OpenCV实现人脸磨皮的算法和原理是什么，怎么理解-群英

上一篇：用Pytorch如何实现通过图片对猫狗分类，过程是怎样的下一篇：python数值分析的方法及过程是怎样的

这篇文章主要介绍“OpenCV实现人脸磨皮的算法和原理是什么，怎么理解”的相关知识，下面会通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“OpenCV实现人脸磨皮的算法和原理是什么，怎么理解”文章能帮助大家解决问题。

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：