CN107169960B - 一种基于图像颜色空间的皮肤表面毛孔大小检测方法 - Google Patents
一种基于图像颜色空间的皮肤表面毛孔大小检测方法 Download PDFInfo
- Publication number
- CN107169960B CN107169960B CN201710337598.7A CN201710337598A CN107169960B CN 107169960 B CN107169960 B CN 107169960B CN 201710337598 A CN201710337598 A CN 201710337598A CN 107169960 B CN107169960 B CN 107169960B
- Authority
- CN
- China
- Prior art keywords
- pore
- pixel
- image
- pores
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公布了一种基于图像颜色空间的皮肤表面毛孔大小检测方法,通过对皮肤微距数字图像进行图像处理,得到衡量皮肤图像中皮肤毛孔大小的指标;包括:获取皮肤图像的颜色空间像素矩阵;图像灰度化和图像增强处理;图像三值化处理,标记毛孔像素、毛发像素和其他像素;通过毛孔像素四连通方式识别毛孔,统计毛孔的数量和大小;通过面积形状方法剔除误识别的毛孔;对剔除后剩余的毛孔,根据毛孔数量统计毛孔大小的均值,该均值作为皮肤毛孔检测的特征值,由此实现基于图像颜色空间对皮肤表面毛孔大小进行检测。本发明方法检测毛孔大小准确度高,速度快,具有良好的市场应用前景和价值。
Description
技术领域
本发明涉及皮肤毛孔检测技术,具体涉及一种基于图像颜色空间的皮肤表面毛孔大小检测方法,属于皮肤图像处理应用软件领域。
背景技术
皮肤表面状态检测是皮肤衰老和抗衰老研究的重要手段,也是护肤品客观评价重要指标之一。随着人们生活水平的提高,面部皮肤的美容及护理已经收到人们的广泛关注,如何客观、定量的对皮肤图像进行分析和识别是今年皮肤图像处理领域的研究热点之一,其中一个重要应用就是对皮肤表面毛孔大小的检测。
目前国内外皮肤表面状态检测技术还比较落后,传统采用目测方法,存在很大的主观性。因为不同的人对同一幅皮肤图像可能会得出不同的结论,仅凭经验判断会带来很大的误差;且有些皮肤细微纹理,目测无法识别区分。
随着计算机图像处理技术的飞速发展,人们开始探讨用数字图像处理技术来提取皮肤图像的特征,以数字图像处理技术为手段,可以使皮肤表面状况评估方法从传统的定性分析上升为精确的定量分析,从而极大地提高测量的精确度。
皮肤图像的特征包括颜色、纹理、毛孔、光泽度等,其中毛孔大小特征是一种重要的皮肤度量指标,毛孔数量和大小可衡量皮肤的生理状况。当前评估毛孔大小的图像处理方法很少,还没有定量计算一幅微距皮肤图像表面毛孔大小特征指标的数值方法。目前基于图像的皮肤毛孔检测方法还多采用半手动或纯手动方法,即需要人在图像上手动标记毛孔的方法。
图像检测毛孔算法最近几年被提出,目前有基于HSV颜色空间的皮肤图像毛孔检测算法,该方法首先把获取的RGB颜色空间图像转换成HSV颜色空间,然后在此HSV图像基础上对图像做阈值分割和形态学去燥方式实现皮肤毛孔检测,该方法可自动识别毛孔,但没有提供能够评估一幅微距皮肤图像表面毛孔特征的数值指标,也没有剔除毛发、黑斑等引起的误识别毛孔,毛孔检测准确性不高。
发明内容
本发明的目的在于实现一种基于图像颜色空间(如RGB、HSV)的皮肤表面毛孔大小检测方法,根据皮肤图像RGB颜色空间像素值信息,计算指定一幅图像的表面毛孔大小特征值,实现皮肤图像毛孔大小检测评估。
本发明中,皮肤图像来自于数字图像采集设备,可利用微距皮肤采像设备进行采像得到或对常规图像进行预处理得到。目前图像文件多采用RGB颜色空间,本发明算法直接利用RGB颜色空间像素值做毛孔大小检测;通过图像增强方法可减少或避免光照条件影响;有些毛孔会连接有毛发,本文算法通过最小包围矩形区域法可有效去除毛发的影响;通过面积形状方法可去除黑斑等误识别的毛孔、纹理、黑斑等;通过本发明方法,一幅皮肤微距图像计算得出一个毛孔大小特征值,通过这个特征值可准确度高的识别一幅微距皮肤图像表面毛孔大小特征,本发明算法计算速度快,计算的毛孔大小特征值指标准确度高,具有很大市场应用价值。
本发明提出的基于图像颜色空间的皮肤表面毛孔大小检测方法可对相同分辨率的皮肤微距数字图像做处理,得到衡量一幅皮肤图像毛孔大小指标参数数值,该数值可标识微距皮肤图像表面的毛孔特征,主要包括如下步骤内容:
(1)根据图像路径参数,读取皮肤图像颜色空间(RGB空间)像素矩阵;
(2)皮肤图像灰度化并图像增强;
(3)皮肤图像三值化处理,既毛孔像素1,毛发像素2,其他像素0;
(4)通过毛孔像素四连通方式识别并统计毛孔数量和大小;
(5)通过面积形状方法剔除误识别的毛发、纹理、黑斑等;
(6)对剔除后剩余的毛孔根据数量统计毛孔大小的均值,该均值可作为皮肤毛孔检测的特征值。
通过本发明方法提供的皮肤毛孔大小计算算法,检测皮肤图像毛孔大小准确度高,具有实际应用价值。
具体来说,本发明的方法包括下列步骤:
A.根据图像路径,读取皮肤图像RGB空间像素颜色值矩阵,具体如下:
A1.本算法唯一的参数是存储在硬盘上的图像文件,图像名称作为算法的唯一参数;
A2.图像文件可以存放在本地、网络或其他媒体介质上;
A3.读取图像文件的RGB值到计算机内存作为后续算法计算的基础;
A4.图像文件格式包括但不局限于jpg、bmp、png等;
B.皮肤图像灰度化并图像增强,具体步骤如下:
B1.对读取的皮肤图像RGB像素值,通过三通道简单平均方法对皮肤图像进行灰度化;
B2.计算灰度化后图像的灰度最大值GrayMax和灰度最小值GrayMin,计算得到灰度范围GrayWidth为:GrayWidth=GrayMax-GrayMin;
B3.根据灰度范围GrayWidth拉伸像素灰度值到范围[0,255];
C.对皮肤图像进行三值化处理,得到三值化图像,即毛孔像素1,毛发像素2,其他像素0,具体内容如下:
C1.皮肤灰度图像分块(一般可分20-30个分块),每块分别对块内像素求像素灰度均值avgN;
C2.每块皮肤图像内像素计算像素灰度值与avgN的差值minusN,该差值带有正负号;
C3.设定均值avgN的阈值范围,minusN值低于均值avgN在该设定范围时定义为毛孔,像素值记录为1,minusN值低于avgN值V即毛发像素,像素值记录为2,V值的确定方法取决于子块图像最大灰度值和最小灰度值区间大小,通过式1计算得到:
本发明根据实验获得均值avgN的范围为[60,100]。
D.毛孔像素四连通方式识别并统计毛孔数量和大小(即每个毛孔的像素数量),具体步骤如下:
D1.针对三值化的图像(即毛孔像素1;毛发像素2;其他像素0)做毛孔统计,不同的毛孔像素标记不同的数值No,数值范围3~255;该数值用来标记三值化图像中不同的毛孔(标记后图像像素值分别为0、2、3~255,其中3~255用以标记不同的毛孔;毛孔数量超过253,重复使用3~255数值),标记同时可以统计毛孔的数量。
D2.从图像左上角开始遍历三值化图像像素,检测到毛孔像素(像素值为1)后标记该像素值为数字No(数值范围为3~255,用于统计毛孔数量,同一个毛孔的No数值相同,检测到新的毛孔即No值顺序递增1),然后从该像素开始采用四连通压栈方法更改属于该毛孔像素的所有其他像素值为No数值,属于同一个毛孔的所有像素之间是四连通的;标记完成的三值化图像像素值不会有1值,其中,毛孔元素像素值范围为3~255,毛发像素值为2,其他像素值为0;
D3.遍历三值化图像像素完成后,可得到皮肤图像的毛孔数量(通过递增的No值获取,属于同一个毛孔的像素的No值相同,下一个毛孔的像素No值递增1,即No+1,以此类推)以及每个毛孔的像素数量;同一个毛孔的所有像素值No是相同的,在遍历三值化图像四连通查找同一个毛孔像素的同时可统计该毛孔像素数量;
E.剔除误识别的毛发、黑斑等引起非毛孔影响,具体步骤如下:
E1.遍历皮肤图像的所有毛孔,根据每个毛孔像素数量,设定范围阈值,定义数量在该阈值范围内的毛孔为识别真实毛孔的条件之一,不在该范围的为误识别的毛孔,该范围可以但不局限于[4,30];
E2.通过面积形状方法,只需简单统计每个毛孔的长宽矩形范围,长条形毛孔为误识别毛孔,如毛发,面积很小为噪声点,面积很大为色斑;通过该方法可剔除误识别毛孔;误识别毛孔的具体判断方法如下:
E21.本发明根据实验数据确定毛孔簇最小像素数量poreMinCount为4,毛孔簇像素数量num不大于该值定义为误识别毛孔(噪声点),如式2所示;
poreMinCount≥num (式2)
E22.本发明根据实验数据确定毛孔簇最大像素数量poreMaxCount为30,毛孔簇像素数量num大于该值定义为误识别毛孔(色斑),如式3所示;
poreMaxCount<num (式3)
E23.设定每个毛孔最小包围矩形长宽(以像素为单位)分别为spanX、spanY,毛孔簇像素数量为num,同时满足式4、式5条件,即识别为毛孔,不满足条件(长条形状)的则表示为误识别毛孔(毛发);
spanX*spanX<num*num (式4)
spanY*spanY<num*num (式5)
F.对剔除后剩余的毛孔根据数量统计毛孔大小的均值,该均值可作为皮肤毛孔检测的特征值。
与现有技术相比,本发明的有益效果是:
本发明提供一种基于图像颜色空间的皮肤表面毛孔大小检测方法,根据皮肤图像颜色空间像素值信息,计算指定一幅图像的表面毛孔大小特征值,实现皮肤图像毛孔大小的检测和评估。本发明的优点是直接利用RGB颜色空间像素值做毛孔大小特征值检测,皮肤图像是唯一的参数,读取图像数据并且灰度化,只针对像素级做图像处理分析即可检测皮肤毛孔大小,可有效提出毛发、黑斑等误识别毛孔,图像增强方法可减少或避免光照条件影响,本发明方法检测毛孔大小准确度高,速度快,因此该算法具有良好的市场应用前景和价值。
附图说明
图1是采用本发明方法的皮肤检测***的结构框图。
图2是本发明提供的皮肤毛孔大小检测方法的流程框图。
图3是本发明实施例中检测皮肤毛孔大小的部分皮肤图像。
图4是本发明实施例中按皮肤毛孔大小对皮肤图像进行排序的效果图。
具体实施方式
下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
本发明提供一种基于图像颜色空间的皮肤表面毛孔大小检测方法,根据皮肤图像RGB颜色空间像素值信息,计算指定一幅图像的表面毛孔大小特征值,实现皮肤图像毛孔大小检测评估。采用本发明方法实现了一套皮肤检测***实施,该***配置如表1:
表1本发明实施实现的皮肤表面毛孔大小检测***的配置
名称 | 设备型号 | 数量 |
皮肤采像设备 | 微距皮肤采像设备,获取相同分辨率相同长宽皮肤图像 | 5 |
云服务器 | Windows server 2012、MySql5.7.16、Opencv2.4.10 | 1 |
客户端 | 手机Android客户端 | 5 |
皮肤检测***由皮肤采像设备硬件设备,服务器端和手机客户端构成,其结构图如图1所示,皮肤毛孔大小检测流程如图2所示,具体包括如下实施步骤:(1)客户端手机登录;(2)皮肤采像设备采像,专用的皮肤采像设备可保证每次采像的图像分辨率相同,图像大小一致,避免对皮肤图像做光源一致性预处理;(3)皮肤图像上传到服务器端,服务器端数据库记录相关采像信息;(4)服务器端计算采用本发明方法计算皮肤毛孔大小的数值;(5)根据毛孔大小数值反馈毛孔文字描述信息如毛孔粗大、无毛孔等给客户端显示;
本发明提供的皮肤毛孔大小检测方法只需要一个图像全路径作为参数,具体实施包括如下步骤:
1)将该路径下的皮肤图像文件的RGB像素信息读取到计算机内存,对RGB像素做灰度化并图像增强处理,灰度化处理即采用像素灰度值等于像素RGB三个颜色通道的均值方法即可,图像灰度化后,统计最大灰度值和最小灰度值;再正比例拉伸图像灰度值范围方法做图像增强处理;
2)皮肤图像三值化处理,具体设置毛孔像素为1,毛发像素为2,其他像素为0,处理方法是分块并每块分别做三值化处理,根据子块皮肤灰度均值avgN,以及子块皮肤灰度化后的像素值与avgN的差值MinusN,采用阈值方法识别,本实例给出的阈值为MinusN范围为[60,100]即毛孔像素,MinusN小于一定阈值V即毛发像素,V值的确定方法取决于子块图像最大灰度值和最小灰度值区间大小;
3)三值化皮肤图形后,根据毛孔像素四连通方式标记毛孔并统计毛孔数量和大小,每个毛孔像素根据毛孔的位置可分别标记为3~255,毛孔数量超过253,则从3开始重新使用3~255的数值来标记属于不同毛孔的像素;
4)识别并标记毛孔后,根据每个毛孔的像素数量方法剔除误识别的噪声点、黑斑等,本实施实例定义像素数量范围[4,30]的为真正毛孔必要条件之一,其它为误识别的毛孔,误识别的毛孔不做毛孔统计处理;
5)计算每个毛孔的最小包围矩形长宽,剔除长条形毛孔为误识别毛孔,如毛发;
6)针对剔除误识别毛孔后剩余的毛孔,根据毛孔数量统计毛孔大小的均值,该均值可作为皮肤毛孔检测的特征值;通过这个皮肤毛孔大小检测算法,检测到的皮肤图像毛孔大小准确度高,具有实际应用价值。
实施例结果表明,按照本发明的方法实现的基于图像RGB空间的皮肤表面毛孔大小检测方法,检测结果快速且检测结果准确度高。本实施例针对165幅图片的毛孔大小进行排序,具体地,5个不同客户端可分别登录并微距采像皮肤图像后上传到服务器,针对获取的165幅微距皮肤图像(近距离对皮肤拍摄得到的图像),采用本发明方法计算了每幅图像的毛孔大小,图3是其中的部分图像,相应的毛孔大小计算得到数值见表2,按照计算得到的毛孔大小排序皮肤图像,从排序结果看,毛孔大小计算准确度高,结果如图4,本发明算法计算速度快,165幅图像毛孔大小的计算时间总共不到2分钟。
表2采用本发明方法计算得到的每幅图像的毛孔大小及其相应感官描述
2)毛孔大小数值分段描述
通过人眼观察皮肤毛孔大小和本发明计算的毛孔大小数值的关系,毛孔大小数值可分成四段,分别文字表述为毛孔粗大、毛孔较粗大、正常、无明显毛孔,分段数值和文字表述关系如表3所示:
表3毛孔数值大小及其相应的文字描述
毛孔大小数值 | 毛孔大小文字表述 |
>100 | 毛孔粗大 |
60~100 | 毛孔较粗大 |
30~60 | 正常 |
<30 | 无明显毛孔 |
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (9)
1.一种基于图像颜色空间的皮肤表面毛孔大小检测方法,通过对相同分辨率的皮肤微距数字图像进行图像处理,得到衡量皮肤图像中皮肤毛孔大小的指标值,用于标识微距皮肤图像表面的毛孔特征;包括如下步骤:
1)获取皮肤图像的RGB颜色空间像素矩阵;
2)对皮肤图像进行灰度化和图像增强处理;
3)对步骤2)得到的皮肤图像进行三值化处理,分别标记毛孔像素、毛发像素和其他像素;
4)对步骤3)进行三值化处理后得到的皮肤图像,通过毛孔像素四连通方式识别毛孔,并统计皮肤图像中毛孔的数量和大小;
5)通过面积形状方法剔除误识别的毛孔;具体包括如下步骤:
E1.遍历皮肤图像的所有毛孔,根据每个毛孔的像素数量/毛孔大小设定阈值范围;设定毛孔的像素数量在该阈值范围内的毛孔为可能的真实毛孔,而不在该阈值范围内的毛孔为误识别的毛孔;
E2.通过面积形状方法统计每个毛孔的长宽矩形范围;若毛孔的长宽矩形范围为长条形,则该毛孔为误识别毛孔;具体判断方法如下:
E21.设定毛孔簇最小像素数量poreMinCount;当毛孔簇实际像素数量num不大于poreMinCount时,该毛孔为误识别毛孔;
E22.设定毛孔簇最大像素数量poreMaxCount;当毛孔簇实际像素数量num大于poreMaxCount时,该毛孔为误识别毛孔;
E23.根据每个毛孔最小包围矩形长宽进行识别:当同时满足式4、式5时,该毛孔即识别为毛孔;否则即为长条形状,该毛孔为误识别毛孔;
spanX*spanX<num*num (式4)
spanY*spanY<num*num (式5)
式4~5中,每个毛孔最小包围矩形长宽分别为spanX、spanY,以像素为单位;毛孔簇实际像素数量为num;
6)对剔除后剩余的毛孔,根据毛孔数量统计毛孔大小的均值,该均值作为皮肤毛孔检测的特征值,由此实现基于图像颜色空间对皮肤表面毛孔大小进行检测。
2.如权利要求1所述检测方法,其特征是,所述皮肤图像的图像文件格式包括但不局限于jpg、bmp、png。
3.如权利要求1所述检测方法,其特征是,步骤2)所述对皮肤图像进行灰度化,具体步骤如下:
B1.对读取的皮肤图像RGB像素值,通过三通道平均方法对皮肤图像进行灰度化;
B2.计算得到灰度化后图像的灰度最大值和灰度最小值分别为GrayMax、GrayMin,计算得到灰度范围GrayWidth为:GrayWidth=GrayMax-GrayMin;
B3.根据灰度范围GrayWidth拉伸像素灰度值到范围[0,255]。
4.如权利要求1所述检测方法,其特征是,步骤3)对皮肤图像进行三值化处理得到三值化图像,具体包括如下步骤:
C1.对皮肤图像进行分块为多个子块,对每个子块皮肤图像分别求得灰度值均值,记为avgN;
C2.对每个子块皮肤图像内的像素,计算像素灰度值与avgN的差值minusN,该差值带有正号或负号;
C3.设定均值avgN的阈值范围;当像素的minusN值低于所述阈值范围时,该像素记为毛孔像素;当minusN值低于值V时,记为毛发像素;所述V值的取值取决于子块图像最大灰度值和最小灰度值区间大小;余下像素记为其他像素。
6.如权利要求4所述检测方法,其特征是,所述毛孔像素的像素值为1;所述毛发像素的像素值为2;所述其他像素的像素值为0。
7.如权利要求1所述检测方法,其特征是,步骤4)通过毛孔像素四连通方式识别并统计毛孔数量和每个毛孔的像素数量,毛孔的像素数量即为毛孔的大小,具体包括如下步骤:
D1.针对三值化的图像进行毛孔统计,所述三值化的图像中,设定毛孔像素的像素值为1,毛发像素的像素值为2,其他像素的像素值为0;将不同的毛孔像素标记不同的数字No,数字No的范围为3~255;数字No用于统计毛孔数量;
D2.从图像左上角开始遍历三值化图像像素;
当检测到毛孔像素后,首先标记该毛孔像素的像素值为No;然后从该像素开始采用四连通压栈方法更改属于该毛孔像素的所有其他像素的像素值为No,属于同一个毛孔的所有像素之间是四连通的;属于同一个毛孔的毛孔像素的No数值相同;
当检测到新的毛孔时,No值顺序递增1;
标记完成的三值化图像的像素值不会为1,其中,毛孔元素像素值范围为3~255,毛发像素值为2,其他像素值为0;
D3.三值化图像像素完成遍历后,得到的No数值即为皮肤图像的毛孔的数量;同一个毛孔的所有像素值的No取值相同的,由此统计得到每个毛孔的像素数量,作为毛孔的大小。
8.如权利要求1所述检测方法,其特征是,步骤E1所述阈值范围为[4,30]。
9.如权利要求1所述检测方法,其特征是,所述误识别的毛孔包括毛发、噪声点、色斑;步骤E21所述误识别毛孔为噪声点;步骤E22所述误识别毛孔为色斑;步骤E23所述误识别毛孔为毛发。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710337598.7A CN107169960B (zh) | 2017-05-15 | 2017-05-15 | 一种基于图像颜色空间的皮肤表面毛孔大小检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710337598.7A CN107169960B (zh) | 2017-05-15 | 2017-05-15 | 一种基于图像颜色空间的皮肤表面毛孔大小检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169960A CN107169960A (zh) | 2017-09-15 |
CN107169960B true CN107169960B (zh) | 2020-03-20 |
Family
ID=59816018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710337598.7A Active CN107169960B (zh) | 2017-05-15 | 2017-05-15 | 一种基于图像颜色空间的皮肤表面毛孔大小检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169960B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671046A (zh) * | 2017-10-12 | 2019-04-23 | 精诚工坊电子集成技术(北京)有限公司 | 利用皮肤图像分析皮肤水分的方法及装置 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679507B (zh) * | 2017-10-17 | 2019-12-24 | 北京大学第三医院 | 面部毛孔检测***及方法 |
KR102372722B1 (ko) * | 2017-11-20 | 2022-03-11 | (주)아모레퍼시픽 | 모공 모사체, 이를 이용한 피부 세정력을 갖는 물질의 평가 방법, 및 이를 이용한 피부 세정력을 갖는 물질의 스크리닝 방법 |
EP3816932B1 (en) * | 2018-07-16 | 2022-06-15 | Honor Device Co., Ltd. | Skin detection method and electronic device |
CN109583330B (zh) * | 2018-11-15 | 2023-05-05 | 北京理工大学 | 一种用于人脸照片的毛孔检测方法 |
CN109859257B (zh) * | 2019-02-25 | 2021-12-17 | 北京工商大学 | 一种基于纹理方向性的皮肤图像纹理评估方法及*** |
CN110298815B (zh) * | 2019-03-27 | 2023-04-14 | 天津财经大学 | 一种皮肤毛孔检测与评价的方法 |
CN110298393A (zh) * | 2019-06-14 | 2019-10-01 | 深圳志合天成科技有限公司 | 一种基于深度学习的头发头皮健康状况检测方法 |
CN110610468B (zh) * | 2019-09-23 | 2022-11-01 | 厦门美图宜肤科技有限公司 | 基于皮肤镜图像的毛发识别方法、装置、设备及存储介质 |
CN111784635B (zh) * | 2020-05-29 | 2023-05-30 | 北京工商大学 | 一种基于图像颜色空间的皮肤表面荧光点检测与评估方法 |
CN111724348B (zh) * | 2020-05-29 | 2024-03-26 | 精诚工坊电子集成技术(北京)有限公司 | 一种基于纹理丘沟特征计算皮肤图像纹理属性的方法 |
CN111738984B (zh) * | 2020-05-29 | 2023-08-18 | 北京工商大学 | 基于分水岭和种子填充的皮肤图像斑点评估方法及*** |
CN112274110B (zh) * | 2020-10-10 | 2023-06-16 | 苏州万微光电科技有限公司 | 一种基于皮肤荧光图像的毛孔检测***、装置及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8411913B2 (en) * | 2008-06-17 | 2013-04-02 | The Hong Kong Polytechnic University | Partial fingerprint recognition |
CN103152476B (zh) * | 2013-01-31 | 2015-01-28 | 广东欧珀移动通信有限公司 | 检测皮肤状态的手机及其使用方法 |
KR101649547B1 (ko) * | 2014-09-17 | 2016-08-22 | 한양대학교 산학협력단 | 점 매칭을 이용한 땀구멍 지도 인식 및 분석 방법과 그 장치 |
CN104299011A (zh) * | 2014-10-13 | 2015-01-21 | 吴亮 | 一种基于人脸图像识别的肤质与皮肤问题识别检测方法 |
CN104887183B (zh) * | 2015-05-22 | 2017-12-22 | 杭州雪肌科技有限公司 | 基于光学的肌肤健康监测和预诊断智能方法 |
CN106469302B (zh) * | 2016-09-07 | 2019-05-28 | 成都知识视觉科技有限公司 | 一种基于人工神经网络的人脸肤质检测方法 |
CN106778613A (zh) * | 2016-12-16 | 2017-05-31 | 广东工业大学 | 一种基于人脸分割区域匹配的身份验证方法及装置 |
-
2017
- 2017-05-15 CN CN201710337598.7A patent/CN107169960B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671046A (zh) * | 2017-10-12 | 2019-04-23 | 精诚工坊电子集成技术(北京)有限公司 | 利用皮肤图像分析皮肤水分的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107169960A (zh) | 2017-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169960B (zh) | 一种基于图像颜色空间的皮肤表面毛孔大小检测方法 | |
CN107157447B (zh) | 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN109961426B (zh) | 一种人脸皮肤肤质的检测方法 | |
Shi et al. | Automatic road crack detection using random structured forests | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN114723704B (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查***及方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN107368770B (zh) | 一种回头客自动识别方法及*** | |
CN109859257B (zh) | 一种基于纹理方向性的皮肤图像纹理评估方法及*** | |
CN111639629A (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
CN111241966A (zh) | 一种***目标区域的定位方法、装置、设备及介质 | |
CN115294377A (zh) | 一种道路裂缝的识别***及方法 | |
CN112288760A (zh) | 一种粘连细胞图像筛除方法、***及细胞图像分析方法 | |
CN110222660B (zh) | 一种基于动态与静态特征融合的签名鉴伪方法及*** | |
CN116109577A (zh) | 一种印刷标签缺陷检测***及方法 | |
CN103886319A (zh) | 一种基于机器视觉的举牌智能识别方法 | |
CN114092456A (zh) | 细胞荧光图像判别方法及*** | |
CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及*** | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |