简单探讨可牛影像软件中具有肤质保留功能的磨皮算法及其实现细节。

     在几年前写的一篇关于BEEP的文章时,我曾经说过Beep的去噪作用可以用于磨皮,并且给出了结论BEEP比可牛和美图等的效果要更为好,现在看来,那个结论确实是太为夸张和固定了。不同的人的审美观不同,同一个人在不同时段审美观也会有所差异,现在看来,我到时觉得可牛影像的带有肤质保留效果的磨皮更加自然,也更加符合实际的情况。

     在前段日子里,又随意的百度了下PS的磨皮教程,看到了很多的曾经看过的例子,也看到了一些当时不以为然的文章。其中就包括http://www.missyuan.com/thread-468975-1-1.html这里讲的流程,因为看到其第二步为:

  2、用插件磨皮

        这一步很重要,直接影响最终效果,磨光一些,不要担心纹理。

        平湖老师可能用的NeatImage,我这里使用的是Portraiture, 把红框内的滑块都拉到最大。

      当时自己没有NeatImage,也未安装Portraiture,所以对这个教程就不以为然了。

     当我再次浏览此教程时,终于耐下心自己试验了下, 虽然我还是没有安装NeatImage和Portraiture,但是可以直接用PS自带的表面模糊来替代,虽然效果会有所不同,但是却不影响算法的核心效果。事实再次证明一个真理:别人讲一千遍好,不如自己都一次感受深。

     那么这个教程的一个最关键的效果就是磨皮的同时保留了肤质,很类似于可牛影像的效果,而多次的实践证明,可牛软件100%也是采用了类似的过程。

     我们把那个教程的简单操作步骤列表如下:

  1、复制一个图层,我们定义改层名字为HighPass

     2、用插件对HighPass层磨皮;

     3、应用图像,模式选择减去,缩放值为1,偏差128;

     4、更改HighPass层混合模式为线性光,不透明度合适取值。

     5、对HighPass层进行高斯模糊,模糊半径0.5-2左右。

  基本就这样收工了,似乎没有什么高深复杂的东西。

   至于效果:我们用几幅实际的图像来测试下(第二步用表面模糊来代替)。

                原图

                     去斑需要的纹理图

                结果图(表面模糊参数半径=10,阈值=16)

                原图

                     去斑需要的纹理图

                结果图(表面模糊参数半径=10,阈值=16)

      为了程序的实现,我们对每个步骤都进行对应的分析,为方便,我们假定原始图像层为Src层。

      (1)复制图层: 这个没啥好说的,无非是分配一个同样大小的内存,然后memcpy 函数复制 Src到HighPass层。

          HighPass= Copy(Src);

      (2)对HighPass层磨皮:这个算法可以选择:表面模糊、导向滤波、双边滤波、各向异性扩散、BEEP、局部均方差、Domain transfer、 Adaptive Manifolds、 Local Laplacian Filters等任何具有保边效果的EPF-Filter,这里不多说。

         表达式为:  HighPass = EPF-Filter(HighPass);

      (3)应用图像:这里的界面看上去似乎很复杂,那代码是不是很复杂呢,其实代码简单的吓人,就是下面的计算公式:

        HihgPass = HighPass - Src + 128;

            看上去这个公式是不是很熟悉,不错,这个和高反差保留的算法是一模一样的,只是Photoshop内嵌的高反差保留用的是高斯模糊,这里用的是EPF滤波器而已。

       (4) 从编程角度来说,要把上述过程的第四步和第五步调换顺序,否则会得到错误的结果,因此这里第四步是:

       HighPass = GuassBlur(HighPass, Radius);

    其中Radius为高斯模糊的半径。

        (5) 进行图层混合: 线性光混合的计算公式也很简单:

     假定两个相邻图层X和Y,X在下方,Y在上方,X与Y混合,则X是基色,Y是混合色,X与Y混合得到的颜色是结果色Z,对于线性光混合模式,其计算公式为:

          Z = X + 2 * Y - 256;    (原先以为是  - 255,后用PS CS6验证是 - 256)

     不透明度的计算公式就更为简单,如果Opacity表示Y的不透明度,则合成公式为:

           Z = (X * (100- Opacity) + Y * Opacity ) / 100;

     那么两个综合在一起的计算公式为:

          Z =  (X * (100- Opacity) + (X + 2 * Y - 256)* Opacity ) / 100;

      综合上述五个步骤,最后的计算公式即为:

Dest =(Src * (100 - Opacity) + (Src + 2 * GuassBlur(EPFFilter(Src) - Src + 128) - 256) * Opacity) /100 ;

     总的来说,这个算法并没有什么特别复杂的地方,其关键的恢复皮肤质感的步骤是第四步的高斯模糊,这个模糊的半径一般越大,质感越强,但是太大,磨皮效果就没有了,因此,这里需要把握合适的度,一般半径在0.5-2之间比较合适。

     至于为什么用了这个高斯模糊就可以恢复图像的质感,我其实也是有些想法的,不过目前还不成熟,暂时不管他,知道结果而不管缘由有的时候也是一种幸福。 

     再来说说算法的参数问题吧,作为现在APP上美颜必备的这个功能,每个APP都希望给用户呈现出更少的更傻瓜(智能)的参数,在本过程中,比如第二步,必然有很多可选的参数配置:如果选用表面模糊,则需要确定半径及阈值;如果使用导向滤波,则一般也需要半径参数。如何根据用户UI中的参数(比如磨皮程度)来确定对应的内部的参数,就需要针对每个不同的滤波器来做多次的调试和实验,这个并无固定的法则可遵循。 

     再如第三步应用图像中常数128,其实也不一定是个定值,如果把他调大,则处理后的图像整体偏亮,调小则图像偏暗。

     第五步的图层的不透明度参数也是一个道理,如果不透明度值越大,则图片整体的斑点可能会偏多,偏小,那么图像又会过于模糊,也许取个50%是个不错的选择吧,或者自己根据处理的纹理图的某个指标做个算法更好吧。

     算法速度方面其实主要取决于第二步,也就是EPF滤波器,这个就是个各显神通的好地方,不多言。

  其次就是高斯模糊的计算,高斯模糊必然有浮点计算,这对于手机等其他硬件,可能是个硬伤。而如果用方框模糊或者线性模糊等代替,则存在一个问题就是模糊的最小幅度即半径为1时,纹理恢复的效果都有点过,特别是在我的程序中,高斯模糊的计算用了差不多占了整个用时的1/3.

     如果看下这个的流程,可以认为美图里的任何一个磨皮算法都只是进行了该流程的第二步就为止了,如果他在加上后续的处理,也一定能有和可牛类似的效果。

     最后鄙视下可牛和美图程序的磨皮算法的速度吧(我指的是PC上程序的速度):

     我用的基于局部均方差的磨皮方式外加锐化等过程的耗时针对上面第二幅所谓的美女平均耗时约 35ms(基于表面模糊),25ms(基于均方差);

     而可牛或者美图我估计感觉了,至少要有1000ms左右。

  那么类似的PS教程比如这里:http://www.psjia.com/photoshop/photops/2012/0106/3891.html 的一下几个过程算法其实也很简单,并且也有着相当不错的效果,而如果从实现上考虑也就只要一下几个过程:

Invert(Src, Dest);
HighPass(Dest, Dest, 10);
GuassBlur(Dest, Dest, 1);
BlendImage(Src, Dest, Dest, BlendMode::Overlay, 255);

  最后我们来比较下可牛、美图、本文的处理效果:

                   原图

                     美图秀秀的智能模糊 程度深

             可牛的磨皮 力度5

                       本文的磨皮效果

   可以看出,本文的效果和可牛的非常接近,可以说明可牛也采用的该算法。

     附上一个按照所谓平湖法的流程的做的一个测试程序:   仿可牛磨皮特效.rar

**************作者: laviewpbt   时间: 2015.8.6    联系QQ:  33184777 转载请保留本行信息******************

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据挖掘DT机器学习

玩玩文本挖掘-wordcloud、主题模型与文本分类

本文主要介绍文本挖掘的常见方法,主要包括词频分析及wordcloud展现、主题模型、文本分类、分类评价等。分类主要包括无监督分类(系统聚类、KMeans...

2996
来自专栏深度学习入门与实践

【深度学习系列】PaddlePaddle垃圾邮件处理实战(一)

2154
来自专栏数据派THU

从零开始用Python实现k近邻算法(附代码、数据集)

2657
来自专栏月色的自留地

从锅炉工到AI专家(8)

18213
来自专栏机器之心

教程 | AI玩微信跳一跳的正确姿势:跳一跳Auto-Jump算法详解

36911
来自专栏从流域到海域

A Gentle Introduction to Autocorrelation and Partial Autocorrelation (译文)

A Gentle Introduction to Autocorrelation and Partial Autocorrelation 自相关和偏自相关的简单...

2866
来自专栏奇点大数据

你的“跳一跳”榜上有名了吗?聊聊“跳一跳”开挂方法

最近“跳一跳”在朋友圈风靡一时,吃饭的时候,人家跟你聊跳了多少步,你要没上200都不好意思跟人家打招呼。作为AI研发的机构,我们更关心怎么样才能自动让AI走的更...

3376
来自专栏从流域到海域

自相关和偏自相关的简单介绍

原文地址:https://machinelearningmastery.com/gentle-introduction-autocorrelation-part...

4297
来自专栏ATYUN订阅号

【机器学习】伪标签(Pseudo-Labelling)的介绍:一种半监督机器学习技术

我们在解决监督机器学习的问题上取得了巨大的进步。这也意味着我们需要大量的数据来构建我们的图像分类器。但是,这并不是人类思维的学习方式。一个人的大脑不需要上百万个...

5556
来自专栏AI科技评论

干货 | 可能是近期最好玩的深度学习模型了:CycleGAN的原理与实验详解

AI科技评论按:本文作者何之源,原文载于知乎专栏AI Insight,AI科技评论获其授权发布。 CycleGAN是在今年三月底放在arxiv(arXiv: 1...

4798

扫码关注云+社区