美颜的核心处理是磨皮,仅进行模糊平滑处理,对整张图像的处理会显得比较假,如果能针对性的只处理皮肤,效果会更真实。
真实的工程应用中,一张图像的磨皮处理,会分两步走
皮肤检测(or 人像分割)有三大类
· 基于颜⾊空间的⽪肤检测算法 · 基于⾼斯模型的肤⾊(⽪肤)概率计算⽅法
对于基于颜⾊空间的肤⾊检测算法,常⽤的颜⾊空间有 RGB、HSⅤ、YCbCr、YCgCr、YUⅤ 和 Lab 等。这类⽅法的主要思想是,在不同的颜⾊空间对⽪肤像素的颜⾊数据进⾏统计,分析得出肤⾊像素的范围取值,以此作为肤⾊像素的判断依据,这⾥我们以 RGB、HSⅤ 和YCgCr三个颜⾊空间为例进⾏简单说明
(1)在RGB颜⾊空间中,对⼤量肤⾊样本RGB数据进⾏统计,得到如下肤⾊判断条件A:
假设像素P=(R,G, B),那么,如果满⾜条件A,即为肤⾊像素。
我们使⽤上述肤⾊判断条件来检测⽪肤区域,效果举例如图3.34所
⽰
(1)统计肤⾊像素样本分布,得到 HSⅤ颜⾊空间中 Hue分量的统计分布
(2)由图3.35得到肤⾊判断条件A:
假设像素P=(R,G, B),那么,在HSⅤ颜⾊空间中如果满⾜条 件A,即为肤⾊像素。
例,算法如下 (1) YCgCr颜⾊空间与RGB颜⾊空间的转换如下:
(2)采样统计约1010个肤⾊像素后获得肤⾊模型在不同颜⾊空间 的分布(CgCr空间),如图3.37所⽰。
(3)由肤⾊像素分布图得到的肤⾊分布范围判断条件A:
假设像素P=(R,G, B),那么,在YCgCr颜⾊空间如果满⾜条件A,即为肤⾊像素。
我们使⽤上述 YCgCr颜⾊空间的肤⾊判断条件来检测⽪肤区域,效果举例如图 3.38 所⽰。
算法流程如下所述。 (1)准备各类肤⾊的样本集,在YCbCr颜⾊空间内,统计样本集 Cb和Cr分量对应的均值μ和⽅差σ。 (2)在YCbCr颜⾊空间内,对Cb和Cr分量分别构建简单⾼斯模 型,每⼀种⾼斯模型构建如下所⽰:
(3)未知像素P属于肤⾊的概率PDF计算如下:
根据上述算法,测试效果如图 3.39 所⽰。由于周围与肤⾊相同的环境颜⾊的影响,在⼀些图中会存在类肤⾊区域的⾼概率问题。
在图3.41所⽰的通⽤磨⽪框架中,具体的算法流程分解如下。 (1)输⼊⼈像照⽚S。 (2)对S进⾏肤⾊检测(或者肤⾊概率计算),得到肤⾊区域 Ma sk(或者肤⾊概率Mask)。 (3)对Mask进⾏⾼斯滤波(半径为radius),得到平滑的Mask图A。 (4)对原图S进⾏保边滤波(可⽤前⽂中所讲解的任意⼀种保边 滤波器,可以按需选择),得到滤波图像T,T是丢失了部分细节的平 滑图像。 (5)计算效果图D,公式如下: