具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供的一种可变宽度的人像精细抠图方法，根据图像内容创建一个半径可变的未知区域，生成比较精确的trimap，从而获得无明显瑕疵的最终人像抠图结果。

实施例1

如图1所示，本实施例提供一种可变宽度的人像精细抠图方法，该方法用于改变原始图像的头发区域的未知区域半径，生成精确的三分图以获得无明显瑕疵的人像抠图结果；该可变宽度的人像精细抠图方法包括：

S101：获取待抠图的原始图像，进行人像二值化分割预处理，分离得到人像绝对前景区域。

在本发明实施例中，所述待抠图的原始图像的二值化分割还获得背景区域。

参见图1和图2所示，给定一张输入的人像图像作为原始图像，如图2中(a)所示。首先使用二值化人像分割算法得到二值化分割结果，如图2中(b)所示。二值化人像分割有很多成熟的算法，也有很多可用的云端API，比如face++提供的人像分割API。

S102：确定出所述人像绝对前景区域的头发区域和非头发区域，并通过二值化二次分割得到头发区域的分割结果，头发区域标记为R_hair。

在这个步骤中，从步骤S101得到的二值化人像前景中继续分割出头发的区域。在本发明实施例中，参见图3所示，所述确定出所述人像绝对前景区域的头发区域和非头发区域的方法，包括：

S201、将获取的人像绝对前景区域的头部顶部位置的距离顶端竖直方向的一定像素以内的区域标记为确定的头发区域；

S202、将获取的人像绝对前景区域的人眼位置的中心连线和头部底部位置连接形成的长方形区域标记为非头发区域。

在确定所述人像绝对前景区域的头发区域和非头发区域之前，优选的，还可以通过获取的人像绝对前景区域进行人脸关键点检测的方式，得到头部顶部位置、人眼位置和头部底部位置，使得头发区域和非头发区域的区分更加准确。

在本实施例中，首先，假设头发区域是在人像区域的顶部，在人像的最顶端确定一个很窄的区域，作为确定的头发区域。为了处理光头这种特殊情况，在确定头发区域前，参见图5所示，还包括：

S211、获取头部顶部位置的距离顶端竖直方向的一定像素以内区域的平均亮度，并与设定的一个阈值比较；

S212、当亮度大于所述阈值时，则判断该原始图像为异常图像，即光头情况，直接在所述原始图像中进行软分割抠图操作，提取出前景目标；

S213、当亮度小于所述阈值时，则判断该原始图像为正常图像，并将获取的人像绝对前景区域的头部顶部位置的距离顶端竖直方向的一定像素以内的区域标记为确定的头发区域，将获取的人像绝对前景区域的人眼位置的中心连线和头部底部位置连接形成的长方形区域标记为非头发区域。

即：先检查该区域内像素的平均亮度，当亮度大于一个阈值时(例如100，in therange of[0，255])，即判断该图像为异常图像，算法跳过步骤102和步骤103，直接生成一个很小半径的trimap，进入步骤104。

如果图像正常，那么再按照预定的模版，图4中的(e)所示，在人像内部确定不是头发的区域。具体来说，在二值化分割后的人像区域，将顶部区域(距顶端竖直方向20个像素以内)标记为确定的头发区域，参见图4的(f)，将两个人眼的中心连线(人眼的位置可以通过人脸关键点检测得到)，和头部底端连线形成的长方形区域标记为非头发区域。

确定好头发以及非头发区域之后，用一个传统的图像二值化分割算法GrabCut来计算头发分割区域，该区域记为R_hair。头发区域是人像区域的一个子集。

S103：获取所述人像绝对前景区域的确定边界上的每一个点p_i，确定一个以该点为中心的正方形局部区域B_i，并计算其局部最佳的未知区域的半径r_i，沿着每个点的局部半径的边界绘出trimap算法内所述人像绝对前景区域边缘的可变宽度的未知区域。

在本实施例中，其中，边界上的每一个点p_i的正方形局部区域B_i的局部最佳的未知区域的半径r_i为：

r_i＝r_max·min(H(B_i)，C(B_i)，D(B_i))

其中，r_max是预设的一个最大半径，例如50个像素。

其中，H(B_i)是一个0.1到1之间的线性插值，与所述正方形局部区域B_i和头发区域R_hair相交面积的大小成正比。所述局部最佳的未知区域的半径中，当正方形局部区域B_i和头发区域R_hair相交面积大于正方形局部区域B_i面积的1/3时，则表征当前的正方形局部区域B_i是在头发区域中，所述H(B_i)＝1。当正方形局部区域B_i和头发区域R_hair相交面积小于正方形局部区域B_i面积的1/10时，则表征当前的正方形局部区域B_i不在头发区域中，所述H(B_i)＝0.1；所述边界上的每一个点p_i的未知区域的半径中，H(B_i)为0.1和1之间线性插值。

即：H(B_i)是一个0.1到1之间的数，与所述正方形局部区域B_i和头发区域R_hair相交面积的大小成正比。如果相交面积大于B_i面积的1/3，那么说明当前局部区域是在头发区域中，则H(B_i)＝1。如果相交面积小于B_i面积的1/10，那么说明当前区域基本不在头发区域，则(B_i)＝0.1。如果相交面积在以上两个值之间，那么H(B_i)也在0.1和1之间线性插值。

其中，C(B_i)用来衡量局部区域的背景平滑度，C(B_i)为一个0.1到1之间的线性插值。所述局部最佳的未知区域的半径中，衡量局部区域的背景平滑度的参数C(B_i)的计算方法，包括：采用sobel算子原理计算输入图像的梯度图，记为D；对梯度图D进行二值化处理，保留梯度比较大的像素位置；在正方形局部区域B_i内，当一个像素满足：(1)在人像二值化分割结果中被标记为背景；(2)其梯度值比较大，则将该像素标记为大梯度背景像素；统计大梯度背景像素的个数，并除以局部区域的大小，得到一个面积比例；当得到的面积比例大于一个设定的较大阈值时，则C(B_i)＝0.1，表征绝对背景区域比较复杂；当得到的面积比例小于另一个设定的较小阈值时，则C(B_i)＝1，表征绝对背景区域比较简单；所述边界上的每一个点p_i的未知区域的半径中，C(B_i)为0.1和1之间线性插值。

即：C(B_i)这个参数主要是用来衡量局部区域的背景平滑度，也是一个0.1到1之间的数。具体来讲，如果局部区域背景的纹理比较复杂，那么前背景度可分离性就比较低，C(B_i)就取一个比较小的值。反之，如果局部区域图像比较平滑，那么前背景可分离度就比较高，C(B_i)就取一个接近于1的值。具体来讲，首先用sobel算子计算输入图像的梯度图，记为D。再对D进行二值化处理，只保留梯度比较大的像素位置。最后，在局部区域里，如果一个像素满足两个条件：(1)在trimap的绝对背景区域；(2)其梯度值比较大，则将该像素标记为大梯度背景像素。统计这样的像素的个数，然后再除以局部区域的大小，得到一个面积比例。如果该比例大于某个设定的阈值，比如5％，那么说明背景比较复杂，则C(B_i)＝0.1。如果该比例小于某个设定的阈值，比如0.5％，那么说明背景比较简单，则C(B_i)＝1。如果该比例在中间，则将C(B_i)在0.1和1之间线性插值。

其中，D(B_i)用来衡量局部区域的前景和背景颜色可分离度，D(B_i)为0.1和1之间线性插值。所述局部最佳的未知区域的半径中，用来衡量局部区域的前背景颜色可分离度的参数D(B_i)的计算方法，包括：在正方形局部区域B_i中找到找到处于人像分割的绝对前景区域，并且距离初始分割边界的距离大于一个固定阈值的像素集合，将其颜色记为f₁，f₂，...，f_n；在正方形局部区域B_i中找到找到处于人像分割的绝对背景区域，并且距离初始分割边界的距离大于一个固定阈值的像素集合，将其颜色记为b₁，b₂，...，b_m；分别采用f₁，f₂，...，f_n和b₁，b₂，...，b_m拟合高斯颜色模型G_f和G_b，计算标准化的前景概率将计算标准化的前景概率取一个平均的背景像素前景概率当背景像素前景概率大于阈值区间的一个预定的偏大阈值时，将D(B_i)设为0.1，表征绝对前景区域和绝对背景区域的颜色相近；当背景像素前景概率小于阈值区间的另一个预定的偏小阈值时，将D(B_i)设为1，表征绝对前景区域和绝对背景区域的颜色不同易区分；所述边界上的每一个点p_i的未知区域的半径中，D(B_i)为0.1和1之间线性插值。

即：D(B_i)这个参数主要是用来衡量局部区域的前背景颜色可分离度。首先在B_i里面找到在trimap中处于绝对前景区域的像素集合，将他们的颜色记为f₁，f₂，...，f_n。同理，可以在B_i里面找到在trimap中处于绝对背景区域的像素集合，将其颜色记为b₁，b₂，...，b_m。在局部区域前背景颜色分布比较简单的假设下，分别用f₁，f₂，...，f_n和b₁，b₂，...，b_m拟合高斯颜色模型G_f和G_b。对于一个背景像素b_i，可以计算标准化的前景概率之后，计算一个平均的背景像素前景概率如果这个概率大于一个预定的阈值(例如0.2)，这说明在这个局部区域，前景和背景的颜色比较相近，那么就将D(B_i)设为0.1。如果这个概率小于另一个阈值，比如0.01，那么说明前背景颜色比较能区分得很好，就将D(B_i)设为1。如果概率在两个阈值之间，则将D(B_i)在0.1和1之间线性插值。

在计算了前景边界每个点的局部半径之后，就可以沿着边界画出trimap里面的未知区域，如图2中(c)所示。

S104：根据获取的所述原始图像和计算得到的所述人像绝对前景区域边缘的可变宽度的未知区域，在所述原始图像中进行软分割抠图操作，提取出前景目标。

有了输入的原始图像和计算好的trimap的可变宽度的未知区域，可以调用已有的alphamatting算法进行前景的软分割。比较常用的算法包括robustmatting，KNN matting等。

在本发明实施例中，步骤102中，头发区域的分割可以用任意的二值化图像分割方法来实现.。步骤104中，再确定好trimap的可变宽度的未知区域之后，可以用任意的alphamatting算法来实现最终的软分割结果。

本发明提供的技术方案根据图像内容创建一个半径可变的未知区域，针对证件照这种特定应用场景进行人像分割，能够根据人像的二值化分割结果生成比较精确的trimap，生成可变宽度的trimap进行人像软分割，从而获得无明显瑕疵的最终人像抠图结果。本发明考虑了头发区域的位置以及局部背景平滑度的信息，从而能够有效避免抠图产生的明显瑕疵，提高证件照换背景的成功率。

实施例2

如图6所示，在本发明的实施例中提供了一种可变宽度的人像精细抠图装置包括：二值化分割模块、未知区域获取模块和软分割抠图模块。

其中，所述二值化分割模块用于对获取待抠图的原始图像进行人像二值化分割预处理，分离得到人像绝对前景区域和绝对背景区域；还用于对绝对前景区域中确定出的头发区域和非头发区域进行二值化二次分割得到头发区域的分割结果。

所述未知区域获取模块用于根据头发区域的确定边界上的每一个点p_i，确定一个以该点为中心的正方形局部区域B_i，并计算其局部最佳的未知区域的半径r_i，沿着每个点的局部半径的边界绘出trimap算法内所述人像绝对前景区域边缘的可变宽度的未知区域。

所述软分割抠图模块用于根据获取的所述原始图像和计算得到trimap算法内的所述人像绝对前景区域边缘的可变宽度的未知区域，在所述原始图像中进行软分割抠图操作，提取出前景目标。

其中，可变宽度的人像精细抠图装置在执行时采用如前述的一种可变宽度的人像精细抠图方法的步骤，可以应用在电子证件照拍摄和后处理的软件中。用户在用手机拍摄人像照片后，本发明可用于人像抠图和背景替换，产生高质量的证件照照片。因此，本实施例中对可变宽度的人像精细抠图装置的运行过程不再详细介绍。

实施例3

在本发明的实施例中提供了一种计算机设备，包括存储器和处理器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该处理器加载并执行至少一条指令、至少一段程序、代码集或指令集时实现上述各方法实施例中的步骤。

实施例4

在本发明的实施例中提供了一种存储介质，其上存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集被处理器加载并执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过至少一条指令、至少一段程序、代码集或指令集来指令相关的硬件来完成，所述的至少一条指令、至少一段程序、代码集或指令集可存储于一非易失性计算机可读取存储介质中，该至少一条指令、至少一段程序、代码集或指令集在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。

综上所述，本发明能够根据人像二值化分割结果，再进行一个头发区域的二次分割，然后对头发区域用比较大的半径，对其他区域(衣服、皮肤等)用比较小的半径。在每个局部头发区域，根据局部背景复杂度评判结果再调整半径的大小。该方法无需使用数据进行训练，因此运算速度快，部署方便。

本发明提供的技术方案根据图像内容创建一个半径可变的未知区域，针对证件照这种特定应用场景进行人像分割，能够根据人像的二值化分割结果生成比较精确的trimap，生成可变宽度的trimap进行人像软分割，从而获得无明显瑕疵的最终人像抠图结果。本发明考虑了头发区域的位置以及局部背景平滑度的信息，从而能够有效避免抠图产生的明显瑕疵，提高证件照换背景的成功率。可以应用在电子证件照拍摄和后处理的软件中。用户在用手机拍摄人像照片后，本发明可用于人像抠图和背景替换，产生高质量的证件照照片。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。