Python实现PhotoShop人脸液化变形效果

2023-09-18 07:09| 来源: 网络整理| 查看: 265

在PhotoShop中，我们经常利用液化工具的向前工具来对人脸进行形变处理，例如瘦脸、放大眼睛等常规P图操作。

瘦脸与眼睛放大可以算作图像局部扭曲算法的一个应用，其参考文献可以追溯至1993年的一篇博士论文：Interactive Image Warping。这篇论文详细描述了算法原理，并提供了伪码实现。

图像局部扭曲算法有三个：局部缩放（Local Scaling）算法、局部平移（Local Transition）算法和局部旋转（Local Rotation）算法。其中应用局部缩放算法可实现眼睛放大，局部平移算法则可用于实现瘦脸效果。下面来应用图像局部平移算法让一张图片“笑”起来，其背后原理和瘦脸原理如出一辙。

实现效果

在这里插入图片描述

具体实现步骤

利用dlib库的人脸关键点检测器检测出人脸的68个关键点，其68个特征点在人脸中的位置和在关键点序列中的次序如下

在这里插入图片描述

划定一个圆形选区，一般是要让哪里的局部图像变形就在哪里划定圆形选取，因为这里要让人脸“笑”起来，所以分别在关键点49、60（左嘴角）和55、56（右嘴角）之间划定圆形选区

对于圆形选区里的每一像素，取出其R,G,B各分量，存入3个变量（r, g, b）中（也即，三个变量分别存储选区内的原图像的R,G,B三个通道的数值）

对于圆形选区里的每一个像素U

根据图像局部平移算法公式的映射关系，算出它变形后的位置坐标X（实际运算过程采取逆运算，即由变形后坐标X推出变形前坐标U）

在这里插入图片描述

用双线性插值方法，根据U的位置，和r, g, b中的数值，计算U所在位置处的R,G,B等分量，将R，G，B等分量合成新的像素，作为X处的像素值（bilinearInsert方法）

代码实现（代码已附上详细注释）

import dlib import cv2 import numpy as np import math import matplotlib.pyplot as plt class FaceAdjust(): def __init__(self): self.predictor_path = "dat/shape_predictor_68_face_landmarks.dat" #获取人脸框检测器 self.detector = dlib.get_frontal_face_detector() #获取人脸关键点检测器 self.predictor = dlib.shape_predictor(self.predictor_path) def landmark_dec_dlib_fun(self,img_src): img_gray = cv2.cvtColor(img_src, cv2.COLOR_BGR2GRAY) #用于绘制人脸关键点的img img_tag = img_src.copy() land_marks = [] rects = self.detector(img_gray, 0) for i in range(len(rects)): #把人脸关键点列表转为矩阵保存至列表中 land_marks_node = np.matrix([[p.x, p.y] for p in self.predictor(img_gray, rects[i]).parts()]) land_marks.append(land_marks_node) #在图中标记出人脸关键点 for j in land_marks_node: pt_pos = (j[0,0],j[0,1]) cv2.circle(img_tag, pt_pos, 2, (0, 255, 0), -1) cv2.imwrite(r'tag.jpg', img_tag) return land_marks ''' localTranslationWarp:Interactive Image Warping 局部平移算法（移动圆内的像素）具体实现步骤 2.1 对于圆形选区里的每一像素，取出其R,G,B各分量，存入3个变量（r, g, b）中（也即，三个变量分别存储选区内的原图像的R,G,B三个通道的数值） 2.2 对于圆形选区里的每一个像素U 2.3 根据图像局部平移变形，算出它变形后的位置坐标精确值X 2.4 用插值方法，根据U的位置，和r, g, b中的数值，计算U所在位置处的R,G,B等分量，将R，G，B等分量合成新的像素，作为X处的像素值（bilinearInsert方法） ''' def localTranslationWarp(self,srcImg, startX, startY, endX, endY, radius): ddradius = float(radius * radius) copyImg = np.zeros(srcImg.shape, np.uint8) copyImg = srcImg.copy() # 计算公式中的|m-c|^2 ddmc = (endX - startX) * (endX - startX) + (endY - startY) * (endY - startY) H, W, C = srcImg.shape for i in range(W): for j in range(H): # 计算该点是否在形变圆的范围之内 # 优化，第一步，直接判断是会在（startX,startY)的矩阵框中 if math.fabs(i - startX) > radius and math.fabs(j - startY) > radius: continue distance = (i - startX) * (i - startX) + (j - startY) * (j - startY) if (distance

【本文地址】

公司简介

联系我们