CN111784726A - 人像抠图方法和装置 - Google Patents

人像抠图方法和装置 Download PDF

Info

Publication number
CN111784726A
CN111784726A CN201910912853.5A CN201910912853A CN111784726A CN 111784726 A CN111784726 A CN 111784726A CN 201910912853 A CN201910912853 A CN 201910912853A CN 111784726 A CN111784726 A CN 111784726A
Authority
CN
China
Prior art keywords
image
original image
trimap
sample
model
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.)
Granted
Application number
CN201910912853.5A
Other languages
English (en)
Other versions
CN111784726B (zh
Inventor
申童
张炜
梅涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201910912853.5A priority Critical patent/CN111784726B/zh
Publication of CN111784726A publication Critical patent/CN111784726A/zh
Application granted granted Critical
Publication of CN111784726B publication Critical patent/CN111784726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了人像抠图方法和装置。该方法的一具体实施方式包括：获取呈现有人像的原始图像；将原始图像输入到预先训练的三分图生成模型中，得到原始图像的三分图；基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版；利用原始图像的蒙版，从原始图像中截取出人像图像。该实施方式可以使得三分图生成模型和抠图模型没有耦合，方便对任一模型进行修改或增强功能。

Description

人像抠图方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及人像抠图方法和装置。
背景技术
随着智能手机以及互联网技术的迅速发展，用手机拍照并对照片进行编辑分享已经成为人们生活中的重要组成部分。人像照片作为照片的一种形式，在日常娱乐、社交以及分享中扮演着重要角色。人像照片一般是指人像加背景的形式的照片。对于这样的图片，有一种比较常见的需求是将人像和背景分离，即我们常说的人像分割或人像抠图。
发明内容
本申请实施例提出了人像抠图方法和装置。
第一方面，本申请实施例提供了一种人像抠图方法，包括：获取呈现有人像的原始图像；将原始图像输入到预先训练的三分图生成模型中，得到原始图像的三分图；基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版；利用原始图像的蒙版，从原始图像中截取出人像图像。
在一些实施例中，基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版，包括：对原始图像的三分图进行修正；将原始图像和修正后的三分图输入到预先训练的抠图模型中，得到原始图像的蒙版。
在一些实施例中，对原始图像的三分图进行修正，包括：确定原始图像的三分图中前景区域的至少一个连通区域；将前景区域的至少一个连通区域中区域面积小于预设的第一面积阈值的连通区域确定为第一目标连通区域；将第一目标连通区域由前景区域更改为未知区域，得到修正后的三分图。
在一些实施例中，对原始图像的三分图进行修正，包括：确定原始图像的三分图中背景区域的至少一个连通区域；将背景区域的至少一个连通区域中区域面积小于预设的第二面积阈值的连通区域确定为第二目标连通区域；将第二目标连通区域由背景区域更改为未知区域，得到修正后的三分图。
在一些实施例中，三分图生成模型是通过如下方式训练得到的：获取第一训练样本集合，其中，第一训练样本包括第一样本图像和第一样本三分图，第一样本三分图是通过对第一样本图像对应的蒙版进行形态学变换所生成的；将第一训练样本集合中的第一训练样本中的第一样本图像和第一样本三分图分别作为第一初始模型的输入和期望输出，利用机器学习方法训练第一初始模型，得到三分图生成模型。
在一些实施例中，抠图模型是通过如下方式训练得到的：获取第二训练样本集合，其中，第二训练样本包括第二样本图像、第二样本三分图和样本蒙版，其中，第二样本图像中呈现有人像；将第二训练样本集合中的第二训练样本中的第二样本图像和第二样本三分图作为第二初始模型的输入，将与输入的第二样本图像和第二样本三分图对应的样本蒙版作为第二初始模型的期望输出，利用机器学习方法训练第二初始模型，得到抠图模型。
第二方面，本申请实施例提供了一种人像抠图装置，包括：获取单元，被配置成获取呈现有人像的原始图像；输入单元，被配置成将原始图像输入到预先训练的三分图生成模型中，得到原始图像的三分图；确定单元，被配置成基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版；截取单元，被配置成利用原始图像的蒙版，从原始图像中截取出人像图像。
在一些实施例中，确定单元进一步被配置成通过如下方式基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版：对原始图像的三分图进行修正；将原始图像和修正后的三分图输入到预先训练的抠图模型中，得到原始图像的蒙版。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请的上述实施例提供的人像抠图方法和装置，通过首先获取呈现有人像的原始图像；之后，将上述原始图像输入到预先训练的三分图生成模型中，得到上述原始图像的三分图；而后，基于上述原始图像、上述原始图像的三分图和预先训练的抠图模型，确定上述原始图像的蒙版；最后，利用上述原始图像的蒙版，从上述原始图像中截取出人像图像。通过这种方式可以使得三分图生成模型和抠图模型没有耦合，方便对任一模型进行修改或增强功能。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的各个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的人像抠图方法的一个实施例的流程图；
图3是根据本申请的人像抠图方法的又一个实施例的流程图；
图4是根据本申请的人像抠图方法的一个应用场景的示意图；
图5是根据本申请的人像抠图装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的人像抠图方法或人像抠图装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息(例如，终端设备101、102、103可以将拍摄到的呈现有人像的原始图像发送给服务器105；服务器105也可以向终端设备101、102、103发送预先训练的三分图生成模型和预先训练的抠图模型)等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像处理类应用、相机类应用、人脸识别类应用等。
终端设备101、102、103可以首先获取呈现有人像的原始图像；之后，可以将上述原始图像输入到预先训练的三分图生成模型中，得到上述原始图像的三分图；而后，可以基于上述原始图像、上述原始图像的三分图和预先训练的抠图模型，确定上述原始图像的蒙版；最后，可以利用上述原始图像的蒙版，从上述原始图像中截取出人像图像。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有摄像头并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器。例如，可以对呈现有人像的原始图像进行分析，以从上述原始图像中截取出人像图像。服务器105可以首先获取呈现有人像的原始图像；之后，可以将上述原始图像输入到预先训练的三分图生成模型中，得到上述原始图像的三分图；而后，可以基于上述原始图像、上述原始图像的三分图和预先训练的抠图模型，确定上述原始图像的蒙版；最后，可以利用上述原始图像的蒙版，从上述原始图像中截取出人像图像。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的人像抠图方法可以由终端设备101、102、103执行，也可以由服务器105执行。
还需要说明的是，终端设备101、102、103的本地可以存储有预先训练的三分图生成模型和预先训练的抠图模型，终端设备101、102、103可以确定原始图像的三分图以及原始图像的蒙版，从而从原始图像中截取出人像图像。此时示例性系统架构100可以不存在网络104和服务器105。
还需要说明的是，服务器105的本地也可以存储有呈现有人像的原始图像，服务器105可以从本地获取呈现有人像的原始图像。此时示例性系统架构100可以不存在终端设备101、102、103和网络104。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的人像抠图方法的一个实施例的流程200。该人像抠图方法，包括以下步骤：
步骤201，获取呈现有人像的原始图像。
在本实施例中，人像抠图方法的执行主体(例如图1所示的服务器)可以获取呈现有人像的原始图像。人像是对一个人整体的一种平面或立体描述，通常包括面部的脸、眼睛、鼻子、嘴巴、耳朵、眉毛等等。有时也是对人肢体全身样子的描述，指人的一个大概轮廓。
步骤202，将原始图像输入到预先训练的三分图生成模型中，得到原始图像的三分图。
在本实施例中，上述执行主体可以将在步骤201中获取到的原始图像输入到预先训练的三分图生成模型中，得到上述原始图像的三分图。三分图(trimap)可以反映出原始图像的前景区域、背景区域(后景区域)和未知区域(不确定区域)。在这里，上述三分图生成模型可以用于表征原始图像与原始图像的三分图之间的对应关系，即三分图生成模型可以基于原始图像，生成该原始图像的三分图。在这里，可以通过多种方式训练出可以表征原始图像与原始图像的三分图之间的对应关系的三分图生成模型。
作为示例，可以是技术人员基于对大量样本图像和样本图像对应的三分图(例如，可以是技术人员基于样本图像对应的蒙版所绘制出的三分图)进行统计而生成的存储有多个样本图像和样本图像对应的三分图的对应关系的对应关系表，并将该对应关系表作为三分图生成模型。
步骤203，基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版。
在本实施例中，上述执行主体可以基于在步骤201中获取到的原始图像、步骤202中得到的原始图像的三分图和预先训练的抠图模型，确定上述原始图像的蒙版。需要说明的是，蒙版指的是选框的外部。这里的蒙版通常指的是带α通道的蒙版。α通道指的是一张图片的透明和半透明度。具体地，上述执行主体可以将上述原始图像和上述原始图像的三分图输入到上述预先训练的抠图模型中，得到上述原始图像的蒙版。
在这里，上述抠图模型可以用于表征原始图像和原始图像的三分图这两者与原始图像的蒙版之间的对应关系，即抠图模型可以基于原始图像和原始图像的三分图这两者，生成该原始图像的蒙版。在这里，可以通过多种方式训练出可以表征原始图像和原始图像的三分图这两者与原始图像的蒙版之间的对应关系的抠图模型。
作为示例，可以是技术人员基于对大量样本图像、样本图像的三分图和样本图像的蒙版进行统计而生成的存储有多个样本图像和样本图像的三分图这两者与样本图像的蒙版之间的对应关系的对应关系表，并将该对应关系表作为抠图模型。
步骤204，利用原始图像的蒙版，从原始图像中截取出人像图像。
在本实施例中，上述执行主体可以利用在步骤203中所确定出的原始图像的蒙版，从上述原始图像中截取出人像图像。由于蒙版指的是选框的外部，上述执行主体可以将选框的内部区域确定为人像图像，从而从上述原始图像中截取出人像图像。
在本实施例的一些可选的实现方式中，上述三分图生成模型可以是上述执行主体或者其他用于训练上述三分图生成模型的执行主体通过以下方式训练得到：
步骤S1，可以获取第一训练样本集合。
在这里，上述第一训练样本集合中的第一训练样本可以包括第一样本图像和第一样本三分图。需要说明的是，第一样本三分图可以是通过对第一样本图像对应的蒙版进行形态学变换所生成的。蒙版指的是选框的外部(选框的内部就是选区)。这里的蒙版通常指的是带α(alpha，阿尔法)通道的蒙版。α通道指的是一张图片的透明和半透明度。
抠图技术的核心问题是解以下公式(1)：
Ip＝αpFp+(1-αp)Bp (1)
其中，Ip是图像第p个像素点的像素值，为已知量；αp是图像第p个像素点的透明度，Fp是图像第p个像素点的前景像素值，Bp是图像第p个像素点的背景像素值，这三个变量为未知量。对于这个公式的理解，可以把原始图像看做是前景和背景按照一定权重(αp透明度)叠加组成的。对于完全确定是前景的像素，α＝1；对于完全确定是背景的像素，α＝0；对于不确定是前景还是背景(未知区域)的像素，α介于0到1之间。
在这里，可以通过如下方式对图像对应的蒙版进行形态学变换，得到该图像的三分图：可以对图像对应的蒙版进行膨胀(dilate)变换与腐蚀(erode)变换，得到该图像的三分图。需要说明的是，膨胀与腐蚀通常针对的是前景区域(白色部分、高亮部分)。在这里，膨胀是对图像中的前景区域进行膨胀，将由于膨胀操作所扩张的那部分区域作为未知区域，容易理解的是，在对图像进行膨胀操作之后，背景区域(黑色部分)自然会变小；腐蚀是对图像中的前景区域进行腐蚀，将由于腐蚀操作所缩小的那部分区域作为未知区域，容易理解的是，再对图像进行腐蚀操作之后，前景区域(白色部分)自然会变小。
需要说明的是，在形态学变换的过程中，若采用不同的参数(膨胀参数、腐蚀参数)进行形态学变换时，所得到的三分图是不同的。为了提高所训练的三分图生成模型在应用的过程中所生成的三分图的效果，这里的各个第一样本三分图通常是对第一样本图像对应的蒙版利用不同的参数进行形态学变换所生成的。
步骤S2，可以将上述第一训练样本集合中的第一训练样本中的第一样本图像和第一样本三分图分别作为第一初始模型的输入和期望输出，利用机器学习方法训练上述第一初始模型，得到三分图生成模型。
在这里，可以将上述第一训练样本集合中的第一训练样本中的第一样本图像输入第一初始模型中，得到该第一样本图像的三分图，以该第一训练样本中的第一样本三分图作为第一初始模型的期望输出，利用机器学习方法训练第一初始模型。具体地，可以首先利用预设的损失函数计算所得到的三分图与该第一训练样本中的第一样本三分图之间的差异，利用可以采用标准的交叉熵损失函数作为损失函数计算所得到的三分图与该第一训练样本中的第一样本三分图之间的差异。然后，可以基于计算所得的差异，调整第一初始模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。上述第一初始模型可以是卷积神经网络、深度神经网络等等。
在这里，训练完成的三分图生成模型可以是基于Deeplab V3+和Resnet50的结构，此结构可以包含将输入图像降采样16倍的编码器和上采样4倍。Deeplab V3+是一种可以调整滤波器视野、控制卷积神经网络计算的特征响应分辨率的工具。
在本实施例的一些可选的实现方式中，上述抠图模型可以是上述执行主体或者其他用于训练上述抠图模型的执行主体通过以下方式训练得到：
步骤S1，可以获取第二训练样本集合。
在这里，上述第二训练样本集合中的第二训练样本可以包括第二样本图像和第二样本三分图和样本蒙版。上述第二样本图像中通常呈现有人像。需要说明的是，第二样本三分图可以是通过对第二样本图像对应的蒙版进行形态学变换所生成的。在这里，在对第二样本图像对应的蒙版进行形态学变换时，通常对形态学变换时所应用的参数进行设置以增大形态学变换的范围。
步骤S2，可以将上述第二训练样本集合中的第二训练样本中的第二样本图像和第二样本三分图作为第二初始模型的输入，将与输入的第二样本图像和第二样本三分图对应的样本蒙版作为第二初始模型的期望输出，利用机器学习方法训练上述第二初始模型，得到抠图模型。
在这里，可以将上述第二训练样本集合中的第二训练样本中的第二样本图像和第二样本三分图输入第二初始模型中，得到该第二样本图像的蒙版，以该第二训练样本中的样本蒙版作为第二初始模型的期望输出，利用机器学习方法训练第二初始模型。具体地，可以首先利用预设的损失函数计算所得到的蒙版与该第二训练样本中的样本蒙版之间的差异，利用可以采用回归损失函数作为损失函数计算所得到的蒙版与该第二训练样本中的样本蒙版之间的差异。然后，可以基于计算所得的差异，调整第二初始模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。上述第二初始模型可以是卷积神经网络、深度神经网络等等。
本申请的上述实施例提供的方法通过将原始图像输入到预先训练的三分图生成模型中，得到原始图像的三分图，再基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版。这种方式可以使得三分图生成模型和抠图模型没有耦合，方便对任一模型进行修改或增强其功能。
进一步参考图3，其示出了人像抠图方法的又一个实施例的流程300。该人像抠图方法的流程300，包括以下步骤：
步骤301，获取呈现有人像的原始图像。
步骤302，将原始图像输入到预先训练的三分图生成模型中，得到原始图像的三分图。
在本实施例中，步骤301-302可以按照与步骤201-202类似的方式执行，在此不再赘述。
步骤303，对原始图像的三分图进行修正。
在本实施例中，上述执行主体可以对步骤302中得到的原始图像的三分图进行修正。作为示例，若上述执行主体为终端设备，上述执行主体可以对上述原始图像以及上述原始图像的三分图进行呈现，用户可以对上述终端设备所呈现的原始图像以及原始图像的三分图进行修正。若上述执行主体为服务器，上述执行主体可以向目标终端设备(对三分图进行修正的人员的终端设备)发送上述原始图像以及上述原始图像的三分图；之后，上述目标终端设备可以对上述原始图像以及上述原始图像的三分图进行呈现，用户可以对上述目标终端设备所呈现的原始图像以及原始图像的三分图进行修正；最后，上述目标终端设备可以将修正后的原始图像的三分图发送给上述执行主体。
步骤304，将原始图像和修正后的三分图输入到预先训练的抠图模型中，得到原始图像的蒙版。
在本实施例中，上述执行主体可以将在步骤301中获取到的原始图像和在步骤303中得到的修正后的三分图输入到预先训练的抠图模型中，得到上述原始图像的蒙版。
在这里，上述抠图模型可以用于表征原始图像和原始图像的三分图这两者与原始图像的蒙版之间的对应关系，即抠图模型可以基于原始图像和原始图像的三分图这两者，生成该原始图像的蒙版。在这里，可以通过多种方式训练出可以表征原始图像和原始图像的三分图这两者与原始图像的蒙版之间的对应关系的抠图模型。
作为示例，可以是技术人员基于对大量样本图像、样本图像的三分图和样本图像的蒙版进行统计而生成的存储有多个样本图像和样本图像的三分图这两者与样本图像的蒙版之间的对应关系的对应关系表，并将该对应关系表作为抠图模型。
步骤305，利用原始图像的蒙版，从原始图像中截取出人像图像。
在本实施例中，步骤305可以按照与步骤204类似的方式执行，在此不再赘述。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式对上述原始图像的三分图进行修正：上述执行主体可以首先确定上述原始图像的三分图中前景区域的至少一个连通区域。在图像中，最小的单位是像素，每个像素周围有8个邻接像素。常见的邻接关系有2种：4邻接与8邻接。4邻接指的是上下左右4个点相邻接。8邻接指的是上下左右以及对角线位置共8个点相邻接。如果像素点A与B邻接，我们称A与B连通，于是我们不加证明的有如下的结论：如果A与B连通，B与C连通，则A与C连通。在视觉上看来，彼此连通的点形成了一个区域，而不连通的点形成了不同的区域。这样的一个彼此连通的点构成的集合，称为一个连通区域。在这里，连通区域中的像素点的邻接关系通常为8邻接。之后，针对上述前景区域的至少一个连通区域中的每个连通区域，上述执行主体可以确定该连通区域的区域面积；以及可以将上述至少一个连通区域中区域面积小于预设的第一面积阈值的连通区域确定为第一目标连通区域。最后，上述执行主体可以将上述第一目标连通区域在三分图中的区域属性由前景区域更改为未知区域，得到修正后的三分图。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式对上述原始图像的三分图进行修正：上述执行主体可以首先确定上述原始图像的三分图中背景区域的至少一个连通区域。在这里，连通区域中的像素点的邻接关系通常为8邻接。之后，针对上述背景区域的至少一个连通区域中的每个连通区域，上述执行主体可以确定该连通区域的区域面积；以及可以将上述背景区域的至少一个连通区域中区域面积小于预设的第二面积阈值的连通区域确定为第二目标连通区域。最后，上述执行主体可以将上述第二目标连通区域在三分图中的区域属性由背景区域更改为未知区域，得到修正后的三分图。
需要说明的是，上述执行主体可以将原始图像的三分图中的第一目标连通区域由前景区域更改为未知区域，以及将原始图像的三分图中的第二目标连通区域由背景区域更改为未知区域，得到修正后的三分图。
从图3中可以看出，与图2对应的实施例相比，本实施例中的人像抠图方法的流程300体现了对原始图像的三分图进行修正的步骤303，以及将原始图像和修正后的三分图输入到预先训练的抠图模型中，得到原始图像的蒙版的步骤304。由此，本实施例描述的方案可以对输出的三分图进行修正，从而提高了抠图结果的准确性。
继续参见图4，图4是根据本实施例的人像抠图方法的应用场景的一个示意图。在图4的应用场景中，人像抠图方法的执行主体(例如，服务器或者终端设备)可以首先获取呈现有人像的原始图像401。之后，上述执行主体可以将原始图像401输入到预先训练的三分图生成模型402中，得到原始图像401的三分图403。而后，上述执行主体可以对原始图像的三分图403进行修正，得到修正后的三分图404。然后，上述执行主体可以将原始图像401和修正后的三分图404输入预先训练的抠图模型405中，得到原始图像401的蒙版406。最后，上述执行主体可以利用原始图像的蒙版406，从原始图像401中截取出人像图像407。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种人像抠图装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的人像抠图装置500包括：获取单元501、输入单元502、确定单元503和截取单元504。其中，获取单元501被配置成获取呈现有人像的原始图像；输入单元502被配置成将原始图像输入到预先训练的三分图生成模型中，得到原始图像的三分图；确定单元503被配置成基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版；截取单元504被配置成利用原始图像的蒙版，从原始图像中截取出人像图像。
在本实施例中，人像抠图装置500的获取单元501、输入单元502、确定单元503和截取单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选的实现方式中，上述确定单元503可以对原始图像的三分图进行修正。作为示例，若上述执行主体为终端设备，上述确定单元503可以对上述原始图像以及上述原始图像的三分图进行呈现，用户可以对上述终端设备所呈现的原始图像以及原始图像的三分图进行修正。若上述执行主体为服务器，上述确定单元503可以向目标终端设备(对三分图进行修正的人员的终端设备)发送上述原始图像以及上述原始图像的三分图；之后，上述目标终端设备可以对上述原始图像以及上述原始图像的三分图进行呈现，用户可以对上述目标终端设备所呈现的原始图像以及原始图像的三分图进行修正；最后，上述目标终端设备可以将修正后的原始图像的三分图发送给上述执行主体。上述确定单元503可以将上述原始图像和修正后的三分图输入到预先训练的抠图模型中，得到上述原始图像的蒙版。在这里，上述抠图模型可以用于表征原始图像和原始图像的三分图这两者与原始图像的蒙版之间的对应关系，即抠图模型可以基于原始图像和原始图像的三分图这两者，生成该原始图像的蒙版。在这里，可以通过多种方式训练出可以表征原始图像和原始图像的三分图这两者与原始图像的蒙版之间的对应关系的抠图模型。作为示例，可以是技术人员基于对大量样本图像、样本图像的三分图和样本图像的蒙版进行统计而生成的存储有多个样本图像和样本图像的三分图这两者与样本图像的蒙版之间的对应关系的对应关系表，并将该对应关系表作为抠图模型。
在本实施例的一些可选的实现方式中，上述确定单元503可以通过如下方式对上述原始图像的三分图进行修正：上述确定单元503可以首先确定上述原始图像的三分图中前景区域的至少一个连通区域。在图像中，最小的单位是像素，每个像素周围有8个邻接像素。常见的邻接关系有2种：4邻接与8邻接。4邻接指的是上下左右4个点相邻接。8邻接指的是上下左右以及对角线位置共8个点相邻接。如果像素点A与B邻接，我们称A与B连通，于是我们不加证明的有如下的结论：如果A与B连通，B与C连通，则A与C连通。在视觉上看来，彼此连通的点形成了一个区域，而不连通的点形成了不同的区域。这样的一个彼此连通的点构成的集合，称为一个连通区域。在这里，连通区域中的像素点的邻接关系通常为8邻接。之后，针对上述前景区域的至少一个连通区域中的每个连通区域，上述确定单元503可以确定该连通区域的区域面积；以及可以将上述至少一个连通区域中区域面积小于预设的第一面积阈值的连通区域确定为第一目标连通区域。最后，上述确定单元503可以将上述第一目标连通区域在三分图中的区域属性由前景区域更改为未知区域，得到修正后的三分图。
在本实施例的一些可选的实现方式中，上述确定单元503可以通过如下方式对上述原始图像的三分图进行修正：上述确定单元503可以首先确定上述原始图像的三分图中背景区域的至少一个连通区域。在这里，连通区域中的像素点的邻接关系通常为8邻接。之后，针对上述背景区域的至少一个连通区域中的每个连通区域，上述确定单元503可以确定该连通区域的区域面积；以及可以将上述背景区域的至少一个连通区域中区域面积小于预设的第二面积阈值的连通区域确定为第二目标连通区域。最后，上述确定单元503可以将上述第二目标连通区域在三分图中的区域属性由背景区域更改为未知区域，得到修正后的三分图。
在本实施例的一些可选的实现方式中，上述三分图生成模型可以是上述执行主体或者其他用于训练上述三分图生成模型的执行主体通过以下方式训练得到：
步骤S1，可以获取第一训练样本集合。
在这里，上述第一训练样本集合中的第一训练样本可以包括第一样本图像和第一样本三分图。需要说明的是，第一样本三分图可以是通过对第一样本图像对应的蒙版进行形态学变换所生成的。蒙版指的是选框的外部(选框的内部就是选区)。这里的蒙版通常指的是带α(alpha，阿尔法)通道的蒙版。α通道指的是一张图片的透明和半透明度。
抠图技术的核心问题是解以下公式(1)：
Ip＝αpFp+(1-αp)Bp (1)
其中，Ip是图像第p个像素点的像素值，为已知量；αp是图像第p个像素点的透明度，Fp是图像第p个像素点的前景像素值，Bp是图像第p个像素点的背景像素值，这三个变量为未知量。对于这个公式的理解，可以把原始图像看做是前景和背景按照一定权重(αp透明度)叠加组成的。对于完全确定是前景的像素，α＝1；对于完全确定是背景的像素，α＝0；对于不确定是前景还是背景(未知区域)的像素，α介于0到1之间。
在这里，可以通过如下方式对图像对应的蒙版进行形态学变换，得到该图像的三分图：可以对图像对应的蒙版进行膨胀变换与腐蚀变换，得到该图像的三分图。需要说明的是，膨胀与腐蚀通常针对的是前景区域。在这里，膨胀是对图像中的前景区域进行膨胀，将由于膨胀操作所扩张的那部分区域作为未知区域，容易理解的是，在对图像进行膨胀操作之后，背景区域自然会变小；腐蚀是对图像中的前景区域进行腐蚀，将由于腐蚀操作所缩小的那部分区域作为未知区域，容易理解的是，再对图像进行腐蚀操作之后，前景区域自然会变小。
需要说明的是，在形态学变换的过程中，若采用不同的参数进行形态学变换时，所得到的三分图是不同的。为了提高所训练的三分图生成模型在应用的过程中所生成的三分图的效果，这里的各个第一样本三分图通常是对第一样本图像对应的蒙版利用不同的参数进行形态学变换所生成的。
步骤S2，可以将上述第一训练样本集合中的第一训练样本中的第一样本图像和第一样本三分图分别作为第一初始模型的输入和期望输出，利用机器学习方法训练上述第一初始模型，得到三分图生成模型。
在这里，可以将上述第一训练样本集合中的第一训练样本中的第一样本图像输入第一初始模型中，得到该第一样本图像的三分图，以该第一训练样本中的第一样本三分图作为第一初始模型的期望输出，利用机器学习方法训练第一初始模型。具体地，可以首先利用预设的损失函数计算所得到的三分图与该第一训练样本中的第一样本三分图之间的差异，利用可以采用标准的交叉熵损失函数作为损失函数计算所得到的三分图与该第一训练样本中的第一样本三分图之间的差异。然后，可以基于计算所得的差异，调整第一初始模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。上述第一初始模型可以是卷积神经网络、深度神经网络等等。
在这里，训练完成的三分图生成模型可以是基于Deeplab V3+和Resnet50的结构，此结构可以包含将输入图像降采样16倍的编码器和上采样4倍。Deeplab V3+是一种可以调整滤波器视野、控制卷积神经网络计算的特征响应分辨率的工具。
在本实施例的一些可选的实现方式中，上述抠图模型可以是上述执行主体或者其他用于训练上述抠图模型的执行主体通过以下方式训练得到：
步骤S1，可以获取第二训练样本集合。
在这里，上述第二训练样本集合中的第二训练样本可以包括第二样本图像和第二样本三分图和样本蒙版。上述第二样本图像中通常呈现有人像。需要说明的是，第二样本三分图可以是通过对第二样本图像对应的蒙版进行形态学变换所生成的。在这里，在对第二样本图像对应的蒙版进行形态学变换时，通常对形态学变换时所应用的参数进行设置以增大形态学变换的范围。
步骤S2，可以将上述第二训练样本集合中的第二训练样本中的第二样本图像和第二样本三分图作为第二初始模型的输入，将与输入的第二样本图像和第二样本三分图对应的样本蒙版作为第二初始模型的期望输出，利用机器学习方法训练上述第二初始模型，得到抠图模型。
在这里，可以将上述第二训练样本集合中的第二训练样本中的第二样本图像和第二样本三分图输入第二初始模型中，得到该第二样本图像的蒙版，以该第二训练样本中的样本蒙版作为第二初始模型的期望输出，利用机器学习方法训练第二初始模型。具体地，可以首先利用预设的损失函数计算所得到的蒙版与该第二训练样本中的样本蒙版之间的差异，利用可以采用回归损失函数作为损失函数计算所得到的蒙版与该第二训练样本中的样本蒙版之间的差异。然后，可以基于计算所得的差异，调整第二初始模型的网络参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。上述第二初始模型可以是卷积神经网络、深度神经网络等等。
下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)600的结构示意图。本公开的实施例中的终端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6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所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、或半导体的系统、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。在本公开的实施例中，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系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，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系统、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。
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：获取呈现有人像的原始图像；将原始图像输入到预先训练的三分图生成模型中，得到原始图像的三分图；基于原始图像、原始图像的三分图和预先训练的抠图模型，确定原始图像的蒙版；利用原始图像的蒙版，从原始图像中截取出人像图像。
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实施例的操作的计算机程序代码，所述程序设计语言包括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系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元、确定单元和截取单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取呈现有人像的原始图像的单元”。
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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。

Claims (10)

1.一种人像抠图方法，包括：
获取呈现有人像的原始图像；
将所述原始图像输入到预先训练的三分图生成模型中，得到所述原始图像的三分图；
基于所述原始图像、所述原始图像的三分图和预先训练的抠图模型，确定所述原始图像的蒙版；
利用所述原始图像的蒙版，从所述原始图像中截取出人像图像。
2.根据权利要求1所述的方法，其中，所述基于所述原始图像、所述原始图像的三分图和预先训练的抠图模型，确定所述原始图像的蒙版，包括：
对所述原始图像的三分图进行修正；
将所述原始图像和修正后的三分图输入到预先训练的抠图模型中，得到所述原始图像的蒙版。
3.根据权利要求2所述的方法，其中，所述对所述原始图像的三分图进行修正，包括：
确定所述原始图像的三分图中前景区域的至少一个连通区域；
将所述前景区域的至少一个连通区域中区域面积小于预设的第一面积阈值的连通区域确定为第一目标连通区域；
将所述第一目标连通区域由前景区域更改为未知区域，得到修正后的三分图。
4.根据权利要求2所述的方法，其中，所述对所述原始图像的三分图进行修正，包括：
确定所述原始图像的三分图中背景区域的至少一个连通区域；
将所述背景区域的至少一个连通区域中区域面积小于预设的第二面积阈值的连通区域确定为第二目标连通区域；
将所述第二目标连通区域由背景区域更改为未知区域，得到修正后的三分图。
5.根据权利要求1所述的方法，其中，所述三分图生成模型是通过如下方式训练得到的：
获取第一训练样本集合，其中，第一训练样本包括第一样本图像和第一样本三分图，第一样本三分图是通过对第一样本图像对应的蒙版进行形态学变换所生成的；
将所述第一训练样本集合中的第一训练样本中的第一样本图像和第一样本三分图分别作为第一初始模型的输入和期望输出，利用机器学习方法训练所述第一初始模型，得到三分图生成模型。
6.根据权利要求1所述的方法，其中，所述抠图模型是通过如下方式训练得到的：
获取第二训练样本集合，其中，第二训练样本包括第二样本图像、第二样本三分图和样本蒙版，其中，第二样本图像中呈现有人像；
将所述第二训练样本集合中的第二训练样本中的第二样本图像和第二样本三分图作为第二初始模型的输入，将与输入的第二样本图像和第二样本三分图对应的样本蒙版作为第二初始模型的期望输出，利用机器学习方法训练所述第二初始模型，得到抠图模型。
7.一种人像抠图装置，包括：
获取单元，被配置成获取呈现有人像的原始图像；
输入单元，被配置成将所述原始图像输入到预先训练的三分图生成模型中，得到所述原始图像的三分图；
确定单元，被配置成基于所述原始图像、所述原始图像的三分图和预先训练的抠图模型，确定所述原始图像的蒙版；
截取单元，被配置成利用所述原始图像的蒙版，从所述原始图像中截取出人像图像。
8.根据权利要求7所述的装置，其中，所述确定单元进一步被配置成通过如下方式基于所述原始图像、所述原始图像的三分图和预先训练的抠图模型，确定所述原始图像的蒙版：
对所述原始图像的三分图进行修正；
将所述原始图像和修正后的三分图输入到预先训练的抠图模型中，得到所述原始图像的蒙版。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201910912853.5A 2019-09-25 2019-09-25 人像抠图方法和装置 Active CN111784726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910912853.5A CN111784726B (zh) 2019-09-25 2019-09-25 人像抠图方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910912853.5A CN111784726B (zh) 2019-09-25 2019-09-25 人像抠图方法和装置

Publications (2)

Publication Number Publication Date
CN111784726A true CN111784726A (zh) 2020-10-16
CN111784726B CN111784726B (zh) 2024-09-24

Family

ID=72755044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910912853.5A Active CN111784726B (zh) 2019-09-25 2019-09-25 人像抠图方法和装置

Country Status (1)

Country Link
CN (1) CN111784726B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541927A (zh) * 2020-12-18 2021-03-23 Oppo广东移动通信有限公司 抠图模型的训练、抠图方法、装置、设备及存储介质
CN113469929A (zh) * 2021-09-03 2021-10-01 北京美摄网络科技有限公司 训练数据生成方法、装置、电子设备及计算机可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577875A (zh) * 2013-11-20 2014-02-12 北京联合大学 一种基于fast的计算机辅助cad人数统计方法
CN103996203A (zh) * 2014-06-13 2014-08-20 北京锐安科技有限公司 一种检测图像面部遮挡的方法和装置
CN104134234A (zh) * 2014-07-16 2014-11-05 中国科学技术大学 一种全自动的基于单幅图像的三维场景构建方法
CN107452010A (zh) * 2017-07-31 2017-12-08 中国科学院长春光学精密机械与物理研究所 一种自动抠图算法和装置
CN108961279A (zh) * 2018-06-28 2018-12-07 Oppo（重庆）智能科技有限公司 图像处理方法、装置及移动终端
CN109241973A (zh) * 2018-08-21 2019-01-18 南京工程学院 一种纹理背景下的字符全自动软分割方法
CN109461167A (zh) * 2018-11-02 2019-03-12 Oppo广东移动通信有限公司 图像处理模型的训练方法、抠图方法、装置、介质及终端
CN109543595A (zh) * 2018-11-19 2019-03-29 上海交通大学 基于深度可分离卷积神经网络的电线的训练方法和检测方法
CN109712145A (zh) * 2018-11-28 2019-05-03 山东师范大学 一种图像抠图方法及系统
CN110148102A (zh) * 2018-02-12 2019-08-20 腾讯科技（深圳）有限公司 图像合成方法、广告素材合成方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577875A (zh) * 2013-11-20 2014-02-12 北京联合大学 一种基于fast的计算机辅助cad人数统计方法
CN103996203A (zh) * 2014-06-13 2014-08-20 北京锐安科技有限公司 一种检测图像面部遮挡的方法和装置
CN104134234A (zh) * 2014-07-16 2014-11-05 中国科学技术大学 一种全自动的基于单幅图像的三维场景构建方法
CN107452010A (zh) * 2017-07-31 2017-12-08 中国科学院长春光学精密机械与物理研究所 一种自动抠图算法和装置
CN110148102A (zh) * 2018-02-12 2019-08-20 腾讯科技（深圳）有限公司 图像合成方法、广告素材合成方法及装置
CN108961279A (zh) * 2018-06-28 2018-12-07 Oppo（重庆）智能科技有限公司 图像处理方法、装置及移动终端
CN109241973A (zh) * 2018-08-21 2019-01-18 南京工程学院 一种纹理背景下的字符全自动软分割方法
CN109461167A (zh) * 2018-11-02 2019-03-12 Oppo广东移动通信有限公司 图像处理模型的训练方法、抠图方法、装置、介质及终端
CN109543595A (zh) * 2018-11-19 2019-03-29 上海交通大学 基于深度可分离卷积神经网络的电线的训练方法和检测方法
CN109712145A (zh) * 2018-11-28 2019-05-03 山东师范大学 一种图像抠图方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541927A (zh) * 2020-12-18 2021-03-23 Oppo广东移动通信有限公司 抠图模型的训练、抠图方法、装置、设备及存储介质
WO2022127454A1 (zh) * 2020-12-18 2022-06-23 Oppo广东移动通信有限公司 抠图模型的训练、抠图方法、装置、设备及存储介质
CN113469929A (zh) * 2021-09-03 2021-10-01 北京美摄网络科技有限公司 训练数据生成方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN111784726B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN109816589B (zh) 用于生成漫画风格转换模型的方法和装置
CN111369427B (zh) 图像处理方法、装置、可读介质和电子设备
CN110298851B (zh) 人体分割神经网络的训练方法及设备
CN110516678B (zh) 图像处理方法和装置
CN112381717A (zh) 图像处理方法、模型训练方法、装置、介质及设备
CN110349107B (zh) 图像增强的方法、装置、电子设备、及存储介质
CN111414879A (zh) 人脸遮挡程度识别方法、装置、电子设备及可读存储介质
CN113689372A (zh) 图像处理方法、设备、存储介质及程序产品
CN110288625B (zh) 用于处理图像的方法和装置
CN111369475A (zh) 用于处理视频的方法和装置
CN114004905A (zh) 人物风格形象图的生成方法、装置、设备及存储介质
CN113902636A (zh) 图像去模糊方法及装置、计算机可读介质和电子设备
CN115311178A (zh) 图像拼接方法、装置、设备及介质
CN110689478B (zh) 图像风格化处理方法、装置、电子设备及可读介质
CN111784726A (zh) 人像抠图方法和装置
CN112418249A (zh) 掩膜图像生成方法、装置、电子设备和计算机可读介质
CN114399814B (zh) 一种基于深度学习的遮挡物移除和三维重建方法
CN110310293B (zh) 人体图像分割方法及设备
CN112419179A (zh) 修复图像的方法、装置、设备和计算机可读介质
CN110636331B (zh) 用于处理视频的方法和装置
CN110619602B (zh) 一种图像生成方法、装置、电子设备及存储介质
CN110059739B (zh) 图像合成方法、装置、电子设备和计算机可读存储介质
CN112714263A (zh) 视频生成方法、装置、设备及存储介质
CN110070482B (zh) 图像处理方法、装置和计算机可读存储介质
CN115937020B (zh) 图像处理方法、装置、设备、介质和程序产品

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
GR01 Patent grant
GR01 Patent grant