mysql人像伴随模型_人像美颜算法-皮肤检测

为什么要进行皮肤检测

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

检测出皮肤，生成一个MaskA

保边滤波得到图像T

根据MaskA，仅对皮肤部位进行滤波处理，非皮肤采用原图像素

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

基于颜色空间的皮肤检测

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

基于RGB颜⾊空间的肤⾊检测算法[19]如下：

(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

基于HSⅤ颜⾊空间的肤⾊检测算法

(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。

基于YCgCr颜⾊空间的肤⾊检测算法[20-21]，以参考资料[21]为

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。

基于高斯模型的肤色概率计算方法

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。

皮肤检测在磨皮中的应用

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：

本文同步分享在 博客“天叔”(JianShu)。

如有侵权，请联系 support@oschina.cn 删除。

本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。