OpenCV-Python实现人脸磨皮算法

2024-07-29 02:31:29

人脸磨皮是最基础的人脸美颜效果。主要分为祛斑，祛痘，淡化黑眼圈等步骤。通过前面的学习相信大家一眼都看得出来我们需要干什么才能识别人脸磨皮效果。

因为磨皮之后，脸部的杂质基本上就没有了，也可以说丢失了细节。那么肯定需要用到滤波函数。滤波的过程就是把图像的每一个像素值输入过滤器，得到平滑的图像。

而我们常用的滤波有均值滤波，高斯滤波以及双边滤波三种，到底选用那种滤波呢？

首先，均值滤波会因为是用周围像素的平均值代替原像素值，肯定会导致图像过于模糊，所以排除掉。其次，高斯滤波与均值滤波原理类似，只是高斯滤波器的模板系数会随着距离模板中心的增大而减小，虽然可以减弱图像的模糊程度，但是图像边缘信息会丢失。

那么，只剩一个滤波了，也就是双边滤波器。因为它同时综合了高通滤波器和a-截尾均值过滤器的叠加效果，即可以保证图像不是非常模糊，也可以保留图像边缘信息。

而人脸磨皮原理的步骤分为如下3个步骤：

图像滤波
图像融合
图像锐化

因为，不管上面3种滤波如何，都会导致一定的模糊（只是相对来说谁更优而已），所以需要对图像进行融合与锐化的操作。这样，可以保留一些图像的细节，以增强图像的真实感。

其中，图像融合使用的函数就是cv2.addWeighted()图像加权函数。融合的是原图与双通滤波后的图像。

最后，图像锐化使用的PIL库进行操作，使用它的ImageEnhance.Sharpness()函数自动调节图像的锐度与对比度。

实现人脸磨皮效果

既然我们已经完全掌握了人脸磨皮的原理。下面，我们来直接实现人脸的磨皮效果，具体的代码如下所示：

# 人脸磨皮
def facial_dermabrasion_effect(fileName):
    img = cv2.imread(fileName)
    blur_img = cv2.bilateralFilter(img, 31, 75, 75)
    #图像融合
    result_img = cv2.addWeighted(img, 0.3, blur_img, 0.7, 0)
    cv2.imwrite("58_1.jpg", result_img)

    image = Image.open("58_1.jpg")
    # 锐度调节
    enh_img = ImageEnhance.Sharpness(image)
    image_sharped = enh_img.enhance(1.5)
    # 对比度调节
    con_img = ImageEnhance.Contrast(image_sharped)
    image_con = con_img.enhance(1.15)
    image_con.save("58_2.jpg")

    img1 = cv2.imread("58.jpg")
    img2 = cv2.imread("58_2.jpg")
    cv2.imshow("1", img1)
    cv2.imshow("2", img2)
    cv2.waitKey()
    cv2.destroyAllWindows()

if __name__ == "__main__":
    facial_dermabrasion_effect("58.jpg")

运行之后，效果如下：

这段代码的参数都是可以调整的，并不是一层不变的，感兴趣的读者可以自己调节参数试试效果，当然人脸磨皮只是看起来皮肤光滑了。下面结合美白的效果，就可以实现相机的那种美颜。

到此这篇关于OpenCV-Python实现人脸磨皮算法的文章就介绍到这了,更多相关OpenCV 人脸磨皮内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！

OPENCV+JAVA实现人脸识别

本文实例为大家分享了JAVA实现人脸识别的具体代码,供大家参考,具体内容如下官方下载安装文件 ,以win7为例,下载opencv-2.4.13.3-vc14.exe 安装后,在build目录下 D:\opencv\build\java,获取opencv-2413.jar,copy至项目目录同时需要dll文件与各识别xml文件,进行不同特征的识别(人脸,侧脸,眼睛等) dll目录:D:\opencv\build\java\x64\opencv_java2413.dll xml目录:D:
Python基于Opencv来快速实现人脸识别过程详解（完整版）

前言随着人工智能的日益火热,计算机视觉领域发展迅速,尤其在人脸识别或物体检测方向更为广泛,今天就为大家带来最基础的人脸识别基础,从一个个函数开始走进这个奥妙的世界. 首先看一下本实验需要的数据集,为了简便我们只进行两个人的识别,选取了beyond乐队的主唱黄家驹和贝斯手黄家强,这哥俩长得有几分神似,这也是对人脸识别的一个考验: 两个文件夹,一个为训练数据集,一个为测试数据集,训练数据集中有两个文件夹0和1,之前看一些资料有说这里要遵循"slabel"命名规则,但后面处理起来比较麻烦,
Python OpenCV利用笔记本摄像头实现人脸检测

本文实例为大家分享了Python OpenCV利用笔记本摄像头实现人脸检测的具体代码,供大家参考,具体内容如下 1.安装opencv 首先参考其他文章安装pip. 之后以管理员身份运行命令提示符,输入以下代码安装opencv pip install --user opencv-python 可以使用以下代码测试安装是否成功 #导入opencv模块 import cv2 #捕捉帧,笔记本摄像头设置为0即可 capture = cv2.VideoCapture(0) #循环显示帧 while(Tru
opencv 做人脸识别 opencv 人脸匹配分析

机器学习机器学习的目的是把数据转换成信息. 机器学习通过从数据里提取规则或模式来把数据转成信息. 人脸识别人脸识别通过级联分类器对特征的分级筛选来确定是否是人脸. 每个节点的正确识别率很高,但正确拒绝率很低. 任一节点判断没有人脸特征则结束运算,宣布不是人脸. 全部节点通过,则宣布是人脸. 工业上,常用人脸识别技术来识别物体. 对图片进行识别复制代码代码如下: #include "opencv2/core/core.hpp" #include "opencv2/obj
基于OpenCV的PHP图像人脸识别技术

openCV是一个开源的用C/C++开发的计算机图形图像库,非常强大,研究资料很齐全.本文重点是介绍如何使用php来调用其中的局部的功能.人脸侦查技术只是openCV一个应用分支. 1.安装从源代码编译成一个动态的so文件. 1.1.安装 OpenCV (OpenCV 1.0.0) 下载地址:http://sourceforge.net/project/showfiles.php?group_id=22870&package_id=16948 #tar xvzf OpenCV-1.0.0.ta
OpenCV-Python实现人脸磨皮算法

人脸磨皮是最基础的人脸美颜效果.主要分为祛斑,祛痘,淡化黑眼圈等步骤.通过前面的学习相信大家一眼都看得出来我们需要干什么才能识别人脸磨皮效果. 因为磨皮之后,脸部的杂质基本上就没有了,也可以说丢失了细节.那么肯定需要用到滤波函数.滤波的过程就是把图像的每一个像素值输入过滤器,得到平滑的图像. 而我们常用的滤波有均值滤波,高斯滤波以及双边滤波三种,到底选用那种滤波呢? 首先,均值滤波会因为是用周围像素的平均值代替原像素值,肯定会导致图像过于模糊,所以排除掉.其次,高斯滤波与均值滤波原理类似,只是高
人脸检测实战终极之OpenCV+Python实现人脸对齐

目录前言实现面部矫正器导入必要的包对齐人脸展示结果前言这篇博文的目的是演示如何使用 OpenCV.Python 和面部标志对齐人脸. 给定一组面部标志(输入坐标),我们的目标是将图像扭曲并转换为输出坐标空间. 在这个输出坐标空间中,整个数据集中的所有面都应该: 在图像中居中. 旋转,使眼睛位于水平线上(即,旋转面部,使眼睛位于相同的 y 坐标上). 进行缩放,使面的大小大致相同. 为此,我们将首先调用一个实现的 Python 类FaceAligner ,以使用仿射变换对齐人脸. 注
详解如何用OpenCV + Python 实现人脸识别

下午的时候,配好了OpenCV的Python环境,OpenCV的Python环境搭建.于是迫不及待的想体验一下opencv的人脸识别,如下文. 必备知识 Haar-like 通俗的来讲,就是作为人脸特征即可. Haar特征值反映了图像的灰度变化情况.例如:脸部的一些特征能由矩形特征简单的描述,如:眼睛要比脸颊颜色要深,鼻梁两侧比鼻梁颜色要深,嘴巴比周围颜色要深等. opencv api 要想使用opencv,就必须先知道其能干什么,怎么做.于是API的重要性便体现出来了.就本例而言,使用到的函数
python实现人脸识别经典算法（一）特征脸法

近来想要做一做人脸识别相关的内容,主要是想集成一个系统,看到opencv已经集成了三种性能较好的算法,但是还是想自己动手试一下,毕竟算法都比较初级. 操作环境:python2.7 第三方库:opencv for python.numpy 第一种比较经典的算法就是特征脸法,本质上其实就是PCA降维,这种算法的基本思路是,把二维的图像先灰度化,转化为一通道的图像,之后再把它首尾相接转化为一个列向量,假设图像大小是20*20的,那么这个向量就是400维,理论上讲组织成一个向量,就可以应用任何机器学习算
Python+Opencv实战之人脸追踪详解

目录前言人脸追踪技术简介使用基于 dlib DCF 的跟踪器进行人脸跟踪使用基于 dlib DCF 的跟踪器进行对象跟踪小结前言人脸处理是人工智能中的一个热门话题,人脸处理可以使用计算机视觉算法从人脸中自动提取大量信息,例如身份.意图和情感:而目标跟踪试图估计目标在整个视频序列中的轨迹,其中只有目标的初始位置是已知的,将这两者进行结合将产生许多有趣的应用.由于外观变化.遮挡.快速运动.运动模糊和比例变化等多种因素,人脸追踪非常具有挑战性. 人脸追踪技术简介基于判别相关滤波器 (d
Python基于opencv实现的人脸识别(适合初学者)

目录一点背景知识一.人脸识别步骤二.直接上代码 (1)录入人脸.py (2)数据训练.py (3)进行识别.py 三.运行过程及结果 1.获取人脸照片于目标文件中 2.进行数据训练,获得trainer.yml文件中的数据 3.进行识别总结一点背景知识 OpenCV 是一个开源的计算机视觉和机器学习库.它包含成千上万优化过的算法,为各种计算机视觉应用提供了一个通用工具包.根据这个项目的关于页面,OpenCV 已被广泛运用在各种项目上,从谷歌街景的图片拼接,到交互艺术展览的技术实现中,都有
Opencv EigenFace人脸识别算法详解

简要: EigenFace是基于PCA降维的人脸识别算法,PCA是使整体数据降维后的方差最大,没有考虑降维后类间的变化. 它是将图像每一个像素当作一维特征,然后用SVM或其它机器学习算法进行训练.但这样维数太多,根本无法计算.我这里用的是ORL人脸数据库,英国剑桥实验室拍摄的,有40位志愿者的人脸,在不同表情不同光照下每位志愿者拍摄10张,共有400张图片,大小为112*92,所以如果把每个像素当做特征拿来训练的话,一张人脸就有10304维特征,这么高维的数据根本无法处理.所以需要先对数据进行降
基于python OpenCV实现动态人脸检测

本文实例为大家分享了python动态人脸检测的具体代码,供大家参考,具体内容如下直接上代码: 按Q退出 import cv2 import numpy as np cv2.namedWindow("test") cap = cv2.VideoCapture(0) #加载摄像头录制 # cap = cv2.VideoCapture("test.mp4") #打开视频文件 success, frame = cap.read() # classifier = cv2.C
opencv python简易文档之图像处理算法

目录将图片转为灰度图 HSV 图像阈值图像平滑形态学-腐蚀操作形态学-膨胀操作开运算与闭运算梯度运算礼帽与黑帽图像梯度处理 Canny边缘检测图像金字塔图像轮廓直方图直方图均衡化: 自适应均衡化: 傅里叶变换模板匹配总结上一篇已经给大家介绍了opencv python图片基本操作的相关内容,这里继续介绍图像处理算法,下面来一起看看吧将图片转为灰度图 import cv2 #opencv读取的格式是BGR img=cv2.imread('cat.jpg') # 将图
python使用mediapiple+opencv识别视频人脸的实现

目录 1.安装 2.代码实现 3.更新 mediapiple+threadpool+opencv实现图片人脸采集效率高于dlib 1.安装 pip install mediapipe 2.代码实现 # -*- coding: utf-8 -*- """ @Time : 2022/3/18 14:43 @Author : liwei @Description: """ import cv2 import mediapipe as mp mp_dra

OpenCV-Python实现人脸磨皮算法

实现人脸磨皮效果

相关推荐

随机推荐