[發明專利]一種基于卷積神經網絡的無參智能磨皮方法

有效

• 申請號: 202010296043.4
• 申請日: 2020-04-15
• 公開（公告）號: CN111507917B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 胡耀武;李云夕;熊永春
• 申請（專利權）人: 杭州小影創新科技股份有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04;G06N3/08
• 代理公司: 杭州天昊專利代理事務所(特殊普通合伙) 33283
• 代理人: 董世博;趙志鵬

本發明公開了一種基于卷積神經網絡的無參智能磨皮方法，具體包括如下步驟：101)圖像輸入步驟、102)CNN降噪步驟、103)CNN皮膚概率處理步驟、104)整合處理步驟；本發明提供對不同的圖像進行不同程度的降噪，人物圖像的磨皮效果自然、精確，遠優于傳統算法效果的一種基于卷積神經網絡的無參智能磨皮方法。

技術領域

本發明涉及手機拍攝拍攝圖像處理技術領域，更具體的說，它涉及一種基于卷積神經網絡的無參智能磨皮方法。

背景技術

目前在圖像處理軟件市場以及相機拍照等領域，人像照片磨皮美顏技術已經成為不可或缺的一部分，磨皮效果的好壞，直接影響人像照片修圖最終的質量。在影視婚紗攝影等的后期處理中，磨皮技術往往依靠設計師手工像素級處理，耗時長，效率低下；在手機app應用中，多數使用基于傳統圖像處理的磨皮技術，磨皮效果千篇一律，無法自動調節磨皮程度，磨皮程度過大容易損失圖像細節，過小又無法有效去除皺紋信息，效果單一。

發明內容

本發明克服了現有技術的不足，提供一種基于卷積神經網絡的無參智能磨皮方法。

本發明的技術方案如下：

一種基于卷積神經網絡的無參智能磨皮方法，具體包括如下步驟：

101)圖像輸入步驟：圖像轉換為特定處理格式作為處理的輸入圖像，圖像為原始圖像S；

102)CNN降噪步驟：基于同一場景下不同的噪聲樣本，并結合CNN網絡學習噪聲的分布情況，然后通過噪聲的分布情況對場景中的噪聲圖像去噪，得到降噪圖像A；

103)CNN皮膚概率處理步驟：通過卷積網絡對輸入圖像的皮膚區域進行分割，輸出為分割概率圖B；輸入圖像為W×H×3，3為RGB三個顏色通道，輸出的分割概率圖為W×H×1；W為圖像的橫向尺寸，H為圖像的縱向尺寸；

104)整合處理步驟：將原始圖像S、降噪圖像A、分割概率圖B進行整合，得到智能磨皮效果圖，具體整合的公式如下：

D＝S*(1-B)+A*B 公式(1)

其中，D為磨皮效果圖。

進一步的，步驟102)中的噪聲樣本，通過選取自然場景拍攝的圖像，即在自然場景下，固定相機位置，快速連續拍攝同一目標的兩張圖像，構成一個樣本。

進一步的，步驟102)中的噪聲樣本，通過人工添加噪聲的方式，具體如下：

201)添加高斯噪聲處理步驟：準備N張高清人像照片，N10000，對N張人像照片進行高斯噪聲添加，添加較小強度即μ＜0.06，σ＜0.2的高斯噪聲得到輸入樣本T1；添加較大強度即μ0.1，σ0.3的高斯噪聲得到輸入樣本T2；

添加的高斯噪聲公式如下所示：

其中，x表示像素值，μ表示均值參數，σ表示方差參數，均值參數和方差參數為設定值；

高斯噪聲添加的公式如下：

P'(x)＝P(x)+Gauss(x)×255 公式(3)

其中，P’(x)表示高斯噪聲添加后的結果像素，P(x)表示原始圖像中對應x位置的像素值；

202)CNN降噪網絡訓練步驟：對N張高清人像照片添加較大強度的高斯噪聲，得到輸出樣本T2；將樣本T1和樣本T2進行圖像縮放到CNN降噪網絡，輸入尺寸，進行訓練，通過LOSS使用MSE，并迭代大于10000次，得到最終的訓練模型；

203)圖像A獲取步驟：將原始圖像S輸入步驟202)訓練好的降噪模型中，得到降噪后的降噪圖像A。