具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
本公开提供的图像增强质量评估方法、装置、电子设备和存储介质,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本公开的实施例进行描述。
本公开实施例中提供了一种图像增强质量评估的方法,如图1所示,该方法包括:
步骤S101:获取第一图像和针对第一图像进行图像增强处理所得的第一增强图像。
其中,第一图像包括包含人像的原始图像,第一增强图像包括对该原始图像进行图像增强处理之后得到的图像。
可以理解的是,可以从本地获取被选定的待评估的第一图像以及对应的第一增强图像;或者,可以通过网络传输接收外部传输的第一图像以及对应的第一增强图像。并且第一增强图像可以是预先经过增强处理得到的,也可以是实时进行增强处理得到的。
步骤S102:提取第一图像中的人脸肤色区域作为第一肤色区域,以及提取第一增强图像中的人脸肤色区域作为第二肤色区域。
在本公开的一个实施例中,提取第一图像中的人脸肤色区域作为第一肤色区域,以及提取第一增强图像中的人脸肤色区域作为第二肤色区域,包括:
(1)检测第一图像中的人脸关键点区域作为第一人脸关键点区域,按照预设的人脸三角区域位置点从第一人脸关键点区域中提取人脸三角区域作为第一肤色区域。
(2)检测第一增强图像中的人脸关键点区域作为第二人脸关键点区域,按照预设的人脸三角区域位置点从第二人脸关键点区域中提取人脸三角区域作为第二肤色区域。
可以理解的是,当对图像进行图像增强处理时,脸部的变化往往更受关注,因此,在具体的实现过程中,可以将图像中整个脸部相关的区域作为肤色区域,然后针对该肤色区域进行图像增强质量的评估,选择整个脸部区域而不是整张图像,可以提高整体评估效率。
进一步的,在本公开的一个实施例中,还可以按照预设的人脸三角区域从人脸关键点区域中继续提取人脸三角区域进行图像增强质量的评估。可以理解的是,人脸容易光照、及五官的影响,因此可以在整个人脸区域中提取更小范围的脸部区域,比如较为平坦的区域作为肤色区域,以减少环境对评估的影响,提高评估的客观性。
在本公开的一个实施例中,通过以下方式提取图像中的人脸关键点:
将待提取人脸关键点的图像输入预先训练的人脸关键点检测模型,获取人脸关键点模型输出的68个人脸关键点。
其中,预先训练好的人脸关键点检测模型包括已在300W数据集上训练的人脸68点检测模型DAN(Deep Alignment Network),通过将包含人脸的图像输入该人脸关键点检测模型,可以输出该人脸图像的人脸关键点,具体可以参考图2,图2为人脸图像中的68个人脸关键点。对于不能检测到人脸关键点的人脸图像可以直接终止评估。
需要说明的是,本公开实施例在提取图像中的人脸关键点时,除了采用上述人脸68点检测模型检测出人脸的关键点,还可以其他的人脸检测模型进行检测,具体的,人脸关键点检测模型还包括人脸72、128、150、201点等多检测模型。可以返回人脸关键点坐标位置,包括人脸轮廓、眼睛、眉毛、嘴唇以及鼻子轮廓等。
因此,可以根据该人脸关键点检测模型提取第一图像中的人脸关键点区域作为第一人脸关键点区域,提取第一增强图像中的人脸关键点区域作为第二人脸关键点区域。然后可以在第一人脸关键点区域及第二人脸关键点区域提取肤色区域,其中,提取的关键点位置和数量可以是由本领域技术人员自行设定。
在本公开的一个实施例中,预设的人脸三角区域位置包括图2中37、32、49三点构建的三角区域及46、36、55三点构建的三角区域。可以理解的是,选择该区域作为肤色区域,而不是完整的人脸作为肤色区域,原因是该区域较为平坦,减少光照和五官的影响,可以提高识别精度。该区域在人脸图像上的范围可参考图3中白色线条圈住的三角区域。
需要说明的是,本公开中的肤色区域可以是确定的肤色区域的肤色均值,可以理解的是,在根据预设的人脸三角区域位置点从人脸关键点区域提取人脸三角区域后,可以根据该区域中像素点的像素均值,得到该肤色区域的肤色均值。
具体的,像素均值包括r、g、b的值。其中,r、g、b为一种颜色标准,这个标准几乎包括了人类视力所能感知的所有颜色,其是通过对红(r)、绿(g)、蓝(b)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。肤色均值包括Y、Cb、Cr的值。其中,YCbCr表示一种色彩空间,Y表示颜色的亮度分量,Cb和Cr表示颜色的色度分量,具体的,Cb表示蓝色色度分量,Cr表示红色色度分量。
根据肤色区域中像素点的像素均值,得到该肤色区域的肤色均值可以通过色域变化得到,具体的,可以通过下述色域转换公式(1)得到肤色区域的肤色值:
在本公开的一个实施例中,通过以下方式提取人脸三角区域:
(1)从待提取人脸三角区域的人脸关键点区域中提取左脸三角区域和/或右脸三角区域。
(2)当仅提取到左脸三角区域时,将提取到的左脸三角区域作为人脸三角区域。
(3)当仅提取到右脸三角区域时,将提取到的右脸三角区域作为人脸三角区域。
(4)当提取到左脸三角区域和右脸三角区域时,对提取到的左脸三角区域和右脸三角区域的像素进行均值处理,将均值处理后所得的区域作为人脸三角区域。
可以理解的是,针对于每一包含人脸的图像,对于人脸的包含情况不尽相同,示例性的,有的仅包括左脸,有的仅包括右脸,也有的包括整脸。因此从待提取人脸三角区域的人脸关键点区域中对于左脸三角区域和右脸三角区域的提取包括多种情况。
可以理解的是,对于左脸三角区域与右脸三角区域,会因为光照和五官的影响,两边的像素会略有不同,为了达到精准评估的目的,可以对左脸三角区域与右脸三角区域进行像素的均值处理,并将均值处理后的区域作为新的人脸三角区域。
步骤S103:通过预先训练的肤色识别模型确定第一肤色区域对应的肤色概率作为第一肤色概率,以及确定第二肤色区域对应的肤色概率作为第二肤色概率,肤色识别模型用于识别肤色区域为标准自然肤色的概率。
其中,预先训练的肤色识别模型可以识别肤色区域为标准自然肤色的概率。在本公开的一个实施例中,如图4所示,肤色识别模型的构建过程,包括:
步骤S401:获取预设的人脸图像数据集,并提取预设的人脸图像数据集对应的肤色数据集。
其中,预设的人脸图像数据集默认使用300W人像数据集,通过使用重量级的样本数据,可以构造出更精准的肤色识别模型。在获取300w数据集后,针对每一人脸图像数据,可以提取该人脸图像中的肤色区域,利用每个肤色区域的像素值,然后根据公式1中的色域变化公式得到每个肤色区域的肤色值,统计得到对应的得到300W肤色数据集。
需要说明的是,随着评估图像的增加,可以将评估图像的肤色值也添加至肤色数据集中以更新该肤色数据集。通过不断地更新肤色数据集,可以使得构建的肤色识别模型更加精准。
步骤S402:基于肤色数据集进行计算得到肤色参数,肤色参数包括色度均值、色度标准差及色度协方差。
需要说明的是,不同人种人脸肤色在亮度分量Y上差异较大,但在色度分量Cr和Cb上较为集中;为避免数据集中不同人种比例影响,可以将亮度分量Y舍去,以可以兼容识别各种肤色的人脸。
具体的,蓝色色度均值及红色色度均值可以分别通过下述公式(2)及(3)获得:
其中,
表示蓝色色度均值,/>
表示红色色度均值,N表示肤色数据集个数,在本公开的一个实施例中可以是300W,i表示肤色数据集的序号,并无实际物理含义。
蓝色色度标准差及红色色度标准差可以分别通过下述公式(4)及(5)获得:
其中,σCb表示蓝色色度标准差,σCr表示红色色度标准差。
色度协方差可以通过下述公式(6)获得:
其中,Cov(Cb,Cr)表示色度协方差。
步骤S403:利用肤色参数训练高斯混合模型得到肤色识别模型。
可以理解的是,由于肤色参数涉及蓝色分量及红色分量两个分量,因此高斯混合模型可以是二维的高斯混合模型,通过将上述得到的肤色参数,比如色度均值、色度标准差及色度协方差。输入二维高斯混合模型中,可以得到肤色识别模型,其中,肤色识别模型可以通过下述公式(7)表示。
其中,Cb~表示蓝色色度变量,Cr~表示红色色度变量,f(Cb~,Cr~)表示肤色识别函数,即肤色识别模型。通过上述公式可知,通过将肤色区域输入该模型,可以识别该肤色区域为标准自然肤色的概率。
在本公开的一个实施例中,通过以下方式确定肤色区域对应的肤色概率:
确定待识别的肤色区域的色度分量,将色度分量输入肤色识别模型,获取肤色识别模型基于色度分量识别出的肤色概率。
首先需要说明的是,通过确定待识别的肤色区域的色度分量,而排除亮度分量,可以兼容识别各种肤色的人脸。
具体的,公式7中的Cb~表示蓝色色度变量,Cr~表示红色色度变量,因此可以将待识别的肤色区域的色度分量,即蓝色与红色分量输入预先训练好的肤色识别模型中,以输出当前待识别肤色区域的为自然肤色区域的概率。将第一肤色区域中的第一色度分量输入肤色识别模型中输出第一肤色区域对应的第一肤色概率,将第二肤色区域中的第二色度分量输入肤色识别模型中输出第二肤色区域对应的第二肤色概率。
步骤S104:根据第一肤色概率和第二肤色概率,确定第一增强图像相对第一图像的肤色失真度。
可以理解的是,第一增强图像是第一图像经过图像增强处理后的图像,为了评估图像增强处理对肤色的影响程度,可以利用在肤色识别模型中获得得到的为自然标准肤色的概率进一步获得增强后图像相对于原图像的失真值。
在本公开的一个实施例中,根据第一肤色概率和第二肤色概率,确定第一增强图像相对第一图像的肤色失真度,包括:
根据第一肤色概率和第二肤色概率计算联合概率,将联合概率作为第一增强图像相对第一图像的肤色失真度。
其中,第一肤色概率为原始人脸图像中的肤色为自然标准肤色的概率,第二肤色概率为根据原始人脸图像进行图像增强后的图像中的肤色为自然标准肤色的概率,为了更直观地衡量图像增强对于人脸图像中的肤色造成的影响,可以根据第一肤色概率及第二肤色概率计算联合概率,并将联合概率作为增强图像相对于原始图像的肤色失真度。
具体的,可以通过下述公式(8)获得第一增强图像相对第一图像的肤色失真度:
其中,y表示肤色失真度,P原图表示第一肤色概率,P增强后表示第二肤色概率δ表示一个极小值,并无实际意义,仅为了避免计算出错。
此外,由于肤色失真度表示增强后图像相对于原图像的失真程度,当失真程度达到一定阈值时,还可以将失真程度较大的增强图像进一步筛选并删除,以免引起人眼不适。
本公开通过提取第一图像中的人脸肤色区域作为第一肤色区域,通过提取第一增强图像中的人脸肤色区域作为第二肤色区域,使得可以基于提取的肤色区域而不是整个图像区域评估图像的整体效果,并且通过将提取的肤色区域输入预先训练好的肤色识别模型,可以客观地评估第一图像及第一增强图像中的肤色为自然标准肤色的概率,提高了评估的效率,最后利用第一肤色概率和第二肤色概率确定第一增强图像相对于第一图像的肤色失真程度,直观地衡量图像增强对于人脸图像中的肤色造成的影响。
为了更好地理解本公开,在本公开的一个实施例中,如图5所示,提供了另一种图像增强质量评估的方法。
具体的,第一图像为原始的包括人脸的图像,第一增强图像为根据原始图像进行图像增强后的图像,将原图和图像增强后图像分别输入到人脸肤色提取单元,提取人脸关键点,若有关键点则继续评估;若无人脸关键点,则终止对该图像增强质量的评估。
然后将特定的人脸关键点,根据图2中的(37、32、49和46、36、55)点在第一图像及第一增强图像中对应的区域进行连接,以确定第一肤色区域与第二肤色区域,可以理解的是,选择该区域作为肤色区域,而不是完整的人脸作为肤色区域,原因是该区域较为平坦,减少光照和五官的影响,可以提高识别精度。
当确定肤色区域后,分别提取第一肤色区域与第二肤色区域中的像素均值,并利用公式(1)中的色域变换公式将像素参数值rgb转换为色度参数值YCbCr,需要说明的是,不同人种人脸肤色在亮度分量Y上差异较大,但在色度分量Cb和Cr上较为集中;为避免不同人种比例影响,可以将亮度分量Y舍去,以可以兼容识别各种肤色的人脸。
将色度分量输入预先训练好的肤色识别模型中,以输出当前待识别肤色区域的为自然肤色区域的概率。即将第一肤色区域中的第一色度分量输入肤色识别模型中输出第一肤色区域对应的第一肤色概率,将第二肤色区域中的第二色度分量输入肤色识别模型中输出第二肤色区域对应的第二肤色概率。
为了更直观地衡量图像增强对于人脸图像中的肤色造成的影响,可以根据第一肤色概率及第二肤色概率计算联合概率,并将联合概率作为增强图像相对于原始图像的肤色失真度。
需要说明的是,随着评估图像的增加,可以将评估图像的肤色值也添加至肤色数据集中以更新该肤色数据集。通过不断地更新肤色数据集,可以使得构建的肤色识别模型更加精准。
本公开实施例提供了一种图像增强质量评估装置,如图6所示,该图像评估装置60可以包括:获取模块601、提取模块602、第一确定模块603以及第二确定模块604,其中,
获取模块601,用于获取第一图像和针对第一图像进行图像增强处理所得的第一增强图像;
提取模块602,用于提取第一图像中的人脸肤色区域作为第一肤色区域,以及提取第一增强图像中的人脸肤色区域作为第二肤色区域;
第一确定模块603,用于通过预先训练的肤色识别模型确定第一肤色区域对应的肤色概率作为第一肤色概率,以及确定第二肤色区域对应的肤色概率作为第二肤色概率,肤色识别模型用于识别肤色区域为标准自然肤色的概率;
第二确定模块604,用于根据第一肤色概率和第二肤色概率,确定第一增强图像相对第一图像的肤色失真度。
本实施例的图像增强质量评估装置可执行本公开前述实施例所示的图像增强质量评估方法,其实现原理相类似,此处不再赘述。
本公开通过提取第一图像中的人脸肤色区域作为第一肤色区域,通过提取第一增强图像中的人脸肤色区域作为第二肤色区域,使得可以基于提取的肤色区域而不是整个图像区域评估图像的整体效果,并且通过将提取的肤色区域输入预先训练好的肤色识别模型,可以客观地评估第一图像及第一增强图像中的肤色为自然标准肤色的概率,提高了评估的效率,最后利用第一肤色概率和第二肤色概率确定第一增强图像相对于第一图像的肤色失真程度,直观地衡量图像增强对于人脸图像中的肤色造成的影响。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备700的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
电子设备包括:存储器以及处理器,其中,这里的处理器可以称为下文所述的处理装置701,存储器可以包括下文中的只读存储器(ROM)702、随机访问存储器(RAM)703以及存储装置708中的至少一项,具体如下所示:
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置707;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
获取第一图像和针对第一图像进行图像增强处理所得的第一增强图像;
提取第一图像中的人脸肤色区域作为第一肤色区域,以及提取第一增强图像中的人脸肤色区域作为第二肤色区域;
通过预先训练的肤色识别模型确定第一肤色区域对应的肤色概率作为第一肤色概率,以及确定第二肤色区域对应的肤色概率作为第二肤色概率,肤色识别模型用于识别肤色区域为标准自然肤色的概率;
根据第一肤色概率和第二肤色概率,确定第一增强图像相对第一图像的肤色失真度。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块或单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种图像增强质量评估方法,包括:
获取第一图像和针对第一图像进行图像增强处理所得的第一增强图像;
提取第一图像中的人脸肤色区域作为第一肤色区域,以及提取第一增强图像中的人脸肤色区域作为第二肤色区域;
通过预先训练的肤色识别模型确定第一肤色区域对应的肤色概率作为第一肤色概率,以及确定第二肤色区域对应的肤色概率作为第二肤色概率,肤色识别模型用于识别肤色区域为标准自然肤色的概率;
根据第一肤色概率和第二肤色概率,确定第一增强图像相对第一图像的肤色失真度。
在本公开的一个实施例中,提取第一图像中的人脸肤色区域作为第一肤色区域,以及提取第一增强图像中的人脸肤色区域作为第二肤色区域,包括:
检测第一图像中的人脸关键点区域作为第一人脸关键点区域,按照预设的人脸三角区域位置点从第一人脸关键点区域中提取人脸三角区域作为第一肤色区域;
检测第一增强图像中的人脸关键点区域作为第二人脸关键点区域,按照预设的人脸三角区域位置点从第二人脸关键点区域中提取人脸三角区域作为第二肤色区域。
在本公开的一个实施例中,通过以下方式提取人脸三角区域:
从待提取人脸三角区域的人脸关键点区域中提取左脸三角区域和/或右脸三角区域;
当仅提取到左脸三角区域时,将提取到的左脸三角区域作为人脸三角区域;
当仅提取到右脸三角区域时,将提取到的右脸三角区域作为人脸三角区域;
当提取到左脸三角区域和右脸三角区域时,对提取到的左脸三角区域和右脸三角区域的像素进行均值处理,将均值处理后所得的区域作为人脸三角区域。
在本公开的一个实施例中,通过以下方式提取图像中的人脸关键点:
将待提取人脸关键点的图像输入预先训练的人脸关键点检测模型,获取人脸关键点模型输出的68个人脸关键点。
在本公开的一个实施例中,通过以下方式确定肤色区域对应的肤色概率:
确定待识别的肤色区域的色度分量,将色度分量输入肤色识别模型,获取肤色识别模型基于色度分量识别出的肤色概率。
在本公开的一个实施例中,根据第一肤色概率和第二肤色概率,确定第一增强图像相对第一图像的肤色失真度,包括:
根据第一肤色概率和第二肤色概率计算联合概率,将联合概率作为第一增强图像相对第一图像的肤色失真度。
在本公开的一个实施例中,肤色识别模型的构建过程,包括:
获取预设的人脸图像数据集,并提取预设的人脸图像数据集对应的肤色数据集;
基于肤色数据集进行计算得到肤色参数,肤色参数包括色度均值、色度标准差及色度协方差;
利用肤色参数训练高斯混合模型得到肤色识别模型。
根据本公开的一个或多个实施例,提供了一种图像增强质量评估装置,包括:
获取模块,用于获取第一图像和针对第一图像进行图像增强处理所得的第一增强图像;
提取模块,用于提取第一图像中的人脸肤色区域作为第一肤色区域,以及提取第一增强图像中的人脸肤色区域作为第二肤色区域;
第一确定模块,用于通过预先训练的肤色识别模型确定第一肤色区域对应的肤色概率作为第一肤色概率,以及确定第二肤色区域对应的肤色概率作为第二肤色概率,肤色识别模型用于识别肤色区域为标准自然肤色的概率;
第二确定模块,用于根据第一肤色概率和第二肤色概率,确定第一增强图像相对第一图像的肤色失真度。
在本公开的一个实施例中,提取模块,包括:
第一提取子模块,用于检测第一图像中的人脸关键点区域作为第一人脸关键点区域,按照预设的人脸三角区域位置点从第一人脸关键点区域中提取人脸三角区域作为第一肤色区域;
第二提取子模块,用于检测第一增强图像中的人脸关键点区域作为第二人脸关键点区域,按照预设的人脸三角区域位置点从第二人脸关键点区域中提取人脸三角区域作为第二肤色区域。
在本公开的一个实施例中,通过以下方式提取人脸三角区域:
从待提取人脸三角区域的人脸关键点区域中提取左脸三角区域和/或右脸三角区域;
当仅提取到左脸三角区域时,将提取到的左脸三角区域作为人脸三角区域;
当仅提取到右脸三角区域时,将提取到的右脸三角区域作为人脸三角区域;
当提取到左脸三角区域和右脸三角区域时,对提取到的左脸三角区域和右脸三角区域的像素进行均值处理,将均值处理后所得的区域作为人脸三角区域。
在本公开的一个实施例中,通过以下方式提取图像中的人脸关键点:
将待提取人脸关键点的图像输入预先训练的人脸关键点检测模型,获取人脸关键点模型输出的68个人脸关键点。
在本公开的一个实施例中,第一确定模块,包括:
第一获取子模块,用于确定待识别的肤色区域的色度分量,将色度分量输入肤色识别模型,获取肤色识别模型基于色度分量识别出的肤色概率。
在本公开的一个实施例中,第二确定模块,包括:
确定子模块,用于根据第一肤色概率和第二肤色概率计算联合概率,将联合概率确定为第一增强图像相对第一图像的肤色失真度。
在本公开的一个实施例中,图像增强质量评估装置还包括肤色识别模型的构建模块,具体包括:
第二获取子模块,用于获取预设的人脸图像数据集,并提取预设的人脸图像数据集对应的肤色数据集;
计算子模块,用于基于肤色数据集进行计算得到肤色参数,肤色参数包括色度均值、色度标准差及色度协方差;
训练子模块,用于利用肤色参数训练高斯混合模型得到肤色识别模型。
根据本公开的一个或多个实施例,提供了一种电子设备,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于执行本公开第一方面的图像增强质量评估方法。
根据本公开的一个或多个实施例,提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面的图像增强质量评估方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。