拜各类技术和软件的发展所赐，当我们出现在镜头面前时，计算机算法就已经自动将采集到的人像进行了美颜处理。因此，镜头里的人总是那么“不真实”。
那么，这些软件背后需要用到什么程序算法？计算机是如何识别人的面部和身体，并对这些部位进行美化的呢？
其实，美颜和绘画有很多相似性，绘画首先是画线稿，确定人体基础结构，然后在线稿之上进行上色，逐步丰富细节，最后完成一幅作品。
我们拍摄的原始人体图像也是“画线稿”，手机收集原始数据，将图像上传到后台进行定位和识别。这一步的目的是确定人体的特征位置。
接下来开始“上色”，用算法和技术对五官或身体部位进行分析、处理、美化，最后得到美颜后的图像。
只不过完成一幅绘画作品需要较长的时间，而美颜却是瞬时的、即刻的，这背后需要有强大的计算机技术作为支撑。
人脸关键点定位技术识别五官
美颜技术有多强大？美颜技术原理与程序算法
如今的美颜相机，已经可以给眼睛画眼影、给嘴唇涂口红。那么，这些功能是怎么精准识别图像中人脸的特定部位的呢？
这其中利用的是人脸关键点检测技术，即通过寻找脸部特征点来确定五官的精准位置。一般来说，定位的关键点数量越多，最终的美颜效果越好。
目前主流的人脸关键点检测方法有两种：基于特征的人脸检测和基于图像的人脸检测。目前使用最多的是基于特征的人脸检测方法。
原始人脸数据被上传至后台后，人脸检测技术会对原始的图像帧进行识别。眼睛、眉毛、T型区（即眼睛+鼻子构成的区域）、嘴、下巴会被依次识别，识别的数据被放入人脸信息结构体中，之后再被应用到具体的美颜算法中，对特定部位进行美化。
图像平滑技术帮你磨皮
女生在化妆时会先涂一层粉底液，主要作用是美白和减少皮肤瑕疵。这其实就相当于美颜功能中的美白和磨皮。
美颜技术有多强大？美颜技术原理与程序算法
好的磨皮效果应该是怎样的？首先最重要的是让皮肤变光滑，同时还要尽量保留更多细节（如皮肤肌理），让五官轮廓清晰可见，这样的图片看起来更真实、更有质感。
磨皮利用的是图像平滑技术，因为在拍摄图像时会受到噪声干扰，使图像质量降低，因此要对噪声进行过滤。过滤后的图像将变得平滑，多余无用的信息会被剔除掉。
过滤图像噪声的工具是滤波器，一般常用的滤波器有中值滤波、边缘保持滤波、双边滤波（又称高斯双边滤波）等。中值滤波和边缘保持滤波的缺点是不能很好地保留图像的边缘信息；而双边滤波可以保留大量人脸细节且确保边界处不会被模糊掉，因此其应用最为普遍。
色彩模式切换美白皮肤
我们人眼的“像素”很高，能看见世界的色彩斑斓，那没有“眼睛”的计算机怎么识别颜色呢？
图像中的色彩一般用RGB模式表示，R、G、B分别代表红、绿、蓝，具体数值从0—255变化。R、G、B的数值越趋于0，图像越黑；相反，越接近255就越白。此外，还有HSV模式（H、S、V分别代表色彩、饱和度、明度），这两种色彩模式可以通过算法实现转换。
很多美白技术会将RGB模式转化为HSV模式后再进行调整：先用算法对皮肤像素的颜色数据进行大量统计，得到肤色像素的取值范围，然后再调节像素的各项数值大小，让图像中的皮肤变白、变亮。
美颜技术有多强大？美颜技术原理与程序算法
美颜技术有多强大？美颜技术原理与程序算法
模板与原图合成“定制”妆容
美颜相机里还能“定制”妆容，包括口红、腮红、眼妆等。这是因为相机软件里植入了预先设计的、不同风格的妆容模板，当人脸出现后，首先会基于人脸关键点检测技术，识别出特定部位，然后妆容模板会投射到人脸特定区域，最后妆容和原始图像进行高效合成，给图像里的人“化妆”。
以画眉为例，许多软件都提供了多套眉毛的图片模板，先检测出原始图像眉毛的关键点位置，眉毛的第一个关键点会作为贴合的起始位置；算法还会对眉毛模板的大小和范围作出调整，使模板和人的原始眉毛能更好地贴合；最后在原图上进行融合，得到自然、逼真的画眉效果。
这样一看，美颜果然是个“技术活”。
//没听懂你的需求，能更清楚一些吗？我以前的一个程序使用BufferedImage读取图像像素点的RGB值，例子在下面。
你从例子中了解一下用一个整数表示RGB颜色的方法。然后用setRGB方法满足你的要求。
方法：
java.awt.image.BufferedImage
public int getRGB(int x,int y)
返回默认 RGB 颜色模型 (TYPE_INT_ARGB) 和默认 sRGB 颜色空间中的整数像素。如果此默认模型与该图像的 ColorModel 不匹配，则发生颜色转换。在使用此方法所返回的数据中，每个颜色分量只有 8 位精度。
public void setRGB(int x, int y,int rgb)
将此 BufferedImage 中的像素设置为指定的 RGB 值。假定该像素使用默认 RGB 颜色模型、TYPE_INT_ARGB 和默认 sRGB 颜色空间。对于具有 IndexColorModel 的图像，则选择最接近的颜色的索引。
参数：
x - 要设置的像素的 X 坐标
y - 要设置的像素的 Y 坐标
rgb - RGB 值
例子：（获取RGB值）---了解一下用一个整数表示RGB颜色的方法
import java.awt.image.BufferedImage
import javax.imageio.ImageIO
import java.io.*
public class Test{
public static void main(String args[]) {
int[] rgb = new int[3]
File file = new File("a.bmp")
BufferedImage bi=null
try{
bi = ImageIO.read(file)
}catch(Exception e){
e.printStackTrace()
}
int width=bi.getWidth()
int height=bi.getHeight()
int minx=bi.getMinX()
int miny=bi.getMinY()
System.out.println("width="+width+",height="+height+".")
System.out.println("minx="+minx+",miniy="+miny+".")
for(int i=minxi<widthi++){
for(int j=minyj<heightj++){
//System.out.print(bi.getRGB(jw, ih))
int pixel=bi.getRGB(i, j)
rgb[0] = (pixel &0xff0000 ) >>16
rgb[1] = (pixel &0xff00 ) >>8
rgb[2] = (pixel &0xff )
System.out.println("i="+i+",j="+j+":("+rgb[0]+","+rgb[1]+","+rgb[2]+")")
}
}
}
}
前些时候做毕业设计 用java做的数字图像处理方面的东西 这方面的资料ms比较少 发点东西上来大家共享一下 主要就是些算法 有自己写的 有人家的 还有改人家的 有的算法写的不好 大家不要见笑
一 读取bmp图片数据
// 获取待检测图像 数据保存在数组 nData[] nB[] nG[] nR[]中
public void getBMPImage(String source) throws Exception { clearNData() //清除数据保存区 FileInputStream fs = null try { fs = new FileInputStream(source) int bfLen = byte bf[] = new byte[bfLen] fs read(bf bfLen)// 读取 字节BMP文件头 int biLen = byte bi[] = new byte[biLen] fs read(bi biLen)// 读取 字节BMP信息头
// 源图宽度 nWidth = (((int) bi[ ] &xff) <<) | (((int) bi[ ] &xff) <<) | (((int) bi[ ] &xff) <<) | (int) bi[ ] &xff
// 源图高度 nHeight = (((int) bi[ ] &xff) <<) | (((int) bi[ ] &xff) <<) | (((int) bi[ ] &xff) <<) | (int) bi[ ] &xff
// 位数 nBitCount = (((int) bi[ ] &xff) <<) | (int) bi[ ] &xff
// 源图大小 int nSizeImage = (((int) bi[ ] &xff) <<) | (((int) bi[ ] &xff) <<) | (((int) bi[ ] &xff) <<) | (int) bi[ ] &xff
// 对 位BMP进行解析 if (nBitCount == ){ int nPad = (nSizeImage / nHeight) nWidth * nData = new int[nHeight * nWidth] nB=new int[nHeight * nWidth] nR=new int[nHeight * nWidth] nG=new int[nHeight * nWidth] byte bRGB[] = new byte[(nWidth + nPad) * * nHeight] fs read(bRGB (nWidth + nPad) * * nHeight) int nIndex = for (int j = j <nHeightj++){ for (int i = i <nWidthi++) { nData[nWidth * (nHeight j ) + i] = ( &xff) << | (((int) bRGB[nIndex + ] &xff) <<) | (((int) bRGB[nIndex + ] &xff) <<) | (int) bRGB[nIndex] &xff nB[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex]&xff nG[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]&xff nR[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]&xff nIndex += } nIndex += nPad } // Toolkit kit = Toolkit getDefaultToolkit() // image = kit createImage(new MemoryImageSource(nWidth nHeight // nData nWidth))
/* //调试数据的读取
FileWriter fw = new FileWriter( C:\\Documents and Settings\\Administrator\\My Documents\\nDataRaw txt )//创建新文件 PrintWriter out = new PrintWriter(fw) for(int j= j<nHeightj++){ for(int i= i<nWidthi++){ out print(( * +nData[nWidth * (nHeight j ) + i])+ _ +nR[nWidth * (nHeight j ) + i]+ _ +nG[nWidth * (nHeight j ) + i]+ _ +nB[nWidth * (nHeight j ) + i]+ ) } out println( ) } out close()*/ } } catch (Exception e) { e printStackTrace() throw new Exception(e) } finally { if (fs != null) { fs close() } } // return image }
二 由r g b 获取灰度数组
public int[] getBrightnessData(int rData[] int gData[] int bData[]){ int brightnessData[]=new int[rData length] if(rData length!=gData length || rData length!=bData length || bData length!=gData length){ return brightnessData } else { for(int i= i<bData lengthi++){ double temp= *rData[i]+ *gData[i]+ *bData[i] brightnessData[i]=(int)(temp)+((temp (int)(temp))>? : ) } return brightnessData } }
三 直方图均衡化
public int [] equilibrateGray(int[] PixelsGray int width int height) { int gray int length=PixelsGray length int FrequenceGray[]=new int[length] int SumGray[]=new int[ ] int ImageDestination[]=new int[length] for(int i = i <length i++) { gray=PixelsGray[i] FrequenceGray[gray]++ } // 灰度均衡化 SumGray[ ]=FrequenceGray[ ] for(int i= i<i++){ SumGray[i]=SumGray[i ]+FrequenceGray[i] } for(int i= i<i++) { SumGray[i]=(int)(SumGray[i]* /length) } for(int i= i<heighti++) { for(int j= j<widthj++) { int k=i*width+j ImageDestination[k]= xFF | ((SumGray[PixelsGray[k]]<< ) | (SumGray[PixelsGray[k]]<<) | SumGray[PixelsGray[k]]) } } return ImageDestination }
四 laplace 阶滤波 增强边缘 图像锐化
public int[] laplace DFileter(int []data int width int height){ int filterData[]=new int[data length] int min= int max= for(int i= i<heighti++){ for(int j= j<widthj++){ if(i== || i==height || j== || j==width ) filterData[i*width+j]=data[i*width+j] else filterData[i*width+j]= *data[i*width+j] data[i*width+j ] data[i*width+j+ ] data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ] data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ] if(filterData[i*width+j]<min) min=filterData[i*width+j] if(filterData[i*width+j]>max) max=filterData[i*width+j] } }// System out println( max: +max)// System out println( min: +min) for(int i= i<width*heighti++){ filterData[i]=(filterData[i] min)* /(max min) } return filterData }
五 laplace 阶增强滤波 增强边缘 增强系数delt
public int[] laplaceHigh DFileter(int []data int width int height double delt){ int filterData[]=new int[data length] int min= int max= for(int i= i<heighti++){ for(int j= j<widthj++){ if(i== || i==height || j== || j==width ) filterData[i*width+j]=(int)(( +delt)*data[i*width+j]) else filterData[i*width+j]=(int)(( +delt)*data[i*width+j] data[i*width+j ]) data[i*width+j+ ] data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ] data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ] if(filterData[i*width+j]<min) min=filterData[i*width+j] if(filterData[i*width+j]>max) max=filterData[i*width+j] } } for(int i= i<width*heighti++){ filterData[i]=(filterData[i] min)* /(max min) } return filterData } 六 局部阈值处理 值化
// 局部阈值处理 值化 niblack s method /*原理 T(x y)=m(x y) + k*s(x y) 取一个宽度为w的矩形框 (x y)为这个框的中心 统计框内数据 T(x y)为阈值 m(x y)为均值 s(x y)为均方差 k为参数(推荐 )计算出t再对(x y)进行切割 / 这个算法的优点是 速度快 效果好 缺点是 niblack s method会产生一定的噪声 */ public int[] localThresholdProcess(int []data int width int height int w int h double coefficients double gate){ int[] processData=new int[data length] for(int i= i<data lengthi++){ processData[i]= } if(data length!=width*height) return processData int wNum=width/w int hNum=height/h int delt[]=new int[w*h] //System out println( w+w+ h: +h+ wNum: +wNum+ hNum: +hNum) for(int j= j<hNumj++){ for(int i= i<wNumi++){ //for(int j= j<j++){ // for(int i= i<i++){ for(int n= n<hn++) for(int k= k<wk++){ delt[n*w+k]=data[(j*h+n)*width+i*w+k] //System out print( delt[ +(n*w+k)+ ]: +delt[n*w+k]+ ) } //System out println() /* for(int n= n<hn++) for(int k= k<wk++){ System out print( data[ +((j*h+n)*width+i*w+k)+ ]: +data[(j*h+n)*width+i*w+k]+ ) } System out println() */ delt=thresholdProcess(delt w h coefficients gate) for(int n= n<hn++) for(int k= k<wk++){ processData[(j*h+n)*width+i*w+k]=delt[n*w+k] // System out print( delt[ +(n*w+k)+ ]: +delt[n*w+k]+ ) } //System out println() /* for(int n= n<hn++) for(int k= k<wk++){ System out print( processData[ +((j*h+n)*width+i*w+k)+ ]: +processData[(j*h+n)*width+i*w+k]+ ) } System out println() */ } } return processData }
七 全局阈值处理 值化
public int[] thresholdProcess(int []data int width int height double coefficients double gate){ int [] processData=new int[data length] if(data length!=width*height) return processData else{ double sum= double average= double variance= double threshold if( gate!= ){ threshold=gate } else{ for(int i= i<width*heighti++){ sum+=data[i] } average=sum/(width*height) for(int i= i<width*heighti++){ variance+=(data[i] average)*(data[i] average) } variance=Math sqrt(variance) threshold=average coefficients*variance } for(int i= i<width*heighti++){ if(data[i]>threshold) processData[i]= else processData[i]= } return processData } }
八 垂直边缘检测 sobel算子
public int[] verticleEdgeCheck(int []data int width int height int sobelCoefficients) throws Exception{ int filterData[]=new int[data length] int min= int max= if(data length!=width*height) return filterData try{ for(int i= i<heighti++){ for(int j= j<widthj++){ if(i== || i== || i==height || i==height ||j== || j== || j==width || j==width ){ filterData[i*width+j]=data[i*width+j] } else{ double average //中心的九个像素点 //average=data[i*width+j] Math sqrt( )*data[i*width+j ]+Math sqrt( )*data[i*width+j+ ] average=data[i*width+j] sobelCoefficients*data[i*width+j ]+sobelCoefficients*data[i*width+j+ ] data[(i )*width+j ]+data[(i )*width+j+ ] data[(i+ )*width+j ]+data[(i+ )*width+j+ ] filterData[i*width+j]=(int)(average) } if(filterData[i*width+j]<min) min=filterData[i*width+j] if(filterData[i*width+j]>max) max=filterData[i*width+j] } } for(int i= i<width*heighti++){ filterData[i]=(filterData[i] min)* /(max min) } } catch (Exception e) { e printStackTrace() throw new Exception(e) } return filterData }
九 图像平滑 * 掩模处理（平均处理） 降低噪声
lishixinzhi/Article/program/Java/hx/201311/26286
