如今，在類似天天P圖、美圖秀秀等手機(jī)APP中，給指定照片或視頻中的人物更換頭發(fā)顏色已經(jīng)是再正常不過的事情了。那么本文便介紹了該功能背后如AI頭發(fā)分割模塊、頭發(fā)換色、顏色增強(qiáng)與修正模塊等技術(shù)原理（附代碼）。

首先，為照片或視頻中人物換發(fā)色的算法流程如下圖所示：

AI頭發(fā)分割模塊

基于深度學(xué)習(xí)的目標(biāo)分割算法已經(jīng)比較成熟，比較常用的有FCN，SegNet，UNet，PspNet，DenseNet等等。這里我們使用Unet網(wǎng)絡(luò)來進(jìn)行頭發(fā)分割，具體可以參考如下鏈接：點擊打開鏈接Unet頭發(fā)分割代碼如下：

defget_unet_256(input_shape=(256,256,3),num_classes=1):inputs=Input(shape=input_shape)#256down0=Conv2D(32,(3,3),padding='same')(inputs)down0=BatchNormalization()(down0)down0=Activation('relu')(down0)down0=Conv2D(32,(3,3),padding='same')(down0)down0=BatchNormalization()(down0)down0=Activation('relu')(down0)down0_pool=MaxPooling2D((2,2),strides=(2,2))(down0)#128down1=Conv2D(64,(3,3),padding='same')(down0_pool)down1=BatchNormalization()(down1)down1=Activation('relu')(down1)down1=Conv2D(64,(3,3),padding='same')(down1)down1=BatchNormalization()(down1)down1=Activation('relu')(down1)down1_pool=MaxPooling2D((2,2),strides=(2,2))(down1)#64down2=Conv2D(128,(3,3),padding='same')(down1_pool)down2=BatchNormalization()(down2)down2=Activation('relu')(down2)down2=Conv2D(128,(3,3),padding='same')(down2)down2=BatchNormalization()(down2)down2=Activation('relu')(down2)down2_pool=MaxPooling2D((2,2),strides=(2,2))(down2)#32down3=Conv2D(256,(3,3),padding='same')(down2_pool)down3=BatchNormalization()(down3)down3=Activation('relu')(down3)down3=Conv2D(256,(3,3),padding='same')(down3)down3=BatchNormalization()(down3)down3=Activation('relu')(down3)down3_pool=MaxPooling2D((2,2),strides=(2,2))(down3)#16down4=Conv2D(512,(3,3),padding='same')(down3_pool)down4=BatchNormalization()(down4)down4=Activation('relu')(down4)down4=Conv2D(512,(3,3),padding='same')(down4)down4=BatchNormalization()(down4)down4=Activation('relu')(down4)down4_pool=MaxPooling2D((2,2),strides=(2,2))(down4)#8center=Conv2D(1024,(3,3),padding='same')(down4_pool)center=BatchNormalization()(center)center=Activation('relu')(center)center=Conv2D(1024,(3,3),padding='same')(center)center=BatchNormalization()(center)center=Activation('relu')(center)#centerup4=UpSamepling2D((2,2))(center)up4=Concatenate([down4,up4],axis=3)up4=Conv2D(512,(3,3),padding='same')(up4)up4=BatchNormalization()(up4)up4=Activation('relu')(up4)up4=Conv2d(512,(3,3),padding='same')(up4)up4=BatchNormalization()(up4)up4=Activation('relu')(up4)#16up3=UpSamepling2D((2,2))(up4)up3=Concatenate([down4,up4],axis=3)up3=Conv2D(256,(3,3),padding='same')(up3)up3=BatchNormalization()(up3)up3=Activation('relu')(up3)up3=Conv2d(256,(3,3),padding='same')(up3)up3=BatchNormalization()(up3)up3=Activation('relu')(up3)#32up2=UpSamepling2D((2,2))(up3)up2=Concatenate([down4,up4],axis=3)up2=Conv2D(128,(3,3),padding='same')(up2)up2=BatchNormalization()(up2)up2=Activation('relu')(up2)up2=Conv2d(128,(3,3),padding='same')(up2)up2=BatchNormalization()(up2)up2=Activation('relu')(up2)#64up1=UpSamepling2D((2,2))(up2)up1=Concatenate([down4,up4],axis=3)up1=Conv2D(64,(3,3),padding='same')(up1)up1=BatchNormalization()(up1)up1=Activation('relu')(up1)up1=Conv2d(64,(3,3),padding='same')(up1)up1=BatchNormalization()(up1)up1=Activation('relu')(up1)#128up0=UpSamepling2D((2,2))(up1)up0=Concatenate([down4,up4],axis=3)up0=Conv2D(32,(3,3),padding='same')(up0)up0=BatchNormalization()(up0)up0=Activation('relu')(up0)up0=Conv2d(32,(3,3),padding='same')(up0)up0=BatchNormalization()(up0)up0=Activation('relu')(up0)#256classify=Con2D(num_classes,(1,1)),activation='sigmoid')(up0)model=Model(input=inputs,outputs=classify)#model.compile(optimizer=RMSprop(lr=0.0001),loss=bce_dice_loss,metrices=[dice_coeff])returnmodel

分割效果舉例如下：

使用的訓(xùn)練和測試數(shù)據(jù)集合大家自己準(zhǔn)備即可。

發(fā)色更換模塊

這個模塊看起來比較簡單，實際上卻并非如此。這個模塊要細(xì)分為：

①頭發(fā)顏色增強(qiáng)與修正模塊；

②顏色空間染色模塊；

③頭發(fā)細(xì)節(jié)增強(qiáng)；

發(fā)色增強(qiáng)與修正模塊

為什么要對頭發(fā)的顏色進(jìn)行增強(qiáng)與修正？ 先看下面一組圖，我們直接使用HSV顏色空間對純黑色的頭發(fā)進(jìn)行染色，目標(biāo)色是紫色，結(jié)果如下：

大家可以看到，針對上面這張原圖，頭發(fā)比較黑，在HSV顏色空間進(jìn)行頭發(fā)換色之后，效果圖中很不明顯，只有輕微的顏色變化。

為什么會出現(xiàn)這種情況？原因如下：我們以RGB和HSV顏色空間為例，首先來看下HSV和RGB之間的轉(zhuǎn)換公式：

設(shè) (r, g, b)分別是一個顏色的紅、綠和藍(lán)坐標(biāo)，它們的值是在0到1之間的實數(shù)。設(shè)max等價于r, g和b中的最大者。設(shè)min等于這些值中的最小者。要找到在HSL空間中的 (h, s, l)值，這里的h ∈ [0, 360）度是角度的色相角，而s, l ∈ [0,1]是飽和度和亮度，計算為：

我們假設(shè)頭發(fā)為純黑色，R=G=B=0，那么按照HSV計算公式可以得到H = S = V = 0；

假設(shè)我們要把頭發(fā)顏色替換為紅色(r=255,g=0,b=0)；

那么，我們先將紅色轉(zhuǎn)換為對應(yīng)的hsv，然后保留原始黑色頭發(fā)的V，紅色頭發(fā)的hs，重新組合新的hsV，在轉(zhuǎn)換為RGB顏色空間，即為頭發(fā)換色之后的效果(hs是顏色屬性，v是明度屬性，保留原始黑色頭發(fā)的明度，替換顏色屬性以達(dá)到換色目的)；

HSV轉(zhuǎn)換為RGB的公式如下：

對于黑色，我們計算的結(jié)果是H=S=V=0，由于V=0，因此，p=q=t=0,不管目標(biāo)顏色的hs值是多少，rgb始終都是0，也就是黑色；

這樣，雖然我們使用了紅色，來替換黑色頭發(fā)，但是，結(jié)果卻依舊是黑色，結(jié)論也就是hsv/hsl顏色空間，無法對黑色換色。

下面，我們給出天天P圖和美妝相機(jī)對應(yīng)紫色的換發(fā)色效果：

與之前HSV顏色空間的結(jié)果對比，我們明顯可以看到，天天P圖和美妝相機(jī)的效果要更濃，更好看，而且對近乎黑色的頭發(fā)進(jìn)行了完美的換色；

由于上述原因，我們這里需要對圖像中的頭發(fā)區(qū)域進(jìn)行一定的增強(qiáng)處理：提亮，輕微改變色調(diào)；

這一步通?？梢栽赑S上進(jìn)行提亮調(diào)色，然后使用LUT來處理；

經(jīng)過提亮之后的上色效果如下圖所示：

可以看到，基本與美妝相機(jī)和天天P圖類似了。

HSV/HSL/YCbCr顏色空間換色

這一步比較簡單，保留明度分量不變，將其他顏色、色調(diào)分量替換為目標(biāo)發(fā)色就可以了。

這里以HSV顏色空間為例：

假如我們要將頭發(fā)染發(fā)為一半青色，一般粉紅色，那么我們構(gòu)建如下圖所示的顏色MAP：

對于頭發(fā)區(qū)域的每一個像素點P，我們將P的RGB轉(zhuǎn)換為HSV顏色空間，得到H/S/V；

根據(jù)P在原圖頭發(fā)區(qū)域的位置比例關(guān)系，我們在顏色MAP中找到對應(yīng)位置的像素點D，將D的RGB轉(zhuǎn)換為HSV顏色空間，得到目標(biāo)顏色的h/s/v；

根據(jù)目標(biāo)顏色重組hsV，然后轉(zhuǎn)為RGB即可；

這一模塊代碼如下：

#h=[0,360],s=[0,1],v=[0,1]voidRGBToHSV(intR,intG,intB,float*h,float*s,float*v){floatmin,max;floatr=R/255.0f;floatg=G/255.0f;floatb=B/255.0f;min=MIN2(r,MIN2(g,b));max=MAX2(r,MAX2(g,b));if(max==min)*h=0;if(max==r&&g>=b)*h=60.0f*(g-b)/(max-min);if(max==r&&g

效果圖如下：

本文算法對比美妝相機(jī)效果如下：

頭發(fā)區(qū)域增強(qiáng)

這一步主要是為了突出頭發(fā)絲的細(xì)節(jié)，可以使用銳化算法，如Laplace銳化，USM銳化等等。上述過程基本是模擬美妝相機(jī)染發(fā)算法的過程，給大家參考一下，最后給出本文算法的一些效果舉例：

本文效果除了實現(xiàn)正常的單色染發(fā)，混合色染發(fā)之外，還實現(xiàn)了挑染，如最下方一組效果圖所示。

對于挑染的算法原理：

計算頭發(fā)紋理，根據(jù)頭發(fā)紋理選取需要挑染的頭發(fā)束，然后對這些頭發(fā)束與其他頭發(fā)分開染色即可，具體邏輯這里不再累贅，大家自行研究，這里給出解決思路供大家參考。

最后，本文算法理論上實時處理是沒有問題的，頭發(fā)分割已經(jīng)可以實時處理，所以后面基本沒有什么耗時操作，使用opengl實現(xiàn)實時染發(fā)是沒有問題的。