pytorch?液態(tài)算法實(shí)現(xiàn)瘦臉效果

更新時(shí)間：2022年01月18日 17:18:03 作者：watersink

在PS中，我們可以利用液化工具對(duì)人像進(jìn)行形變處理，例如瘦臉、瘦腿、放大眼睛等一系列的常規(guī)操作。今天我們來(lái)了解一下這些操作的算法原理，并用pytorch來(lái)實(shí)現(xiàn)瘦臉效果

論文：Interactive Image Warping（1993年Andreas Gustafsson）

算法思路：

假設(shè)當(dāng)前點(diǎn)為（x,y）,手動(dòng)指定變形區(qū)域的中心點(diǎn)為C(cx,cy)，變形區(qū)域半徑為r，手動(dòng)調(diào)整變形終點(diǎn)（從中心點(diǎn)到某個(gè)位置M）為M（mx,my），變形程度為strength，當(dāng)前點(diǎn)對(duì)應(yīng)變形后的目標(biāo)位置為U。變形規(guī)律如下，

圓內(nèi)所有像素均沿著變形向量的方向發(fā)生偏移
距離圓心越近，變形程度越大
距離圓周越近，變形程度越小，當(dāng)像素點(diǎn)位于圓周時(shí)，該像素不變形
圓外像素不發(fā)生偏移

其中，x是圓內(nèi)任意一點(diǎn)坐標(biāo)，c是圓心點(diǎn)，rmax為圓心半徑，m為調(diào)整變形的終點(diǎn)，u為圓內(nèi)任意一點(diǎn)x對(duì)應(yīng)的變形后的位置。

對(duì)上面公式進(jìn)行改進(jìn)，加入變形程度控制變量strength，改進(jìn)后瘦臉公式如下，

優(yōu)缺點(diǎn)：

優(yōu)點(diǎn)：形變思路簡(jiǎn)單直接

缺點(diǎn)：

局部變形算法，只能基于一個(gè)中心點(diǎn)，向另外一個(gè)點(diǎn)的方向啦。如果想多個(gè)點(diǎn)一起拉伸，只能每個(gè)點(diǎn)分別做一次液化，通過(guò)針對(duì)多個(gè)部位多次液化來(lái)實(shí)現(xiàn)。
單點(diǎn)拉伸的變形，可以實(shí)現(xiàn)瘦臉的效果，但是效果自然度有待提升。

代碼實(shí)現(xiàn)：

import cv2
import math
import numpy as np
 
def localTranslationWarpFastWithStrength(srcImg, startX, startY, endX, endY, radius, strength):
    ddradius = float(radius * radius)
    copyImg = np.zeros(srcImg.shape, np.uint8)
    copyImg = srcImg.copy()
 
 
    maskImg = np.zeros(srcImg.shape[:2], np.uint8)
    cv2.circle(maskImg, (startX, startY), math.ceil(radius), (255, 255, 255), -1)
 
    K0 = 100/strength
 
    # 計(jì)算公式中的|m-c|^2
    ddmc_x = (endX - startX) * (endX - startX)
    ddmc_y = (endY - startY) * (endY - startY)
    H, W, C = srcImg.shape
 
    mapX = np.vstack([np.arange(W).astype(np.float32).reshape(1, -1)] * H)
    mapY = np.hstack([np.arange(H).astype(np.float32).reshape(-1, 1)] * W)
 
    distance_x = (mapX - startX) * (mapX - startX)
    distance_y = (mapY - startY) * (mapY - startY)
    distance = distance_x + distance_y
    K1 = np.sqrt(distance)
    ratio_x = (ddradius - distance_x) / (ddradius - distance_x + K0 * ddmc_x)
    ratio_y = (ddradius - distance_y) / (ddradius - distance_y + K0 * ddmc_y)
    ratio_x = ratio_x * ratio_x
    ratio_y = ratio_y * ratio_y
 
    UX = mapX - ratio_x * (endX - startX) * (1 - K1/radius)
    UY = mapY - ratio_y * (endY - startY) * (1 - K1/radius)
 
    np.copyto(UX, mapX, where=maskImg == 0)
    np.copyto(UY, mapY, where=maskImg == 0)
    UX = UX.astype(np.float32)
    UY = UY.astype(np.float32)
    copyImg = cv2.remap(srcImg, UX, UY, interpolation=cv2.INTER_LINEAR)
 
    return copyImg
 
 
 
image = cv2.imread("./tests/images/klst.jpeg")
processed_image = image.copy()
startX_left, startY_left, endX_left, endY_left = 101, 266, 192, 233
startX_right, startY_right, endX_right, endY_right = 287, 275, 192, 233
radius = 45
strength = 100
# 瘦左邊臉                                                                           
processed_image = localTranslationWarpFastWithStrength(processed_image, startX_left, startY_left, endX_left, endY_left, radius, strength)
# 瘦右邊臉                                                                           
processed_image = localTranslationWarpFastWithStrength(processed_image, startX_right, startY_right, endX_right, endY_right, radius, strength)
cv2.imwrite("thin.jpg", processed_image)

實(shí)驗(yàn)效果：