图像处理方法、装置、电子设备以及存储介质

技术领域

本公开涉及计算机技术领域，特别涉及计算机视觉、增强现实和深度学习等人工智能技术领域，尤其涉及图像处理方法、装置、电子设备以及存储介质。

背景技术

随着移动互联网的不断普及，社交媒体用户数量日益上升，越来越多的人们选择拍摄自己的生活状态并通过社交网络来分享，同时，为了使拍摄到的图像的展示效果更好，人们通常会对图像进行美颜处理，比如减弱皱纹、消除色斑、平滑皮肤等。

然而，相关技术中对人脸图像进行美颜处理时，由于不能精确定位瑕疵位置对其进行定向去除，通常会对整个人脸区域进行磨皮等处理，从而导致美颜处理后的人脸真实性差，与原始人脸图像差距较大，且由于丢失了个性特征，使得不同用户的人脸图像处理后相似度很大，用户体验差。

发明内容

本公开提供了一种图像处理方法、装置、电子设备、存储介质以及计算机程序产品。

根据本公开的一方面，提供了一种图像处理方法，包括：获取待处理的人脸图像；对所述人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个所述纹理基底的比重；对多个所述纹理基底中第一纹理基底的比重进行降低处理，其中，所述第一纹理基底为满足预设过滤条件的纹理基底；根据多个所述纹理基底以及对应的处理后比重，生成目标人脸图像。

根据本公开的另一方面，提供了一种图像处理装置，包括：获取模块，用于获取待处理的人脸图像；确定模块，用于对所述人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个所述纹理基底的比重；处理模块，用于对多个所述纹理基底中第一纹理基底的比重进行降低处理，其中，所述第一纹理基底为满足预设过滤条件的纹理基底；生成模块，用于根据多个所述纹理基底以及对应的处理后比重，生成目标人脸图像。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的图像处理方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的图像处理方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据如上所述的图像处理方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的图像处理方法的流程示意图；

图2是根据本公开第二实施例的图像处理方法的流程示意图；

图3是根据本公开第三实施例的图像处理方法的流程示意图；

图4是根据本公开第四实施例的图像处理装置的结构示意图；

图5是根据本公开第五实施例的图像处理装置的结构示意图；

图6是用来实现本公开实施例的图像处理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

可以理解的是，相关技术中对人脸图像进行美颜处理时，由于不能精确定位瑕疵位置对其进行定向去除，通常会对整个人脸区域进行磨皮等处理，从而导致美颜处理后的人脸真实性差，与原始人脸图像差距较大，且由于丢失了个性特征，使得不同用户的人脸图像处理后相似度很大，用户体验差。

本公开针对上述技术问题，提出一种图像处理方法，该图像处理方法，获取待处理的人脸图像后，对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重，再对多个纹理基底中满足预设过滤条件的第一纹理基底的比重进行降低处理，进而根据多个纹理基底以及对应的处理后比重，生成目标人脸图像。由此，实现了定向弱化人脸瑕疵，并且能够最大程度保留人脸的真实特征，提高了美颜后人脸的真实性，降低了处理后图像与原始人脸图像的差距，并且由于不会丢失个性特征，降低了不同用户的人脸图像处理后的相似度，改善了用户体验。

下面参考附图描述本公开实施例的图像处理方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品。

首先结合图1，对本公开提供的图像处理方法进行详细描述。

图1是根据本公开第一实施例的图像处理方法的流程示意图。其中，需要说明的是，本实施例提供的图像处理方法，由图像处理装置执行，其中，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等，以实现定向弱化人脸瑕疵，并且最大程度保留人脸的真实特征。

其中，电子设备，可以是任意能够进行图像处理的计算设备，例如笔记本电脑、智能手机、可穿戴设备等计算设备，本公开对此不作限制。

如图1所示，图像处理方法，可以包括以下步骤：

步骤101，获取待处理的人脸图像。

其中，待处理的图像，可以是图像处理装置所在的电子设备中的摄像装置拍摄得到的，也可以是图像处理装置从其它设备获取的，本公开对此不作限制。

待处理的人脸图像，可以为二维人脸图像，人脸图像中可以包括人脸区域。

需要说明的是，本公开实施例中的图像处理装置可以通过各种公开、合法合规的方式获取待处理的人脸图像，例如可以从公开数据集处获取待处理的人脸图像，或者也可以在经过用户授权后从用户处获取待处理的人脸图像，本公开对此不作限制。

在示例性实施例中，可以在经过用户A授权后，开启图像处理装置所在的电子设备的摄像装置，基于该摄像装置拍摄得到包括用户A的人脸区域的图像，并将该图像作为待处理的人脸图像；或者，也可以基于该摄像装置拍摄电子设备所在场景的多个视频帧，从多个视频帧中解析得到包括用户A的人脸区域的图像，并将该图像作为待处理的人脸图像，本公开对此不作限制。

步骤102，对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重。

其中，组成人脸纹理的多个频率的纹理基底，可以理解为多个作为基础的纹理图像，这些纹理图像与频率有关，每张纹理图像对应了一个频率，可以描述人脸基底成分。其中，人脸基底成分，例如可以为人脸自身具有的纹理、轮廓等。

在示例性实施例中，组成人脸纹理的多个频率的纹理基底，可以预先获取得到。

可以理解的是，由于主成分分析方法可以通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，其中转换后的这组变量称为主成分，那么，本公开实施例中，可以采用主成分分析方法，得到多个线性不相关的纹理基底。具体的，可以采用主成分分析方法，对多张样本人脸图像进行高斯分布拟合，得到一个参数化的人脸模型，从而将多张样本人脸图像分解成组成人脸纹理的多个频率的纹理基底，同时降低变量维数。

可以理解的是，针对不同的人脸图像，组成人脸纹理的多个频率的纹理基底的比重是不同的。比如假设组成人脸纹理的多个频率的纹理基底包括：频率f

在示例性实施例中，例如可以采用最小二乘法或者其它曲线拟合方法，将待处理的人脸图像的人脸纹理信息与多个纹理基底进行比对，以确定多个纹理基底在组成待处理的人脸图像的人脸纹理时，多个纹理基底的比重，本公开对确定组成人脸纹理的多个频率的纹理基底的比重的方法不作限制。

步骤103，对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底。

步骤104，根据多个纹理基底以及对应的处理后比重，生成目标人脸图像。

其中，预设过滤条件，为预先设置的需要去除或弱化的纹理基底所满足的条件，预设过滤条件可以根据需要进行设置。

可以理解的是，对于一张人脸图像，人脸图像的人脸纹理信息中包含各种频率的纹理特征，其中，高频率的纹理特征包含有关精细细节的信息，例如皮肤毛孔、细纹、皮肤缺陷等，低频率的纹理特征包含与色调和颜色相关的信息，比如阴影和高光区域。

在示例性实施例中，由于人脸瑕疵对应高频率的纹理特征，那么为了去除或弱化待处理的人脸图像中的人脸瑕疵，可以将预设过滤条件设置为频率高于预设频率阈值，从而通过对多个纹理基底中频率高于预设频率阈值的第一纹理基底的比重进行降低处理，可以定向去除或弱化待处理的人脸图像的人脸纹理信息中高频率的纹理特征，进而使得根据多个纹理基底以及对应的处理后比重生成的目标人脸图像中人脸瑕疵得到去除或弱化。

或者，在示例性实施例中，由于组成人脸纹理的多个频率的纹理基底中，一部分纹理基底可能是不重要的，那么，可以将预设过滤条件设置为重要度低于预设重要度阈值，从而通过对多个纹理基底中重要度低于预设重要度阈值的第一纹理基底的比重进行降低处理，可以定向去除或弱化待处理的人脸图像的人脸纹理信息中不重要的纹理特征，进而使得根据多个纹理基底以及对应的处理后比重生成的目标人脸图像得到美化，比如可以去除待处理的人脸图像中的噪声，使得目标人脸图像中人脸更光滑。

由于将人脸图像进行人脸纹理分解，分离人脸特征信息，并通过对满足预设过滤条件的第一纹理基底的比重进行降低处理，来去除或弱化人脸瑕疵，实现了定向去除或弱化人脸瑕疵，且由于对不满足预设过滤条件的纹理基底的比重不作处理，能够最大程度的保留人脸的真实特征，提高了美颜处理后人脸的真实性，降低了处理后图像与原始人脸图像的差距，并且由于不会丢失个性特征，降低了不同用户的人脸图像处理后的相似度，改善了用户体验。

本公开实施例提供的图像处理方法，获取待处理的人脸图像后，先对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重，再对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底，进而根据多个纹理基底以及对应的处理后比重，生成目标人脸图像。由此，实现了定向弱化人脸瑕疵，并且能够最大程度保留人脸的真实特征，提高了美颜后人脸的真实性，降低了处理后图像与原始人脸图像的差距，并且由于不会丢失个性特征，降低了不同用户的人脸图像处理后的相似度，改善了用户体验。

下面结合图2，对本公开提供的图像处理方法进一步说明。

图2是根据本公开第二实施例的图像处理方法的流程示意图。如图2所示，图像处理方法，可以包括以下步骤：

步骤201，获取待处理的人脸图像。

其中，步骤201的具体实现过程及原理，可以参考上述实施例的描述，此处不再赘述。

步骤202，对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个纹理基底，以及多个纹理基底的比重。

在示例性实施例中，获取待处理的人脸图像后，可以先提取人脸图像的人脸纹理信息，再对人脸纹理信息进行人脸纹理分解，确定多个纹理基底以及对应的比重。

其中，人脸纹理信息中包含各种频率的纹理特征，其中，高频率的纹理特征包含有关精细细节的信息，例如皮肤毛孔、细纹、皮肤缺陷等，低频率的纹理特征包含与色调和颜色相关的信息，比如阴影和高光区域。

在示例性实施例中，可以采用主成分分析方法，对多张样本人脸图像进行高斯分布拟合，得到一个参数化的人脸模型，从而将多张样本人脸图像分解成组成人脸纹理的多个频率的纹理基底，同时降低变量维数，并采用例如最小二乘法，将待处理的人脸图像的人脸纹理信息与多个纹理基底进行比对，以确定多个纹理基底在组成待处理的人脸图像的人脸纹理时，多个纹理基底的比重。

通过提取人脸图像的人脸纹理信息后，对人脸纹理信息进行人脸纹理分解，确定多个纹理基底以及对应的比重，实现了通过纹理分解方法，构建组成人脸纹理的纹理基底，分离人脸特征信息，为定向去除或弱化人脸瑕疵，并最大程度的保留人脸的真实特征提供了条件。

步骤203，确定预设过滤条件对应的降低比例。

步骤204，按照降低比例对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底。

步骤205，根据多个纹理基底以及对应的处理后比重，生成目标人脸图像。

其中，预设过滤条件，可以包括以下条件中的至少一种：频率高于预设频率阈值、根据纹理基底以及比重确定的熵大于预设数量阈值。

在示例性实施例中，由于人脸瑕疵对应高频率的纹理特征，那么为了去除或弱化待处理的人脸图像中的人脸瑕疵，可以将预设过滤条件设置为频率高于预设频率阈值，从而通过对多个纹理基底中频率高于预设频率阈值的第一纹理基底的比重进行降低处理，可以定向去除或弱化待处理的人脸图像的人脸纹理信息中高频率的纹理特征，进而使得根据多个纹理基底以及对应的处理后比重生成的目标人脸图像中人脸瑕疵得到去除或弱化。

或者，由于熵是衡量人脸图像复杂度的标准，人脸图像中人脸纹理越多表面特征越复杂同时包含更多的噪声，熵越大，人脸图像中人脸皮肤越光滑表面特征复杂度越低同时包含更少的噪声，熵越小，那么，可以将预设过滤条件设置为熵大于预设数量阈值，从而通过根据纹理基底以及对应的比重确定每个纹理基底对应的熵，并对熵大于预设数量阈值的第一纹理基底的比重进行降低处理，可以定向去除或弱化待处理的人脸图像中接近噪声的特征，进而使得根据多个纹理基底以及对应的处理后比重生成的目标人脸图像中人脸更光滑。

在示例性实施例中，也可以将预设过滤条件设置为频率高于预设频率阈值，并且熵大于预设数量阈值，从而通过对多个纹理基底中频率高于预设频率阈值，并且熵大于预设频率阈值的第一纹理基底的比重进行降低处理，可以定向去除或弱化待处理的人脸图像中高频率的纹理特征以及接近噪声的特征，进而使得根据多个纹理基底以及对应的处理后比重生成的目标人脸图像中人脸瑕疵得到去除或弱化，且人脸更光滑。

通过将预设过滤条件设置为频率高于预设频率阈值或者熵大于预设数量阈值，并对多个纹理基底中满足预设过滤条件的第一纹理基底的比重进行降低处理，实现了定向去除或弱化待处理的人脸图像中高频率的纹理特征或接近噪声的特征。

在示例性实施例中，对多个纹理基底中满足预设过滤条件的第一纹理基底的比重进行降低处理时，可以先确定预设过滤条件对应的降低比例，进而按照降低比例对第一纹理基底的比重进行降低处理。

其中，降低比例，可以根据需要设置。比如，可以设置为20％、10％等。

举例来说，假设预设过滤条件为频率高于预设频率阈值，则确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重后，可以确定预设过滤条件对应的降低比例，假设降低比例为20％，则可以将多个纹理基底中，频率高于预设频率阈值的第一纹理基底的比重降为原来的20％，从而实现对第一纹理基底的比重的降低处理。

通过确定预设过滤条件对应的降低比例，并按照降低比例对第一纹理基底的比重进行降低处理，实现了根据需要将第一纹理的比重进行不同程度的降低，以灵活将待处理的人脸图像中的人脸瑕疵或者噪声特征去除或者根据需要弱化到所需要的程度。

本公开实施例提供的图像处理方法，获取待处理的人脸图像后，对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个纹理基底以及多个纹理基底的比重，再确定预设过滤条件对应的降低比例，按照降低比例对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底，进而根据多个纹理基底以及对应的处理后比重，生成目标人脸图像，实现了定向弱化人脸瑕疵，并且能够最大程度保留人脸的真实特征，提高了美颜后人脸的真实性，降低了处理后图像与原始人脸图像的差距，并且由于不会丢失个性特征，降低了不同用户的人脸图像处理后的相似度，改善了用户体验。

通过上述分析可知，本公开实施例中，对多个纹理基底中满足预设过滤条件的第一纹理基底的比重进行降低处理后，可以根据多个纹理基底以及对应的处理后比重，生成目标人脸图像，下面对本公开提供的图像处理方法中根据多个纹理基底以及对应的处理后比重，生成目标人脸图像的过程进一步说明。

图3是根据本公开第三实施例的图像处理方法的流程示意图。如图3所示，图像处理方法，可以包括以下步骤：

步骤301，获取待处理的人脸图像。

步骤302，对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重。

步骤303，对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底。

其中，上述步骤301-303的具体实现过程及原理，可以参考上述实施例的描述，此处不再赘述。

步骤304，根据多个纹理基底以及对应的处理后比重，生成目标人脸纹理信息。

在示例性实施例中，对多个纹理基底中第一纹理基底的比重进行降低处理后，可以根据多个纹理基底以及每个纹理基底对应的比重，生成目标人脸纹理信息。

在示例性实施例中，可以将多个纹理基底以及对应的处理后比重进行加权求和，得到目标人脸纹理信息。其中，每个纹理基底的比重作为加权求和时的权值。或者，也可以采用其它方式根据多个纹理基底以及每个纹理基底对应的比重，生成目标人脸纹理信息，本公开对此不作限制。

步骤305，根据目标人脸纹理信息以及人脸图像，生成目标人脸图像。

在示例性实施例中，根据多个纹理基底以及对应的处理后比重，生成目标人脸纹理信息后，即可根据目标人脸纹理信息以及人脸图像，生成目标人脸图像。

在示例性实施例中，可以采用以下方式根据目标人脸纹理信息以及人脸图像，生成目标人脸图像：确定人脸图像的人脸模型；根据人脸模型以及目标人脸纹理信息，生成目标人脸区域图像；将人脸图像中的人脸区域图像替换为目标人脸区域图像，得到目标人脸图像。

其中，人脸模型为三维人脸模型。目标人脸区域图像，为包括人脸区域，且人脸区域包含目标人脸纹理信息的图像。

具体的，可以对待处理的人脸图像进行人脸特征提取，根据提取的人脸特征，构建人脸图像对应的一个人脸模型，再根据人脸模型以及目标人脸纹理信息，生成目标人脸区域图像，并确定待处理的人脸图像中的人脸区域图像，进而将待处理的人脸图像中的人脸区域图像替换为目标人脸区域图像，即可得到目标人脸图像。

需要说明的是，本公开实施例中，根据人脸图像确定的人脸模型，包含了人脸图像对应的用户的人脸信息，但是该人脸模型的构建是在经过用户授权后执行的，其构建过程符合相关法律法规。

通过根据多个纹理基底以及对应的处理后比重，生成目标人脸纹理信息，确定人脸图像的人脸模型，根据人脸模型以及目标人脸纹理信息，生成目标人脸区域图像，再将人脸图像中的人脸区域图像替换为目标人脸区域图像，得到目标人脸图像，实现了根据多个纹理基底以及对应的处理后比重，生成目标人脸图像，且生成的目标人脸图像中，仅人脸区域相对原始人脸图像进行了美颜处理，除人脸区域外的其它区域与原始人脸图像相同，从而进一步提高了美颜处理后人脸图像的真实性，降低了处理后图像与原始人脸图像的差距。

本公开实施例提供的图像处理方法，获取待处理的人脸图像，对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个纹理基底以及多个纹理基底的比重，对多个纹理基底中第一纹理基底的比重进行降低处理，根据多个纹理基底以及对应的处理后比重，生成目标人脸纹理信息，进而根据目标人脸纹理信息以及人脸图像，生成目标人脸图像，实现了定向弱化人脸瑕疵，并且能够最大程度保留人脸的真实特征，提高了美颜后人脸的真实性，降低了处理后图像与原始人脸图像的差距，并且由于不会丢失个性特征，降低了不同用户的人脸图像处理后的相似度，改善了用户体验。

下面结合图4，对本公开提供的图像处理装置进行说明。

图4是根据本公开第四实施例的图像处理装置的结构示意图。

如图4所示，本公开提供的图像处理装置400，包括：获取模块401、确定模块402、处理模块403和生成模块404。

其中，获取模块401，用于获取待处理的人脸图像；

确定模块402，用于对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重；

处理模块403，用于对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底；

生成模块404，用于根据多个纹理基底以及对应的处理后比重，生成目标人脸图像。

需要说明的是，本实施例提供的图像处理装置，可以执行前述实施例的图像处理方法，以实现定向弱化人脸瑕疵，并且最大程度保留人脸的真实特征。

需要说明的是，前述对于图像处理方法的实施例的说明，也适用于本公开提供的图像处理装置，此处不再赘述。

本公开实施例提供的图像处理装置，获取待处理的人脸图像后，先对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重，再对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底，进而根据多个纹理基底以及对应的处理后比重，生成目标人脸图像。由此，实现了定向弱化人脸瑕疵，并且能够最大程度保留人脸的真实特征，提高了美颜后人脸的真实性，降低了处理后图像与原始人脸图像的差距，并且由于不会丢失个性特征，降低了不同用户的人脸图像处理后的相似度，改善了用户体验。

下面结合图5，对本公开提供的图像处理装置进行说明。

图5是根据本公开第五实施例的图像处理装置的结构示意图。

如图5所示，图像处理装置500，具体可以包括：获取模块501、确定模块502、处理模块503和生成模块504，其中，图5中获取模块501、确定模块502、处理模块503和生成模块504与图4中获取模块401、确定模块402、处理模块403和生成模块404具有相同功能和结构。

在示例性实施例中，如图5所示，上述确定模块502，包括：

提取单元5021，用于提取人脸图像的人脸纹理信息；

第一确定单元5022，用于对人脸纹理信息进行人脸纹理分解，确定多个纹理基底以及对应的比重。

在示例性实施例中，预设过滤条件包括以下条件中的至少一种：频率高于预设频率阈值、根据纹理基底以及比重确定的熵大于预设数量阈值。

在示例性实施例中，生成模块504，包括：

第一生成单元5041，用于根据多个纹理基底以及对应的处理后比重，生成目标人脸纹理信息；

第二生成单元5042，用于根据目标人脸纹理信息以及人脸图像，生成目标人脸图像。

在示例性实施例中，第二生成单元，包括：

确定子单元，用于确定人脸图像的人脸模型；

生成子单元，用于根据人脸模型以及目标人脸纹理信息，生成目标人脸区域图像；

处理子单元，用于将人脸图像中的人脸区域图像替换为目标人脸区域图像，得到目标人脸图像。

在示例性实施例中，处理模块503，包括：

第二确定单元5031，用于确定预设过滤条件对应的降低比例；

处理单元5032，用于按照降低比例对第一纹理基底的比重进行降低处理。

需要说明的是，前述对于图像处理方法的实施例的说明，也适用于本公开提供的图像处理装置，此处不再赘述。

本公开实施例提供的图像处理装置，获取待处理的人脸图像后，先对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重，再对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底，进而根据多个纹理基底以及对应的处理后比重，生成目标人脸图像。由此，实现了定向弱化人脸瑕疵，并且能够最大程度保留人脸的真实特征，提高了美颜后人脸的真实性，降低了处理后图像与原始人脸图像的差距，并且由于不会丢失个性特征，降低了不同用户的人脸图像处理后的相似度，改善了用户体验。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如图像处理方法。例如，在一些实施例中，图像处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的图像处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

本公开实施例涉及计算机视觉、增强现实和深度学习等人工智能技术领域。

其中，人工智能(Artificial Intelligence，简称AI)，是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向

计算机视觉，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

增强现实(AugmentedReality，AR)技术是一种将虚拟信息与真实世界巧妙融合的技术，广泛运用了多媒体、三维建模、实时跟踪及注册、智能交互、传感等多种技术手段，将计算机生成的文字、图像、三维模型、音乐、视频等虚拟信息模拟仿真后，应用到真实世界中，两种信息互为补充，从而实现对真实世界的“增强”。

而深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

根据本公开实施例的技术方案，获取待处理的人脸图像后，先对人脸图像进行人脸纹理分解，确定组成人脸纹理的多个频率的纹理基底，以及多个纹理基底的比重，再对多个纹理基底中第一纹理基底的比重进行降低处理，其中，第一纹理基底为满足预设过滤条件的纹理基底，进而根据多个纹理基底以及对应的处理后比重，生成目标人脸图像。由此，实现了定向弱化人脸瑕疵，并且能够最大程度保留人脸的真实特征，提高了美颜后人脸的真实性，降低了处理后图像与原始人脸图像的差距，并且由于不会丢失个性特征，降低了不同用户的人脸图像处理后的相似度，改善了用户体验。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。