CN109299634A - 斑检测方法、***、设备及存储介质 - Google Patents
斑检测方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN109299634A CN109299634A CN201710609686.8A CN201710609686A CN109299634A CN 109299634 A CN109299634 A CN 109299634A CN 201710609686 A CN201710609686 A CN 201710609686A CN 109299634 A CN109299634 A CN 109299634A
- Authority
- CN
- China
- Prior art keywords
- image
- spot
- face
- pixel
- threshold
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种斑检测方法、***、设备及存储介质,其中,所述斑检测方法,包括:将所获取的基于紫外光波段的面部图像进行灰度预处理;将预处理后的面部图像分块,并确定各图像块的斑分割阈值;按照各图像块所对应的斑分割阈值对各图像块分别进行过滤,以得到所述面部图像中的各候选斑图像;从各所述候选斑图像中筛选所述面部图像中的目标斑图像。本申请利用斑与皮肤的灰度突变的特征,以及各测试者的关于斑的灰度并不具备统一标准的特点,对面部图像进行分块的斑提取处理,以有效减少斑的漏检;同时由于采用基于灰度的检测,避免了样本训练所需要的大量样本图像,有效提高了软件性价比。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种斑检测方法、***、设备及存储介质。
背景技术
随着人们生活品质的提高,人们对皮肤质量,特别是面部皮肤质量,越来越关注。比如,长斑、斑分布情况等都反映出人们面部的皮肤质量。在专业的医疗和美容领域,斑检测不仅用于反映面部皮肤的黑色素分布和沉淀情况,还是医生进行斑病理分析、斑的潜在病变的参考。为此,对于医疗和美容来说,对用户进行斑检测,并依据检测结果对用户进行治疗和美容能提供更准确的医疗美容服务。目前,面部检测设备对斑的检测如申请号201610798036.8所述采用大量皮肤样本来获得斑特征,进而检测面部图像中符合相应特征的区域以确定为斑。该方案需利用大量样本进行特征训练,显然软件成本相对较高。
发明内容
本申请提供一种斑检测方法、***、设备及存储介质,以实现高效简单的斑检测目的。
为实现上述目的及其他目的,本申请第一方面提供一种斑检测方法,包括:将所获取的基于紫外光波段的面部图像进行灰度预处理;将预处理后的面部图像分块,并确定各图像块的斑分割阈值;按照各图像块所对应的斑分割阈值对各图像块分别进行过滤,以得到所述面部图像中的各候选斑图像;从各所述候选斑图像中筛选所述面部图像中的目标斑图像。
在所述第一方面的某些实施方式中,所述方法还包括:在包含紫外光环境下拍摄面部图像的步骤。
在所述第一方面的某些实施方式中,所述将所获取的基于紫外光波段的面部图像进行灰度预处理的方式包括:利用面部图像中斑与皮肤之间的灰度差异,突出包含斑图像的像素灰度。
在所述第一方面的某些实施方式中,所述将预处理后的面部图像分块,并确定各图像块的斑分割阈值的方式包括:将预处理后的面部图像按照所划分的图像块进行降采样处理;以一阈值窗口遍历降采样后图像,在遍历期间将所述阈值窗口内的像素赋值为斑分割阈值。
在所述第一方面的某些实施方式中,所述按照各图像块所对应的斑分割阈值对各图像块分别进行过滤的方式包括:基于降采样后各像素与所述面部图像中各图像块的位置对应关系,利用赋值后的各像素对相应图像块进行过滤。
在所述第一方面的某些实施方式中,所述确定各图像块的斑分割阈值的方式包括:基于大津法阈值算法逐个地确定各所述图像块的斑分割阈值。
在所述第一方面的某些实施方式中,所述方法还包括:对所计算出的各斑分割阈值进行补偿的步骤。
在所述第一方面的某些实施方式中,所述从各候选斑图像中筛选所述面部图像中的目标斑图像的方式包括:基于预设的形状和/或尺寸的剔除条件,从各候选斑图像中筛选目标斑图像。
本申请第二方面还提供一种斑检测***,包括:预处理模块,用于将所获取的基于紫外光波段的面部图像进行灰度预处理;斑图像提取模块,用于将预处理后的面部图像分块,确定各图像块的斑分割阈值,以及按照各图像块所对应的斑分割阈值对各图像块分别进行过滤以得到所述面部图像中的各候选斑图像;筛选模块,用于从各所述候选斑图像中筛选所述面部图像中的目标斑图像。
在所述第二方面的某些实施方式中,所述***还包括:摄像模块,用于在包含紫外光环境下获取面部图像。
在所述第二方面的某些实施方式中,所述预处理模块用于利用面部图像中斑与皮肤之间的灰度差异,突出包含斑图像的像素灰度。
在所述第二方面的某些实施方式中,所述斑图像提取模块将预处理后的面部图像分块,确定各图像块的斑分割阈值的方式包括:将预处理后的面部图像按照所划分的图像块进行降采样处理;以一阈值窗口遍历降采样后图像,在遍历期间将所述阈值窗口内的像素赋值为斑分割阈值。
在所述第二方面的某些实施方式中,所述斑图像提取模块按照各图像块所对应的斑分割阈值对各图像块分别进行过滤的方式包括:基于降采样后各像素与所述面部图像中各图像块的位置对应关系,利用赋值后的各像素对所述面部图像中对应图像块进行过滤。
在所述第二方面的某些实施方式中,所述斑图像提取模块确定各图像块的斑分割阈值的方式包括:基于大津法阈值算法逐个地确定各所述图像块的斑分割阈值。
在所述第二方面的某些实施方式中,所述斑图像提取模块还用于对所计算出的各斑分割阈值进行补偿。
在所述第二方面的某些实施方式中,所述筛选模块基于预设的形状和/或尺寸的剔除条件,从各候选斑图像中筛选目标斑图像。
本申请第三方面提供一种面部检测设备,包括:存储装置,用于存储面部图像及用于执行斑检测方法的程序;处理装置,与所述存储装置连接,用于执行所述程序以执行如上任一所述的斑检测方法。
在所述第三方面的某些实施方式中,所述设备还包括:摄像装置,用于摄取面部图像并保存在所述存储装置中。
在所述第三方面的某些实施方式中,所述设备还包括:拍摄提示装置,位于摄像装置前,用于提示测试者在所述摄像装置摄取方向的头部摆放。
在所述第三方面的某些实施方式中,所述设备还包括:光源装置,用于向测试者提供包含紫外光的拍摄环境。
在所述第三方面的某些实施方式中,所述设备还包括:显示装置,用于显示标记了所检测出的斑图像的面部图像。
本申请第四方面提供一种存储介质,存储有面部图像以及用于进行斑检测的程序;其中,所述程序在被处理器执行时,按照如上任一种检测方法中的步骤检测所述面部图像中的目标斑图像。
本申请所提供的斑检测方法、***、设备及存储介质,利用斑与皮肤的灰度突变的特征,以及各测试者的关于斑的灰度并不具备统一标准的特点,对面部图像进行分块的斑提取处理,以有效减少斑的漏检;同时由于采用基于灰度的检测,避免了样本训练所需要的大量样本图像,有效提高了软件性价比。
另外,采用紫外光波段的面部图像能够获得未显现在面部表面的黑色素沉淀,进而全面获得斑、甚至潜在斑的分布情况。
另外,采用降采样处理,能有效提高班分隔阈值的计算速度,减少处理器的运算负担。
另外,对所得到的斑分割阈值进行补偿能有效防止图像块中斑所占比例过小而带来的阈值分配不合理的情况。
附图说明
图1为本申请斑检测方法在一实施方式中的结构示意图。
图2为本申请的一图像块中候选斑图像的像素示意图。
图3为本申请的多个图像块拼接得到的候选斑图像的像素示意图。
图4为本申请斑检测方法在又一实施方式中的流程示意图。
图5为本申请斑检测***在一实施方式中的架构示意图。
图6为本申请斑检测***在又一实施方式中的架构示意图。
图7为本申请面部检测设备在一实施方式中的结构示意图。
图8为本申请面部检测设备在又一实施方式中的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。
需要说明的是,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本申请可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本申请所能产生的功效及所能达成的目的下,均应仍落在本申请所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本申请可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本申请可实施的范畴。
请参阅图1,本申请提供一种斑检测方法。所述斑检测方法主要由计算机设备来执行。所述计算机设备是指能够基于指令进行数值计算和数据逻辑处理的电子设备,其包括但不限于:专业斑检测设备、智能终端、服务端、个人计算机设备等。其中,专业斑检测设备举例为设置于美容院、医院的面部检测设备。所述智能终端举例为平板电脑或智能手机。所述服务端包括但不限于:单台服务器、服务器集群、基于云架构的服务端等。所述个人计算机设备举例为笔记本电脑、台式电脑终端等。
其中,所述斑检测方法主要用于检测测试者面部的斑,为此,所述方法采用对测试者面部图像进行图像处理的方式进行斑检测。所述面部图像可由摄像装置提供,或经由网络自其它设备获取。其中,斑检测的准确是与面部图像清晰程度相关的,故而为了对面部图像进行准确的斑检测,需对所使用的摄像装置进行调节以确保拍摄到清晰的面部图像。例如,通过调整摄像装置的光圈、聚焦位置,以及用户相距摄像装置的距离等,得到清晰的面部图像。除此之外,为了防止背景对斑检测的干扰,所获取的面部图像还以纯色、浅色背景为佳,但并不表示本申请所使用的面部图像必然为纯色或浅色背景。本领域技术人员可利用抠图技术将背景进行处理,在此不予详述。
由于皮肤中沉淀的黑色素易于显现在紫外光环境下,故而,在摄像装置的拍摄区域内补加紫外光,以拍摄基于紫外光波段的面部图像。对于在自然光环境下拍摄的面部图像,本申请可预先提取所获取的面部图像中紫外光波段。例如,按照预设的紫外光颜色区间,将面部图像中各像素RGB值进行过滤以得到基于紫外光波段的面部图像。
在步骤S110中,将所获取的基于紫外光波段的面部图像进行灰度预处理。具体地,所述计算机设备提取所述面部图像的灰度值以得到由灰度值组成的图像矩阵。接着,利用面部图像中斑与皮肤之间的灰度差异,突出包含斑图像的像素灰度。具体可采用对该图像矩阵进行灰度拉伸、中值滤波等至少一项灰度预处理,一方面抑制了面部图像中作为背景的图像部分灰度,另一方面突出了包含斑在内的图像部分灰度。
在此,所述灰度拉伸处理是一种提高图像处理时的灰度级的动态范围的方式,其用于提高包含斑在内的灰度与皮肤及背景灰度之间的差距,有利于在灰度过滤时更完整的保留斑图像。在此,所述计算机设备可利用预设的分段线性变换函数或直方图均衡算法对面部图像进行整体的灰度拉伸处理。例如,将整幅面部图像中各像素的灰度值进行基于线性的拉伸变换,由此拉伸整幅图像的灰度。又如,设置一灰度拉伸窗,将所述灰度拉伸窗遍历整幅图像,并对窗内各像素点进行灰度拉伸处理,以得到灰度拉伸后的面部图像。其中,所述灰度拉伸处理举例采用公式:其中,x为某一像素点调整前的像素点灰度值,xmin为调整前各个像素点灰度值中的最小值,xmax为调整前各个像素点灰度值中的最大值,为调整后各个像素点灰度值中的最小值,为调整后各个像素点灰度值中的最大值,x*为该像素点调整后的像素点灰度值。
需要说明的是,上述灰度拉伸的方式仅为举例,而非对本申请的限制。事实上,本申请采用灰度拉伸的目的是为了突出包含斑在内的图像部分中像素灰度同时抑制作为背景的皮肤图像部分中像素灰度,由此提高斑检测准确率。本申请可采用其他灰度拉伸方式以达到上述目的。
在此,所述中值滤波处理意图滤除面部图像中的噪点。例如,将预设的滤波窗口遍历式地过滤整幅面部图像,并将每个位于滤波窗口内的矩阵进行均值处理,如此抑制了噪声对面部图像的干扰。其中,所述滤波窗口的尺寸可不受斑尺寸的限制。其中,所述均值处理的方式举例为:计算一个滤波窗口中的M个像素点的灰度值的平均值;判断M个像素点的灰度值是否均与M个像素点的灰度值的平均值相等;若是,确定M个像素点中的任意一个像素点的灰度值为该滤波窗口中的像素点的灰度值的中值;若否,将M个像素点分为两个集合,判断该两个集合中的像素点的个数是否均小于滤波窗口中像素数量的一半;若是,当该两个集合中的一个集合中的像素点的个数大于或等于该两个集合中的另一个集合中的像素点的个数,按照由大至小的顺序确定该另一个集合中的第s个像素点的灰度值为中值,s为该一个集合中的像素点的个数,当该一个集合中的像素点的个数小于该另一个集合中的像素点的个数,按照由小至大的顺序确定该一个集合中的第t个像素点的灰度值为中值,t为该另一个集合中的像素点的个数;若否,将该两个集合中的包含的像素点的个数较多的集合中的像素点继续分为两个集合,直至最终分出的两个集合中的像素点的个数均小于滤波窗口中像素数量的一半。
需要说明的是,上述中值滤波的方式仅为举例,而非对本申请的限制。事实上,本申请采用中值滤波的目的是为了滤除图像中的噪点,由此提高斑检测准确率。本申请可采用其他中值滤波方式(如快速中值滤波算法)以达到上述目的。
在步骤S120中,将预处理后的面部图像分块,并确定各图像块的斑分割阈值。其中,可按照面部图像的像素尺寸进行均分,或者按照预设的分块尺寸对所述面部图像进行分块处理。
在某些实施方式中,所述计算机设备可将每个图像块中像素进行灰度统计,并根据统计结果选取对应图像块的斑分割阈值。其中,选取斑分割阈值的方式可采用将以图像块中的灰度相对比例而设。
在另一些实施方式中,所述计算机设备基于大津法阈值算法逐个地确定各所述图像块的斑分割阈值。在此,所述大津法也称最大类间差法,其按照图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。在本步骤中,利用大津法阈值算法对每个图像块中的像素灰度进行阈值计算,所得到的斑分割阈值将作为进一步抑制背景的筛选条件。本申请采用将面部图像分块并设置各图像块的斑分割阈值的方式有效解决了斑亮度不均匀所带来的斑检测不准确的问题。
在对面部图像进行分块处理期间,技术人员发现对于全皮肤图像块、或包含较小斑尺寸的图像块,利用上述大津法计算阈值会出现斑分割阈值过低的情况,为此,本步骤进一步包括:对所计算出的各斑分割阈值进行补偿的步骤。
具体地,预设一补偿值delta,阈值下限th_min和阈值上限th_max,该补偿值可按经验获得或基于机器学习得到。按照大津法阈值算法得到对应每个图像块的阈值为th_ostu,每个图像块的斑分割阈值设为th=th_ostu+delta,并将每个th分别与th_min和th_max比较,当th<th_min时,则th=th_min,当th>th_max时,则th=th_max,其他情况下斑分割阈值即为th_ostu+delta。
斑分割阈值斑分割阈值在步骤S130中,按照各图像块所对应的斑分割阈值对各图像块分别进行过滤,以得到所述面部图像中的各候选斑图像。
具体地,本步骤可在确定每个图像块的斑分割阈值时,或者在确定所有图像块的斑分割阈值后,保留相应图像块中低于所述斑分割阈值的灰度值并提高大于等于所述斑分割阈值的灰度值。或基于斑分割阈值将相应图像块中各像素的灰度值进行二值化处理。例如,将图像块中低于相应斑分割阈值的灰度值设为0(视此灰度值为被保留的像素点),且将大于等于所述斑分割阈值的灰度值设为255。其中,被保留灰度值的像素点所练成的区域被作为候选斑图像。所得到的候选斑图像可能在一个图像块中,也可能由相邻图像块拼接而成。故而,所述候选斑图像的确定是基于整幅面部图像而得到的,而非仅依据单个图像块。例如,如图2所示,图像块A中被保留灰度的各相邻像素点所组成的区域位于图像块A的中部,周围被低灰度值(如灰度值为0)的像素点包围,则确定该所围区域为候选斑图像。又如,如图3所示,图像块B中被保留灰度的各相邻像素点所组成的区域位于图像块B与图像块C交接处,则计算机设备同时自图像块C中与图像块B相接处向图像块C延伸检测像素点的灰度值,以得到完整的候选斑图像。
在另一些具体示例中,本步骤可根据基于面部图像中被滤出的像素点所围成的区域确定为候选斑图像。在此,本示例中采用以面部图像作为分析对象的方式,将被滤出的相邻像素点(如保留有灰度值的相邻像素点)所围成的区域作为候选斑图像。
在步骤S140中,从各所述候选斑图像中筛选所述面部图像中的目标斑图像。具体地,基于预设的符合斑的形状和/或尺寸条件,将各所述候选斑图像进行匹配,根据匹配结果确定所述面部图像中目标斑图像。在此,所述计算机设备可根据候选斑图像中像素点的个数和位置来确定候选斑图像的形状和尺寸。例如,以单个像素点为单位面积,通过统计候选斑图像中的像素点个数,确定每个候选斑图像的面积。又如,根据每个候选斑图像中像素点的位置确定候选斑图像的轮廓。所述计算机设备可将面积小于预设面积阈值的候选斑图像予以保留,和/或将轮廓形状接近圆形的候选斑图像予以保留,由此得到面部图像中的目标斑图像。
由于斑的形状并非一定为圆形,其尺寸也无确切范围,因此,在某些实施方式中,基于预设的形状和/或尺寸的剔除条件,从各候选斑图像中筛选目标斑图像。例如,预设有对应毛孔、皱纹等形状和/或尺寸的剔除条件,将组成候选斑图像的像素点数量和/或轮廓分别与相应剔除条件进行匹配,若符合剔除条件,则确认相应候选斑图像并非目标斑图像,通过对候选斑图像逐一过滤,得到保留下的斑图像为目标斑图像。
进一步地,所得到的目标斑图像可叠加到原始面部图像上,并显示给测试者及医生,由此便于测试者及医生观察斑的位置、形状、大小,特别是潜在斑的标记和显示,能帮助医生更为准确的进行病理诊断。
请参阅图4,本申请还提供一种斑检测方法。该斑检测方法执行以下步骤:
在步骤S210中,将所获取的基于紫外光波段的面部图像进行灰度预处理。
需要说明的是,该步骤S210的具体执行方式可与图1中步骤S110的执行方式相同或相似,在此不再详述。甚至还可以包含在包含紫外光环境下拍摄面部图像的步骤,以获取所述基于紫外光波段的面部图像,在此一并引用。
在步骤S220中,将预处理后的面部图像按照所划分的图像块进行降采样处理。在此,为了提高斑分割阈值的计算效率,将预处理后的面部图像进行降采样处理。由于降采样后的图像的灰度值均代表了降采样前对应图像块的平均灰度值,因此降采样后的图像的特征仍旧可以代表降采样前的图像块的特征。
例如,预设一降采样窗口(应视为用于分割图像块的窗口),其中,所述降采样窗口的尺寸小于斑图像的尺寸,以避免斑图像的特征丢失。其中,斑图像的尺寸可为经验得到的平均斑图像的直径。将该降采样窗口无重叠地遍历所述面部图像,在遍历期间根据预设的所述窗口中设置的各像素点的权重对窗口内的各像素灰度值进行计算以得到降采样后的像素值,将该像素值设置在降采样后图像的像素位置上。所述像素位置与原图中一图像块位置相对应。
在步骤S230中,以一阈值窗口遍历降采样后图像,在遍历期间将所述阈值窗口内的像素赋值为斑分割阈值。
具体地,以像素点为偏移量将所述阈值窗口遍历整个降采样后图像。在遍历期间,对每次阈值窗口所覆盖的像素区域进行阈值计算并将所得到的阈值赋值给该像素区域中的一像素点。例如,所述阈值窗口的尺寸可预设置为n*n尺寸,其中n为奇数,在遍历期间,对每次阈值窗口所覆盖的像素区域进行阈值计算并将所得到的阈值赋值给该像素区域中位于区域中心的像素点(以下简称中心像素点);以一个像素点为步长遍历所述阈值窗口,将降采样后的图像中每个像素点重新赋值,所赋值设为斑分割阈值。
在某些实施方式中,所述计算机设备可将每个阈值窗口中像素进行灰度统计,并根据统计结果选取对应的斑分割阈值并赋值给所述阈值窗口中的像素点。其中,选取斑分割阈值的方式可采用将以阈值窗口中的灰度相对比例而设。
在另一些实施方式中,所述计算机设备基于大津法阈值算法确定每个阈值窗口中的斑分割阈值并赋值给相应阈值窗口中的像素点(如中心像素点)。在此,所述大津法也称最大类间差法,其按照图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。在本步骤中,利用大津法阈值算法对每个阈值窗口中的像素灰度进行阈值计算并重新赋值。。赋值后的图像被称为阈值图像。
在对阈值窗口进行赋值处理期间,技术人员发现利用上述大津法计算阈值会出现斑分割阈值过低的情况,为此,本步骤进一步包括:对所计算出的各斑分割阈值进行补偿的步骤。
具体地,预设一补偿值delta,阈值下限th_min和阈值上限th_max,该补偿值可按经验获得或基于机器学习得到。按照大津法阈值算法得到对应每个图像块的阈值为th_ostu,每个图像块的斑分割阈值设为th=th_ostu+delta,并将每个th分别与th_min和th_max比较,当th<th_min时,则th=th_min,当th>th_max时,则th=th_max,其他情况下斑分割阈值即为th_ostu+delta。
斑分割阈值斑分割阈值在步骤S240中,基于降采样后各像素与所述面部图像中各图像块的位置对应关系,利用赋值后的各像素对相应图像块进行过滤。
具体地,所述计算机设备根据灰度预处理后的面部图像在降采样过程中所缩减的图像块及所在位置区域,确定阈值图像中各像素对应到灰度预处理后的面部图像中的各具体图像块。例如,灰度预处理后的面部图像A1为降采样的面部图像A2为图像A2中的像素a11'对应图像A1中图像块又如,将阈值图像按照降采样时所划分的降采样窗口进行升采样处理,即将阈值图像中的每个像素值赋值给对应降采样窗口的所有像素点,并按照阈值图像中各像素与降采样窗口遍历的位置关系,得到升采样后(即还原后)的阈值图像。还原后的阈值图像与面部图像中的像素点一一对应。由此得到面部图像中每个图像块具有各自对应的斑分割阈值。
接着,利用阈值图像中每个像素值(即斑分割阈值)将所述面部图像中对应图像块进行过滤。具体地,将图像块中各像素灰度值与相应斑分割阈值进行比较,若像素灰度值小于相应斑分割阈值则予以保留或全部设置为灰度最小值(如0),并将大于等于所述斑分割阈值的各像素灰度设为灰度最大值(如255)。其中,被保留灰度值的像素点所连成的区域被作为候选斑图像,所得到的候选斑图像可能在一个图像块中,也可能由相邻图像块拼接而成。故而,所述候选斑图像的确定是基于整幅面部图像而得到的,而非仅依据单个图像块。例如,如图2所示,图像块A中被保留灰度的各相邻像素点所组成的区域位于图像块A的中部,周围被低灰度值(如灰度值为0)的像素点包围,则确定该所围区域为候选斑图像。又如,如图3所示,图像块B中被保留灰度的各相邻像素点所组成的区域位于图像块B与图像块C交接处,则计算机设备同时自图像块C中与图像块B相接处向图像块C延伸检测像素点的灰度值,以得到完整的候选斑图像。
在另一些具体示例中,本步骤可根据基于面部图像中被保留的所有相邻像素点所围成的区域确定为候选斑图像。在此,本示例中采用以整幅面部图像作为分析对象的方式,将被保留的相邻像素点(如保留有灰度值的相邻像素点)所围成的区域作为候选斑图像。
在步骤S260中,从各所述候选斑图像中筛选所述面部图像中的目标斑图像。
需要说明的是,该步骤S260的具体执行方式可与图1中步骤S140的执行方式相同或相似,在此不再详述。甚至还可以包含将所得到的目标斑图像显示的步骤,在此一并引用。
请参阅图5,本申请还提供一种斑检测***。所述斑检测***4包括:预处理模块41、斑图像提取模块42、筛选模块43。
其中,所述斑检测***4主要用于检测测试者面部的斑,为此,所述斑检测***4采用对测试者面部图像进行图像处理的方式进行斑检测。所述面部图像可由摄像装置提供,或经由网络自其它设备获取。其中,斑检测的准确是与面部图像清晰程度相关的,故而为了对面部图像进行准确的斑检测,需对所使用的摄像装置进行调节以确保拍摄到清晰的面部图像。例如,通过调整摄像装置的光圈、聚焦位置,以及用户相距摄像装置的距离等,得到清晰的面部图像。除此之外,为了防止背景对斑检测的干扰,所获取的面部图像还以纯色、浅色背景为佳,但并不表示本申请所使用的面部图像必然为纯色或浅色背景。本领域技术人员可利用抠图技术将背景进行处理,在此不予详述。
由于皮肤中沉淀的黑色素易于显现在紫外光环境下,故而,所述斑检测***4还包括摄像模块。所述摄像模块为设置在摄像装置或集成在计算机设备中图像截取软件,在摄像装置的拍摄区域内补加紫外光,所述摄像模块以拍摄基于紫外光波段的面部图像。对于在自然光环境下拍摄的面部图像,本申请可预先提取所获取的面部图像中紫外光波段。例如,所述摄像模块按照预设的紫外光颜色区间,将面部图像中各像素RGB值进行过滤以得到基于紫外光波段的面部图像。
所述预处理模块41用于将所获取的基于紫外光波段的面部图像进行灰度预处理。具体地,所述预处理模块41提取面部图像的灰度值以得到由灰度值组成的图像矩阵。接着,利用面部图像中斑与皮肤之间的灰度差异,突出包含斑图像的像素灰度。具体可采用对该图像矩阵进行灰度拉伸、中值滤波等至少一项灰度预处理,一方面抑制了面部图像中作为背景的图像部分灰度,另一方面突出了包含斑在内的图像部分灰度。
在此,所述灰度拉伸处理是一种提高图像处理时的灰度级的动态范围的方式,其用于提高包含斑在内的灰度与皮肤及背景灰度之间的差距,有利于在灰度过滤时更完整的保留斑图像。在此,所述预处理模块41可利用预设的分段线性变换函数或直方图均衡算法对面部图像进行整体的灰度拉伸处理。例如,所述预处理模块41将整幅面部图像中各像素的灰度值进行基于线性的拉伸变换,由此拉伸整幅图像的灰度。又如,设置一灰度拉伸窗,所述预处理模块41将所述灰度拉伸窗遍历整幅图像,并对窗内各像素点进行灰度拉伸处理,以得到灰度拉伸后的面部图像。其中,所述灰度拉伸处理举例采用公式:其中,x为某一像素点调整前的像素点灰度值,xmin为调整前各个像素点灰度值中的最小值,xmax为调整前各个像素点灰度值中的最大值,为调整后各个像素点灰度值中的最小值,为调整后各个像素点灰度值中的最大值,x*为该像素点调整后的像素点灰度值。
需要说明的是,上述灰度拉伸的方式仅为举例,而非对本申请的限制。事实上,本申请采用灰度拉伸的目的是为了突出包含斑在内的图像部分中像素灰度同时抑制作为背景的皮肤图像部分中像素灰度,由此提高斑检测准确率。本申请可采用其他灰度拉伸方式以达到上述目的。
在此,所述中值滤波处理意图滤除面部图像中的噪点。例如,将预设的滤波窗口遍历式地过滤整幅面部图像,并将每个位于滤波窗口内的矩阵进行均值处理,如此抑制了噪声对面部图像的干扰。其中,所述滤波窗口的尺寸可不受斑尺寸的限制。其中,所述均值处理的方式举例为:计算一个滤波窗口中的M个像素点的灰度值的平均值;判断M个像素点的灰度值是否均与M个像素点的灰度值的平均值相等;若是,确定M个像素点中的任意一个像素点的灰度值为该滤波窗口中的像素点的灰度值的中值;若否,将M个像素点分为两个集合,判断该两个集合中的像素点的个数是否均小于滤波窗口中像素数量的一半;若是,当该两个集合中的一个集合中的像素点的个数大于或等于该两个集合中的另一个集合中的像素点的个数,按照由大至小的顺序确定该另一个集合中的第s个像素点的灰度值为中值,s为该一个集合中的像素点的个数,当该一个集合中的像素点的个数小于该另一个集合中的像素点的个数,按照由小至大的顺序确定该一个集合中的第t个像素点的灰度值为中值,t为该另一个集合中的像素点的个数;若否,将该两个集合中的包含的像素点的个数较多的集合中的像素点继续分为两个集合,直至最终分出的两个集合中的像素点的个数均小于滤波窗口中像素数量的一半。
需要说明的是,上述中值滤波的方式仅为举例,而非对本申请的限制。事实上,本申请采用中值滤波的目的是为了滤除图像中的噪点,由此提高斑检测准确率。本申请可采用其他中值滤波方式(如快速中值滤波算法)以达到上述目的。
所述斑图像提取模块42用于将预处理后的面部图像分块,并确定各图像块的斑分割阈值。其中,可按照面部图像的像素尺寸进行均分,或者按照预设的分块尺寸对所述面部图像进行分块处理。
在某些实施方式中,所述斑图像提取模块42可将每个图像块中像素进行灰度统计,并根据统计结果选取对应图像块的斑分割阈值。其中,选取斑分割阈值的方式可采用将以图像块中的灰度相对比例而设。
在另一些实施方式中,所述斑图像提取模块42基于大津法阈值算法逐个地确定各所述图像块的斑分割阈值。在此,所述大津法也称最大类间差法,其按照图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。在本步骤中,利用大津法阈值算法对每个图像块中的像素灰度进行阈值计算,所得到的斑分割阈值将作为进一步抑制背景的筛选条件。本申请采用将面部图像分块并设置各图像块的斑分割阈值的方式有效解决了斑亮度不均匀所带来的斑检测不准确的问题。
在对面部图像进行分块处理期间,技术人员发现对于全皮肤图像块、或包含较小斑尺寸的图像块,利用上述大津法计算阈值会出现斑分割阈值过低的情况,为此,本步骤进一步包括:对所计算出的各斑分割阈值进行补偿的步骤。
具体地,预设一补偿值delta,阈值下限th_min和阈值上限th_max,该补偿值可按经验获得或基于机器学习得到。按照大津法阈值算法得到对应每个图像块的阈值为th_ostu,每个图像块的斑分割阈值设为th=th_ostu+delta,并将每个th分别与th_min和th_max比较,当th<th_min时,则th=th_min,当th>th_max时,则th=th_max,其他情况下斑分割阈值即为th_ostu+delta。
斑分割阈值斑分割阈值所述斑图像提取模块42还用于按照各图像块所对应的斑分割阈值对各图像块分别进行过滤,以得到所述面部图像中的各候选斑图像。
具体地,所述斑图像提取模块42可在确定每个图像块的斑分割阈值时,或者在确定所有图像块的斑分割阈值后,保留相应图像块中低于所述斑分割阈值的灰度值并提高大于等于所述斑分割阈值的灰度值。或基于斑分割阈值将相应图像块中各像素的灰度值进行二值化处理。例如,将图像块中低于相应斑分割阈值的灰度值设为0,且将大于等于所述斑分割阈值的灰度值设为255。其中,被保留灰度值的像素点所练成的区域被作为候选斑图像。所得到的候选斑图像可能在一个图像块中,也可能由相邻图像块拼接而成。故而,所述候选斑图像的确定是基于整幅面部图像而得到的,而非仅依据单个图像块。例如,如图2所示,图像块A中被保留灰度的各相邻像素点所组成的区域位于图像块A的中部,周围被低灰度值(如灰度值为0)的像素点包围,则确定该所围区域为候选斑图像。又如,如图3所示,图像块B中被保留灰度的各相邻像素点所组成的区域位于图像块B与图像块C交接处,则斑图像提取模块42同时自图像块C中与图像块B相接处向图像块C延伸检测像素点的灰度值,以得到完整的候选斑图像。
在另一些具体示例中,所述斑图像提取模块42可根据基于面部图像中被滤出的像素点所围成的区域确定为候选斑图像。在此,本示例中采用以面部图像作为分析对象的方式,将被滤出的相邻像素点(如保留有灰度值的相邻像素点)所围成的区域作为候选斑图像。
所述筛选模块43用于从各所述候选斑图像中筛选所述面部图像中的目标斑图像。具体地,基于预设的符合斑的形状和/或尺寸条件,将各所述候选斑图像进行匹配,根据匹配结果确定所述面部图像中目标斑图像。在此,所述筛选模块43可根据候选斑图像中像素点的个数和位置来确定候选斑图像的形状和尺寸。例如,以单个像素点为单位面积,通过统计候选斑图像中的像素点个数,确定每个候选斑图像的面积。又如,根据每个候选斑图像中像素点的位置确定候选斑图像的轮廓。所述筛选模块43可将面积小于预设面积阈值的候选斑图像予以保留,和/或将轮廓形状接近圆形的候选斑图像予以保留,由此得到面部图像中的目标斑图像。
由于斑的形状并非一定为圆形,其尺寸也无确切范围,因此,在某些实施方式中,基于预设的形状和/或尺寸的剔除条件,从各候选斑图像中筛选目标斑图像。例如,预设有对应毛孔、皱纹等形状和/或尺寸的剔除条件,将组成候选斑图像的像素点数量和/或轮廓分别与相应剔除条件进行匹配,若符合剔除条件,则确认相应候选斑图像并非目标斑图像,通过对候选斑图像逐一过滤,得到保留下的斑图像为目标斑图像。
进一步地,所得到的目标斑图像可叠加到原始面部图像上,并显示给测试者及医生,由此便于测试者及医生观察斑的位置、形状、大小,特别是潜在斑的标记和显示,能帮助医生更为准确的进行病理诊断。
请参阅图5,本申请还提供一种斑检测***。该斑检测***5包含:预处理模块51、斑图像提取模块52、筛选模块53。
所述预处理模块51用于将所获取的基于紫外光波段的面部图像进行灰度预处理。
需要说明的是,该预处理模块51的具体执行方式可与图5中预处理模块41的执行方式相同或相似,在此不再详述。甚至还可以包含摄像模块(未予图示)用于在包含紫外光环境下拍摄面部图像,以获取所述基于紫外光波段的面部图像,在此一并引用。
所述图像提取模块52用于将预处理后的面部图像进行降采样处理。在此,为了提高斑分割阈值的计算效率,将预处理后的面部图像进行降采样处理。由于降采样后的图像的灰度值均代表了降采样前对应区域的平均灰度值,因此降采样后的图像的特征仍旧可以代表降采样前的图像的特征。
例如,预设一降采样窗口(应视为用于分割图像块的窗口),其中,所述降采样窗口的尺寸小于斑图像的尺寸,以避免斑图像的特征丢失。其中,斑图像的尺寸可为经验得到的平均斑图像的直径。所述图像提取模块52通过将该降采样窗口遍历所述面部图像,在遍历期间根据预设的所述窗口中设置的各像素点的权重对窗口内的各像素灰度值进行计算以得到降采样后的像素值,将该像素值设置在降采样后图像的像素位置上。所述像素位置与原图中一图像块位置相对应。
所述斑图像提取模块52用于以一阈值窗口遍历降采样后图像,在遍历期间将所述阈值窗口内的像素赋值为斑分割阈值。
具体地,所述斑图像提取模块52以像素点为偏移量将所述阈值窗口遍历整个降采样后图像。在遍历期间,对每次阈值窗口所覆盖的像素区域进行阈值计算并将所得到的阈值赋值给该像素区域中的一像素点。例如,所述阈值窗口的尺寸可预设置为n*n尺寸,其中n为奇数,在遍历期间,所述斑图像提取模块52对每次阈值窗口所覆盖的像素区域进行阈值计算并将所得到的阈值赋值给该像素区域中位于区域中心的像素点(以下简称中心像素点);以一个像素点为步长遍历所述阈值窗口,将降采样后的图像中每个像素点重新赋值,所赋值设为斑分割阈值。
在某些实施方式中,所述斑图像提取模块52可将每个阈值窗口中像素进行灰度统计,并根据统计结果选取对应的斑分割阈值并赋值给所述阈值窗口中的像素点。其中,选取斑分割阈值的方式可采用将以阈值窗口中的灰度相对比例而设。
在另一些实施方式中,所述斑图像提取模块52基于大津法阈值算法确定每个阈值窗口中的斑分割阈值并赋值给相应阈值窗口中的像素点(如中心像素点)。在此,所述大津法也称最大类间差法,其按照图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。在斑图像提取模块52中,利用大津法阈值算法对每个阈值窗口中的像素灰度进行阈值计算并重新赋值。赋值后的图像被称为阈值图像。
在对阈值窗口进行赋值处理期间,技术人员发现利用上述大津法计算阈值会出现斑分割阈值过低的情况,为此,斑图像提取模块52进一步对所计算出的各斑分割阈值进行补偿。
具体地,预设一补偿值delta,阈值下限th_min和阈值上限th_max,该补偿值可按经验获得或基于机器学习得到。按照大津法阈值算法得到对应每个图像块的阈值为th_ostu,每个图像块的斑分割阈值设为th=th_ostu+delta,并将每个th分别与th_min和th_max比较,当th<th_min时,则th=th_min,当th>th_max时,则th=th_max,其他情况下斑分割阈值即为th_ostu+delta。
接着,基于降采样后各像素与所述面部图像中各图像块的位置对应关系,利用赋值后的各像素对相应图像块进行过滤。
具体地,所述斑图像提取模块52根据灰度预处理后的面部图像在降采样过程中所缩减的图像块及所在位置区域,确定阈值图像中各像素对应到灰度预处理后的面部图像中的各具体图像块。例如,灰度预处理后的面部图像A1为降采样的面部图像A2为图像A2中的像素a11'对应图像A1中图像块又如,将阈值图像按照降采样时所划分的降采样窗口进行升采样处理,即将阈值图像中的每个像素值赋值给对应降采样窗口的所有像素点,并按照阈值图像中各像素与降采样窗口遍历的位置关系,得到升采样后(即还原后)的阈值图像。还原后的阈值图像与面部图像中的像素点一一对应。由此得到面部图像中每个图像块具有各自对应的斑分割阈值。
接着,斑图像提取模块52利用阈值图像中每个像素值(即斑分割阈值)将所述面部图像中对应图像块进行过滤。具体地,将图像块中各像素灰度值与相应斑分割阈值进行比较,若像素灰度值小于相应斑分割阈值则予以保留或全部设置为灰度最小值(如0),并将大于等于所述斑分割阈值的各像素灰度设为灰度最大值(如255)。其中,被保留灰度值的像素点所连成的区域被作为候选斑图像,所得到的候选斑图像可能在一个图像块中,也可能由相邻图像块拼接而成。故而,所述候选斑图像的确定是基于整幅面部图像而得到的,而非仅依据单个图像块。例如,如图2所示,图像块A中被保留灰度的各相邻像素点所组成的区域位于图像块A的中部,周围被低灰度值(如灰度值为0)的像素点包围,则确定该所围区域为候选斑图像。又如,如图3所示,图像块B中被保留灰度的各相邻像素点所组成的区域位于图像块B与图像块C交接处,则斑图像提取模块52同时自图像块C中与图像块B相接处向图像块C延伸检测像素点的灰度值,以得到完整的候选斑图像。
在另一些具体示例中,斑图像提取模块52可根据基于面部图像中被保留的所有相邻像素点所围成的区域确定为候选斑图像。在此,本示例中采用以整幅面部图像作为分析对象的方式,将被保留的相邻像素点(如保留有灰度值的相邻像素点)所围成的区域作为候选斑图像。
所述筛选模块53用于从各所述候选斑图像中筛选所述面部图像中的目标斑图像。
需要说明的是,该筛选模块53的具体执行方式可与图5中筛选模块43的执行方式相同或相似,在此不再详述。甚至还可以包含将所得到的目标斑图像显示的步骤,在此一并引用。
请参阅图7,本申请还提供一种面部检测设备。所述面部检测设备3包含:存储装置31、处理装置32。
所述存储装置31用于存储面部图像及用于执行斑检测方法的程序。其中,所述面部图像可利用与面部检测设备相连的摄像装置拍摄而得,或者经由网络自其它电子设备获取。
所述存储装置31可包括高速随机存取存储器,并且还可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。在某些实施例中,存储装置31还可以包括远离一个或多个处理器的存储器,例如经由通信网络访问的网络附加存储器,其中所述通信网络可以是因特网、一个或多个内部网、局域网(LAN)、广域网(WLAN)、存储局域网(SAN)等,或其适当组合。存储装置31中还包括存储器控制器,所述存储器控制器可控制诸如CPU和外设接口之类的其他组件对存储器的访问。存储在存储装置31中的软件组件包括操作***、通信模块(或指令集)、接触/运动模块(或指令集)、图形模块(或指令集)、触觉反馈模块(或指令集)、文本输入模块(或指令集)、以及程序(或指令集)。
另外,所述面部图像可由摄像装置提供,或由网络中的其他设备提供。对于专用于面部检测的设备,为了能够获得足够清晰的面部图像,所述面部检测设备还包括摄像装置33。如图8所示。
所述摄像装置33可以是内置在面部图像处理设备中的一部分,如移动终端中内置的摄像装置33。或者所述摄像装置33为单独的数码相机,并与处理装置32通过IO子***相连。其中,所述IO子***可与处理装置32封装在一起,其包括但不限于:USB等串行接口。所述摄像装置33包括镜头组、成像传感器、图像处理芯片等。其中,镜头组由多块镜片组成,利用镜片对光路改变将所摄取的实体景象成像在成像传感器上。所述成像传感器将光学图像转换成电子信号。以产品类别区分,成像传感器产品主要分为CCD、CMOS以及CIS传感器三种。所述成像传感器将所得图像交由图像处理芯片(ISP,Image Signal Processing)进行图像纠正、噪点去除、坏点修补、颜色插值、白平衡校正、曝光校正等图像处理。
例如,通过调整摄像装置33的光圈、聚焦位置,以及用户相距摄像装置的距离等,得到清晰的面部图像。除此之外,为了防止背景对斑检测的干扰,所获取的面部图像还以纯色、浅色背景为佳,但并不表示本申请所使用的面部图像必然为纯色或浅色背景。本领域技术人员可利用抠图技术将背景进行处理,在此不予详述。
由于皮肤中沉淀的黑色素易于显现在紫外光环境下,故而,在摄像装置33的拍摄区域内还设有光源装置。所述光源装置用于向测试者提供包含紫外光的拍摄环境。例如,在摄像装置33周围布置紫外灯管,摄像装置33在感光测试者在紫外光环境下所拍摄的面部图像。
为了确保摄像装置33所摄取的面部图像清晰且易于医学检测,所述面部检测设备3还包括:拍摄提示装置34。
所述拍摄提示装置34位于摄像装置33前,用于提示测试者在所述摄像装置33摄取方向的头部摆放。在此,所述拍摄提示装置34可以是一具体拍摄提示图案,如提示点、提示线等。在某些实施方式中,其包含用于支撑用户下颌的第一支撑部件和固定摄像装置33的第二支撑部件,两个支撑部件之间的间距根据面部图像在整幅图像中的比例而定。第一支撑部件的高度与摄像装置33所能拍摄的完整的面部图像相关。所述第一支撑部件可调。例如,所述第一支撑部件包含一升降杆和锁固件,在所述升降杆上设有一颚托。用户可在使用前调整第一支撑部件的高度,使得所述摄像装置33拍摄到完整的面部图像。
所述处理装置32用于执行所述程序以对面部图像进行斑检测。
在此,所述处理装置32包含处理器,所述处理器可操作地与存储器和/或非易失性存储器耦接。更具体地,处理器可执行在存储器和/或非易失性存储器中存储的指令以在计算设备中执行操作,诸如生成图像数据和/或将图像数据传输到显示电路。如此,处理器可包括一个或多个通用微处理器、一个或多个专用处理器(ASIC)、一个或多个现场可编程逻辑阵列(FPGA)、或它们的任何组合。
处理装置32还可操作地与网络接口耦接,以将计算设备以通信方式耦接至网络。例如,网络接口可将计算设备连接到个人局域网(PAN)(诸如蓝牙网络)、局域网(LAN)(诸如802.11x Wi-Fi网络)、和/或广域网(WAN)。此外,处理装置32可操作地耦接至电源,该电源可向计算设备中的各种部件诸如电子显示器提供电力。如此,电源可包括任何合适的能源,诸如可再充电的锂聚合物(Li-poly)电池和/或交流电(AC)电源转换器。
所述处理装置32还与I/O端口和输入结构可操作地耦接,该I/O端口可使得计算设备能够与各种其他电子设备(如专门用于皮肤检测的仪器或移动终端)进行交互,该输入结构可使得用户能够与计算设备进行交互。因此,输入结构可包括按钮、键盘、鼠标、触控板等。
所述处理装置32还可操作地与网络接口耦接,以将计算设备以通信方式耦接至网络。例如,网络接口可将计算设备连接到个人局域网(PAN)(诸如蓝牙网络)、局域网(LAN)(诸如802.11x Wi-Fi网络)、和/或广域网(WAN)(注入4G或LTE蜂窝网络)。
在本申请中,所述处理装置32可基于输入结构所输入的启动指令调用所述程序,进而在执行所述程序时以将所述存储装置31中面部图像进行斑检测。
在某些实施方式中,所述处理装置32在执行程序时,按照如图1所示的方法中的步骤检测所述面部图像中的目标斑图像。
在步骤S110中,将所获取的基于紫外光波段的面部图像进行灰度预处理。其中,所述处理装置32可直接基于紫外光环境而拍摄的面部图像。或对于在自然光环境下拍摄的面部图像,所述处理装置32可预先提取所获取的面部图像中紫外光波段。例如,按照预设的紫外光颜色区间,将面部图像中各像素RGB值进行过滤以得到基于紫外光波段的面部图像。
在得到基于紫外光波段的面部图像后,所述处理装置32提取面部图像的灰度值以得到由灰度值组成的图像矩阵。接着,利用面部图像中斑与皮肤之间的灰度差异,突出包含斑图像的像素灰度。具体可采用对该图像矩阵进行灰度拉伸、中值滤波等至少一项灰度预处理,一方面抑制了面部图像中作为背景的图像部分灰度,另一方面突出了包含斑在内的图像部分灰度。
在此,所述灰度拉伸处理是一种提高图像处理时的灰度级的动态范围的方式,其用于提高包含斑在内的灰度与皮肤及背景灰度之间的差距,有利于在灰度过滤时更完整的保留斑图像。在此,所述处理装置32可利用预设的分段线性变换函数或直方图均衡算法对面部图像进行整体的灰度拉伸处理。例如,所述处理装置32将整幅面部图像中各像素的灰度值进行基于线性的拉伸变换,由此拉伸整幅图像的灰度。又如,设置一灰度拉伸窗,所述处理装置32将所述灰度拉伸窗遍历整幅图像,并对窗内各像素点进行灰度拉伸处理,以得到灰度拉伸后的面部图像。其中,所述灰度拉伸处理举例采用公式:其中,x为某一像素点调整前的像素点灰度值,xmin为调整前各个像素点灰度值中的最小值,xmax为调整前各个像素点灰度值中的最大值,为调整后各个像素点灰度值中的最小值,为调整后各个像素点灰度值中的最大值,x*为该像素点调整后的像素点灰度值。
需要说明的是,上述灰度拉伸的方式仅为举例,而非对本申请的限制。事实上,本申请采用灰度拉伸的目的是为了突出包含斑在内的图像部分中像素灰度同时抑制作为背景的皮肤图像部分中像素灰度,由此提高斑检测准确率。本申请可采用其他灰度拉伸方式以达到上述目的。
在此,所述中值滤波处理意图滤除面部图像中的噪点。例如,将预设的滤波窗口遍历式地过滤整幅面部图像,并将每个位于滤波窗口内的矩阵进行均值处理,如此抑制了噪声对面部图像的干扰。其中,所述滤波窗口的尺寸可不受斑尺寸的限制。其中,所述均值处理的方式举例为:计算一个滤波窗口中的M个像素点的灰度值的平均值;判断M个像素点的灰度值是否均与M个像素点的灰度值的平均值相等;若是,确定M个像素点中的任意一个像素点的灰度值为该滤波窗口中的像素点的灰度值的中值;若否,将M个像素点分为两个集合,判断该两个集合中的像素点的个数是否均小于滤波窗口中像素数量的一半;若是,当该两个集合中的一个集合中的像素点的个数大于或等于该两个集合中的另一个集合中的像素点的个数,按照由大至小的顺序确定该另一个集合中的第s个像素点的灰度值为中值,s为该一个集合中的像素点的个数,当该一个集合中的像素点的个数小于该另一个集合中的像素点的个数,按照由小至大的顺序确定该一个集合中的第t个像素点的灰度值为中值,t为该另一个集合中的像素点的个数;若否,将该两个集合中的包含的像素点的个数较多的集合中的像素点继续分为两个集合,直至最终分出的两个集合中的像素点的个数均小于滤波窗口中像素数量的一半。
需要说明的是,上述中值滤波的方式仅为举例,而非对本申请的限制。事实上,本申请采用中值滤波的目的是为了滤除图像中的噪点,由此提高斑检测准确率。本申请可采用其他中值滤波方式(如快速中值滤波算法)以达到上述目的。
在步骤S120中,所述处理装置32将预处理后的面部图像分块,并确定各图像块的斑分割阈值。其中,可按照面部图像的像素尺寸进行均分,或者按照预设的分块尺寸对所述面部图像进行分块处理。
在某些实施方式中,所述处理装置32可将每个图像块中像素进行灰度统计,并根据统计结果选取对应图像块的斑分割阈值。其中,选取斑分割阈值的方式可采用将以图像块中的灰度相对比例而设。
在另一些实施方式中,所述处理装置32基于大津法阈值算法逐个地确定各所述图像块的斑分割阈值。在此,所述大津法也称最大类间差法,其按照图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。在处理装置32中,利用大津法阈值算法对每个图像块中的像素灰度进行阈值计算,所得到的斑分割阈值将作为进一步抑制背景的筛选条件。本申请采用将面部图像分块并设置各图像块的斑分割阈值的方式有效解决了斑亮度不均匀所带来的斑检测不准确的问题。
在对面部图像进行分块处理期间,技术人员发现对于全皮肤图像块、或包含较小斑尺寸的图像块,利用上述大津法计算阈值会出现斑分割阈值过低的情况,为此,处理装置32进一步包括:对所计算出的各斑分割阈值进行补偿的步骤。
具体地,预设一补偿值delta,阈值下限th_min和阈值上限th_max,该补偿值可按经验获得或基于机器学习得到。按照大津法阈值算法得到对应每个图像块的阈值为th_ostu,每个图像块的斑分割阈值设为th=th_ostu+delta,并将每个th分别与th_min和th_max比较,当th<th_min时,则th=th_min,当th>th_max时,则th=th_max,其他情况下斑分割阈值即为th_ostu+delta。
在步骤S130中,所述处理装置32按照各图像块所对应的斑分割阈值对各图像块分别进行过滤,以得到所述面部图像中的各候选斑图像。
具体地,处理装置32可在确定每个图像块的斑分割阈值时,或者在确定所有图像块的斑分割阈值后,保留相应图像块中低于所述斑分割阈值的灰度值并提高大于等于所述斑分割阈值的灰度值。或基于斑分割阈值将相应图像块中各像素的灰度值进行二值化处理。例如,将图像块中低于相应斑分割阈值的灰度值设为0(视此灰度值为被保留的像素点),且将大于等于所述斑分割阈值的灰度值设为255。其中,被保留灰度值的像素点所练成的区域被作为候选斑图像。所得到的候选斑图像可能在一个图像块中,也可能由相邻图像块拼接而成。故而,所述候选斑图像的确定是基于整幅面部图像而得到的,而非仅依据单个图像块。例如,如图2所示,图像块A中被保留灰度的各相邻像素点所组成的区域位于图像块A的中部,周围被低灰度值(如灰度值为0)的像素点包围,则确定该所围区域为候选斑图像。又如,如图3所示,图像块B中被保留灰度的各相邻像素点所组成的区域位于图像块B与图像块C交接处,则处理装置32同时自图像块C中与图像块B相接处向图像块C延伸检测像素点的灰度值,以得到完整的候选斑图像。
在另一些具体示例中,处理装置32可根据基于面部图像中被滤出的像素点所围成的区域确定为候选斑图像。在此,本示例中采用以面部图像作为分析对象的方式,将被滤出的相邻像素点(如保留有灰度值的相邻像素点)所围成的区域作为候选斑图像。
在步骤S140中,所述处理装置32从各所述候选斑图像中筛选所述面部图像中的目标斑图像。具体地,基于预设的符合斑的形状和/或尺寸条件,将各所述候选斑图像进行匹配,根据匹配结果确定所述面部图像中目标斑图像。在此,所述处理装置32可根据候选斑图像中像素点的个数和位置来确定候选斑图像的形状和尺寸。例如,以单个像素点为单位面积,通过统计候选斑图像中的像素点个数,确定每个候选斑图像的面积。又如,根据每个候选斑图像中像素点的位置确定候选斑图像的轮廓。所述处理装置32可将面积小于预设面积阈值的候选斑图像予以保留,和/或将轮廓形状接近圆形的候选斑图像予以保留,由此得到面部图像中的目标斑图像。
由于斑的形状并非一定为圆形,其尺寸也无确切范围,因此,在某些实施方式中,基于预设的形状和/或尺寸的剔除条件,从各候选斑图像中筛选目标斑图像。例如,预设有对应毛孔、皱纹等形状和/或尺寸的剔除条件,将组成候选斑图像的像素点数量和/或轮廓分别与相应剔除条件进行匹配,若符合剔除条件,则确认相应候选斑图像并非目标斑图像,通过对候选斑图像逐一过滤,得到保留下的斑图像为目标斑图像。
进一步地,所得到的目标斑图像可叠加到原始面部图像上,并通过显示装置35显示给测试者及医生,由此便于测试者及医生观察斑的位置、形状、大小,特别是潜在斑的标记和显示,能帮助医生更为准确的进行病理诊断。其中,所述显示装置35包括但不限于:显示器、与显示器相连的处理器等,其中,所述处理器可以是单独配置的或者与处理装置中的处理器共用。
另外,所述存储装置31所保存的程序在被处理装置32调用并执行时,还可以按照如图4所示方法中的步骤检测所述面部图像中的目标斑图像。
在步骤S210中,将所获取的基于紫外光波段的面部图像进行灰度预处理。
需要说明的是,该步骤S210的具体执行方式可与图1中步骤S110的执行方式相同或相似,在此不再详述。甚至还可以包含在包含紫外光环境下拍摄面部图像的步骤,以获取所述基于紫外光波段的面部图像,在此一并引用。
在步骤S220中,将预处理后的面部图像按照所划分的图像块进行降采样处理。在此,为了提高斑分割阈值的计算效率,将预处理后的面部图像进行降采样处理。由于降采样后的图像的灰度值均代表了降采样前对应图像块的平均灰度值,因此降采样后的图像的特征仍旧可以代表降采样前的图像块的特征。
例如,预设一降采样窗口(应视为用于分割图像块的窗口),其中,所述降采样窗口的尺寸小于斑图像的尺寸,以避免斑图像的特征丢失。其中,斑图像的尺寸可为经验得到的平均斑图像的直径。将该降采样窗口无重叠地遍历所述面部图像,在遍历期间根据预设的所述窗口中各像素点的权重对窗口内的各像素灰度值进行计算以得到降采样后的像素值,将该像素值设置在降采样后图像的像素位置上。所述像素位置与原图中一图像块位置相对应。
在步骤S230中,
以一阈值窗口遍历降采样后图像,在遍历期间将所述阈值窗口内的像素赋值为斑分割阈值。
具体地,以像素点为偏移量将所述阈值窗口遍历整个降采样后图像。在遍历期间,对每次阈值窗口所覆盖的像素区域进行阈值计算并将所得到的阈值赋值给该像素区域中的一像素点。例如,所述阈值窗口的尺寸可预设置为n*n尺寸,其中n为奇数,在遍历期间,对每次阈值窗口所覆盖的像素区域进行阈值计算并将所得到的阈值赋值给该像素区域中位于区域中心的像素点(以下简称中心像素点);以一个像素点为步长遍历所述阈值窗口,将降采样后的图像中每个像素点重新赋值,所赋值设为斑分割阈值。
在某些实施方式中,所述计算机设备可将每个阈值窗口中像素进行灰度统计,并根据统计结果选取对应的斑分割阈值并赋值给所述阈值窗口中的像素点。其中,选取斑分割阈值的方式可采用将以阈值窗口中的灰度相对比例而设。
在另一些实施方式中,所述计算机设备基于大津法阈值算法确定每个阈值窗口中的斑分割阈值并赋值给相应阈值窗口中的像素点(如中心像素点)。在此,所述大津法也称最大类间差法,其按照图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。在本步骤中,利用大津法阈值算法对每个阈值窗口中的像素灰度进行阈值计算并重新赋值。。赋值后的图像被称为阈值图像。
在对阈值窗口进行赋值处理期间,技术人员发现利用上述大津法计算阈值会出现斑分割阈值过低的情况,为此,本步骤进一步包括:对所计算出的各斑分割阈值进行补偿的步骤。
具体地,预设一补偿值delta,阈值下限th_min和阈值上限th_max,该补偿值可按经验获得或基于机器学习得到。按照大津法阈值算法得到对应每个图像块的阈值为th_ostu,每个图像块的斑分割阈值设为th=th_ostu+delta,并将每个th分别与th_min和th_max比较,当th<th_min时,则th=th_min,当th>th_max时,则th=th_max,其他情况下斑分割阈值即为th_ostu+delta。
斑分割阈值斑分割阈值在步骤S240中,基于降采样后各像素与所述面部图像中各图像块的位置对应关系,利用赋值后的各像素对相应图像块进行过滤。
具体地,所述计算机设备根据灰度预处理后的面部图像在降采样过程中所缩减的图像块及所在位置区域,确定阈值图像中各像素对应到灰度预处理后的面部图像中的各具体图像块。例如,灰度预处理后的面部图像A1为降采样的面部图像A2为图像A2中的像素a11'对应图像A1中图像块又如,将阈值图像按照降采样时所划分的降采样窗口进行升采样处理,即将阈值图像中的每个像素值赋值给对应降采样窗口的所有像素点,并按照阈值图像中各像素与降采样窗口遍历的位置关系,得到升采样后(即还原后)的阈值图像。还原后的阈值图像与面部图像中的像素点一一对应。由此得到面部图像中每个图像块具有各自对应的斑分割阈值。
接着,利用阈值图像中每个像素值(即斑分割阈值)将所述面部图像中对应图像块进行过滤。具体地,将图像块中各像素灰度值与相应斑分割阈值进行比较,若像素灰度值小于相应斑分割阈值则予以保留或全部设置为灰度最小值(如0),并将大于等于所述斑分割阈值的各像素灰度设为灰度最大值(如255)。其中,被保留灰度值的像素点所连成的区域被作为候选斑图像,所得到的候选斑图像可能在一个图像块中,也可能由相邻图像块拼接而成。故而,所述候选斑图像的确定是基于整幅面部图像而得到的,而非仅依据单个图像块。例如,如图2所示,图像块A中被保留灰度的各相邻像素点所组成的区域位于图像块A的中部,周围被低灰度值(如灰度值为0)的像素点包围,则确定该所围区域为候选斑图像。又如,如图3所示,图像块B中被保留灰度的各相邻像素点所组成的区域位于图像块B与图像块C交接处,则计算机设备同时自图像块C中与图像块B相接处向图像块C延伸检测像素点的灰度值,以得到完整的候选斑图像。
在另一些具体示例中,本步骤可根据基于面部图像中被保留的所有相邻像素点所围成的区域确定为候选斑图像。在此,本示例中采用以整幅面部图像作为分析对象的方式,将被保留的相邻像素点(如保留有灰度值的相邻像素点)所围成的区域作为候选斑图像。
在步骤S260中,从各所述候选斑图像中筛选所述面部图像中的目标斑图像。
需要说明的是,该步骤S260的具体执行方式可与图1中步骤S140的执行方式相同或相似,在此不再详述。甚至还可以包含将所得到的目标斑图像显示的步骤,在此一并引用。
通过以上各实施方式的描述,本领域的技术人员可以清楚地了解到本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可包括其上存储有机器可执行指令的一个或多个机器可读介质,这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本申请的实施例来执行操作。例如执行用户终端的停车位预约方法中的各步骤,和执行服务端的停车位预约方法中的各步骤等。机器可读介质可包括,但不限于,软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。其中,所述存储介质可位于终端设备(如面部检测设备、或智能终端等)也可位于第三方服务器中,如位于提供某应用商城的服务器中。在此对具体应用商城不做限制,如小米应用商城、华为应用商城、苹果应用商城等。
本申请可用于众多通用或专用的计算***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请虽然已以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以利用上述揭示的方法和技术内容对本申请技术方案做出可能的变动和修改,因此,凡是未脱离本申请技术方案的内容,依据本申请的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本申请技术方案的保护范围。
Claims (22)
1.一种斑检测方法,其特征在于,包括:
将所获取的基于紫外光波段的面部图像进行灰度预处理;
将预处理后的面部图像分块,并确定各图像块的斑分割阈值;
按照各图像块所对应的斑分割阈值对各图像块分别进行过滤,以得到所述面部图像中的各候选斑图像;
从各所述候选斑图像中筛选所述面部图像中的目标斑图像。
2.根据权利要求1所述的斑检测方法,其特征在于,还包括:在包含紫外光环境下拍摄面部图像的步骤。
3.根据权利要求1所述的斑检测方法,其特征在于,所述将所获取的基于紫外光波段的面部图像进行灰度预处理的方式包括:利用面部图像中斑与皮肤之间的灰度差异,突出包含斑图像的像素灰度。
4.根据权利要求1所述的斑检测方法,其特征在于,所述将预处理后的面部图像分块,并确定各图像块的斑分割阈值的方式包括:
将预处理后的面部图像按照所划分的图像块进行降采样处理;
以一阈值窗口遍历降采样后图像,在遍历期间将所述阈值窗口内的像素赋值为斑分割阈值。
5.根据权利要求4所述的斑检测方法,其特征在于,所述按照各图像块所对应的斑分割阈值对各图像块分别进行过滤的方式包括:
基于降采样后各像素与所述面部图像中各图像块的位置对应关系,利用赋值后的各像素对相应图像块进行过滤。
6.根据权利要求1或4所述的斑检测方法,其特征在于,所述确定各图像块的斑分割阈值的方式包括:基于大津法阈值算法逐个地确定各所述图像块的斑分割阈值。
7.根据权利要求6所述的斑检测方法,其特征在于,还包括:对所计算出的各斑分割阈值进行补偿的步骤。
8.根据权利要求1所述的斑检测方法,其特征在于,所述从各候选斑图像中筛选所述面部图像中的目标斑图像的方式包括:基于预设的形状和/或尺寸的剔除条件,从各候选斑图像中筛选目标斑图像。
9.一种斑检测***,其特征在于,包括:
预处理模块,用于将所获取的基于紫外光波段的面部图像进行灰度预处理;
斑图像提取模块,用于将预处理后的面部图像分块,确定各图像块的斑分割阈值,以及按照各图像块所对应的斑分割阈值对各图像块分别进行过滤以得到所述面部图像中的各候选斑图像;
筛选模块,用于从各所述候选斑图像中筛选所述面部图像中的目标斑图像。
10.根据权利要求9所述的斑检测***,其特征在于,还包括:摄像模块,用于在包含紫外光环境下获取面部图像。
11.根据权利要求9所述的斑检测***,其特征在于,所述预处理模块用于利用面部图像中斑与皮肤之间的灰度差异,突出包含斑图像的像素灰度。
12.根据权利要求9所述的斑检测***,其特征在于,所述斑图像提取模块将预处理后的面部图像分块,确定各图像块的斑分割阈值的方式包括:
将预处理后的面部图像按照所划分的图像块进行降采样处理;
以一阈值窗口遍历降采样后图像,在遍历期间将所述阈值窗口内的像素赋值为斑分割阈值。
13.根据权利要求12所述的斑检测***,其特征在于,所述斑图像提取模块按照各图像块所对应的斑分割阈值对各图像块分别进行过滤的方式包括:基于降采样后各像素与所述面部图像中各图像块的位置对应关系,利用赋值后的各像素对所述面部图像中对应图像块进行过滤。
14.根据权利要求9或12所述的斑检测***,其特征在于,所述斑图像提取模块确定各图像块的斑分割阈值的方式包括:基于大津法阈值算法逐个地确定各所述图像块的斑分割阈值。
15.根据权利要求14所述的斑检测***,其特征在于,所述斑图像提取模块还用于对所计算出的各斑分割阈值进行补偿。
16.根据权利要求9所述的斑检测***,其特征在于,所述筛选模块基于预设的形状和/或尺寸的剔除条件,从各候选斑图像中筛选目标斑图像。
17.一种面部检测设备,其特征在于,包括:
存储装置,用于存储面部图像及用于执行斑检测方法的程序;
处理装置,与所述存储装置连接,用于执行所述程序以执行如权利要求1-8中任一所述的斑检测方法。
18.根据权利要求17所述的面部检测设备,其特征在于,还包括:摄像装置,用于摄取面部图像并保存在所述存储装置中。
19.根据权利要求18所述的面部检测设备,其特征在于,还包括:拍摄提示装置,位于摄像装置前,用于提示测试者在所述摄像装置摄取方向的头部摆放。
20.根据权利要求18所述的面部检测设备,其特征在于,还包括:光源装置,用于向测试者提供包含紫外光的拍摄环境。
21.根据权利要求17所述的面部检测设备,其特征在于,还包括:显示装置,用于显示标记了所检测出的斑图像的面部图像。
22.一种存储介质,其特征在于,存储有面部图像以及用于进行斑检测的程序;其中,所述程序在被处理器执行时,按照如权利要求1-8中任一种检测方法中的步骤检测所述面部图像中的目标斑图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710609686.8A CN109299634A (zh) | 2017-07-25 | 2017-07-25 | 斑检测方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710609686.8A CN109299634A (zh) | 2017-07-25 | 2017-07-25 | 斑检测方法、***、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109299634A true CN109299634A (zh) | 2019-02-01 |
Family
ID=65167714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710609686.8A Pending CN109299634A (zh) | 2017-07-25 | 2017-07-25 | 斑检测方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299634A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570445A (zh) * | 2019-09-09 | 2019-12-13 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、终端及可读介质 |
CN111681193A (zh) * | 2020-06-12 | 2020-09-18 | 电子科技大学 | 一种基于fpga红外图像坏点修正***的优化 |
CN111768357A (zh) * | 2019-03-29 | 2020-10-13 | 银河水滴科技(北京)有限公司 | 一种图像检测的方法及装置 |
CN112749708A (zh) * | 2021-01-28 | 2021-05-04 | 深圳艾摩米智能科技有限公司 | 面部雀斑检测分析方法、装置、计算机设备及存储介质 |
CN114565517A (zh) * | 2021-12-29 | 2022-05-31 | 骨圣元化机器人(深圳)有限公司 | 红外相机的图像去噪方法、装置及计算机设备 |
CN115063613A (zh) * | 2022-08-09 | 2022-09-16 | 海纳云物联科技有限公司 | 一种验证商品标签的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080060260A (ko) * | 2005-10-04 | 2008-07-01 | 엘브이엠에이취 러쉐르쉐 | 피부 결함을 측정하는 방법 및 장치와 미용 제품의 노화방지 효능을 평가하는 방법 |
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 |
CN105787929A (zh) * | 2016-02-15 | 2016-07-20 | 天津大学 | 基于斑点检测的皮肤疹点提取方法 |
CN106056092A (zh) * | 2016-06-08 | 2016-10-26 | 华南理工大学 | 基于虹膜与瞳孔的用于头戴式设备的视线估计方法 |
CN106469300A (zh) * | 2016-08-31 | 2017-03-01 | 广州莱德璞检测技术有限公司 | 一种色斑检测识别方法 |
-
2017
- 2017-07-25 CN CN201710609686.8A patent/CN109299634A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080060260A (ko) * | 2005-10-04 | 2008-07-01 | 엘브이엠에이취 러쉐르쉐 | 피부 결함을 측정하는 방법 및 장치와 미용 제품의 노화방지 효능을 평가하는 방법 |
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 |
CN105787929A (zh) * | 2016-02-15 | 2016-07-20 | 天津大学 | 基于斑点检测的皮肤疹点提取方法 |
CN106056092A (zh) * | 2016-06-08 | 2016-10-26 | 华南理工大学 | 基于虹膜与瞳孔的用于头戴式设备的视线估计方法 |
CN106469300A (zh) * | 2016-08-31 | 2017-03-01 | 广州莱德璞检测技术有限公司 | 一种色斑检测识别方法 |
Non-Patent Citations (4)
Title |
---|
余永强等: "《现代医院诊疗常规(内科、儿科分册)》", 30 September 2012, 安徽科学技术出版社 * |
刘喜凤: "基于图像分析的皮肤色斑检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
匡纲要等: "《合成孔径雷达目标检测理论、算法及应用》", 30 November 2007, 国防科技大学出版社 * |
王一丁等: "《数字图像处理》", 31 August 2015, 西安电子科技大学出版社 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768357A (zh) * | 2019-03-29 | 2020-10-13 | 银河水滴科技(北京)有限公司 | 一种图像检测的方法及装置 |
CN111768357B (zh) * | 2019-03-29 | 2024-03-01 | 银河水滴科技(北京)有限公司 | 一种图像检测的方法及装置 |
CN110570445A (zh) * | 2019-09-09 | 2019-12-13 | 上海联影医疗科技有限公司 | 一种图像分割方法、装置、终端及可读介质 |
CN110570445B (zh) * | 2019-09-09 | 2022-03-25 | 上海联影医疗科技股份有限公司 | 一种图像分割方法、装置、终端及可读介质 |
CN111681193A (zh) * | 2020-06-12 | 2020-09-18 | 电子科技大学 | 一种基于fpga红外图像坏点修正***的优化 |
CN112749708A (zh) * | 2021-01-28 | 2021-05-04 | 深圳艾摩米智能科技有限公司 | 面部雀斑检测分析方法、装置、计算机设备及存储介质 |
CN112749708B (zh) * | 2021-01-28 | 2024-04-23 | 深圳艾摩米智能科技有限公司 | 面部雀斑检测分析方法、装置、计算机设备及存储介质 |
CN114565517A (zh) * | 2021-12-29 | 2022-05-31 | 骨圣元化机器人(深圳)有限公司 | 红外相机的图像去噪方法、装置及计算机设备 |
CN114565517B (zh) * | 2021-12-29 | 2023-09-29 | 骨圣元化机器人(深圳)有限公司 | 红外相机的图像去噪方法、装置及计算机设备 |
CN115063613A (zh) * | 2022-08-09 | 2022-09-16 | 海纳云物联科技有限公司 | 一种验证商品标签的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299634A (zh) | 斑检测方法、***、设备及存储介质 | |
JP7422825B2 (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
WO2019223069A1 (zh) | 基于直方图的虹膜图像增强方法、装置、设备及存储介质 | |
US9881373B2 (en) | Image generating apparatus and image generating method | |
CN103098078B (zh) | 笑容检测***及方法 | |
US9305375B2 (en) | High-quality post-rendering depth blur | |
CN110149482A (zh) | 对焦方法、装置、电子设备和计算机可读存储介质 | |
CN107862663A (zh) | 图像处理方法、装置、可读存储介质和计算机设备 | |
CN107507173A (zh) | 一种全切片图像的无参考清晰度评估方法及*** | |
TW202014984A (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
CN107911625A (zh) | 测光方法、装置、可读存储介质和计算机设备 | |
CN103460254B (zh) | 基于图像内容的自动亮度检测方法与装置 | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN109299632A (zh) | 皮肤检测方法、***、设备及存储介质 | |
CN108428214A (zh) | 一种图像处理方法及装置 | |
CN104021382A (zh) | 一种眼部图像采集方法及其*** | |
CN105447879B (zh) | ***图像中检测胸肌的方法及装置 | |
CN106535740A (zh) | 分级角膜荧光素染色 | |
CN110879131B (zh) | 目视光学***的成像质量测试方法、成像质量测试装置和电子设备 | |
CN109299633A (zh) | 皱纹检测方法、***、设备及介质 | |
Vodrahalli et al. | TrueImage: a machine learning algorithm to improve the quality of telehealth photos | |
CN109363697A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN104000593A (zh) | 一种色卡以及测试皮肤的方法和*** | |
CN109859155A (zh) | 影像畸变检测方法和*** | |
CN109525786A (zh) | 视频处理方法、装置、终端设备及存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190201 |