一种人像照片智能痘斑去除方法及系统技术方案

本发明专利技术公开了一种人像照片智能痘斑去除方法及系统，属于PC图像处理软件领域，该去除方法具体步骤如下：(1)接收用户原图以进行分割检测；(2)对特征图进行连通域标记以进行判断筛选；(3)构建痘斑去除网络，并对图像进行数据融合；本发明专利技术使用卷积神经网络构建皮肤分割和痘痘斑点分类网络，能够精确的组合痘痘斑点判断模块，能够提升痘斑判断准确率和痘斑去除效果。效果。效果。

【技术实现步骤摘要】
一种人像照片智能痘斑去除方法及系统


[0001]本专利技术涉及PC图像处理软件领域，尤其涉及一种人像照片智能痘斑去除方法及系统。

技术介绍

[0002]目前移动端或者PC端图像处理软件中的人像皮肤祛痘去斑功能大多是手动去斑或者基于传统图像算法的痘痘斑点检测与类似inpainting的痘斑去除，少数采用了基于深度学习痘斑检测的痘斑去除方法，手动去斑方法需要用户手动操作，复杂且耗时；传统图像方法痘斑去除不精确，存在大量误检和漏检；基于深度学习痘斑检测的方法，由于痘斑面积相对较小，也很容易导致漏检，整体效果较差；目前这些方法均无法满足分辨率日益增大的高清图像修图需求，尤其是影楼精修，电商模特照片美化等行业；因此，专利技术出一种人像照片智能痘斑去除方法及系统变得尤为重要；
[0003]人像照片智能痘斑去除方法及系统的痘斑判断准确率和痘斑去除效果低，无法组合精确的痘痘斑点判断模块；为此，我们提出一种人像照片智能痘斑去除方法及系统。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的一种人像照片智能痘斑去除方法及系统。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种人像照片智能痘斑去除方法，该去除方法具体步骤如下：
[0007](1)接收用户原图以进行分割检测：痘斑检测模块接收用户上传的原图，并对其进行数据分割处理以生成原图数据，同时对原图数据进行特征提取；
[0008](2)对特征图进行连通域标记以进行判断筛选：对特征图进行二值图像连通域标记处理生成标记信息，并自行生成List列表对标记信息进行记录，构建痘斑判断网络，并对List列表中各组标记信息进行判断筛选，并构建痘斑信息列表记录筛选数据；
[0009](3)构建痘斑去除网络，并对图像进行数据融合：将痘斑信息列表输入痘斑去除模块，痘斑去除模块自行构建痘斑去除网络，对痘斑去除网络进行测试训练生成痘斑去除模型，依据痘斑信息列表依次用户原图进行数据融合处理。
[0010]进一步地，步骤(1)所述数据分割具体步骤如下：
[0011]步骤一：构建分割卷积神经网络，并接收痘斑检测模块发送的用户原图，同时分割卷积神经网络依据用户原图生成皮肤分割概率图Mask；
[0012]步骤二：依据皮肤分割概率图Mask以及用户原图对皮肤区域原图进行计算，并将其处理生成原图数据，其具体计算公式如下：
[0013][0014]其中，(i,j)表示图像像素坐标。
[0015]进一步地，步骤(1)所述特征提取具体步骤如下：
[0016]第一步：将原图数据中任意位置(i,j)处像素值假设为x，并以位置(i,j)为中心构建正方形区域S；
[0017]第二步：收集S中所有的像素信息，并计算各组像素信息的像素均值以及方差值，并依据其对原图数据进行高斯滤波处理，其具体高斯滤波公式如下：
[0018][0019]其中，σ代表像素方差，μ代表像素均值；
[0020]第三步：对滤波完成后的原图数据的二值特征图进行计算，其具体计算公式：
[0021][0022]其中，Threshold代表经验值，范围0
‑
255。
[0023]进一步地，步骤(2)所述判断筛选具体步骤如下：
[0024]S1.1：构建痘斑判断网络，并采用人工标注数据集的方式构建数据样本，同时使用二值交叉熵对网络进行训练，得到痘斑判断模型；
[0025]S1.1：循环遍历List列表中每个矩形框，得到对应原图中的矩形图像；
[0026]S1.2：将矩形图像输入痘斑判断网络，并生成痘斑概率Pm，同时对其进行痘斑判断；
[0027]S1.3：若Pm＞0.5，则该矩形图像为痘斑图像，同时自行构建痘斑信息列表对List列表中对应的矩形框信息进行存储。
[0028]进一步地，步骤(3)所述测试训练具体步骤如下：
[0029]S2.1：使用PS对痘斑图像进行人工修图，并收集痘斑去除之后的效果图，将痘斑图像和痘斑去除效果图处理生成样本数据，并构建数据样本集；
[0030]S2.2：使用数据样本集对痘斑去除网络进行训练，使用MSE loss计算，迭代200个epoch，完成模型训练，得到痘斑去除模型；
[0031]S2.3：依据痘斑信息列表依次将对应的痘斑原始图像输入到痘斑去除网络中，并生成无痘斑效果图。
[0032]进一步地，步骤(3)所述数据融合具体步骤如下：
[0033]P1：自行设置一个高斯图像，依据该高斯图像将用户原图以及无痘斑效果图进行Alpha融合，其具体融合公式如下：
[0034]D
V(n)
(i,j)＝Mask
·
O
V(n)
(i,j)+(255
‑
Mask)
·
S
V(n)
(i,j)
[0035](4)
[0036]其中，V(n)表示痘斑信息列表中的第n个矩形信息；D
V(n)
(i,j)表示V(n)对应图像的(i,j)位置的像素值；O
V(n)
(i,j)表示V(n)对应无痘斑图像中(i,j)位置的像素值；S
V(n)
(i,j)表示V(n)对应原图数据中(i,j)位置的像素值；
[0037]P2：遍历所有无痘斑图像，依次进行alpha融合，并生成无痘斑效果图。
[0038]一种人像照片智能痘斑去除系统，包括痘斑检测模块、痘斑去除模块、样本数据库
以及图片反馈模块；
[0039]所述样本数据集用于接收人工标注数据集以及痘斑图像和痘斑去除效果图，并将其处理生成数据样本集A与数据样本集B；
[0040]所述痘斑检测模块用于对用户上传的原图进行痘斑粗检处理，并将结果以及数据样本集A导入痘斑判断网络，同时对原图痘斑信息进行判断收集以建立痘斑信息列表；
[0041]所述痘斑去除模块用于接收痘斑信息列表，并将其与数据样本集B导入痘斑去除网络，并对原图进行数据融合处理，同时生成无痘斑效果图；
[0042]所述图片反馈模块用于将无痘斑效果图通过数据转换处理生成显示数据，并将其显示给用户进行查看。
[0043]相比于现有技术，本专利技术的有益效果在于：
[0044]1、该种人像照片智能痘斑去除方法通过构建分割卷积神经网络，并依据用户原图生成皮肤分割概率图Mask，同时对用户原图的皮肤区域原图以及二值特征图进行计算，收集标记信息生成List列表，并通过痘斑判断网络对List列表中每个矩形框进行循环遍历，得到对应原图中的矩形图像，同时将矩形图像输入痘斑判断网络，并生成痘斑概率Pm，同时对其进行痘斑判断，使用卷积神经网络构建皮肤分割和痘痘斑点分类网络，能够精确的组合痘痘斑点判断模块；
[0045]2、该种人像照片智能痘斑去除系统通过设置有痘斑去除模块收集痘斑去除之后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人像照片智能痘斑去除方法，其特征在于，该去除方法具体步骤如下：(1)接收用户原图以进行分割检测：痘斑检测模块接收用户上传的原图，并对其进行数据分割处理以生成原图数据，同时对原图数据进行特征提取；(2)对特征图进行连通域标记以进行判断筛选：对特征图进行二值图像连通域标记处理生成标记信息，并自行生成List列表对标记信息进行记录，构建痘斑判断网络，并对List列表中各组标记信息进行判断筛选，并构建痘斑信息列表记录筛选数据；(3)构建痘斑去除网络，并对图像进行数据融合：将痘斑信息列表输入痘斑去除模块，痘斑去除模块自行构建痘斑去除网络，对痘斑去除网络进行测试训练生成痘斑去除模型，依据痘斑信息列表依次用户原图进行数据融合处理。2.根据权利要求1所述的一种人像照片智能痘斑去除方法，其特征在于，步骤(1)所述数据分割具体步骤如下：步骤一：构建分割卷积神经网络，并接收痘斑检测模块发送的用户原图，同时分割卷积神经网络依据用户原图生成皮肤分割概率图Mask；步骤二：依据皮肤分割概率图Mask以及用户原图对皮肤区域原图进行计算，并将其处理生成原图数据，其具体计算公式如下：其中，(i,j)表示图像像素坐标。3.根据权利要求2所述的一种人像照片智能痘斑去除方法，其特征在于，步骤(1)所述特征提取具体步骤如下：第一步：将原图数据中任意位置(i,j)处像素值假设为x，并以位置(i,j)为中心构建正方形区域S；第二步：收集S中所有的像素信息，并计算各组像素信息的像素均值以及方差值，并依据其对原图数据进行高斯滤波处理，其具体高斯滤波公式如下：其中，σ代表像素方差，μ代表像素均值；第三步：对滤波完成后的原图数据的二值特征图进行计算，其具体计算公式：其中，Threshold代表经验值，范围0
‑
255。4.根据权利要求1所述的一种人像照片智能痘斑去除方法，其特征在于，步骤(2)所述判断筛选具体步骤如下：S1.1：构建痘斑判断网络，并采用人工标注数据集的方式构建数据样本，同时使用二值交叉熵对网络进行训练，得到痘斑判断模型；S1.1：循环遍历List列表中每个矩形框，得到对应原图中的矩形图像；
S1.2：将矩形图像输入痘斑判断网络，并生成痘斑概率Pm，同时对其进行痘斑判断；S1.3：若Pm＞0.5，则该矩形图像为痘斑图像，同时自行构建痘斑信息...

【专利技术属性】
技术研发人员：李阳，许莉丽，刘晓刚，谭娟，
申请(专利权)人：浙江经贸职业技术学院，
类型：发明
国别省市：