本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種基于梯度顯著性感知的皺紋分割方法、裝置及可讀介質(zhì)。

背景技術(shù)：

1、隨著科技的迅速發(fā)展以及人們對美的追求不斷提升，臉部皺紋分割技術(shù)在許多新的領(lǐng)域中得到了廣泛應(yīng)用。例如，在醫(yī)學診斷領(lǐng)域，分割臉部皺紋可以幫助醫(yī)生評估患者的皮膚健康狀況和衰老程度，從而制定個性化的治療方案。又例如，在照片美化領(lǐng)域，依據(jù)臉部皺紋的不同類型與程度，應(yīng)用相應(yīng)的美化效果，以提升照片的質(zhì)量與用戶的滿意度。此外，在人臉識別領(lǐng)域，臉部皺紋作為一種獨特的生物特征，被廣泛應(yīng)用于用戶身份驗證，以提高識別的準確性和安全性。在健康監(jiān)測領(lǐng)域，皺紋分割可以用來評估個體的生理和心理健康狀況。

2、目前市面上的皺紋分割技術(shù)普遍存在不足?，F(xiàn)有技術(shù)通常未對人臉的皺紋像素權(quán)重進行合理的設(shè)置，皺紋像素權(quán)重過高導致模型在訓練過程中過度關(guān)注皺紋的細節(jié)，可能會將非常小或微不足道的特征誤認為皺紋，從而導致過度分割。皺紋像素權(quán)重過低，模型在訓練過程中可能更傾向于將皺紋錯誤地分割為背景，從而導致較低的召回率，這意味著模型可能會漏掉一部分真實存在的皺紋?，F(xiàn)有技術(shù)通常也未對人臉圖像的復雜紋理區(qū)域進行加權(quán)感知，導致復雜紋理區(qū)域分割不完整的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的在于針對上述提到的技術(shù)問題提出一種基于梯度顯著性感知的皺紋分割方法、裝置及可讀介質(zhì)。

2、第一方面，本發(fā)明提供了一種基于梯度顯著性感知的皺紋分割方法，包括以下步驟：

3、獲取原始人臉圖像并進行皺紋像素標注，生成對應(yīng)的皺紋標注掩碼圖，基于原始人臉圖像及其對應(yīng)的皺紋標注掩碼圖構(gòu)建人臉皺紋數(shù)據(jù)集；

4、構(gòu)建基于改進的unet深度骨干網(wǎng)絡(luò)的人臉皺紋分割網(wǎng)絡(luò)，人臉皺紋分割網(wǎng)絡(luò)在傳統(tǒng)的unet深度骨干網(wǎng)絡(luò)的基礎(chǔ)上添加一個多尺度注意力門模塊；

5、將人臉皺紋數(shù)據(jù)集中的原始人臉圖像輸入到人臉皺紋分割網(wǎng)絡(luò)，得到對應(yīng)的皺紋分割預測圖，計算人臉皺紋數(shù)據(jù)集中的原始人臉圖像中的每個像素點的顯著性，根據(jù)原始人臉圖像中的每個像素點的顯著性計算得到原始人臉圖像中的每個像素點的權(quán)重，基于原始人臉圖像中的每個像素點的像素值及其權(quán)重和原始人臉圖像對應(yīng)的皺紋標注掩碼圖中的相應(yīng)像素點的像素值構(gòu)建梯度顯著性加權(quán)損失函數(shù)，基于梯度顯著性加權(quán)損失函數(shù)對人臉皺紋分割網(wǎng)絡(luò)進行訓練，得到經(jīng)訓練的人臉皺紋分割網(wǎng)絡(luò)；

6、獲取待處理的人臉圖像并輸入到經(jīng)訓練的人臉皺紋分割網(wǎng)絡(luò)，得到待處理的人臉圖像對應(yīng)的皺紋分割預測圖。

7、作為優(yōu)選，人臉皺紋分割網(wǎng)絡(luò)包括收縮路徑、擴展路徑和多尺度注意力門模塊，收縮路徑包括第一卷積模塊、第二卷積模塊、第三卷積模塊和第四卷積模塊，擴展路徑包括第五卷積模塊、第六卷積模塊和第七卷積模塊，第一卷積模塊、第二卷積模塊、第三卷積模塊、第四卷積模塊、第五卷積模塊、第六卷積模塊和第七卷積模塊均包括兩個卷積核大小為3×3的第一卷積層，每個卷積核大小為3×3的第一卷積層后面均連接一個第一relu激活函數(shù)層，第一卷積模塊和第二卷積模塊之間、第二卷積模塊和第三卷積模塊之間以及第三卷積模塊和第四卷積模塊之間均包括一個池化核2×2為最大池化層；對第四卷積模塊的輸出特征進行上采樣并和第三卷積模塊的輸出特征輸入到多尺度注意力門模塊，第四卷積模塊的輸出特征經(jīng)過上采樣后的特征與多尺度注意力門模塊的輸出特征拼接后輸入第五卷積模塊，對第五卷積模塊的輸出特征進行上采樣并與第二卷積模塊的輸出特征拼接后輸入第六卷積模塊，對第六卷積模塊的輸出特征進行上采樣并與第一卷積模塊的輸出特征拼接后輸入第七卷積模塊，上采樣均使用卷積核的大小為2×2的反卷積層，第七卷積模塊的輸出特征經(jīng)過一個卷積核大小為1×1的第二卷積層，輸出皺紋分割預測圖。

8、作為優(yōu)選，多尺度注意力門模塊包括第三卷積層、第四卷積層、第二relu激活函數(shù)層、第五卷積層、第六卷積層、第七卷積層、第八卷積層和sigmoid激活函數(shù)層，第三卷積層、第四卷積層和第八卷積層的卷積核大小均為1×1，第五卷積層、第六卷積層和第七卷積層的卷積核大小分別為3×3、5×5和7×7，第三卷積模塊的輸出特征和第四卷積模塊的輸出特征經(jīng)過上采樣后的特征分別輸入第三卷積層和第四卷積層，第三卷積層的輸出特征和第四卷積層的輸出特征相加并經(jīng)過第二relu激活函數(shù)層，得到中間特征，中間特征分別經(jīng)過第五卷積層、第六卷積層和第七卷積層進行多尺度卷積，第五卷積層的輸出特征、第六卷積層的輸出特征和第七卷積層的輸出特征求和并取平均，得到融合特征，融合特征依次經(jīng)過第八卷積層和sigmoid激活函數(shù)層，得到注意力特征，注意力特征與第三卷積模塊的輸出特征逐元素相乘，得到多尺度注意力門模塊的輸出特征。

9、作為優(yōu)選，將人臉皺紋數(shù)據(jù)集中的原始人臉圖像輸入到人臉皺紋分割網(wǎng)絡(luò)，得到對應(yīng)的皺紋分割預測圖，具體包括：

10、訓練過程中，原始人臉圖像經(jīng)過人臉皺紋分割網(wǎng)絡(luò)生成對應(yīng)的皺紋分割預測圖，如下式所示：

11、；

12、其中，表示人臉皺紋分割網(wǎng)絡(luò)對應(yīng)的函數(shù)，表示人臉皺紋分割網(wǎng)絡(luò)中的網(wǎng)絡(luò)參數(shù)，表示原始人臉圖像，表示原始人臉圖像對應(yīng)的皺紋分割預測圖，原始人臉圖像及其對應(yīng)的皺紋分割預測圖的寬度和高度均分別為w和h。

13、作為優(yōu)選，計算人臉皺紋數(shù)據(jù)集中的原始人臉圖像中的每個像素點的顯著性，根據(jù)原始人臉圖像中的每個像素點的顯著性計算得到原始人臉圖像中的每個像素點的權(quán)重，具體包括：

14、灰度化原始人臉圖像并進行梯度檢測，得到人臉梯度幅值圖，如下式所示：

15、；

16、；

17、其中，ig表示原始人臉圖像的灰度圖，原始人臉圖像的灰度圖的寬度和高度也分別為w和h，x、y分別表示水平方向和垂直方向的像素點索引，；ig(x,y)、ig(x+1,y)和ig(x,y+1)分別表示原始人臉圖像的灰度圖ig在(x,?y)、(x+1,y)和(x,y+1)位置的像素點的像素值，原始人臉圖像的灰度圖中每個像素點的像素值的取值范圍為[0,255]，且ig(w+1,h)和ig(w,h+1)的像素值設(shè)置為255；?gw表示水平方向梯度圖，gw(x,y)表示水平方向梯度圖gw在(x,y)位置的像素點的像素值；gh表示垂直方向梯度圖，gh(x,y)表示水平方向梯度圖gh在(x,y)位置的像素點的像素值；表示求絕對值運算；

18、計算原始人臉圖像的灰度圖中每個像素點的梯度幅值，得到梯度幅值圖g，如下式所示：

19、；

20、其中，g(x,y)為梯度幅值圖g在(x,y)位置處的像素點的梯度幅值；

21、計算以每個像素點為中心的大小為的局部窗口內(nèi)的梯度幅值總和并作為每個像素點對應(yīng)的顯著性，如下式所示：

22、；

23、其中，u和v為局部窗口內(nèi)的像素偏移量，k為局部窗口的高度和寬度，s(x,y)為原始人臉圖像在(x,y)位置處的像素點的顯著性；

24、對原始人臉圖像的每個像素點的顯著性進行歸一化，得到原始人臉圖像中的每個像素點的權(quán)重，如下式所示：

25、；

26、其中，表示原始人臉圖像在(x,?y)位置處的像素點的權(quán)重，為溫度系數(shù)，，exp表示自然數(shù)e為底的指數(shù)函數(shù)。

27、作為優(yōu)選，梯度顯著性加權(quán)損失函數(shù)的表達式如下式所示：

28、；

29、其中，表示梯度顯著性加權(quán)損失函數(shù)，原始人臉圖像的高度和寬度分別為w和h，x、y分別表示水平方向和垂直方向的像素點索引，；表示原始人臉圖像在(x,?y)位置處的像素點的權(quán)重，m表示原始人臉圖像對應(yīng)的皺紋標注掩碼圖，表示皺紋標注掩碼圖在(x,y)位置處的像素點的像素值，表示原始人臉圖像對應(yīng)的皺紋分割預測圖，表示皺紋分割預測圖在(x,y)位置處的像素點的像素值，表示底數(shù)為自然數(shù)e的對數(shù)函數(shù)，表示sigmoid激活函數(shù)。

30、第二方面，本發(fā)明提供了一種基于梯度顯著性感知的皺紋分割裝置，包括：

31、數(shù)據(jù)標注模塊，被配置為獲取原始人臉圖像并進行皺紋像素標注，生成對應(yīng)的皺紋標注掩碼圖，基于原始人臉圖像及其對應(yīng)的皺紋標注掩碼圖構(gòu)建人臉皺紋數(shù)據(jù)集；

32、模型構(gòu)建模塊，被配置為構(gòu)建基于改進的unet深度骨干網(wǎng)絡(luò)的人臉皺紋分割網(wǎng)絡(luò)，人臉皺紋分割網(wǎng)絡(luò)在傳統(tǒng)的unet深度骨干網(wǎng)絡(luò)的基礎(chǔ)上添加一個多尺度注意力門模塊；

33、模型訓練模塊，被配置為將人臉皺紋數(shù)據(jù)集中的原始人臉圖像輸入到人臉皺紋分割網(wǎng)絡(luò)，得到對應(yīng)的皺紋分割預測圖，計算人臉皺紋數(shù)據(jù)集中的原始人臉圖像中的每個像素點的顯著性，根據(jù)原始人臉圖像中的每個像素點的顯著性計算得到原始人臉圖像中的每個像素點的權(quán)重，基于原始人臉圖像中的每個像素點的像素值及其權(quán)重和原始人臉圖像對應(yīng)的皺紋標注掩碼圖中的相應(yīng)像素點的像素值構(gòu)建梯度顯著性加權(quán)損失函數(shù)，基于梯度顯著性加權(quán)損失函數(shù)對人臉皺紋分割網(wǎng)絡(luò)進行訓練，得到經(jīng)訓練的人臉皺紋分割網(wǎng)絡(luò)；

34、分割模塊，被配置為獲取待處理的人臉圖像并輸入到經(jīng)訓練的人臉皺紋分割網(wǎng)絡(luò)，得到待處理的人臉圖像對應(yīng)的皺紋分割預測圖。

35、第三方面，本發(fā)明提供了一種電子設(shè)備，包括一個或多個處理器；存儲裝置，用于存儲一個或多個程序，當一個或多個程序被一個或多個處理器執(zhí)行，使得一個或多個處理器實現(xiàn)如第一方面中任一實現(xiàn)方式描述的方法。

36、第四方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如第一方面中任一實現(xiàn)方式描述的方法。

37、第五方面，本發(fā)明提供了一種計算機程序產(chǎn)品，包括計算機程序，計算機程序被處理器執(zhí)行時實現(xiàn)如第一方面中任一實現(xiàn)方式描述的方法。

38、相比于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：

39、（1）本發(fā)明提出的基于梯度顯著性感知的皺紋分割方法基于unet深度骨干網(wǎng)絡(luò)構(gòu)建人臉皺紋分割網(wǎng)絡(luò)，用于人臉皺紋特征學習，實現(xiàn)人臉皺紋的完整和準確分割。

40、（2）本發(fā)明提出的基于梯度顯著性感知的皺紋分割方法將多尺度注意力門模塊引入?unet深度骨干網(wǎng)絡(luò)的瓶頸層，可以在保持較低計算開銷的同時，增強模型對不同尺度皺紋特征的敏感性，從而提升全局語義信息的表達和實現(xiàn)語義壓縮。通過調(diào)整不同區(qū)域的特征權(quán)重，網(wǎng)絡(luò)能夠更加關(guān)注關(guān)鍵的皺紋區(qū)域，尤其是在復雜的皮膚紋理和皺紋結(jié)構(gòu)中，有效提高皺紋分割的準確性和魯棒性。

41、（3）本發(fā)明提出的基于梯度顯著性感知的皺紋分割方法通過構(gòu)建梯度顯著性加權(quán)損失函數(shù)，計算原始人臉圖像中每個像素點的顯著性，基于顯著性計算每個像素點的權(quán)重，并用于加權(quán)相應(yīng)像素點的皺紋-背景二分類損失，使得人臉皺紋分割網(wǎng)絡(luò)對于高梯度顯著性的像素點給予更多關(guān)注，引導人臉皺紋分割網(wǎng)絡(luò)更關(guān)注皺紋像素分割，而非數(shù)量占優(yōu)的背景像素分割，提升皺紋分割的完整性，改善人臉皺紋分割效果，滿足不同應(yīng)用領(lǐng)域的需求，并提升用戶體驗和應(yīng)用效果。