CN117372615A - 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
- CN117372615A CN117372615A CN202311338029.6A CN202311338029A CN117372615A CN 117372615 A CN117372615 A CN 117372615A CN 202311338029 A CN202311338029 A CN 202311338029A CN 117372615 A CN117372615 A CN 117372615A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- whitening
- target
- skin area
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 230000002087 whitening effect Effects 0.000 claims abstract description 331
- 238000012545 processing Methods 0.000 claims abstract description 155
- AXDJCCTWPBKUKL-UHFFFAOYSA-N 4-[(4-aminophenyl)-(4-imino-3-methylcyclohexa-2,5-dien-1-ylidene)methyl]aniline;hydron;chloride Chemical compound Cl.C1=CC(=N)C(C)=CC1=C(C=1C=CC(N)=CC=1)C1=CC=C(N)C=C1 AXDJCCTWPBKUKL-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims description 106
- 238000000034 method Methods 0.000 claims description 78
- 238000012549 training Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 6
- 238000007639 printing Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 41
- 206010015150 Erythema Diseases 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010064503 Excessive skin Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002500 effect on skin Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2021—Shape modification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开提供了图像处理方法、装置、电子设备及存储介质,涉及图像处理技术领域,尤其涉及大模型、人工智能和深度学习领域。具体实现方案为:获取原始的第一图像中人物的皮肤区域;对第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像;对目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。本公开实施例可以在保留原始肤色状态的同时,对皮肤区域进行美白处理,保留皮肤高光和阴影部分的比例,实现更好的美白效果。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及大模型、人工智能和深度学习领域,尤其涉及图像处理方法、装置、电子设备及存储介质。
背景技术
数字图像美容和人物美白已成为当今数字摄影和图像处理领域的热点,传统的美白算法在追求皮肤美白的过程中会破坏肤色的自然底色,使得处理后的图像不真实。
发明内容
本公开提供了一种图像处理方法、装置、电子设备以及存储介质。
根据本公开的第一方面,提供了一种图像处理方法,所述方法包括:获取原始的第一图像中人物的皮肤区域;对所述第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像;对所述目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
根据本公开的第二方面,提供了一种图像处理装置,包括:第一获取模块,用于获取原始的第一图像中人物的皮肤区域;第二获取模块,用于对所述第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像;第三获取模块,用于对所述目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面所述方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例所提供的一种图像处理方法的流程示意图;
图2是本公开实施例所提供的另一种图像处理方法的流程示意图;
图3是本公开实施例所提供的另一种图像处理方法的流程示意图;
图4是本公开实施例所提供的另一种图像处理方法的流程示意图;
图5是本公开实施例所提供的另一种图像处理方法的流程示意图;
图6是本公开实施例所提供的另一种图像处理方法的流程示意图;
图7是本公开实施例所提供的一种图像处理模型的训练方法的流程示意图;
图8是本公开实施例所提供的一种图像处理模型的模型结构图;
图9是本公开实施例所提供的另一种图像处理方法的流程示意图;
图10是本公开实施例所提供的一种图像处理装置的结构示意图;
图11是本公开实施例所提供的一种图像处理模型的训练装置的结构示意图;
图12是本公开实施例所提供的另一种图像处理装置的结构示意图;
图13是用来实现本公开实施例的图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图像处理(Image Processing),用计算机对图像进行分析,以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值。图像处理技术一般包括图像压缩,增强和复原,匹配、描述和识别等部分。
大模型(Large Models),是指具有数百万或数十亿个参数的深度神经网络模型,这种模型经过专门的训练过程,能够对大规模数据进行复杂的处理和任务处理,如自然语言处理(包括机器翻译、文本生成和语言模型等)、计算机视觉(包括图像分类、目标检测和图像生成等)、语音识别(包括语音转文字和语音识别等)等。
人工智能(Artificial Intelligence),是一个以计算机科学为基础,由计算机、心理学、哲学等多学科交叉融合的交叉学科,研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***。
深度学习(Deep Learning,DL),是机器学习领域中一个新的研究方向,深度学习是学习样本数据的内在规律和表示层次,最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
图1为本公开实施例所提供的一种图像处理方法的流程示意图。如图1所示,该方法包括以下步骤:
S101,获取原始的第一图像中人物的皮肤区域。
在一些实现中,第一图像是待处理的图像,第一图像可以实时拍摄得到,也可以在图库、数据库或网络上直接得到。
可以理解的是,第一图像中包括人物的皮肤区域,获取原始的第一图像中人物的皮肤区域进行后续的处理。
可选地,可以基于人物检测模型识别原始的第一图像中的人物区域,进而根据皮肤检测模型识别人物区域的皮肤区域。
在一些实现中,可以通过人物检测模型提取原始的第一图像中的特征点,根据所有的特征点确定第一图像中的人物区域,人物检测模型可以是预训练的深度神经网络模型,基于预训练的深度神经网络模型提取特征点,从而输出第一图像中的人物区域。
在一些实现中,可以通过皮肤检测模型提取人物区域中的皮肤特征点,根据所有的皮肤特征点确定人物区域中的皮肤区域,皮肤检测模型可以是预训练的深度神经网络模型,基于预训练的深度神经网络模型提取皮肤特征点,从而得到人物区域中的皮肤区域。
S102,对第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像。
考虑到直接对皮肤区域进行美白会导致皮肤美白过度,导致图像不自然,美白效果较差,因此可以对第一图像中的皮肤区域进行偏红美白,使得对皮肤区域美白的同时,保留皮肤区域原有的自然底色和红润的特点,以保证处理后的目标美白图像更加自然和真实。
可选地,可以通过不断调节第一图像中皮肤区域的各通道取值,也就是红绿蓝(Red Green Blue,RGB)通道的红色通道、绿色通道和蓝色通道,从而更改第一图像中皮肤区域所呈现出的效果,直至第一图像中皮肤区域达到偏红美白的效果,得到目标美白图像。
可选地,还可以预先配置出偏红美白的目标值,将第一图像中皮肤区域的各通道取值调整为对应的目标值,直接实现偏红美白的效果,得到目标美白图像。
进一步地,在偏红美白之后,还可以再次调节第一图像皮肤区域的红色通道取值,达到对第一图像品红调节的目的,使得目标美白图像所呈现的皮肤效果更加自然逼真。
S103,对目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
可以理解的是,对比度是指一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量,差异范围越大代表对比越大,一般来说,对比度越大,图像越清晰醒目,色彩也越鲜明艳丽,也就是说,高对比度对图像的清晰度、细节表现和灰度层次表现都有很大帮助。饱和度是指色彩的鲜艳程度,也称作纯度,在色彩学中,随着饱和度降低,色彩会变得暗淡直至称为无色彩,因此合适的对比度和饱和度会使得图像所呈现出的效果更好。
在一些实现中,得到目标美白图像之后,对目标美白图像中皮肤区域进行对比度和饱和度的调节,以提升目标美白图像中皮肤区域所呈现的效果,使得目标美白图像更清晰,色彩更丰富,得到呈现效果更好的第二图像。
在一些实现中,可以采用预设对比度对目标美白图像进行调节,从而保留皮肤高光和阴影部分的比例,得到对比度调节后的美白对比图像。在一些实现中,还可以设置对比度调节框,通过在对比度调节框内不断的调节对比度的取值,得到不同效果的调节图像,选取皮肤呈现效果最好的调节图像作为美白对比图像。
进一步地,可以采用预设饱和度对美白对比图像进行饱和度调节,从而确保皮肤区域能够呈现出更好的肤色状态,得到最终的第二图像。在一些实现中,还可以设置饱和度调节框,通过在饱和度调节框内不断的调节饱和度的取值,得到不同效果的饱和度调整图像,选取皮肤呈现效果最好的饱和度调整图像作为第二图像。
本公开实施例中,通过对第一图像中人物的皮肤区域进行偏红美白和品红调节,得到保留了皮肤红润状态时的目标美白图像,使得目标美白图像中保留了原始的肤色状态,保证了第一图像中皮肤区域的真实性;进而为了确保图像的呈现效果,对目标美白图像进行对比度和饱和度调节,保留皮肤高光和阴影部分的比例,保留原始皮肤状态的同时,能够实现较好的美白效果,使得处理后的第二图像更加真实。
图2为本公开实施例所提供的一种图像处理方法的流程示意图。如图2所示,该方法包括以下步骤:
S201,获取原始的第一图像中人物的皮肤区域。
本公开实施例中,步骤S201的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S202,基于颜色查找表,对第一图像中皮肤区域进行偏红美白,得到初级美白图像。
颜色查找表可以理解为一个离散函数,在确定输入值之后,可以根据该颜色查找表得到对应的输出值。
在一些实现中,颜色查找表中可以预先配置出不同颜色效果的像素值,也就是颜色查找表中包括预先配置好的偏红的像素值。
在一些实现中,可以确定第一图像中皮肤区域内像素的第一RGB值,并基于第一RGB值在颜色查找表中,确定偏红的第二RGB值;将皮肤区域内像素的第一RGB值替换为第二RGB值,得到初级美白图像。也就是说,将第一RGB值输入颜色查找表中,输出偏红的第二RGB值,将皮肤区域内像素点的第一RGB值重置为第二RGB值,实现对皮肤区域的偏红美白处理,得到初级美白图像。
可以理解的是,第一RGB值和第二RGB值均包括三个通道的值,也就是第一RGB值包括第一红色(R)通道值、第一绿色(G)通道值和第一蓝色(B)通道值,第二RGB值包括第二红色(R)通道值、第二绿色(G)通道值和第二蓝色(B)通道值,也就是说,在将皮肤区域内像素的第一RGB值替换为第二RGB值时,是将皮肤区域内像素的第一红色(R)通道值、第一绿色(G)通道值和第一蓝色(B)通道值分别进行替换,得到初级美白图像,提高对皮肤区域美白的效率以及美白的效果。
S203,基于色彩模式转换,对初级美白图像中皮肤区域进行品红调节,得到目标美白图像。
色彩模式是用于表示颜色的一种算法,常见的色彩模式包括RGB模式、印刷四分色(Cyan-Magenta-Yellow-Key/blacK,CMYK)模式和灰度模式等。
为了保留皮肤区域的原始细节,避免初级美白图像中皮肤区域过度美白,对皮肤区域再次进行品红调节,使之更加贴近真实的皮肤状态;为了便于进行品红调节,将初级美白图像由RGB模式进行色彩模式转换,例如将RGB模式转换为CMYK模式;相较于初级美白图像的RGB模式,CMYK模式可以更加准确的还原初级美白图像中的颜色,因此通过调节CMYK模式下各通道的取值达到对初级美白图像中皮肤区域进行品红调节的目的,得到品红调节后的图像为目标美白图像。
S204,对目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
本公开实施例中,步骤S204的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
本公开实施例中,基于颜色查找表对皮肤区域进行偏红美白,得到初级美白图像,提高对皮肤区域偏红美白的效率和效果,进一步基于色彩模式转换,对初级美白图像中皮肤区域再次进行品红调节,使之能够更加准确的更改皮肤区域中的颜色细节,实现更接近肤色的美白,使得目标美白图像中的皮肤区域更加自然和真实,进而调节得到第二图像的效果更好。
图3为本公开实施例所提供的另一种图像处理方法的流程示意图。如图3所示,该方法包括以下步骤:
S301,获取原始的第一图像中人物的皮肤区域。
本公开实施例中,步骤S301的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S302,基于颜色查找表,对第一图像中皮肤区域进行偏红美白,得到初级美白图像。
本公开实施例中,步骤S302的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S303,对初级美白图像中皮肤区域内像素进行从RGB色彩模式转换至印刷四分色模式CMYK色彩模式,得到候选美白图像。
为了便于进行品红调节,将初级美白图像由RGB模式进行色彩模式转换,以提高对初级美白图像中皮肤区域品红调节的效果和准确性。
可选地,可以获取初级美白图像中皮肤区域内像素的第一红色R值、第一绿色G值和第一蓝色B值,并基于第一R值、第一G值和第一B值中的最大值,确定像素的黑色K值。
可以理解的是,由于CMYK色彩模式下的取值为0-1,因此可以对初级美白图像中皮肤区域内像素的取值进行归一化,基于归一化后的第一红色R值、第一绿色G值和第一蓝色B值确定像素的黑色K值。示例性地,第一红色R值可以为R1=R/255、第一绿色G值可以为G1=G/255以及第一蓝色B值可以为B1=B/255。
可选地,像素的黑色K值可以为:K=1-max(R1,G1,B1)。
进一步地,可以基于像素的第一R值和K值,确定像素的青色C值;可选地,像素的青色C值可以为:C=(1-R1-K)/(1-K)。
进一步地,可以基于像素的第一G值和K值,确定像素初始的品红色M值,并对初始的M值进行扩大,得到像素的M值;可选地,像素初始的品红色M值可以为:M=(1-G1-K)/(1-K),将像素初始的品红色M值进行扩大,得到像素的M值为:M′=γM,也就是将初始的M值扩大γ倍得到像素的M值M′。
在一些实现中,γ为预设的取值,用于增加皮肤区域的品红颜色,实现皮肤红润处理,以实现更接近肤色的美白效果。
进一步地,基于像素的第一B值和K值,确定像素的黄色Y值;可选地,像素的黄色Y值可以为:Y=(1-B1-K)/(1-K)。
在确定出像素的K值、C值、M值和Y值之后,基于像素的K值、C值、M值和Y值,得到候选美白图像,也就是得到皮肤区域各像素对应的CMYK值,将皮肤区域所有像素由RGB值转换为CMYK值,得到候选美白图像。
S304,对候选美白图像中皮肤区域内像素进行从CMYK色彩模式逆转换至RGB色彩模式,得到目标美白图像。
考虑到CMYK模式是一种依靠反光的色彩模式,为便于对图像进行后续处理,在对皮肤区域进行品红调节得到候选美白图像之后,将候选美白图像由CMYK色彩模式逆转换至RGB色彩模式,得到目标美白图像。
可选地,可以基于候选美白图像中皮肤区域内像素的C值和K值,确定像素的第二R值;第二R值可以为:R2=(1-C)*(1-K)。
进一步地,可以基于候选美白图像中像素的M值和K值,确定像素的第二G值;第二G值可以为:G2=(1-M′)*(1-K)。
进一步地,可以基于候选美白图像中像素的Y值和K值,确定像素的第二B值;第二B值可以为:B2=(1-Y)*(1-K)。
在确定出像素的第二R值、第二G值和第二B值之后,基于像素的第二R值、第二G值和第二B值,得到目标美白图像;可以理解的是,此处得到的第二R值、第二G值和第二B值是归一化后的取值,因此可以对第二R值、第二G值和第二B值进行反归一化处理,也就是将第二R值、第二G值和第二B值分别与255相乘,得到第二RGB值,将皮肤区域中像素的CMYK值更新为对应的第二RGB值,从而得到目标美白图像,该目标美白图像是对皮肤区域进行品红处理后的图像,皮肤区域的肤色状态更加接近真实状态,美白效果更好。
S305,对目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
本公开实施例中,步骤S305的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
本公开实施例中,将偏红调节后的初级美白图像进行色彩模式的转换,也就是将RGB模式转换为CMYK模式,以实现效果更好的品红调节,进而将CMYK模式逆转换为RGB模式,得到品红调节后的目标美白图像,该目标美白图像能够实现更接近肤色的美白,实现皮肤的红润处理,对皮肤区域的美白效果更好。
图4为本公开实施例所提供的另一种图像处理方法的流程示意图。如图4所示,该方法包括以下步骤:
S401,获取原始的第一图像中人物的皮肤区域。
本公开实施例中,步骤S401的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S402,对第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像。
本公开实施例中,步骤S402的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S403,确定目标对比度,基于目标对比度,对目标美白图像中皮肤区域内的像素进行对比度调节,得到美白对比图像。
在一些实现中,确定目标美白图像中皮肤区域内的像素的第三RGB值,并获取第三RGB值与设定值的差值,作为第四RGB值;基于第四RGB值和目标对比度,确定第五RGB值,并确定第五RGB值与设定值的和值,作为第六RGB值;将皮肤区域内的像素从第三RGB值替换为第六RGB值,得到美白对比图像。
可以理解的是,第三RGB值为目标美白图像中皮肤区域内像素点的像素值,设定值为人为预设的固定值,例如设定值可以为0.5。
在一些实现中,目标对比度可以是提前配置的对比度取值,目标对比度可以较好的保留皮肤高光和阴影部分的比例,通常情况下图像的对比度可以设置为对比度范围的居中值,例如对比度范围为0-100,则图像的对比度可以调节为50;可选地,本实施例中可以设置目标对比度为对比度范围的中值,以便于基于目标对比度进行调节,得到效果更好的美白对比图像。
在确定出皮肤区域内的像素的第三RGB值之后,确定第三RGB值与设定值的差值,例如在设定值为0.5时,也就是计算第三RGB值与0.5的差值,得到第四RGB值。
进一步地,可以根据第四RGB值和目标对比度,确定第五RGB值,例如计算第四RGB值与目标对比度的乘积,得到第五RGB值,以根据目标对比度对第四RGB值进行调节;在确定第五RGB值之后,计算第五RGB值与设定值的和值,作为第六RGB值。
可选地,第六RGB值的计算可以表示为:
其中,g6表示第六RGB值;α表示目标对比度;g3表示第三RGB值;表示设定值,可选地,/>可以取值为0.5;/>表示第四RGB值;/>表示第五RGB值。
在确定皮肤区域中每个像素的第六RGB值之后,将皮肤区域内的像素从第三RGB值替换为第六RGB值,得到美白对比图像,提高美白对比图像的调节效果和调节效率。
S404,确定目标饱和度和预设的权重向量,并基于权重向量和目标饱和度,对美白对比图像中皮肤区域内的像素进行饱和度调节,得到第二图像。
可选地,目标饱和度可以是提前配置的饱和度取值,合适的饱和度取值可以达到最完美的肤色状态,饱和度的取值范围为0%(完全灰色)-100%(非常饱和)之间,通常情况下图像的饱和度取值在20%-80%之间,因此目标饱和度可以是该20%-80%范围内的取值,为了达到较好的肤色状态,目标饱和度可以取值为40%-70%范围内的值。
可选地,预设的权重向量可以是维度为3的向量,以便于基于该预设的权重向量对RGB三个通道的取值进行调整。
在一些实现中,对美白对比图像内皮肤区域内像素的第六RGB值和权重向量做点积,得到皮肤区域内像素的图像亮度值;可以理解的是,第六RGB值包括R通道、G通道和B通道三个通道的取值,因此可以将第六RGB值作为一个3维的向量,从而对第六RGB值和权重向量做点积,得到皮肤区域内像素的图像亮度值。
进一步地,根据皮肤区域内像素的图像亮度值,得到皮肤区域内像素的图像灰色刻度值;基于目标饱和度,对像素的第六RGB值和图像灰色刻度值进行融合,得到第二图像。
在一些实现中,图像灰色刻度值可以理解为灰度值,任何灰度值在R、G、B三个通道的取值都相等,因此可以设定3个通道的取值均为该图像亮度值,得到对应的图像灰色刻度值,也就是说,图像灰度刻度值为L=(I,I,I),其中,I表示图像亮度值。
在一些实现中,基于目标饱和度,确定皮肤区域内的像素的第六RGB值和图像灰色刻度值在融合时的融合占比;按照融合占比,对皮肤区域内的像素的第六RGB值和图像灰色刻度值进行融合,得到第二图像,以确保第二图像可以呈现出较好的美白处理效果,使得美白后的图像更加接近真实图像。
也就是说,可以根据目标饱和度确定融合占比,从而对像素的第六RGB值和图像灰度刻度值进行融合,例如在目标饱和度为β时,可以设定按照β:1-β的融合占比对第六RGB值和图像灰度刻度值进行融合,也就是按照β*g6+(1-β)*L的融合占比对皮肤区域内像素的像素值进行更新,得到第二图像。
本公开实施例中,通过目标对比度和设定值对目标美白图像中皮肤区域进行初步调节得到美白对比图像,以目标对比度为基准进行对比度调节,较好的保留皮肤高光和阴影部分的比例;进一步根据目标饱和度和权重向量确定图像亮度值,基于图像亮度值确定图像灰度刻度值,并基于目标饱和度将图像灰度刻度值和第六RGB值进行融合,更好的调节美白对比图像中皮肤的状态,使得第二图像中人物的皮肤区域更接近真实肤色,保证对皮肤区域的美白的真实性。
图5为本公开实施例所提供的另一种图像处理方法的流程示意图。如图5所示,该方法包括以下步骤:
S501,对第一图像进行人体检测,得到人体检测框。
可以理解的是,人体检测框内包括第一图像内完整的人物所在区域。
可选地,人体检测算法可以是常用的目标检测算法,例如卷积神经网络(Convolutional Neural Networks,CNN)、单阶段目标检测(Single Shot MultiBoxDetector,SSD)算法和你只需看一次(You Only Look Once,YOLO)系列算法。也就是说,通过预训练的人体检测算法获取第一图像中的人体检测框,缩小皮肤区域检测的范围,提高皮肤区域获取的效率。
S502,对人体检测框内进行身体部位检测,得到身体部位检测区域。
由于人体检测框内可能包括除了人体之外的背景区域,也就是人体检测框内除了人体的身体部位之外可能还存在其他区域,因此为了提高对皮肤区域检测的效率,对人体检测框再次进行身体部分检测,得到人体的身体部位检测区域。
可选地,身体部位检测算法可以是常见的目标检测算法,例如CNN、SSD和YOLO系列算法,例如通过目标检测算法识别出人体的关节部位,根据人体的关节部位确定身体部位,从而得到只包括身体部位的身体部位检测框,减少对皮肤区域检测时的检测范围。
S503,在身体部位检测区域内进行皮肤检测,提取人物的皮肤区域。
本公开实施例的目的在于对皮肤区域的美白,因此仅对人体的皮肤区域进行提取和检测,也就是在范围更小的身体部位检测区域内进行皮肤检测,以缩小皮肤区域检测的范围,提高检测的速度。
在一些实现中,由于皮肤区域与身体其他区域的像素值存在一定差异,且皮肤区域像素值较为均匀,因此可以基于像素值特征对皮肤区域进行检查,例如采用常用的目标检测算法对满足皮肤区域特征的像素点进行检测并提取,最终得到人物的皮肤区域,对皮肤区域进行美白处理,避免了美白操作对身体其他区域的影响,提高对人体皮肤美白的精准度和效果。
S504,对第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像。
本公开实施例中,步骤S504的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S505,对目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
本公开实施例中,步骤S505的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
本公开实施例中,依次获取第一图像中的人体检测框和身体部位检测区域,在身体部位检测区域中进行皮肤区域的提取和检测,采用已有的目标检测算法,提高皮肤区域检测的准确性和效率,为后续对皮肤区域的美白提供更好的处理基础。
图6为本公开实施例所提供的另一种图像处理方法的流程示意图。如图6所示,该方法包括以下步骤:
S601,对第一图像进行人体检测,得到人体检测框。
本公开实施例中,步骤S601的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S602,对人体检测框内进行身体部位检测,得到身体部位检测区域。
本公开实施例中,步骤S602的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S603,在身体部位检测区域内进行皮肤检测,提取人物的皮肤区域。
本公开实施例中,步骤S603的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S604,基于颜色查找表,对第一图像中皮肤区域进行偏红美白,得到初级美白图像。
本公开实施例中,步骤S604的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S605,对初级美白图像中皮肤区域内像素进行从RGB色彩模式转换至印刷四分色模式CMYK色彩模式,得到候选美白图像。
本公开实施例中,步骤S605的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S606,对候选美白图像中皮肤区域内像素进行从CMYK色彩模式逆转换至RGB色彩模式,得到目标美白图像。
本公开实施例中,步骤S606的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S607,确定目标对比度,基于目标对比度,对目标美白图像中皮肤区域内的像素进行对比度调节,得到美白对比图像。
本公开实施例中,步骤S607的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S608,确定目标饱和度和预设的权重向量,并基于权重向量和目标饱和度,对美白对比图像中皮肤区域内的像素进行饱和度调节,得到第二图像。
本公开实施例中,步骤S608的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
本公开实施例中,基于颜色查找表对皮肤区域进行偏红美白,得到初级美白图像,提高对皮肤区域偏红美白的效率和效果,将偏红调节后的初级美白图像进行色彩模式的转换,也就是将RGB模式转换为CMYK模式,以实现效果更好的品红调节,得到保留了皮肤红润状态时的目标美白图像,使得目标美白图像中保留了原始的肤色状态,保证了第一图像中皮肤区域的真实性;对目标美白图像进行对比度和饱和度调节,保留皮肤高光和阴影部分的比例,更好的调节美白对比图像中皮肤的状态,使得第二图像中人物的皮肤区域更接近真实肤色,保证对皮肤区域的美白的真实性。
图7为本公开实施例所提供的一种图像处理模型的训练方法的流程示意图。如图7所示,该方法包括以下步骤:
S701,获取样本图像和样本图像的美白参考图像。
在一些实现中,样本图像可以是包含人物的任意类型图像,样本图像的美白参考图像也就是对样本图像进行美白处理后的效果较好的图像。
在一些实现中,可以将样本图像的美白参考图像作为标准图像,也就是说,对样本图像进行美白处理时,应尽可能达到与标准图像一样的效果,也就是与美白参考图像一样的效果。
S702,将样本图像输入图像处理模型中,提取样本图像中人物的皮肤区域,并对样本图像中的皮肤区域进行偏红美白和品红调节,得到样本美白图像,以及对样本美白图像中皮肤区域进行对比度和饱和度调节,得到目标美白图像。
在一些实现中,图像处理模型可以是能够处理复杂问题的大模型或者是一个或多个神经网络模型结合的模型,该图像处理模型至少可以实现目标检测、图像修改和图像调节的功能。
可选地,图像处理模型可以对样本图像实现人物的皮肤区域提取,也就是检测出样本图像中人物的皮肤区域,以便于后续对皮肤区域进行美白等处理。
可选地,图像处理模型还可以对提取出的皮肤区域进行偏红美白和品红调节,得到样本美白图像,使得样本美白图像中皮肤区域的处理可以保留红润的状态,对样本图像中皮肤区域的处理更加接近皮肤的真实状态。
进一步地,图像处理模型还可以对样本美白图像中的皮肤区域进行对比度和饱和度调节,保留皮肤区域中高光和阴影部分的比例,对样本图像的色彩处理效果更好,得到美白效果更好的目标美白图像。
S703,基于美白参考图像和目标美白图像的差异,对图像处理模型进行调整。
在一些实现中,美白参考图像和目标美白图像的差异可以是美白参考图像和目标美白图像中所有像素的像素值差异;或者是美白参考图像整体呈现效果和目标美白图像呈现效果之间的差异,该差异用于评估目标美白图像与美白参考图像之间是否接近。
可以理解的是,美白参考图像对样本图像处理效果较好的标准图像,因此目标美白图像与美白参考图像之间的差异越小,说明该图像处理模型所生成的目标美白图像的效果更好。因此基于美白参考图像和目标美白图像的差异,对图像处理模型进行调整。
在一些实现中,可以基于美白参考图像和目标美白图像的差异,确定图像处理模型的损失函数,基于损失函数对图像处理模型进行调整。
可选地,损失函数可以是美白参考图像和目标美白图像中所有像素的像素值差值函数,也可以是美白参考图像整体呈现效果和目标美白图像呈现效果之间的差异函数,该损失函数能够较好的反映美白参考图像和目标美白图像之间的差异情况,损失函数越大,说明美白参考图像和目标美白图像差异越大,损失函数越小,说明美白参考图像和目标美白图像越接近。
可选地,可以对图像处理模型中固定的模型参数进行调整,或者是对图像处理模型中偏红美白和品红调节的参数进行调整,还可以对饱和度或者对比度参数调整,使得图像处理模型能够输出与美白参考图像差异更小的目标美白图像,也就是使得图像处理模型对应的损失函数更小。
S704,继续使用下一样本图像对调整后的图像处理模型进行训练,直至训练结束,得到目标图像处理模型。
对图像处理模型进行初步调节后,可以得到调整后的图像处理模型,采用下一样本图像对调整后的图像处理模型继续进行训练。
在一些实现中,下一样本图像也存在对应的美白参考图像,用于对调整后的图像处理模型输出的目标美白图像进行分析,以确定当前调整后的图像处理模型的图像处理效果是否更好,以此类推,通过大量的样本图像对图像处理模型进行训练,直至对图像处理模型训练结束。
可以理解的是,目标美白图像与美白参考图像之间的差异最小时,也就是图像处理模型的损失函数最小时,图像处理模型的训练结束,得到最终的目标图像处理模型。
本公开实施例中,通过对图像处理模型进行训练,得到损失函数最小时的目标图像处理模型,也就是图像处理效果最好的目标图像处理模型,从而可以根据目标图像处理模型对图像进行美白处理,达到更好的偏红美白、品红调节、对比度调节以及饱和度调节效果,使得目标图像处理模型输出的处理图像的效果更好,更能保留皮肤的真实状态。
在上述实施例的基础之上,图8为本公开实施例所提供的一种图像处理模型的模型结构图。如图8所示,该图像处理模型至少包括皮肤提取层801、第一调节层802、第二调节层803、第三调节层804和第四调节层805。
作为一种可能的实现方式,皮肤调节层801用于对样本图像进行皮肤检测,提取样本图像中人物的皮肤区域,提高皮肤区域检测的效率和皮肤区域检测的准确性。
在一些实现中,可以对样本图像进行人体检测,得到样本人体检测框;对样本人体检测框内进行身体部位检测,得到身体部位的样本检测区域;在样本检测区域内进行皮肤检测,提取样本图像中人物的皮肤区域,提高皮肤区域检测的效率。
本公开实施例中,对样本图像进行人体检测、对样本人体检测框内进行身体部位检测以及在样本检测区域内进行皮肤检测的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
作为一种可能的实现方式,第一调节层802用于基于颜色查找表对样本图像中皮肤区域进行偏红美白,得到初级样本美白图像。也就是根据颜色查找表得到偏红美白后的皮肤区域,使得初级样本美白图像中可以保留皮肤红润的效果。
本公开实施例中,基于颜色查找表对样本图像中皮肤区域进行偏红美白的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
作为一种可能的实现方式,第二调节层803用于基于色彩模式转换,对初级样本美白图像中皮肤区域进行品红调节,得到样本美白图像。该样本美白图像中的皮肤区域更加接近皮肤的真实状态,在美白的同时确保了图像的真实效果,对皮肤区域的美白效果更好。
本公开实施例中,基于色彩模式转换,对初级样本美白图像中皮肤区域进行品红调节的方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
作为一种可能的实现方式,第三调节层804用于基于目标对比度,对样本美白图像中皮肤区域内的像素进行对比度调节,得到样本美白对比图像。以目标对比度作为调节基准,提高对样本美白图像中皮肤区域对比度调节的效率,并保留高光和阴影的细节比例,保证样本美白对比图像中皮肤区域美白的效果。
本公开实施例中,对样本美白图像中皮肤区域内的像素进行对比度调节的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
作为一种可能的实现方式,第四调节层805用于基于目标饱和度和预设的权重向量,对样本美白对比图像中皮肤区域内的像素进行饱和度调节,得到目标美白图像。基于目标饱和度和预设权重向量对样本美白对比图像进行饱和度调节,使得目标美白图像中能够更好的呈现出图像的色彩特征,保留人物的真实的皮肤状态,避免了过度美白导致美白效果不真实的情况,提高图像处理效率和图像处理效果。
本公开实施例中,对样本美白对比图像中皮肤区域内的像素进行饱和度调节的实现方法可以分别采用本公开的各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
本公开实施例中,基于图像处理模型中的皮肤提取层、第一调节层、第二调节层、第三调节层和第四调节层进行图像处理,得到美白效果更好的目标美白图像,通过图像处理模型能够提高对图像处理的效率,并保证对目标美白图像处理的准确性,通过对图像处理模型中的各层进行训练调整,得到最终效果更好更全面的目标图像处理模型,从而保证基于目标图像处理模型进行图像处理的效果。
在上述实施例的基础之上,图9是本公开实施例所提供的另一种图像处理方法的流程示意图。如图9所示,该方法包括以下步骤:
S901,获取原始的第一图像,将第一图像输入目标图像处理模型中。
在一些实现中,第一图像是待处理的图像,第一图像可以实时拍摄得到,也可以在图库、数据库或网络上直接得到。
可以理解的是,第一图像中包括人物的皮肤区域。
将第一图像输入到目标图像处理模型中进行图像处理。在一些实现中,该目标图像处理模型是预训练完成的模型,至少可以实现目标提取、图像修改和图像调整等功能。
本公开实施例中,图像处理模型的训练方法可以采用本公开各实施例中的任一种方式实现,在此并不对此作出限定,也不再赘述。
S902,由目标图像处理模型对第一图像中人物的皮肤区域进行提取,并对第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像,以及对目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
本公开实施例中,对第一图像中人物的皮肤区域进行提取、对第一图像中皮肤区域进行偏红美白和品红调节以及对目标美白图像中皮肤区域进行对比度和饱和度调节的实现方法,均可以采用本公开各实施例中的任一种方式实现在此并不对此作出限定,也不再赘述。
本公开实施例中,在获取原始的第一图像之后,将第一图像输入训练完成的图像处理模型中,输出第二图像,确保了第二图像获取的效率以及第二图像中对皮肤区域处理的效果,提升图像处理的体验并保证图像中人物的真实皮肤状态,使得处理后的皮肤区域真实性更强。
图10为本公开实施例所提供的一种图像处理装置的结构示意图。如图10所示,该图像处理装置1000包括:
第一获取模块1001,用于获取原始的第一图像中人物的皮肤区域;
第二获取模块1002,用于对第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像;
第三获取模块1003,用于对目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
在一些实现中,第二获取模块1002,包括:
基于颜色查找表,对第一图像中皮肤区域进行偏红美白,得到初级美白图像;
基于色彩模式转换,对初级美白图像中皮肤区域进行品红调节,得到目标美白图像。
在一些实现中,第二获取模块1002,包括:
确定第一图像中皮肤区域内像素的第一RGB值,并基于第一RGB值在颜色查找表中,确定偏红的第二RGB值;
将皮肤区域内像素的第一RGB值替换为第二RGB值,得到初级美白图像。
在一些实现中,第二获取模块1002,包括:
对初级美白图像中皮肤区域内像素进行从RGB色彩模式转换至印刷四分色模式CMYK色彩模式,得到候选美白图像;
对候选美白图像中皮肤区域内像素进行从CMYK色彩模式逆转换至RGB色彩模式,得到目标美白图像。
在一些实现中,第二获取模块1002,包括:
获取初级美白图像中皮肤区域内像素的第一红色R值、第一绿色G值和第一蓝色B值,并从第一R值、第一G值和第一B值中确定最大值,作为像素的黑色K值;
基于像素的第一R值和K值,确定像素的青色C值;
基于像素的第一G值和K值,确定像素初始的品红色M值,并对初始的M值进行扩大,得到像素的M值;
基于像素的第一B值和K值,确定像素的黄色Y值;
基于像素的K值、C值、M值和Y值,得到候选美白图像。
在一些实现中,第二获取模块1002,包括:
基于候选美白图像中皮肤区域内像素的C值和K值,确定像素的第二R值;
基于候选美白图像中像素的M值和K值,确定像素的第二G值;
基于候选美白图像中像素的Y值和K值,确定像素的第二B值;
基于像素的第二R值、第二G值和第二B值,得到目标美白图像。
在一些实现中,第三获取模块1003,包括:
确定目标对比度,基于目标对比度,对目标美白图像中皮肤区域内的像素进行对比度调节,得到美白对比图像;
确定目标饱和度和预设的权重向量,并基于权重向量和目标饱和度,对美白对比图像中皮肤区域内的像素进行饱和度调节,得到第二图像。
在一些实现中,第三获取模块1003,包括:
确定目标对比图像中皮肤区域内的像素的第三RGB值,并获取第三RGB值与设定值的差值,作为第四RGB值;
基于第四RGB值和目标对比度,确定第五RGB值,并确定第五RGB值与设定值的和值,作为第六RGB值;
将皮肤区域内的像素从第三RGB值替换为第六RGB值,得到美白对比图像。
在一些实现中,第三获取模块1003,包括:
对美白对比图像内皮肤区域内像素的第六RGB值和权重向量做点积,得到皮肤区域内像素的图像亮度值;
根据皮肤区域内像素的图像亮度值,得到皮肤区域内像素的图像灰色刻度值;
基于目标饱和度,对像素的第六RGB值和图像灰色刻度值进行融合,得到第二图像。
在一些实现中,第三获取模块1003,包括:
基于目标饱和度,确定皮肤区域内的像素的第六RGB值和图像灰色刻度值在融合时的融合占比;
按照融合占比,对皮肤区域内的像素的第六RGB值和图像灰色刻度值进行融合,得到第二图像。
在一些实现中,第一获取模块1001,包括:
对第一图像进行皮肤检测,提取第一图像中人物的皮肤区域。
在一些实现中,第一获取模块1001,包括:
对第一图像进行人体检测,得到人体检测框;
对人体检测框内进行身体部位检测,得到身体部位检测区域;
在身体部位检测区域内进行皮肤检测,提取人物的皮肤区域。
本公开实施例中,通过对第一图像中人物的皮肤区域进行偏红美白和品红调节,得到保留了皮肤红润状态时的目标美白图像,使得目标美白图像中保留了原始的肤色状态,保证了第一图像中皮肤区域的真实性;进而为了确保图像的呈现效果,对目标美白图像进行对比度和饱和度调节,保留皮肤高光和阴影部分的比例,保留原始的皮肤状态的同时实现较好的美白效果,使得处理后的第二图像更加真实。
图11是本公开实施例所提供的一种图像处理模型的训练装置的结构示意图。如图11所示,该图像处理模型的训练装置1100包括:
获取模块1101,用于获取样本图像和样本图像的美白参考图像;
处理模块1102,用于将样本图像输入图像处理模型中,提取样本图像中人物的皮肤区域,并对样本图像中的皮肤区域进行偏红美白和品红调节,得到样本美白图像,以及对样本美白图像中皮肤区域进行对比度和饱和度调节,得到目标美白图像;
调整模块1103,用于基于美白参考图像和目标美白图像的差异,对图像处理模型进行调整;
训练模块1104,用于继续使用下一样本图像对调整后的图像处理模型进行训练,直至训练结束,得到目标图像处理模型.
在一些实现中,调整模块1103,包括:
基于美白参考图像和目标美白图像的差异,确定图像处理模型的损失函数,基于损失函数对图像处理模型进行调整。
在一些实现中,处理模块1102,包括:
由第一调节层基于颜色查找表对样本图像中皮肤区域进行偏红美白,得到初级样本美白图像;
由第二调节层基于色彩模式转换,对初级样本美白图像中皮肤区域进行品红调节,得到样本美白图像。
在一些实现中,处理模块1102,包括:
由第三调节层基于目标对比度,对样本美白图像中皮肤区域内的像素进行对比度调节,得到样本美白对比图像;
由第四调节层基于目标饱和度和预设的权重向量,对样本美白对比图像中皮肤区域内的像素进行饱和度调节,得到目标美白图像。
在一些实现中,处理模块1102,包括:
由皮肤提取层对样本图像进行皮肤检测,提取样本图像中人物的皮肤区域。
在一些实现中,处理模块1102,包括:
对样本图像进行人体检测,得到样本人体检测框;
对样本人体检测框内进行身体部位检测,得到身体部位的样本检测区域;
在样本检测区域内进行皮肤检测,提取样本图像中人物的皮肤区域。
本公开实施例中,通过对图像处理模型进行训练,得到损失函数最小时的目标图像处理模型,也就是图像处理效果最好的目标图像处理模型,从而可以根据目标图像处理模型对图像进行美白处理,达到更好的偏红美白、品红调节、对比度调节以及饱和度调节效果,使得目标图像处理模型输出的处理图像的效果更好,更能保留皮肤的真实状态。
图12为本公开实施例所提供的另一种图像处理装置的结构示意图。如图12所示,该图像处理装置1200包括:
图像获取模块1201,用于获取原始的第一图像,将第一图像输入目标图像处理模型中;
图像处理模块1202,用于由目标图像处理模型对第一图像中人物的皮肤区域进行提取,并对第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像,以及对目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像;
其中,目标图像处理模型采用图像处理模型的训练装置中任一项的训练方法训练得到的模型。
本公开实施例中,在获取原始的第一图像之后,将第一图像输入训练完成的图像处理模型中,输出第二图像,确保了第二图像获取的效率以及第二图像中对皮肤区域处理的效果,提升图像处理的体验并保证图像中人物的真实皮肤状态,使得处理后的皮肤区域真实性更强
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备1300的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图13所示,设备1300包括计算单元1301,其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序,来执行各种适当的动作和处理。在RAM 1303中,还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305,包括:输入单元1306,例如键盘、鼠标等;输出单元1307,例如各种类型的显示器、扬声器等;存储单元1308,例如磁盘、光盘等;以及通信单元1309,例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理,例如图像处理方法。例如,在一些实施例中,图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时,可以执行上文描述的图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元1301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (41)
1.一种图像处理方法,其中,所述方法包括:
获取原始的第一图像中人物的皮肤区域;
对所述第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像;
对所述目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
2.根据权利要求1所述的方法,其中,所述对所述第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像,包括:
基于颜色查找表,对所述第一图像中皮肤区域进行偏红美白,得到初级美白图像;
基于色彩模式转换,对所述初级美白图像中皮肤区域进行品红调节,得到所述目标美白图像。
3.根据权利要求2所述的方法,其中,所述基于颜色查找表,对所述第一图像中皮肤区域进行偏红美白,得到初级美白图像,包括:
确定所述第一图像中皮肤区域内像素的第一RGB值,并基于所述第一RGB值在颜色查找表中,确定偏红的第二RGB值;
将所述皮肤区域内像素的所述第一RGB值替换为所述第二RGB值,得到所述初级美白图像。
4.根据权利要求2所述的方法,其中,所述基于色彩模式转换,对所述初级美白图像中皮肤区域进行品红调节,得到所述目标美白图像,包括:
对所述初级美白图像中皮肤区域内像素进行从RGB色彩模式转换至印刷四分色模式CMYK色彩模式,得到候选美白图像;
对所述候选美白图像中皮肤区域内像素进行从所述CMYK色彩模式逆转换至所述RGB色彩模式,得到所述目标美白图像。
5.根据权利要求3所述的方法,其中,所述对所述初级美白图像中皮肤区域内像素进行从RGB色彩模式转换至CMYK色彩模式,得到候选美白图像,包括:
获取所述初级美白图像中皮肤区域内像素的第一红色R值、第一绿色G值和第一蓝色B值,并基于所述第一R值、第一G值和第一B值中的最大值,确定所述像素的黑色K值;
基于所述像素的第一R值和K值,确定所述像素的青色C值;
基于所述像素的第一G值和K值,确定所述像素初始的品红色M值,并对所述初始的M值进行扩大,得到所述像素的M值;
基于所述像素的第一B值和K值,确定所述像素的黄色Y值;
基于所述像素的K值、C值、M值和Y值,得到所述候选美白图像。
6.根据权利要求3所述的方法,其中,所述对所述候选美白图像进行从所述CMYK色彩模式逆转换至所述RGB色彩模式,得到所述目标美白图像,包括:
基于所述候选美白图像中皮肤区域内像素的C值和K值,确定所述像素的第二R值;
基于所述候选美白图像中像素的M值和K值,确定所述像素的第二G值;
基于所述候选美白图像中像素的Y值和K值,确定所述像素的第二B值;
基于所述像素的第二R值、第二G值和第二B值,得到所述目标美白图像。
7.根据权利要求1-6中任一项所述的方法,其中,所述对所述目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像,包括:
确定目标对比度,基于所述目标对比度,对所述目标美白图像中皮肤区域内的像素进行对比度调节,得到美白对比图像;
确定目标饱和度和预设的权重向量,并基于所述权重向量和所述目标饱和度,对所述美白对比图像中皮肤区域内的像素进行饱和度调节,得到所述第二图像。
8.根据权利要求7所述的方法,其中,所述基于所述目标对比度,对所述目标美白图像中皮肤区域内的像素进行对比度调节,得到美白对比图像,包括:
确定所述目标对比图像中皮肤区域内的像素的第三RGB值,并获取所述第三RGB值与设定值的差值,作为第四RGB值;
基于所述第四RGB值和所述目标对比度,确定第五RGB值,并确定所述第五RGB值与所述设定值的和值,作为第六RGB值;
将所述皮肤区域内的像素从所述第三RGB值替换为所述第六RGB值,得到所述美白对比图像。
9.根据权利要求7所述的方法,其中,所述基于所述权重向量和所述目标饱和度,对所述美白对比图像中皮肤区域内的像素进行饱和度调节,得到所述第二图像,包括:
对所述美白对比图像内皮肤区域内像素的第六RGB值和所述权重向量做点积,得到所述皮肤区域内像素的图像亮度值;
根据所述皮肤区域内像素的图像亮度值,得到所述皮肤区域内像素的图像灰色刻度值;
基于所述目标饱和度,对所述像素的第六RGB值和所述图像灰色刻度值进行融合,得到所述第二图像。
10.根据权利要求9所述的方法,其中,所述基于所述目标饱和度,对所述像素的第六RGB值和所述图像灰色刻度值进行融合,得到所述第二图像,包括:
基于所述目标饱和度,确定所述皮肤区域内的像素的第六RGB值和所述图像灰色刻度值在融合时的融合占比;
按照所述融合占比,对所述皮肤区域内的像素的第六RGB值和所述图像灰色刻度值进行融合,得到所述第二图像。
11.根据权利要求1-6中任一项所述的方法,其中,所述获取原始的第一图像中人物的皮肤区域,包括:
对所述第一图像进行皮肤检测,提取所述第一图像中人物的皮肤区域。
12.根据权利要求11所述的方法,其中,所述对所述第一图像进行皮肤检测,提取所述第一图像中人物的皮肤区域,包括:
对所述第一图像进行人体检测,得到人体检测框;
对所述人体检测框内进行身体部位检测,得到身体部位检测区域;
在所述身体部位检测区域内进行皮肤检测,提取所述人物的皮肤区域。
13.一种图像处理模型的训练方法,其中,所述方法包括:
获取样本图像和所述样本图像的美白参考图像;
将所述样本图像输入图像处理模型中,提取所述样本图像中人物的皮肤区域,并对所述样本图像中的皮肤区域进行偏红美白和品红调节,得到样本美白图像,以及对所述样本美白图像中皮肤区域进行对比度和饱和度调节,得到目标美白图像;
基于所述美白参考图像和所述目标美白图像的差异,对所述图像处理模型进行调整;
继续使用下一样本图像对调整后的图像处理模型进行训练,直至训练结束,得到目标图像处理模型。
14.根据权利要求13所述的方法,其中,所述基于所述美白参考图像和所述目标美白图像的差异,对所述图像处理模型进行调整,包括:
基于所述美白参考图像和所述目标美白图像的差异,确定所述图像处理模型的损失函数,基于所述损失函数对所述图像处理模型进行调整。
15.根据权利要求13所述的方法,其中,所述图像处理模型包括第一调节层和第二调节层,其中,所述对所述样本图像中的皮肤区域进行偏红美白和品红调节,得到样本美白图像,包括:
由所述第一调节层基于颜色查找表对所述样本图像中皮肤区域进行偏红美白,得到初级样本美白图像;
由所述第二调节层基于色彩模式转换,对所述初级样本美白图像中皮肤区域进行品红调节,得到所述样本美白图像。
16.根据权利要求13-15中任一项所述的方法,其中,所述图像处理模型包括第三调节层和第四调节层,所述对所述样本美白图像中皮肤区域进行对比度和饱和度调节,得到目标美白图像,包括:
由所述第三调节层基于目标对比度,对所述样本美白图像中皮肤区域内的像素进行对比度调节,得到样本美白对比图像;
由所述第四调节层基于目标饱和度和预设的权重向量,对所述样本美白对比图像中皮肤区域内的像素进行饱和度调节,得到所述目标美白图像。
17.根据权利要求13-15中任一项所述的方法,其中,所述图像处理模型包括皮肤提取层,所述获取样本图像中人物的皮肤区域,包括:
由所述皮肤提取层对所述样本图像进行皮肤检测,提取所述样本图像中人物的皮肤区域。
18.根据权利要求17所述的方法,其中,所述由所述皮肤提取层对所述样本图像进行皮肤检测,提取所述样本图像中人物的皮肤区域,包括:
对所述样本图像进行人体检测,得到样本人体检测框;
对所述样本人体检测框内进行身体部位检测,得到身体部位的样本检测区域;
在所述样本检测区域内进行皮肤检测,提取所述样本图像中人物的皮肤区域。
19.一种图像处理方法,其中,所述方法包括:
获取原始的第一图像,将所述第一图像输入目标图像处理模型中;
由所述目标图像处理模型对所述第一图像中人物的皮肤区域,并对所述第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像,以及对所述目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像;
其中,所述目标图像处理模型采用权利要求13-18中任一项所述的训练方法训练得到的模型。
20.一种图像处理装置,包括:
第一获取模块,用于获取原始的第一图像中人物的皮肤区域;
第二获取模块,用于对所述第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像;
第三获取模块,用于对所述目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像。
21.根据权利要求20所述的装置,其中,所述第二获取模块,包括:
基于颜色查找表,对所述第一图像中皮肤区域进行偏红美白,得到初级美白图像;
基于色彩模式转换,对所述初级美白图像中皮肤区域进行品红调节,得到所述目标美白图像。
22.根据权利要求21所述的装置,其中,所述第二获取模块,包括:
确定所述第一图像中皮肤区域内像素的第一RGB值,并基于所述第一RGB值在颜色查找表中,确定偏红的第二RGB值;
将所述皮肤区域内像素的所述第一RGB值替换为所述第二RGB值,得到所述初级美白图像。
23.根据权利要求21所述的装置,其中,所述第二获取模块,包括:
对所述初级美白图像中皮肤区域内像素进行从RGB色彩模式转换至印刷四分色模式CMYK色彩模式,得到候选美白图像;
对所述候选美白图像中皮肤区域内像素进行从所述CMYK色彩模式逆转换至所述RGB色彩模式,得到所述目标美白图像。
24.根据权利要求22所述的装置,其中,所述第二获取模块,包括:
获取所述初级美白图像中皮肤区域内像素的第一红色R值、第一绿色G值和第一蓝色B值,并基于所述第一R值、第一G值和第一B值中的最大值,确定所述像素的黑色K值;
基于所述像素的第一R值和K值,确定所述像素的青色C值;
基于所述像素的第一G值和K值,确定所述像素初始的品红色M值,并对所述初始的M值进行扩大,得到所述像素的M值;
基于所述像素的第一B值和K值,确定所述像素的黄色Y值;
基于所述像素的K值、C值、M值和Y值,得到所述候选美白图像。
25.根据权利要求22所述的装置,其中,所述第二获取模块,包括:
基于所述候选美白图像中皮肤区域内像素的C值和K值,确定所述像素的第二R值;
基于所述候选美白图像中像素的M值和K值,确定所述像素的第二G值;
基于所述候选美白图像中像素的Y值和K值,确定所述像素的第二B值;
基于所述像素的第二R值、第二G值和第二B值,得到所述目标美白图像。
26.根据权利要求20-25中任一项所述的装置,其中,所述第三获取模块,包括:
确定目标对比度,基于所述目标对比度,对所述目标美白图像中皮肤区域内的像素进行对比度调节,得到美白对比图像;
确定目标饱和度和预设的权重向量,并基于所述权重向量和所述目标饱和度,对所述美白对比图像中皮肤区域内的像素进行饱和度调节,得到所述第二图像。
27.根据权利要求26所述的装置,其中,所述第三获取模块,包括:
确定所述目标美白图像中皮肤区域内的像素的第三RGB值,并获取所述第三RGB值与设定值的差值,作为第四RGB值;
基于所述第四RGB值和所述目标对比度,确定第五RGB值,并确定所述第五RGB值与所述设定值的和值,作为第六RGB值;
将所述皮肤区域内的像素从所述第三RGB值替换为所述第六RGB值,得到所述美白对比图像。
28.根据权利要求26所述的装置,其中,所述第三获取模块,包括:
对所述美白对比图像内皮肤区域内像素的第六RGB值和所述权重向量做点积,得到所述皮肤区域内像素的图像亮度值;
根据所述皮肤区域内像素的图像亮度值,得到所述皮肤区域内像素的图像灰色刻度值;
基于所述目标饱和度,对所述像素的第六RGB值和所述图像灰色刻度值进行融合,得到所述第二图像。
29.根据权利要求28所述的装置,其中,所述第三获取模块,包括:
基于所述目标饱和度,确定所述皮肤区域内的像素的第六RGB值和所述图像灰色刻度值在融合时的融合占比;
按照所述融合占比,对所述皮肤区域内的像素的第六RGB值和所述图像灰色刻度值进行融合,得到所述第二图像。
30.根据权利要求20-25中任一项所述的装置,其中,所述第一获取模块,包括:
对所述第一图像进行皮肤检测,提取所述第一图像中人物的皮肤区域。
31.根据权利要求30所述的装置,其中,所述第一获取模块,包括:
对所述第一图像进行人体检测,得到人体检测框;
对所述人体检测框内进行身体部位检测,得到身体部位检测区域;
在所述身体部位检测区域内进行皮肤检测,提取所述人物的皮肤区域。
32.一种图像处理模型的训练装置,包括:
获取模块,用于获取样本图像和所述样本图像的美白参考图像;
处理模块,用于将所述样本图像输入图像处理模型中,提取所述样本图像中人物的皮肤区域,并对所述样本图像中的皮肤区域进行偏红美白和品红调节,得到样本美白图像,以及对所述样本美白图像中皮肤区域进行对比度和饱和度调节,得到目标美白图像;
调整模块,用于基于所述美白参考图像和所述目标美白图像的差异,对所述图像处理模型进行调整;
训练模块,用于继续使用下一样本图像对调整后的图像处理模型进行训练,直至训练结束,得到目标图像处理模型。
33.根据权利要求32所述的装置,其中,所述调整模块,包括:
基于所述美白参考图像和所述目标美白图像的差异,确定所述图像处理模型的损失函数,基于所述损失函数对所述图像处理模型进行调整。
34.根据权利要求32所述的装置,其中,所述处理模块,包括:
由所述第一调节层基于颜色查找表对所述样本图像中皮肤区域进行偏红美白,得到初级样本美白图像;
由所述第二调节层基于色彩模式转换,对所述初级样本美白图像中皮肤区域进行品红调节,得到所述样本美白图像。
35.根据权利要求32-34中任一项所述的装置,其中,所述处理模块,包括:
由所述第三调节层基于目标对比度,对所述样本美白图像中皮肤区域内的像素进行对比度调节,得到样本美白对比图像;
由所述第四调节层基于目标饱和度和预设的权重向量,对所述样本美白对比图像中皮肤区域内的像素进行饱和度调节,得到所述目标美白图像。
36.根据权利要求32-34中任一项所述的装置,其中,所述处理模块,包括:
由所述皮肤提取层对所述样本图像进行皮肤检测,提取所述样本图像中人物的皮肤区域。
37.根据权利要求36所述的装置,其中,所述处理模块,包括:
对所述样本图像进行人体检测,得到样本人体检测框;
对所述样本人体检测框内进行身体部位检测,得到身体部位的样本检测区域;
在所述样本检测区域内进行皮肤检测,提取所述样本图像中人物的皮肤区域。
38.一种图像处理装置,包括:
图像获取模块,用于获取原始的第一图像,将所述第一图像输入目标图像处理模型中;
图像处理模块,用于由所述目标图像处理模型对所述第一图像中人物的皮肤区域进行提取,并对所述第一图像中皮肤区域进行偏红美白和品红调节,得到目标美白图像,以及对所述目标美白图像中皮肤区域进行对比度和饱和度调节,得到第二图像;
其中,所述目标图像处理模型采用权利要求13-18中任一项所述的训练方法训练得到的模型。
39.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12或13-18或19中任一项所述的方法。
40.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-12或13-18或19中任一项所述的方法。
41.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-12或13-18或19中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338029.6A CN117372615A (zh) | 2023-10-16 | 2023-10-16 | 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 |
---|---|---|---|
CN202311338029.6A CN117372615A (zh) | 2023-10-16 | 2023-10-16 | 图像处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372615A true CN117372615A (zh) | 2024-01-09 |
Family
ID=89388648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311338029.6A Pending CN117372615A (zh) | 2023-10-16 | 2023-10-16 | 图像处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372615A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006121416A (ja) * | 2004-10-21 | 2006-05-11 | Fuji Photo Film Co Ltd | 画像処理方法、装置及びプログラム並びにプリンタ |
CN105608677A (zh) * | 2015-12-28 | 2016-05-25 | 成都品果科技有限公司 | 一种任意光线环境下的图像肤色美化方法及*** |
CN108171648A (zh) * | 2017-11-27 | 2018-06-15 | 北京美摄网络科技有限公司 | 一种美颜肤色变换的方法和装置 |
CN110910309A (zh) * | 2019-12-05 | 2020-03-24 | 广州酷狗计算机科技有限公司 | 图像处理方法、装置、电子设备、存储介质及程序产品 |
CN111784611A (zh) * | 2020-07-03 | 2020-10-16 | 厦门美图之家科技有限公司 | 人像美白方法、装置、电子设备和可读存储介质 |
CN112634155A (zh) * | 2020-12-22 | 2021-04-09 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN113610723A (zh) * | 2021-08-03 | 2021-11-05 | 展讯通信(上海)有限公司 | 图像处理方法及相关装置 |
WO2022161009A1 (zh) * | 2021-01-27 | 2022-08-04 | 展讯通信(上海)有限公司 | 图像处理方法及装置、存储介质、终端 |
-
2023
- 2023-10-16 CN CN202311338029.6A patent/CN117372615A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006121416A (ja) * | 2004-10-21 | 2006-05-11 | Fuji Photo Film Co Ltd | 画像処理方法、装置及びプログラム並びにプリンタ |
CN105608677A (zh) * | 2015-12-28 | 2016-05-25 | 成都品果科技有限公司 | 一种任意光线环境下的图像肤色美化方法及*** |
CN108171648A (zh) * | 2017-11-27 | 2018-06-15 | 北京美摄网络科技有限公司 | 一种美颜肤色变换的方法和装置 |
CN110910309A (zh) * | 2019-12-05 | 2020-03-24 | 广州酷狗计算机科技有限公司 | 图像处理方法、装置、电子设备、存储介质及程序产品 |
CN111784611A (zh) * | 2020-07-03 | 2020-10-16 | 厦门美图之家科技有限公司 | 人像美白方法、装置、电子设备和可读存储介质 |
CN112634155A (zh) * | 2020-12-22 | 2021-04-09 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
WO2022161009A1 (zh) * | 2021-01-27 | 2022-08-04 | 展讯通信(上海)有限公司 | 图像处理方法及装置、存储介质、终端 |
CN113610723A (zh) * | 2021-08-03 | 2021-11-05 | 展讯通信(上海)有限公司 | 图像处理方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
罗文坚: "PhotoShop通道技术的探讨", 《 电子技术与软件工程》, 8 June 2018 (2018-06-08) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018161775A1 (zh) | 一种用于图像处理的神经网络模型的训练方法、装置和存储介质 | |
CN107507144B (zh) | 肤色增强的处理方法、装置及图像处理装置 | |
CN113177451B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CA3153067C (en) | Picture-detecting method and apparatus | |
KR20170109898A (ko) | 객체 추출 장치 및 방법 | |
Cepeda-Negrete et al. | Dark image enhancement using perceptual color transfer | |
CN113436284A (zh) | 一种图像处理方法、装置、计算机设备和存储介质 | |
JP2012174273A (ja) | 画像処理装置及び画像処理方法 | |
CN109064431B (zh) | 一种图片亮度调节方法、设备及其存储介质 | |
CN113052783A (zh) | 一种基于人脸关键点的人脸图像融合方法 | |
Zhang et al. | A novel color space based on RGB color barycenter | |
CN109255756B (zh) | 低光照图像的增强方法及装置 | |
Kumar et al. | Colorization of gray image in Lαβ color space using texture mapping and luminance mapping | |
KR102272975B1 (ko) | 메이크업 제품의 현실적인 렌더링을 시뮬레이션하는 방법 | |
JP5824423B2 (ja) | 照明光色推定装置、照明光色推定方法及び照明光色推定プログラム | |
CN117372615A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Menotti et al. | A fast hue-preserving histogram equalization method for color image enhancement using a Bayesian framework | |
Menotti et al. | Fast hue-preserving histogram equalization methods for color image contrast enhancement | |
KR102334030B1 (ko) | 컴퓨터 장치를 이용한 헤어 염색 방법 | |
US12034900B2 (en) | Image processing system, image processing method, and non-transitory computer readable medium for generating a colorized image | |
KR20160001897A (ko) | Cielab 색 공간에서의 통합된 멀티 스케일 레티넥스를 수행하는 이미지 처리 방법 및 장치 | |
KR102215607B1 (ko) | 어두운 이미지의 밝기를 개선하기 위한 보정 처리가 가능한 전자 장치 및 그 동작 방법 | |
US11615609B2 (en) | Learning apparatus, inferring apparatus, learning method, program, and inferring method | |
CN113724356A (zh) | 一种颜色对比度调整方法、装置和设备 | |
CN111062862A (zh) | 基于颜色的数据增强方法和***及计算机设备和存储介质 |
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 |