CN110363088B - 基于多特征融合的自适应皮肤炎症区域检测方法 - Google Patents

Abstract

本发明公开了一种基于多特征融合的自适应皮肤炎症区域检测方法，包括以下步骤：采集人脸皮肤偏光图像；标记图像皮肤炎症区域中的若干像素点，对应的标签值为1，并记录像素点的坐标；标记图像正常皮肤区域中的若干像素点，对应的标签值为‑1，并记录像素点的坐标；遍历标记的像素点，提取每个像素点的局部差值、颜色空间和梯度特征；随机选取标记的若干像素点，由每个像素点对应的特征构建三个特征向量；将随机选择的像素点对应的坐标和三个特征向量作为训练样本数据，训练每个特征对应的向量机，获得炎症检测模型；利用炎症检测模型检测待测人脸皮肤偏光图像的炎症区域。本发明能实现对皮肤偏光图像的炎症区域检测提取，检测准确性高，且泛化能力强。

Description

基于多特征融合的自适应皮肤炎症区域检测方法

技术领域

本发明属于目标区域检测领域，特别是一种基于多特征融合的自适应皮肤炎症区域检测方法。

背景技术

随着人们生活水平的提高，人们对皮肤护理越来越重视，现在很多美容院都配有皮肤测试仪—--可用数值的方式反馈肌肤情况的专业肌肤检测设备。如何定量的对皮肤进行分析是近年来皮肤图像处理的热点问题之一，其中的一个重要的方向就是对皮肤炎症的检测分析。

目前国内外市场上的人脸皮肤检测产品主要分为两类，一类是基于生物电阻抗测量法的金属探测式肤质检测仪，这类产品价格便宜但检测功能单一，精度也较低，另外一类是基于图像处理的大型检测仪，这类产品功能齐全但操作复杂，价格昂贵且体积巨大，往往适用于大型美容院和医疗机构，不适用于个体群众。

因此如何提供一种便携式、检测全面、准确性高的皮肤检测产品成为本领域的研究方向，而其中的皮肤检测算法研究尤为重要。现有中国专利CN201711174516.8公开了一种智能皮肤检测方法，根据参考RGB像素点的值二值化图像，再计算图片二值化后黑色的占比，最后匹配不同年龄段的炎症标准皮肤数据库确定皮肤的炎症区域。其基于RGB像素阈值来确定，普适性不佳。中国专利CN201611249998.4公开了一种皮肤区域的检测方法与装置，将待检测图像参数转换到YCrCb色彩空间，生成参数转换后的图像；利用参数转换后的图像中的亮度参数，确定人脸区域中的高置信度皮肤区域；分别计算高置信度皮肤区域中的像素点在Cr通道和Cb通道的分布结果，根据分布结果生成皮肤检测模板；将待检测图像中的每一像素点的色度与皮肤检测模板进行匹配，将色度位于皮肤检测模板内部的像素点确定为待检测图像中的皮肤区域。此方法根据YcrCb像素空间的模版匹配方法来确定皮肤区域，采用YcrCb色彩空间作为模版容易受到光照不均的影响，因此有一定的局限性。

综上可知，目前基于图像处理技术的人脸皮肤肤质检测研究中，以检测人脸皮肤的粗糙度和颜色类型为主，主要是对采集到的皮肤图像在不同色彩空间内进行阈值操作并以此为依据检测皮肤特征，而且可用于检测皮肤炎症的算法很少。

发明内容

本发明的目的在于提供一种高准确率的皮肤炎症区域检测方法。

实现本发明目的的技术解决方案为：基于多特征融合的自适应皮肤炎症区域检测方法，包括以下步骤：

步骤1、采集存在炎症的人脸皮肤偏光样本图像；

步骤2、手动标记样本图像皮肤炎症区域中的若干像素点，被标记像素点对应的标签值为1，并记录该像素点的坐标；

步骤3、手动标记样本图像正常皮肤区域中的若干像素点，被标记像素点对应的标签值为-1，并记录该像素点的坐标；

步骤4、分别遍历步骤2、步骤3中所标记的像素点，提取每个像素点对应的局部差值特征、颜色空间特征和梯度特征；

步骤5、利用随机选择的方法分别选取步骤2、步骤3中所标记的若干像素点，由每个像素点对应的步骤4中所提取的特征构建三个特征向量；

步骤6、将步骤5随机选择的像素点对应的坐标和三个特征向量作为训练样本数据，训练每个特征对应的向量机，进而获取炎症检测模型；

步骤7、利用所述炎症检测模型检测待测人脸皮肤偏光图像的炎症区域。

本发明与现有技术相比，其显著优点为：1)研究对象为人脸皮肤偏光图像，该种图像使得皮肤炎症在偏光成像下偏红、对其他的非皮肤炎症信息(如：毛发、黑斑、痣等)有明显的抑制作用，显著提高了皮肤炎症区域检测的准确率；2)相对于现有以原始图像的RGB像素值为处理对象的皮肤炎症检测图像处理方法，本发明的普适性更好；3)将支持向量机作为皮肤炎症区域检测的主要手段，并通过自适应增强的训练方法，提高了皮肤炎症区域检测模型的泛化能力；4)针对提取的不同特征，训练相应的向量机，可以更加精细的评价皮肤炎症区域的状况，也增强了后期设备联调的灵活性；5)根据不同权重组合不同的分类器，并且在训练过程中不断更新样本数据的权重，获得的皮肤炎症区域检测模型的检测准确率更高，且检测结果更加符合人眼的直观感受。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明基于多特征融合的自适应皮肤炎症区域检测方法流程图。

图2为多特征融合示意图。

图3为本发明实施例中通过图像采集装置采集的皮肤图像。

图4为本发明实施例中采集的皮肤偏光图像。

图5为本发明实施例中皮肤炎症区域检测结果图。

具体实施方式

结合图1，本发明基于多特征融合的自适应皮肤炎症区域检测方法，包括以下步骤：

步骤1、采集存在炎症的人脸皮肤偏光样本图像；

步骤2、手动标记样本图像皮肤炎症区域中的若干像素点，被标记像素点对应的标签值为1，并记录该像素点的坐标；

步骤3、手动标记样本图像正常皮肤区域中的若干像素点，被标记像素点对应的标签值为-1，并记录该像素点的坐标；

步骤4、分别遍历步骤2、步骤3中所标记的像素点，提取每个像素点对应的局部差值特征、颜色空间特征和梯度特征；

步骤5、利用随机选择的方法分别选取步骤2、步骤3中所标记的若干像素点，由每个像素点对应的步骤4中所提取的特征构建三个特征向量；

步骤6、将步骤5随机选择的像素点对应的坐标和三个特征向量作为训练样本数据，训练每个特征对应的向量机，进而获取炎症检测模型；

步骤7、利用所述炎症检测模型检测待测人脸皮肤偏光图像的炎症区域。

进一步优选地，步骤4提取被标记像素点对应的局部差值特征，具体为：

步骤4-1、将皮肤偏光样本图像转换为灰度图像；

步骤4-2、从灰度图像中在q×q模板内提取被标记像素点对应的局部差值特征，所用公式为：

其中，

Δ_i＝I₀-I_i

式中，Δ为被标记像素点的局部差值特征，δ_i为被标记像素点的领域相关因子，Δ_i为被标记像素点的邻域差值，I₀为被标记像素点的像素值，I_i为q×q模版内的邻域像素值，λ和k为调优参数。

示例性优选地，上述q＝3。

进一步优选地，步骤4提取被标记像素点对应的颜色空间特征，所用公式为：

L＝α((R-G)²+(R-B)²+(G-B)²)

式中，L为被标记像素点对应的颜色空间特征，R、G、B分别为被标记像素点在RGB色彩空间中三个通道的像素值。

进一步地结合图2，本发明方法中采用了自适应增强向量机来提取并融合皮肤炎症特征，具体从步骤6开始，步骤6中将步骤5随机选择的像素点对应的坐标和三个特征向量作为训练样本数据，训练每个特征对应的向量机，具体为：

假设步骤5中随机选择的若干像素点数为N，则有N个训练样本数据；

步骤6-1、为每个训练样本赋予相同的权值

步骤6-2、以某个特征对应的向量机对所有训练样本进行分类，若某个训练样本被当前向量机准确分类，则该训练样本被下一个特征对应的向量机进行分类时，其对应的权值减小；反之，权值增大；

步骤6-3、以下一个特征对应的向量机对权值更新后的所有训练样本进行分类，具体过程与步骤6-2相同，以此方式迭代完成所有特征对应的向量机对训练样本的分类；

步骤6-4、判断该次迭代分类准确率是否达到预设的阈值p或当前迭代次数达到最大迭代次数c_max，若是，则停止迭代过程并执行步骤6-5；反之，返回步骤6-2；

步骤6-5、求取每个向量机对应的权重，之后根据权重组合所有向量机获得最终的炎症检测模型。

进一步优选地，上述步骤6-2中权值更新包括减小、增大，具体为：

根据训练样本对应的权值求取向量机的误差率e_t：

式中，w_i为样本的权值，x_i为训练样本，H_t(x_i)为x_i在当前向量机的预测值，y_i为标签值，I为当前样本的错误分类概率；

则针对被错误分类的样本，权值D_t(i)更新为：

D_t+1(i)＝D_t(i)/2e_t

则针对被正确分类的样本，权值D_t(i)更新为：

D_t+1(i)＝D_t(i)/2(1-e_t)

式中，

t表示第t个向量机，i为第i个样本，i＝1,2,...,N。

进一步优选地，上述步骤6-5中求取每个向量机对应的权重R_t，所用公式为：

进一步地，步骤7中利用炎症检测模型检测待测人脸皮肤偏光图像的炎症区域，具体为：

步骤7-1、利用炎症检测模型遍历整个待测人脸皮肤偏光图像，若检测当前像素属于炎症区域，则将当前位置像素值赋值为255，否则赋值为0；

步骤7-2、遍历步骤7-1处理后的图像，当遍历到像素值255时，将当前像素位置的原始图像像素值赋值给当前像素；当遍历到像素值0时，当前像素位置的像素值仍为0；由此获得炎症区域。

下面结合实施例对本发明作进一步详细的描述。

实施例

本发明基于多特征融合的自适应皮肤炎症区域检测方法，包括以下内容：

1、采集存在炎症的人脸皮肤偏光样本图像。

2、手动标记样本图像皮肤炎症区域中的50个像素点，被标记像素点对应的标签值为1，并记录该像素点的坐标。

3、手动标记样本图像正常皮肤区域中的50个像素点，被标记像素点对应的标签值为-1，并记录该像素点的坐标。

4、分别遍历上述所标记的像素点，提取每个像素点对应的局部差值特征、颜色空间特征和梯度特征；利用随机选择的方法分别选取上述2、3中所标记的100个像素点，由每个像素点对应的所提取的特征构特征向量。

1)其中，提取被标记像素点对应的局部差值特征，具体为：

(1)将皮肤偏光样本图像转换为灰度图像；

(2)从灰度图像中在3×3模板内提取被标记像素点对应的局部差值特征，所用公式为：

其中，

Δ_i＝I₀-I_i

式中，Δ为被标记像素点的局部差值特征，δ_i为被标记像素点的领域相关因子，Δ_i为被标记像素点的邻域差值，I₀为被标记像素点的像素值，I_i为3×3模版内的邻域像素值，λ和k为调优参数。本实施例中，设定λ＝0.35，k＝10。

根据提取到的局部差值跟样本图像的灰度图像，可以得到用于区分局部差值特征的分类器的训练样本数据。局部差值的特征向量为[Δ₁,Δ₂,...,Δ₈,Δ]，正负样本分别对应1和-1的标签。

2)其中，提取被标记像素点对应的颜色空间特征，所用公式为：

L＝α((R-G)²+(R-B)²+(G-B)²)

式中，L为被标记像素点对应的颜色空间特征，R、G、B分别为被标记像素点在RGB色彩空间中三个通道的像素值。

根据提取到的颜色空间跟样本图像原始数据，可以得到用于区分颜色空间特征的分类器的训练数据。局部差值的特征向量为[R、G、B，L]，正负样本分别对应1和-1的标签。

3)提取梯度特征，具体按照以下方法进行：利用两个3×3的矩阵去和原始图片作卷积，分别得到横向G_x和纵向G_y的梯度值。本实施例中具体采用sobel算子实现卷积，其中G_x方向和G_y方向的算子模版分别为:

卷积运算完成后将G_x方向和G_y方向的梯度信息相结合。

根据提取到的梯度特征跟样本图像原始数据，可以得到用于区分梯度特征的分类器的训练数据。梯度的特征向量为[G_x,G_y,G_xy]，正负样本分别对应1和-1的标签。

5、对多个向量机进行训练，进而获取炎症检测模型，具体为：

本实施例中随机选择的若干像素点数为100，则有100个训练样本数据；

5-1、为每个训练样本赋予相同的权值

5-2、以某个特征对应的向量机对所有训练样本进行分类，若某个训练样本被当前向量机准确分类，则该训练样本被下一个特征对应的向量机进行分类时，其对应的权值减小；反之，权值增大；

5-3、以下一个特征对应的向量机对权值更新后的所有训练样本进行分类，具体过程与步骤6-2相同，以此方式迭代完成所有特征对应的向量机对训练样本的分类；

5-4、判断该次迭代分类准确率是否达到预设的阈值0.5％或当前迭代次数达到最大迭代次数5000，若是，则停止迭代过程并执行5-5；反之，返回5-2；

5-5、求取每个向量机对应的权重，之后根据权重组合所有向量机获得最终的炎症检测模型。

6、利用炎症检测模型遍历整个待测人脸皮肤偏光图像，若检测当前像素属于炎症区域，则将当前位置像素值赋值为255，否则赋值为0；

遍历上述处理后的图像，当遍历到像素值255时，将当前像素位置的原始图像像素值赋值给当前像素；当遍历到像素值0时，当前像素位置的像素值仍为0；由此获得炎症区域。

本实施例中对10幅待测人脸皮肤偏光图像进行炎症区域检测，其中某一幅待测人脸皮肤图像如图3所示，其偏光图像如图4所示，其检测后的炎症区域如图5所示。基于统计学的方法给与当前皮肤区域炎症状况量化评价的结果，结合人眼的感官结果和本发明方法的量化结果，毛孔的数值结果可分为三个类型，小于1判定为敏感性肌肤、大于1并且小于2为过敏性红血丝、大于2为红血丝过多皮肤。10幅图像测试结果如下表1所示：

表1本发明方法的人脸皮肤炎症测试结果

待测样本	量化结果	感官结果
			1	3.08	红血丝过多
2	2.43	红血丝过多
			3	4.04	红血丝过多
4	1.67	过敏性红血丝
			5	1.93	过敏性红血丝
6	2.05	红血丝过多
			7	0.79	敏感性肌肤
8	1.08	过敏性红血丝
			9	1.57	过敏性红血丝
10	0.61	敏感性肌肤

本发明根据人脸皮肤偏光图像检测皮肤炎症区域，对其他的非皮肤炎症信息有明显的抑制作用，能显著提高皮肤炎症区域检测的准确率；此外将支持向量机作为皮肤炎症区域检测的主要手段，并通过自适应增强的训练方法，进一步提高了检测准确率，且泛化能力强、普适性高。

Claims (7)

1.一种基于多特征融合的自适应皮肤炎症区域检测方法，其特征在于，包括以下步骤：

步骤1、采集存在炎症的人脸皮肤偏光样本图像；

步骤2、手动标记样本图像皮肤炎症区域中的若干像素点，被标记像素点对应的标签值为1，并记录该像素点的坐标；

步骤3、手动标记样本图像正常皮肤区域中的若干像素点，被标记像素点对应的标签值为-1，并记录该像素点的坐标；

步骤4、分别遍历步骤2、步骤3中所标记的像素点，提取每个像素点对应的局部差值特征、颜色空间特征和梯度特征；

步骤5、利用随机选择的方法分别选取步骤2、步骤3中所标记的若干像素点，由每个像素点对应的步骤4中所提取的特征构建三个特征向量；

步骤6、将步骤5随机选择的像素点对应的坐标和三个特征向量作为训练样本数据，训练每个特征对应的向量机，进而获取炎症检测模型；具体为：

假设步骤5中随机选择的若干像素点数为N，则有N个训练样本数据；

步骤6-1、为每个训练样本赋予相同的权值

步骤6-2、以某个特征对应的向量机对所有训练样本进行分类，若某个训练样本被当前向量机准确分类，则该训练样本被下一个特征对应的向量机进行分类时，其对应的权值减小；反之，权值增大；

步骤6-3、以下一个特征对应的向量机对权值更新后的所有训练样本进行分类，具体过程与步骤6-2相同，以此方式迭代完成所有特征对应的向量机对训练样本的分类；

步骤6-4、判断该次迭代分类准确率是否达到预设的阈值p或当前迭代次数达到最大迭代次数c_max，若是，则停止迭代过程并执行步骤6-5；反之，返回步骤6-2；

步骤6-5、求取每个向量机对应的权重，之后根据权重组合所有向量机获得最终的炎症检测模型；

步骤7、利用所述炎症检测模型检测待测人脸皮肤偏光图像的炎症区域。

2.根据权利要求1所述的基于多特征融合的自适应皮肤炎症区域检测方法，其特征在于，步骤4提取被标记像素点对应的局部差值特征，具体为：

步骤4-1、将皮肤偏光样本图像转换为灰度图像；

步骤4-2、从灰度图像中在q×q模板内提取被标记像素点对应的局部差值特征，所用公式为：

其中，

Δ_i＝I₀-I_i

式中，Δ为被标记像素点的局部差值特征，δ_i为被标记像素点的领域相关因子，Δ_i为被标记像素点的邻域差值，I₀为被标记像素点的像素值，I_i为q×q模版内的邻域像素值，λ和k为调优参数。

3.根据权利要求2所述的基于多特征融合的自适应皮肤炎症区域检测方法，其特征在于，所述q＝3。

4.根据权利要求1或2所述的基于多特征融合的自适应皮肤炎症区域检测方法，其特征在于，步骤4提取被标记像素点对应的颜色空间特征，所用公式为：

L＝α((R-G)²+(R-B)²+(G-B)²)

式中，L为被标记像素点对应的颜色空间特征，R、G、B分别为被标记像素点在RGB色彩空间中三个通道的像素值。

5.根据权利要求1所述的基于多特征融合的自适应皮肤炎症区域检测方法，其特征在于，步骤6-2所述权值更新包括减小、增大，具体为：

根据训练样本对应的权值求取向量机的误差率e_t：

式中，w_i为样本的权值，x_i为训练样本，H_t(x_i)为x_i在当前向量机的预测值，y_i为标签值，I为当前样本的错误分类概率；

则针对被错误分类的样本，权值D_t(i)更新为：

D_t+1(i)＝D_t(i)/2e_t

则针对被正确分类的样本，权值D_t(i)更新为：

D_t+1(i)＝D_t(i)/2(1-e_t)

式中，

t表示第t个向量机，i为第i个样本，i＝1,2,...,N。

6.根据权利要求1所述的基于多特征融合的自适应皮肤炎症区域检测方法，其特征在于，步骤6-5所述求取每个向量机对应的权重R_t，所用公式为：

7.根据权利要求1所述的基于多特征融合的自适应皮肤炎症区域检测方法，其特征在于，步骤7所述利用炎症检测模型检测待测人脸皮肤偏光图像的炎症区域，具体为：

步骤7-1、利用炎症检测模型遍历整个待测人脸皮肤偏光图像，若检测当前像素属于炎症区域，则将当前位置像素值赋值为255，否则赋值为0；

步骤7-2、遍历步骤7-1处理后的图像，当遍历到像素值255时，将当前像素位置的原始图像像素值赋值给当前像素；当遍历到像素值0时，当前像素位置的像素值仍为0；由此获得炎症区域。

Images