前言
2017年底時候寫了這篇《
這也算是學習過程中比較有成就感的一個演算法。
自2015年做演算法開始到今天，還有個把月，就滿五年了。
歲月匆匆，人生能有多少個五年。
這五年裡，從音訊影像到視訊，從傳統演算法到深度學習，從2D到3D各種演算法幾乎都走了一個遍。
好在，不論在哪個領域都能有些許建樹，這是博主我自身很欣慰的事情。
雖然有所間斷但是仍然堅持寫部落格，並且堅持完整開源分享。
目的就是為了幫助那些一開始跟我一樣，想要學習演算法的萌新，
一起踏入演算法領域去跟大家“排排坐，吃果果”。
引子
在這個特別的時間點，就想做點特別的事情。
那就是開源當時寫的這個“美顏演算法”，開原始碼和當時的版本有些許出入，但是思路是一樣的。
早些年的時候大家發現採用保邊濾波的思路可以做到降噪，進而衍生出來針對皮膚的降噪，簡稱磨皮或者美顏。
從此百家爭鳴，而這個課題到今天也還在發展，當然日新月異了。
故此，想談談針對美顏磨皮的一些演算法思路，為後續想學習並改進的萌新提供一些養分。
概述美顏磨皮方法
1.基於保邊降噪
這類演算法有很多方法，但不外乎2種基礎思路，
基於空間和基於頻率，當然再展開的話，還可以細分為紋理和顏色。
例如通過膚色或紋理區域做針對性的處理。
這類演算法的優點是計算簡單，通用型強，但缺點就是不夠細膩完美。
2.基於人臉檢測貼圖
這種嚴格意義上來說，是易容術，就是基於人臉檢測出的關鍵資料。
例如人臉關鍵點，將人臉皮膚區域提取出來，重新貼上一張事先準備的皮膚圖，進行皮膚貼合融合。
臉已經被置換了，效果很贊。有點繆修斯之船的味道。
這類演算法優點是效果極其驚豔，但是演算法複雜通用性差，一般只能針對少數角度表情的人臉。
3.結合1和2的深度學習方法
前兩者的思路早期大行其道，如今到了資料時代，
基於深度學習的工具方案，可以非常好地結合前兩者的思路，進行訓練，求一個資料解。
很多人將深度學習等同於AI，這個做法有點激進。
基於深度學習的做法，仍然存在前兩者一樣的問題，簡單的不夠細膩，細膩的不夠簡單，
而如果要設計一個優秀的模型，其實跟設計一個傳統演算法一樣困難。
基於資料驅動的演算法，驗證成本非常高，可控性比較差，當然在金錢的驅動下確實能產出還不錯的演算法模型。
這類演算法的優點，往往能求出很不錯的區域性最優解，甚至以假亂真，缺點就是需要大量金錢和資料的驅動。
總結來說的話，不付出代價，就別想有好的結果，非常的現實。
據我所知目前使用最多的方案是第一種和第三種，第二種可操作性不強，只有少數公司掌握了這方面的核心技術。
但是不管是哪種方案，無非就是以下幾個步驟。
1.確定人臉的皮膚區域
2.定位人臉的雜質（痘痘，斑點，痣，膚色不均等）
3.根據定位到雜質進行填補修復或濾除
這就是影像處理經典三部曲
1.定位 2.檢測 3.處理
每一個細分展開，都非常巨集大且複雜的演算法。
以上，僅以磨皮美顏為例子，闡述影像方面的演算法想要或正在解決什麼樣的問題。
我們在工作中碰到的影像問題無非以上幾個核心問題，問題都是類似的，只是不同場景和需求下各有難處。
本次開源的演算法思路
本次開源的演算法是基於保邊降噪的思路，
當然這個思路可以通過改寫，引數化後可以整合到深度學習中，作為一個先驗層輔助訓練。
演算法步驟如下：
1. 檢測皮膚顏色，確定皮膚佔影像的比率
2. 根據皮膚比率進行邊緣檢測，產出細節對映圖
3. 基於細節對映圖和磨皮強度進行保邊降噪
4. 對降噪好的圖進行再一次膚色檢測,保留膚色區域的降噪，其他區域還原為原圖
步驟比較簡單，但是要同時兼顧效果效能，是很不容易的。
當然這個演算法膚色檢測那一部分可以採用深度學習“語義分割”方面的思路進而改進效果。
做得好，將本演算法改良到準商用，驚豔的程度是沒有問題的。
深度學習相關技術就不展開細說了，有能力的朋友，感興趣的話，可以自行實操。
完整原始碼開源地址:
https://github.com/cpuimage/skin_smoothing
專案沒有第三方依賴，完整純c程式碼。
有編譯問題的同學自行參考《
附上演算法效果的示例：
以上，權當拋磚引玉之用。
授人以魚不如授人以漁。
2020年，疫情之下，
願大家都能事業有成，身體健康。
世界和平，人們皆友愛。
若有其他相關問題或者需求也可以郵件聯絡俺探討。
郵箱地址是: