一种发色调整方法及装置制造方法及图纸

本发明专利技术涉及一种发色调整方法及装置，所述方法包括：获取待处理图像，并对待处理图像进行尺寸调整，得到输入图像；将输入图像输入至预先训练得到的卷积神经网络模型中，得到头发特征图，卷积神经网络模型包括编码网络和解码网络，编码网络由多个编码模块级联组成，编码模块用于进行深度可分离卷积运算，其中第一个编码模块的输入为输入图像，解码网络由多个解码模块级联组成，解码网络的第一个解码模块的输入为编码网络中最后一个编码模块的输出，解码模块用于进行反卷积运算和深度可分离卷积运算；根据头发特征图将输入图像的头发区域调整为目标颜色。在解码时根据编码模块和上一级解码模块共同预测头发分割区域，有助于提高预测的准确度。

A hair tone adjustment method and device

The invention relates to a hair tone adjustment method and device, which includes: acquiring the image to be processed and adjusting the size of the image to be processed to obtain the input image; inputting the input image into the pre-trained convolutional neural network model to obtain the hair feature map, the convolutional neural network model includes the coding network and the decoding network, and the coding network consists of multiple coding modules. The decoding network consists of several decoding modules. The input of the first decoding module is input image. The input of the first decoding module of the decoding network is the output of the last coding module in the coding network. The decoding module is used for deconvolution and deep separable convolution. According to the hair feature map, the hair region of the input image is adjusted to the target color. When decoding, the hair segmentation area is predicted by the coding module and the upper decoding module, which is helpful to improve the accuracy of prediction.

【技术实现步骤摘要】
一种发色调整方法及装置
本专利技术涉及图像处理
，尤其是涉及一种发色调整方法及装置。
技术介绍
随着移动终端配置的提高，通过移动终端拍照并对照片进行处理提高了用户使用移动终端的积极性。其中，对照片的处理包括对人物图像的发色进行调整，例如，将发色从黑色调整为黄色。现有技术中，发色调整的步骤主要包括：首先，对人物图像进行头发分割，得到头发区域和其他区域；然后，对头发区域进行颜色调整。其中，头发分割可以通过深度学习实现，包括:首先，获取原始图像；然后，对原始图像进行人脸检测，得到人脸关键点，并利用人脸关键点生成人脸关键部位描述图；再然后，将原始图像和人脸关键部位描述图合并，获得4通道图像；最后，将4通道图像输入卷积神经网络模型，通过卷积神经网络模型推断出每个像素点是头发的概率，从而获得头发概率图，并利用头发概率图对原始图像进行头发分割，上述卷积神经网络模型包括：卷积层、最大池化层、上池化层、加权层和最大化层。然而，上述卷积神经网络模型的结构较简单，导致分割结果准确度较低。
技术实现思路
本专利技术的实施例提供一种发色调整方法及装置，可以在解码时根据编码模块和上一级解码模块共同预测头发分割区域，有助于提高预测的准确度。根据本专利技术的实施例的第一方面，提供了一种发色调整方法，所述方法包括：获取待处理图像，并对所述待处理图像进行尺寸调整，得到输入图像；将所述输入图像输入至预先训练得到的卷积神经网络模型中，得到头发特征图，所述卷积神经网络模型包括编码网络和解码网络，所述编码网络由多个编码模块级联组成，所述编码模块用于进行深度可分离卷积运算，其中第一个编码模块的输入为所述输入图像，所述解码网络由多个解码模块级联组成，所述解码网络的第一个解码模块的输入为编码网络中最后一个编码模块的输出，所述解码模块用于进行反卷积运算和深度可分离卷积运算；根据所述头发特征图将所述输入图像的头发区域调整为目标颜色。根据本专利技术的实施例的第二方面，提供了一种发色调整装置，所述装置包括：尺寸调整模块，用于获取待处理图像，并对所述待处理图像进行尺寸调整，得到输入图像；头发特征预测模块，用于将所述输入图像输入至预先训练得到的卷积神经网络模型中，得到头发特征图，所述卷积神经网络模型包括编码网络和解码网络，所述编码网络由多个编码模块级联组成，所述编码模块用于进行深度可分离卷积运算，其中第一个编码模块的输入为所述输入图像，所述解码网络由多个解码模块级联组成，所述解码网络的第一个解码模块的输入为编码网络中最后一个编码模块的输出，所述解码模块用于进行反卷积运算和深度可分离卷积运算；颜色调整模块，用于根据所述头发特征图将所述输入图像的头发区域调整为目标颜色。本专利技术实施例提供了一种发色调整方法及装置，所述方法包括：获取待处理图像，并对所述待处理图像进行尺寸调整，得到输入图像；将所述输入图像输入至预先训练得到的卷积神经网络模型中，得到头发特征图，所述卷积神经网络模型包括编码网络和解码网络，所述编码网络由多个编码模块级联组成，所述编码模块用于进行深度可分离卷积运算，其中第一个编码模块的输入为所述输入图像，所述解码网络由多个解码模块级联组成，所述解码网络的第一个解码模块的输入为编码网络中最后一个编码模块的输出，所述解码模块用于进行反卷积运算和深度可分离卷积运算；根据所述头发特征图将所述输入图像的头发区域调整为目标颜色。可以在解码时根据编码模块和上一级解码模块共同预测头发分割区域，有助于提高预测的准确度。附图说明为了更清楚地说明本专利技术的实施例的技术方案，下面将对本专利技术的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1示出了本专利技术的一种实施例中的发色调整方法步骤流程图；图2(A、B)分别示出了本专利技术实施例中输入图像、对应头发特征图的示意图；图3示出了本专利技术的卷积神经网络模型的结构示意图；图4示出了本专利技术的另一种实施例中的发色调整方法步骤流程图；图5示出了本专利技术的一种实施例中的发色调整装置的结构图；图6示出了本专利技术的另一种实施例中的发色调整装置的结构图。具体实施方式下面将结合本专利技术的实施例中的附图，对本专利技术的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的实施例一部分实施例，而不是全部的实施例。基于本专利技术的实施方式中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的实施例保护的范围。实施例一参照图1，其示出了本专利技术的一种实施例中的发色调整方法的步骤流程图，具体如下。步骤101，获取待处理图像，并对所述待处理图像进行尺寸调整，得到输入图像。其中，待处理图像可以为用户上传的图像。在实际应用中，由于用户上传的图像尺寸通常各不相同，而卷积神经网络模型要求输入输入图像的尺寸为224(行像素点数)*224(列像素点数)*3(RedGreenBlue三个通道)，从而需要将待处理图像的尺寸调整为224*224*3。步骤102，将所述输入图像输入至预先训练得到的卷积神经网络模型中，得到头发特征图，所述卷积神经网络模型包括编码网络和解码网络，所述编码网络由多个编码模块级联组成，所述编码模块用于进行深度可分离卷积运算，其中第一个编码模块的输入为所述输入图像，所述解码网络由多个解码模块级联组成，所述解码网络的第一个解码模块的输入为编码网络中最后一个编码模块的输出，所述解码模块用于进行反卷积运算和深度可分离卷积运算。其中，头发特征图用于表示图像中各像素点是否属于头发区域，头发特征图的尺寸与输入图像尺寸相同。头发特征图中的每个点均对应输入图像的对应位置的像素点，取值为该像素点的是否为头发区域的标识。如图2(A)所示为输入图像，图2(B)为对应的头发特征图，其中，属于头发区域的像素点的亮度值设定为255，其他区域的像素点的亮度值设定为0。如图3所示，本专利技术的卷积神经网络模型采用编码和解码两部分，在编码网络中，每个编码模块为一个循环卷积网络，编码模块级联，整个网络的输入为第一个编码模块的输入在解码网络中，最后一个编码模块的输出输入至解码模块的第一个解码模块；在解码网络中，每个解码模块为一个反卷积网络，解码模块级联，每个解码模块的输入(例如解码模块2)包括上一级解码模块(解码模块1)的输出，以及，对应编码模块(编码模块3)输出的头发特征图，其中，对应编码模块(编码模块3)的输出尺寸与上一级解码模块(解码模块1)的输出尺寸相同，实际上是将上一级解码模块(解码模块1)的输出与对应编码模块(编码模块3)的输出加权得到新的头发特征图作为每个解码模块(编码模块2)的输入。在本专利技术实施例中，编码网络采用DWSC(depth-wiseseparableconvolution,深度可分离卷积)可以降低网络权值参数，提高运算速度，从而可以应用于移动终端等运算能力较弱的终端上。解码网络可以为反卷积运算单元和深度可分离卷积运算单元的级联网络，并采用rellu激活函数。步骤103，根据所述头发特征图将所述输入图像的头发区域调整为目标颜色。其中，目标颜色可以为用户选择的颜色，在实际应用中，用户可以从颜色库中选取期本文档来自技高网...

【技术保护点】
1.一种发色调整方法，其特征在于，所述方法包括：获取待处理图像，并对所述待处理图像进行尺寸调整，得到输入图像；将所述输入图像输入至预先训练得到的卷积神经网络模型中，得到头发特征图，所述卷积神经网络模型包括编码网络和解码网络，所述编码网络由多个编码模块级联组成，所述编码模块用于进行深度可分离卷积运算，其中第一个编码模块的输入为所述输入图像，所述解码网络由多个解码模块级联组成，所述解码网络的第一个解码模块的输入为编码网络中最后一个编码模块的输出，所述解码模块用于进行反卷积运算和深度可分离卷积运算；根据所述头发特征图将所述输入图像的头发区域调整为目标颜色。

【技术特征摘要】
1.一种发色调整方法，其特征在于，所述方法包括：获取待处理图像，并对所述待处理图像进行尺寸调整，得到输入图像；将所述输入图像输入至预先训练得到的卷积神经网络模型中，得到头发特征图，所述卷积神经网络模型包括编码网络和解码网络，所述编码网络由多个编码模块级联组成，所述编码模块用于进行深度可分离卷积运算，其中第一个编码模块的输入为所述输入图像，所述解码网络由多个解码模块级联组成，所述解码网络的第一个解码模块的输入为编码网络中最后一个编码模块的输出，所述解码模块用于进行反卷积运算和深度可分离卷积运算；根据所述头发特征图将所述输入图像的头发区域调整为目标颜色。2.根据权利要求1所述的方法，其特征在于，所述解码网络的每个解码网络的输入为目标编码模块的输出与上一级解码网络的输出的加权图像，所述目标编码模块为与所述上一级解码网络的输出为尺寸相同的特征图像。3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型在训练过程中通过如下步骤计算损失值：计算所述解码网络输出的特征图像的二分类交叉熵；计算所述解码网络输出的特征图像与所述输入图像之间的梯度损失值；计算所述二分类交叉熵和所述梯度损失值的加权值得到损失值。4.根据权利要求1所述的方法，其特征在于，所述根据所述头发特征图将所述输入图像的头发区域调整为目标颜色的步骤，包括：对于所述输入图像中的每个像素点，从所述头发特征图中获取所述像素点位置对应的特征值；在所述特征值为预设目标特征值的情况下，将所述像素点的颜色值调整为所述目标颜色，所述目标特征值表示所述像素点属于头发区域。5.根据权利要求4所述的方法，其特征在于，所述目标颜色针对不同位置的像素点不同，根据颜色调整操作变化。6.根据权利要求4所述的方法，其特征在于，在所述对于所述输入图像中的每个像素点，从所述头发特征图中获取所述像素点位置对应的特征值的步骤之前，还包括：对所述输入图像进行如下处理中的至少一种：锐化处理、平滑处理、亮度调整。7.根据权利要求1所述的方法，其特征在于，在所述根据所述头发特征图将所述输入图像的头发区域调整为目标颜色的步骤之后，所述方法还包括：将所述颜色值经过调整的输入图像的尺寸调整为所述待处理图像的尺寸。8....

【专利技术属性】
技术研发人员：邓裕强，何晓芬，
申请(专利权)人：广州市久邦数码科技有限公司，
类型：发明
国别省市：广东,44