、基于具有不同瘦脸属性强度的人脸图像样本对预设机器学习模型进行训练，得到通用瘦脸模型。

在本申请实施例中，预设机器训练模型可以包括编码解码网络。本实施例是在终端侧对具有不同瘦脸属性强度的人脸图像样本进行训练，生成通用瘦脸模型，所述人脸图像样本可以包括终端照片库中存放的用户不同年代的照片中截取的人脸图像。

步骤S203、输入第一人脸图像至所述通用瘦脸模型，以生成第一瘦脸图像。一实施例中，将人脸图像样本输入到编码解码网络，通过持续的训练使得预设机器学习模型的瘦脸损失函数降低到最小，得到的网络模型即为通用瘦脸模型。

一实施方式中，以很胖、稍胖、标准、稍瘦、很瘦5个递增瘦脸属性强度为例，通用瘦脸模型具有预设的瘦脸属性强度，所述预设的瘦脸属性强度为一固定值，例如稍瘦，此时通用瘦脸模型将输入的当前照片作为第一人脸图像对应输出具有稍瘦强度的瘦脸属性强度的照片作为第一瘦脸图像。

替代实施例中，所述预设的瘦脸属性强度比输入的当前照片的瘦脸属性强度高1-2个强度级别，以高1个强度级别为例，如当前照片的瘦脸属性强度为稍胖，则预设的瘦脸属性强度为标准，如当前照片的瘦脸属性强度为标准，则预设的瘦脸属性强度为稍瘦，如作为第一人脸图像的当前照片的瘦脸属性强度为圆脸标准，则输出瘦脸属性强度为圆脸稍瘦的照片作为第一瘦脸图像。当然，本实施例的预设的瘦脸属性强度不限于比输入的当前照片的瘦脸属性强度高1-2个强度级别，也可以根据递增强度的数量灵活调整为高3-5个级别或更多的瘦脸属性强度。

步骤S204、判断第一瘦脸图像是否符合用户需求，若符合则对第一瘦脸图像标记用户瘦脸属性强度并存储作为用户人脸图像样本。一实施例中，进一步在生成的第一瘦脸图像的交互界面提供满意或不满意的选项，当用户选择满意时表示第一瘦脸图像符合用户需求；当用户选择不满意时表示第一瘦脸图像不符合用户需求。

本实施例，当用户选择满意时，执行步骤S207，对第一瘦脸图像标记用户瘦脸属性强度并存储。本实施例，标记用户瘦脸属性强度的第一瘦脸图像可以作为进一步训练的人脸图像样本。步骤S207还进一步包括关联用户身份建立用户瘦脸图像样本库，用于存储一张或多张符合用户需求的第一瘦脸图像，以作为进一步训练的样本库。

步骤S205、若第一瘦脸图像不符合用户需求，根据用户指定的瘦脸属性强度生成第二瘦脸图像。一实施例中，步骤S205进一步包括步骤S2051-2052。

步骤S2051、调整预设的瘦脸属性强度为更高级别或更低级别的瘦脸属性强度。

一实施例中，当第一瘦脸图像不符合用户需求时，例如生成的第一瘦脸图像的交互界面提供的不满意选项被用户点选时，进一步在所述交互界面弹出瘦脸图像调整界面例如瘦脸属性强度的下拉菜单选项或滑动调节窗口，所述第一瘦脸图像的交互界面允许用户自定义瘦脸属性强度，例如为比预设的瘦脸属性强度更高级别或更低级别的瘦脸属性强度。

步骤S2052、根据调整后的瘦脸属性强度，将第一人脸图像输入通用瘦脸模型以生成第二瘦脸图像。

替代实施例中，所述当第一瘦脸图像不符合用户需求时，还可调用第三方美颜模块，对第一瘦脸图像直接进行美颜瘦脸调整，以生成用户满意的第二瘦脸图像。

步骤S206、判断第二瘦脸图像是否符合用户需求，若符合则对第二瘦脸图像标记用户瘦脸属性强度并存储作为用户人脸图像样本。

一实施例中，进一步在生成的第二瘦脸图像的交互界面提供满意或不满意的选项，当用户选择满意时表示第二瘦脸图像符合用户需求；当用户选择不满意时表示第二瘦脸图像不符合用户需求。本实施例，当用户选择满意时，执行步骤S207，对第二瘦脸图像标记用户瘦脸属性强度并存储。上述关联用户身份的用户瘦脸图像样本库，还可以用于存储一张或多张符合用户需求的第二瘦脸图像，作为进一步训练的样本库。

若第二瘦脸图像不符合用户需求，则再次执行步骤S205，根据用户指定的瘦脸属性强度重新生成第二瘦脸图像，直到符合用户需求或用户放弃修改。

替代实施方式中，步骤S204、步骤S206或步骤S207之后分别还可以进一步包括输出瘦脸图像的步骤。本实施例中，当第一、第二瘦脸图像符合用户需求时，显示所述第一、第二瘦脸图像至用户显示器，例如输出所述第一、第二瘦脸图像至用户正在使用的美颜瘦脸软件的交互界面或作为桌面背景。

步骤S208、对标记了用户瘦脸属性强度的第一、第二瘦脸图像进行预设机器学习模型训练，以得到用户瘦脸模型。本实施例的用户瘦脸模型生成的第一瘦脸图像具有根据用户习惯校正的瘦脸属性强度。

本实施例中，前述步骤S204或S206生成的用户满意的第一、第二瘦脸图像进行预设机器学***均值。

本实施例中进一步对输出的第一瘦脸图像进行满意判断及调整，方便用户对不满意的瘦脸图像进行用户自定义调整，符合用户使用习惯，满足了用户多样化美颜的需求。另外，本实施例还进一步将用户满意的第一、第二瘦脸图像进行预设机器学习模型训练，以得到用户瘦脸模型，使得所述用户瘦脸模型生成的第一瘦脸图像具有根据用户习惯校正的瘦脸属性强度，符合用户的美颜习惯操作，避免了生成的第一瘦脸图像距离用户审美落差过大，提高了一次准确输出符合用户心理预期的第一瘦脸图像，因此本实施例的图像处理方法的用户体验更加高效和优秀。

进一步地，在生成的第一瘦脸图像之前，还可进一步包括识别第一人脸图像对应用户身份的步骤，所述用户瘦脸模型根据用户身份选择对应根据用户习惯校正的瘦脸属性强度为默认瘦脸属性强度来处理输入的第一人脸图像，此时用户瘦脸模型根据第一人脸图像输出的第一瘦脸图像具有用户身份对应的习惯的瘦脸属性强度。本实施例中也可使用上述关联用户身份的用户瘦脸图像样本输入用户瘦脸模型进行训练获得多个用户身份对应的习惯的瘦脸属性强度。

本实施例中，所述识别第一人脸图像对应用户身份的步骤既可以通过预先准备的多张用户人脸图像输入用户瘦脸模型训练获得，也可采用现有技术的其他人脸识别算法获得，本实施例不做限定。本实施例中加入了识别客户身份并对应实现客户定制化美颜瘦脸，客户使用体验更加完美。进一步地，所述用户瘦脸模型的用户身份信息和对应根据用户习惯校正的瘦脸属性强度可以存储在云端服务器，这样用户使用不同的终端访问云端服务器的数据就能根据身份进行客户定制化美颜瘦脸。

图3为本申请实施例提供的一种图像处理装置的结构示意图，该装置可由软件和/或硬件实现，一般集成在终端中，可通过执行所述图像处理方法来生成并输出第一瘦脸图像。如图3所示，该装置包括：

图像获取模块301，用于获取第一人脸图像。

图像生成模块302，用于将第一人脸图像输入预先训练的通用瘦脸模型进行处理，以生成第一瘦脸图像，所述通用瘦脸模型对输入图像进行处理时具有预设的瘦脸属性强度。

图像输出模块303，用于输出所述第一瘦脸图像。

本申请实施例中提供的图像处理装置，采用具有瘦脸属性强度的通用瘦脸模型对用户输入的第一图像进行处理，以输出对应的瘦脸美颜图像，由于本实施例的通用瘦脸模型通过预先训练具有预设的瘦脸属性强度，因此输出给用户的图像结合了预设的瘦脸属性强度，输出的美颜照片更加符合用户实际需求，更容易满足用户的使用体验。

可选地，进一步包括模型训练模块304，用于获取具有不同瘦脸属性强度的人脸图像样本；基于具有不同瘦脸属性强度的人脸图像样本对预设机器学习模型进行训练，得到所述通用瘦脸模型。

可选地，进一步包括第一判断模块305，用于判断第一瘦脸图像是否符合用户需求，若符合则对第一瘦脸图像标记用户瘦脸属性强度并进行预设机器学习模型训练，以得到用户瘦脸模型，若不符合则图像生成模块302根据用户指定的瘦脸属性强度生成第二瘦脸图像。

可选地，所述根据用户指定的瘦脸属性强度生成第二瘦脸图像进一步包括：

调整通用瘦脸模型的预设的瘦脸属性强度为更高级别或更低级别的瘦脸属性强度；

根据调整了的瘦脸属性强度，将第一人脸图像输入通用瘦脸模型生成第二瘦脸图像。

可选地，进一步包括第二判断模块306，用于判断第二瘦脸图像是否符合用户需求，若符合则对第二瘦脸图像标记用户瘦脸属性强度并进行预设机器学习模型训练，以得到用户瘦脸模型。

可选地，所述用户瘦脸模型根据输入的第一人脸图像生成的第一瘦脸图像具有根据用户***均值。

可选地，进一步包括身份识别模块307，用于在生成的第一瘦脸图像之前识别第一人脸图像对应用户身份，所述用户瘦脸模型根据第一人脸图像对应用户身份选择对应根据用户习惯校正的瘦脸属性强度作为默认瘦脸属性强度，以处理输入的第一人脸图像。

可选地，所述通用瘦脸模型生成的第一瘦脸图像具有预设的瘦脸属性强度，所述预设的瘦脸属性强度为一固定值或比第一人脸图像的瘦脸属性强度高1-2个强度级别。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机***存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机***中，或者可以位于不同的第二计算机***中，第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的图像处理操作，还可以执行本申请任意实施例所提供的图像处理方法中的相关操作。

本申请实施例提供了一种终端，该终端中可集成本申请实施例提供的图像处理装置。图4为本申请实施例提供的一种终端的结构示意图。终端400可以包括：存储器401，处理器402及存储在存储器上并可在处理器运行的计算机程序，所述处理器402执行所述计算机程序时实现如本申请上述实施例所述的图像处理方法。

本实施例的终端对具有不同瘦脸属性强度的人脸图像样本分别进行神经网络训练，得到通用瘦脸模型，然后通用瘦脸模型根据用户输入的人脸图像输出对应的瘦脸美颜图像，由于本实施例结合了瘦脸属性的强度事先进行了神经网络训练的深度学习，因此输出给用户的图像结合了瘦脸属性强度，输出的美颜照片更加符合用户实际需求，更容易满足用户的使用体验。

图5为本申请实施例提供的另一种终端的结构示意图，该终端可以包括：壳体(图中未示出)、存储器501、中央处理器(central processing unit，CPU)502(又称处理器，以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述CPU502和所述存储器501设置在所述电路板上；所述电源电路，用于为所述终端的各个电路或器件供电；所述存储器501，用于存储可执行程序代码；所述CPU502通过读取所述存储器501中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：

获取第一人脸图像；

将第一人脸图像输入预先训练的通用瘦脸模型进行处理，以生成第一瘦脸图像，所述通用瘦脸模型具有预设的瘦脸属性强度；

输出所述第一瘦脸图像。

所述终端还包括：外设接口503、RF(Radio Frequency，射频)电路505、音频电路506、扬声器511、电源管理芯片508、输入/输出(I/O)子***509、其他输入/控制设备510、触摸屏512、其他输入/控制设备510以及外部端口504，这些部件通过一个或多个通信总线或信号线507来通信。

应该理解的是，图示终端500仅仅是终端的一个范例，并且终端500可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

下面就本实施例提供的用于图像处理的终端进行详细的描述，该终端以手机为例。

存储器501，所述存储器501可以被CPU502、外设接口503等访问，所述存储器501可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

外设接口503，所述外设接口503可以将设备的输入和输出外设连接到CPU502和存储器501。

I/O子***509，所述I/O子***509可以将设备上的输入输出外设，例如触摸屏512和其他输入/控制设备510，连接到外设接口503。I/O子***509可以包括显示控制器5091和用于控制其他输入/控制设备510的一个或多个输入控制器5092。其中，一个或多个输入控制器5092从其他输入/控制设备510接收电信号或者向其他输入/控制设备510发送电信号，其他输入/控制设备510可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器5092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。

触摸屏512，所述触摸屏512是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。

I/O子***509中的显示控制器5091从触摸屏512接收电信号或者向触摸屏512发送电信号。触摸屏512检测触摸屏上的接触，显示控制器5091将检测到的接触转换为与显示在触摸屏512上的用户界面对象的交互，即实现人机交互，显示在触摸屏512上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。

RF电路505，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路505接收并发送RF信号，RF信号也称为电磁信号，RF电路505将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路505可以包括用于执行这些功能的已知电路，其包括但不限于天线***、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。

音频电路506，主要用于从外设接口503接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器511。

扬声器511，用于将手机通过RF电路505从无线网络接收的语音信号，还原为声音并向用户播放该声音。

电源管理芯片608，用于为CPU602、I/O子***及外设接口所连接的硬件进行供电及电源管理。

上述实施例中提供的图像处理装置、存储介质及终端可执行本申请任意实施例所提供的图像处理方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的图像处理方法。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (11)

1.一种图像处理方法，其特征在于，包括：

获取第一人脸图像；

将第一人脸图像输入预先训练的通用瘦脸模型进行处理，以生成第一瘦脸图像，所述通用瘦脸模型对输入图像进行处理时具有预设的瘦脸属性强度；

输出所述第一瘦脸图像。

2.根据权利要求1所述的方法，其特征在于，对通用瘦脸模型进行的预先训练包括：

获取具有不同瘦脸属性强度的人脸图像样本；

基于具有不同瘦脸属性强度的人脸图像样本对预设机器学习模型进行训练，得到所述通用瘦脸模型。

3.根据权利要求1所述的方法，其特征在于，生成第一瘦脸图像之后进一步包括：

判断第一瘦脸图像是否符合用户需求，若符合则对第一瘦脸图像标记用户瘦脸属性强度并进行预设机器学习模型训练，以得到用户瘦脸模型，所述用户瘦脸模型具有根据用户习惯校正的瘦脸属性强度，若不符合则所述通用瘦脸模型根据用户指定的瘦脸属性强度生成第二瘦脸图像。

4.根据权利要求3所述的方法，其特征在于，所述若不符合则所述通用瘦脸模型根据用户指定的瘦脸属性强度生成第二瘦脸图像进一步包括：

调整通用瘦脸模型的预设的瘦脸属性强度为更高级别或更低级别的瘦脸属性强度；

根据调整后的瘦脸属性强度，将第一人脸图像输入通用瘦脸模型生成第二瘦脸图像。

5.根据权利要求3所述的方法，其特征在于，生成第二瘦脸图像后进一步包括：

判断第二瘦脸图像是否符合用户需求，若符合则对第二瘦脸图像标记用户瘦脸属性强度并进行预设机器学习模型训练，以得到所述用户瘦脸模型，所述用户瘦脸模型对输入图像进行处理时具有根据用户习惯校正的瘦脸属性强度。

6.根据权利要求5所述的方法，其特征在于，所述根据用户***均值。

7.根据权利要求6所述的方法，其特征在于，生成第一瘦脸图像之前进一步包括：

识别第一人脸图像对应用户身份，根据所述用户身份选择对应根据用户习惯校正的瘦脸属性强度作为所述用户瘦脸模型预设的瘦脸属性强度，以处理输入的第一人脸图像。

8.根据权利要求1-7任意一项所述的方法，其特征在于，所述预设的瘦脸属性强度为一固定值或比第一人脸图像的瘦脸属性强度高1-2个强度级别。

9.一种图像处理装置，其特征在于，包括：

图像获取模块，用于获取第一人脸图像；

图像生成模块，用于将第一人脸图像输入预先训练的通用瘦脸模型进行处理，以生成第一瘦脸图像，所述通用瘦脸模型对输入图像进行处理时具有预设的瘦脸属性强度；

图像输出模块，用于输出所述第一瘦脸图像。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的图像处理方法。

11.一种终端，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-8任一所述的图像处理方法。