基于肤色保护的自然饱和度增强算法

饱和度增强指的是通过调整图片和视频画面的饱和度特性，使得画面色彩得以还原真实色彩更加逼真或相比原画面更加丰富，从而提升人的视觉主观感受。对视频图像等后处理具有重要的意义。

1. 饱和度

饱和度是指色彩的鲜艳程度，也称色彩的纯度。

饱和度取决于该色中含色成分和消色成分（灰色）的比例。含色成分越大，饱和度越大；消色成分越大，饱和度越小。

其中，HSV模式中饱和度(Saturation)的计算公式(基于RGB色彩通道)：

饱和度也可定义为彩度除以明度，与彩度同样表征彩色偏离同亮度灰色的程度。计算公式如下：

2. 自然饱和度增强模型

有了前面对饱和度的定义和计算公式，我们知道当拿到当前任意一个像素点，我们知道如何获取这个像素点的饱和度。

接下来，我们的目标是，对饱和度进行增强调节，首先，给出定义饱和度增强的数学模型，如下：

以上公式关键有2点：

(1) 利用了第1节中关于彩度定义中，彩色偏离灰色的程度，我们对饱和度增强就是在加大这个偏离程度。

(2) 通过什么样的数学模型表征这个偏离程度，线性模型还是非线性模型。如果使用线性，可能会存在对一些色彩过度增强导致色偏。

基于以上第2点，自然饱和度（Vibrance）的概念早已被提出。在调整自然饱和度时，会自适应提升画面中即饱和度低的颜色，而使原本饱和度够的颜色保持原状。自然饱和度的概念最先由 photoshop 提出，重点在于适应性，自然饱和度调整后一般比直接饱和度调整要更自然。

如何实现自然饱和度，这个时候主要看上面公式中如何定义。本文提出一种简化的基于Gamma曲线的自然饱和度数学模型：

其中，sat的计算由第一节两个饱和度计算公式的出。
该数学模型的曲线如下图：

image.png

从以上曲线看出，该模型根据当前像素点的饱和度，很好地自适应调整了对应的饱和度系数。饱和度越高的点，增强效果越弱，饱和度越低的点，增强效果越强。

3. 肤色保护模型

在短视频或直播视频中，人像作为画面的主要内容的场景频率较高，以上的自然饱和度模型并没有考虑肤色情况，如果不加区别进行调节，可能会导致人像肤色偏红失真。因此，我们需要针对肤色区域进行识别，并对肤色区域做特殊处理，进而减轻饱和度的调整强度。

此时，新的饱和度增强模型更新为，其中，代表肤色模型：

常用的肤色模型，包括基于RGB，YCrCb，YCgCr，HSV等色彩模型。针对肤色识别，已经有很多文章，本文限于章节内容，不做具体介绍。可以参考文献[1];

以上每一种模型都有自己的局限性，无法保证各种场景有100%的正确肤色识别正确率，和错判为肤色误判率。比如,RGB彩色模型受亮度影响较大；以上模型基本模型都有一个一个共同特征，按照区别判断，比如,以常用的YCrCb为例，可能的肤色区别为(最好根据自己的数据源调整范围)：

直接应用以上数学模型判断，会导致二值效应，即强烈的边际效应。所以改进的模型，可以基于YCrCb椭圆模型,使得的输出改为连续的函数，调整后的模型如下，表示的含义是，离肤色中心点越接近，值越接近1，即代表为肤色的概率越高，否则，越远离肤色点，表示为肤色的概率越低。从而保证，的输出是连续的。

其中，C_rmax，C_bmax代表阀值上界，C_rmin，C_bmin代表阀值下界：




经以上优化后，新的模型为:

其中，根据RGB计算得到。

参考文献：

[1]Human Skin Detection Using RGB, HSV and YCbCr Color Models

喜欢的话，记得帮忙点赞