CN111738984A - 基于分水岭和种子填充的皮肤图像斑点评估方法及*** - Google Patents

基于分水岭和种子填充的皮肤图像斑点评估方法及*** Download PDF

Info

Publication number
CN111738984A
CN111738984A CN202010473389.7A CN202010473389A CN111738984A CN 111738984 A CN111738984 A CN 111738984A CN 202010473389 A CN202010473389 A CN 202010473389A CN 111738984 A CN111738984 A CN 111738984A
Authority
CN
China
Prior art keywords
image
skin
value
spot
pixel
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.)
Granted
Application number
CN202010473389.7A
Other languages
English (en)
Other versions
CN111738984B (zh
Inventor
刘迎
邱显荣
张珣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingcheng Gongfang Electronic Integration Technology Beijing Co ltd
Beijing Technology and Business University
Original Assignee
Jingcheng Gongfang Electronic Integration Technology Beijing Co ltd
Beijing Technology and Business University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingcheng Gongfang Electronic Integration Technology Beijing Co ltd, Beijing Technology and Business University filed Critical Jingcheng Gongfang Electronic Integration Technology Beijing Co ltd
Priority to CN202010473389.7A priority Critical patent/CN111738984B/zh
Publication of CN111738984A publication Critical patent/CN111738984A/zh
Application granted granted Critical
Publication of CN111738984B publication Critical patent/CN111738984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20101—Interactive definition of point of interest, landmark or seed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公布了一种基于分水岭和种子填充算法的皮肤图像斑点定量评估方法及***，***包括皮肤采像硬件设备、计算机服务器端和手机客户端；根据皮肤图像RGB颜色空间像素颜色值信息，计算一幅皮肤图像斑点大小、间距、数量、暗度、占比等属性特征值，对皮肤图像斑点多个属性值定量计算，实现对皮肤斑点属性进行评估。本发明检测斑点的准确度高，速度快，具有良好的市场应用前景和价值。

Description

基于分水岭和种子填充的皮肤图像斑点评估方法及***
技术领域
本发明涉及皮肤斑点检测评估技术，具体涉及一种基于分水岭和种子填充算法的皮肤图像斑点定量评估方法及***，属于计算机图形学及皮肤图像处理应用技术领域。
背景技术
皮肤表面各种属性状态是皮肤衰老和抗衰老研究的重要指标，也是护肤品客观评价重要指标之一。客观、定量对皮肤图像进行检测和计算是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斑点的定量评估计算。
目前国内外皮肤表面状态检测、属性指标计算准确度还不是很高，主要有机器学习和计算机图像两个方向的检测研究和应用。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表面的特征，从传统的定性分析皮肤表面状况上升为精确的定量计算皮肤表面属性，从而提高检测评估的精确度。
皮肤图像的特征包括颜色、纹理、毛孔、光泽度、斑点、脂肪点等，其中斑点的大小、间距、数量、暗度、占比等特征是皮肤的重要度量指标。计算机图像方法检测斑点最近几年被提出，主要思路是对RGB(或者HSV)颜色空间每个像素的颜色值做简单阈值分割得到斑点像素，这种方法伪斑点像素多，影响定量评估准确性；只是对像素点的研究，没有线、面的概念，导致很多指标无法计算，如斑点数量、斑点间距等。
发明内容
本发明的目的在于实现一种基于分水岭和种子填充算法的皮肤图像斑点定量评估方法，根据皮肤图像RGB颜色空间像素颜色值信息，计算一幅皮肤图像斑点大小、间距、数量、暗度、占比等属性特征值，对皮肤图像斑点多个属性值定量计算，实现对皮肤斑点属性进行评估。
本发明中，皮肤图像来自于数字图像采集设备，微距皮肤采像设备进行采像得到皮肤图像数据。本发明算法使用采集的皮肤图像作为唯一数据源来计算皮肤斑点多个属性的定量数值；通过三个不同颜色分量的固定组合获取灰度图像；阈值法剔除毛发和白噪声；数学形态学闭运算填补斑点前景中的砂眼噪声，开运算剔除背景上的毛孔；基于计算机图像的分水岭算法得到每个斑点块的连续闭合分割线；基于计算机图形学的种子填充算法填充斑点的闭合分割线内部；计算单个斑点面积、周长、圆度、中心点、暗度；统计整幅图像斑点的平均直径、斑点间平均距离、斑点数量以及平均暗度和斑点占比。
本发明提出的基于分水岭和种子填充算法的皮肤图像斑点定量评估方法可对相同分辨率的皮肤微距数字图像做处理，计算得到衡量一幅皮肤图像斑点的多个属性指标定量数值，该数值可标识微距图像皮肤表面的斑点特征，主要包括如下步骤内容：
1)利用皮肤图像颜色空间(RGB)中的三个不同颜色分量，对皮肤图像进行灰度化处理，得到皮肤灰度图像；
2)对皮肤灰度图像剔除图像中的毛发和白噪声，统一图像的光照强度；
3)对步骤2)得到的皮肤灰度图像进一步进行去除毛孔、砂眼噪声的处理；
4)利用计算机图像分水岭算法对步骤3)得到的皮肤灰度图像进行处理，得到图像中皮肤斑点的连续闭合分割线(轮廓线)；
5)利用计算机图形学种子填充算法填充图像中皮肤斑点的连续闭合分割线的内部；
6)计算图像中皮肤单个斑点的面积、周长、圆度、中心点、暗度；
7)统计得到整幅图像中皮肤斑点的大小、间距、数量、暗度和占比。
具体来说，本发明的方法包括下列步骤：
A.皮肤图像三个不同颜色分量的重新组合得到灰度图像img1，具体如下：
A1.读入一个皮肤图像文件到内存；
本算法唯一的参数是存储在硬盘上的一幅RGB空间图像文件，读入该文件到内存；
A2.彩色图像灰度化,得到灰度图像img1；
RGB图像的三个不同颜色分量做加权平均，得到灰度图像img1，加权平均计算方法如下：G＝R×0.7+G×0.1+B×0.2，其中G为一个像素的灰度值，R、G、B分别为该像素的红、绿、蓝颜色分量，灰度值G值范围为[0，255]；
B.灰度图像img1上，剔除毛发、白噪声，统一光照强度，具体步骤如下：
B1.计算灰度图像img1灰度均值avg，avg＝所有像素灰度值求和后除以像素数量；将灰度
均值avg作为背景色；
B2.剔除毛发；
毛发像素在灰度图像img1上表现为灰度值很小，颜色近乎黑色，给定毛发阈值v1(如v1＝40+avg－127)，在图像img1上所有灰度值小于该阈值的像素点重新赋值为背景色avg；
B3.剔除白噪声；
白噪声在灰度图像img1表现为灰度值很大，颜色近乎白色，给定白噪声阈值v2(v1<v2，如v2＝220+avg－127)，所有灰度值大于该阈值的像素点在图像img1上重新赋值为背景色avg；
B4.统一光照强度；
统一光照强度是为了避免多幅皮肤图像因光照差异而引起的计算误差(比较不同幅图片用)，剔除毛发、白噪声后，灰度图像img1的像素灰度值区间为[v1,v2]，将灰度图像img1的像素按比例拉伸该区间到区间[0,255]，按比例拉伸的计算方法如下：
G1＝(G－v1)×255/(v2－v1)，
其中，G1为灰度图像中每一个像素拉伸后的灰度值；G为img1中每一个像素的灰度值，v1、v2分别为毛发阈值和白噪声阈值；
灰度均值avg经拉伸后为avg1(拉伸后的灰度均值)，avg1＝(avg－v1)×255/(v2－v1)；
灰度图像img1拉伸后，所有像素灰度值范围为[0,255]；
C.灰度图像img1上去除毛孔、砂眼噪声，具体内容如下：
C1.灰度图像二值化，得到二值化图像img2；
确定二值化阈值Vt，Vt<avg1－C，C为常数(如Vt＝avg1－30)，得到二值化图像img2，img2上每一个像素点的值b根据该像素点在灰度图像img1上对应点灰度值v确定，具体如下：
C1.1如果v>Vt，则b＝0，识别该像素点为背景或者斑点前景中的砂眼噪声点；
C1.2如果v<＝Vt，则b＝1，识别该像素点为斑点前景或者背景中的毛孔。
C2.基于数学形态学的开运算方法去除图像img2背景中的毛孔；
C2.1设置图像处理的卷积核Kernel1；卷积核为将输入图像中一个小区域中的像素进行加权平均而得到输出图像的一个像素其中采用的权值定义函数；Kernel1为一个正方形像素方阵，其中正方形的中心点为卷积核原点，卷积核像素值为1或者0，正方形的内切圆部分的像素值为1，内切圆外部且正方形内的像素值为0值；
具体地，基于数学形态学的开运算方法，设置图像处理的卷积核Kernel1；卷积核是对输入图像进行图像处理，对输入图像中一个小区域中的像素进行加权平均得到的输出图像的每一个像素，其中的权值由卷积核定义(即权值定义函数)，Kernel1为大小edge2*edge2(edge2为奇数，如edge2＝29)的正方形像素方阵A；正方形像素方阵A中，正方形的中心点为卷积核原点，卷积核像素值为1或者0，正方形的内切圆部分的像素值为1，内切圆外部且正方形A内的像素值为0值；卷积核一共有665个1值，176个0值(正方形像素方阵A的值，针对edge2取值29时)；
C2.2对二值化图像img2上的每个像素点p，将像素p点位置设为卷积核原点，用卷积核Kernel1先做图像腐蚀运算，再做图像膨胀运算；对于图像img2边界处的像素没有卷积核覆盖的完整区域，则直接认定这种边界处像素为背景像素；将灰度图像img1上对应像素点赋值为灰度背景值avg1(参见B4)；具体地：
对像素点p做腐蚀运算，卷积数值y1为使用卷积核Kernel1在像素点p处计算得到的卷积值，y1值范围为[0，665](针对edge2取值29时)，给定腐蚀阈值Nt1，如设定Nt1＝631，如果y1＞Nt1，则img2上p点处赋值为1(表示p点是斑点，即斑点前景)，否则p点赋值为0(表示p点为背景)；
对像素点p做膨胀运算，得到卷积数值y2，y2计算方法同y1(参见C2.2y1的计算)；给定膨胀阈值Nt2,，如Nt2＝11，如果y2＞Nt2，则img2上p点处赋值为1值(斑点)，否则赋值为0值(背景)；
C3.基于数学形态学的闭运算去除图像img2的斑点前景上的砂眼噪声；
C3.1设置卷积核Kernel2为大小edge*edge(edge为奇数，如edge＝15)的正方形像素方阵B，卷积核Kernel2的每个像素的值均为1；
C3.2对二值化图像img2上每个像素点p用卷积核Kernel2(卷积核原点在像素p点处)先做膨胀运算，再做腐蚀运算，图像img2边界处像素没有卷积核覆盖的完整区域，则直接认定这种边界处像素为背景像素，灰度图像img1上对应像素点赋值为灰度背景值avg1(参见B4)；具体地：
像素点p做膨胀运算，得到卷积数值y3，y3计算方法同y1，给定阈值Nt3,，如Nt3＝7，如果y3＞Nt3，则img2上p点处赋值1值(斑点)，否则0值(背景)；
像素点p做膨胀运算，得到卷积数值y4，y4计算方法同y1，给定阈值Nt4,，如Nt4＝203(针对edge取值15时)，如果y4＞Nt4，则img2上p点处赋值1值(斑点)，否则0值(背景)；
C4.对灰度图像img1上进行去除背景毛孔、填补前景砂眼的处理；包括如下操作：
C4.1根据二值化阈值Vt，对图像img1去除背景中的毛孔，方法是：以二值化图像img2上像素值为0的像素为背景，当背景像素对应的灰度图像img1上的点的灰度值小于二值化阈值Vt(毛孔，伪斑点像素，参见C1)时，对img1中该像素点重新赋其灰度值为avg1(背景灰度均值，参见B4)，从而去除了背景的毛孔；
C4.2对图像img1填补斑点前景中的砂眼，方法是：二值化图像img2上像素值为1的像素为前景斑点，该像素对应的灰度图像img1上的点的灰度值如果大于二值化阈值Vt(砂眼，参见C1)，img1中该像素点处重新赋值灰度值为avg1－50(斑点内部种子点灰度值，参见E)，从而填补了前景斑点的砂眼；avg1为拉伸后的灰度均值；
D.灰度图像img1上采用分水岭算法得到斑点的连续闭合分割线(轮廓线)，结果为二值
化图像img3；
设置阈值mark，mark＝avg1－C2，C2为常数(如设置mark＝avg1－50)，在灰度图像img1上，通过基于阈值mark的分水岭算法，得到斑点区域连续闭合分割线，其中avg1为拉伸后的灰度均值(参考B4)，经分水岭算法处理后得到二值化图像img3，其中：0表示连续闭合的斑点轮廓线，255表示背景；
E.对二值化图像img3，采用计算机图形学的种子填充算法填充斑点分割线内部，具体步骤如下：
E1.确定种子点，灰度图像img1上像素点灰度值等于mark值的点为种子点，其中mark参见D；
E2.填充斑点内部；
在二值化图像img3上，每个连续闭合区域为一个斑点块，每个斑点块里面至少有一个种子点(对应灰度图像img1的种子像素点，参见E1)，每个斑点块分别采用八连通种子填充算法填充斑点块内部区域，内部区域像素值为1，用以区别斑点分割线的0值，对img3填充后得到的结果图像img4为三值化图像，其中：0值表示斑点的连续闭合轮廓线(分割线)像素，1表示斑点内部像素，255表示背景像素；
F.利用三值化图像img4，计算每个斑点面积、周长、圆度、中心点、暗度，具体如下：
F1斑点中心点，每个斑点计算外包矩形(矩形边水平/垂直)A1，A1的中心点定义为每个斑点的中心点；
F2斑点外接圆半径r，每个斑点内部所有像素点距离该斑点中心点的最大距离r定义为斑点外接圆半径；
F3斑点面积num，每个斑点内部所有像素点的数量num定义为斑点面积；
F4斑点圆度Circularity＝num/(π×r×r)；
F5斑点周长cir，每个斑点连续闭合轮廓线上像素数量定义为斑点周长cir；
F6斑点暗度，每个斑点内部像素对应在灰度图像img1上灰度值的均值定义为斑点暗度；
G.统计整幅皮肤图像的斑点大小、间距、数量、暗度和占比，具体如下
G1.斑点大小，所有斑点的圆度值Circularity的均值可表征皮肤图像斑点大小size；
G2.斑点间距，每个斑点与最近斑点的距离为d，所有斑点d值的平均值可表征斑点间距span，其中d值根据2个斑点的中心点求得；
G3.斑点数量，整幅图像上，连续闭合轮廓线的数量定义为斑点数量为count，每一个连续闭合分割线代表一个斑点；
G4.斑点暗度，所有斑点的暗度平均值可表征整幅图片斑点暗度darkness；
G5.斑点占比，所有斑点面积(斑点像素)占比整幅图像(所有像素)的比例定义为斑点占比ratio。
采用本发明方法实现了一套皮肤检测***，皮肤检测评估***包括皮肤采像硬件设备、计算机服务器端和手机客户端；其中，皮肤采像硬件设备用于微距采像，采集得到相同分辨率、大小一致的图像；手机客户端用于将采集的图像上传到计算机服务器端，且用于接收计算机服务器端返回的皮肤图像属性值并显示；计算机服务器端用于定量计算每幅图像的皮肤表面斑点的多个属性值。
具体实施时，采用微距皮肤采像设备获取1000*1000分辨率的皮肤图像；计算机服务器端安装Windows server 2012和MySql5.7.16；手机客户端采用Android智能手机。
具体实施时，计算机服务器端包括：皮肤灰度图像获取模块、图像处理模块、图像皮肤斑点轮廓线获取模块、图像皮肤斑点轮廓线内部填充模块、皮肤斑点属性信息计算模块；皮肤灰度图像获取模块用于对皮肤图像RGB颜色空间中的三个不同颜色分量进行重新组合，得到皮肤灰度图像；图像处理模块用于对皮肤灰度图像剔除图像中的毛发和白噪声，统一图像的光照强度，进一步进行去除毛孔、砂眼噪声的处理；图像皮肤斑点轮廓线获取模块通过采用计算机图像分水岭算法对皮肤灰度图像进行处理，得到图像中皮肤斑点的连续闭合分割线(轮廓线)；图像皮肤斑点轮廓线内部填充模块通过计算机图形学种子填充算法填充图像中皮肤斑点的连续闭合分割线的内部；皮肤斑点属性信息计算模块用于计算图像中皮肤各斑点的面积、周长、圆度、中心点、暗度，以及各皮肤斑点的大小、数量、暗度和间距、占比等信息。
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分水岭和种子填充算法的皮肤图像斑点定量评估方法，根据皮肤图像像素颜色值信息，计算一幅图像的表面斑点多个属性特征值，实现皮肤图像斑点的检测和定量评估。本发明的优点是利用RGB颜色空间像素颜色值做斑点特征值检测，皮肤图像是唯一的参数，利用数学形态学、计算机图像算法和计算机图形学算法计算皮肤斑点指标，本发明方法检测斑点并定量评估斑点准确度高，速度快，具有良好的市场应用前景和价值。
附图说明
图1是本发明具体实施采用的皮肤图像斑点定量评估***的结构框图。
图2是本发明提供的皮肤图像斑点定量评估流程框图。
图3是本发明提供的皮肤图像斑点定量计算方法的流程框图。
图4是本发明具体实施时皮肤图像斑点像素灰度值范围的示意图。
图5是本发明具体实施时对皮肤图像进行处理采用的卷积模板示意图。
图6是本发明具体实施计算皮肤斑点的部分皮肤图像示例。
具体实施方式
下面结合附图，通过实施例进一步阐述本发明，但不以任何方式限制本发明的范围。
本发明提供一种基于分水岭和种子填充算法的皮肤图像斑点定量评估方法，根据皮肤图像RGB颜色空间像素颜色值信息，对相同分辨率的皮肤微距数字图像做处理，计算皮肤图像的表面斑点多个属性特征值，属性特征值是衡量一幅皮肤图像斑点的多个属性指标定量数值，该数值可标识微距图像皮肤表面的斑点特征，由此实现皮肤图像斑点定量评估。主要包括如下步骤内容：
1)对皮肤图像RGB颜色空间中的三个不同颜色分量进行重新组合，得到皮肤灰度图像；
2)对皮肤灰度图像剔除图像中的毛发和白噪声，统一图像的光照强度；
3)对步骤2)得到的皮肤灰度图像进一步进行去除毛孔、砂眼噪声的处理；
4)利用计算机图像分水岭算法对步骤3)得到的皮肤灰度图像进行处理，得到图像中皮肤斑点的连续闭合分割线(轮廓线)；
5)利用计算机图形学种子填充算法填充图像中皮肤斑点的连续闭合分割线的内部；
6)计算图像中皮肤单个斑点的面积、周长、圆度、中心点、暗度；
7)统计得到整幅图像中皮肤斑点的大小、间距、数量、暗度和占比。
具体来说，本发明的方法包括下列步骤：
A.皮肤图像三个不同颜色分量的重新组合得到灰度图像img1，具体如下：
A1.读入一个皮肤图像文件到内存；
本算法唯一的参数是存储在硬盘上的一幅RGB空间图像文件，读入该文件到内存；
A2.彩色图像灰度化,得到灰度图像img1；
RGB图像的三个不同颜色分量做加权平均，得到灰度图像img1，加权平均计算方法如下：G＝R×0.7+G×0.1+B×0.2，其中G为一个像素的灰度值，R、G、B分别为该像素的红、绿、蓝颜色分量，灰度值G值范围为[0，255]；
B.灰度图像img1上，剔除毛发、白噪声，统一光照强度，具体步骤如下：
B1.计算灰度图像img1灰度均值avg，avg＝所有像素灰度值求和后除以像素数量；
B2.剔除毛发；
毛发像素在灰度图像img1上表现为灰度值很小，颜色近乎黑色，给定毛发阈值v1(v1＝40+avg－127)，所有小于该阈值的像素点在图像img1上重新赋值为背景色avg；
B3.剔除白噪声；
白噪声在灰度图像img1表现为灰度值很大，颜色近乎白色，给定白噪声阈值v2(v2＝220+avg－127)，所有灰度值大于该阈值的像素点在图像img1上重新赋值为背景色avg；
B4.统一光照强度；
剔除毛发、白噪声后，灰度图像img1的像素灰度值区间为[v1,v2]，按比例拉伸该区间到区间[0,255]，统一光照强度是为了避免多幅皮肤图像因光照差异而引起的计算误差(比较不同幅图片用)，计算方法如下：
G1＝(G－v1)×255/(v2－v1)，
其中，G为img1一个像素灰度值，v1、v2分别为毛发和白噪声阈值，灰度均值avg拉伸后为avg1(拉伸后的灰度均值)，avg1＝(avg－v1)×255/(v2－v1)；
C.灰度图像img1上去除毛孔、砂眼噪声，具体内容如下：
C1.灰度图像二值化，得到二值化图像img2；
确定二值化阈值Vt，Vt＝avg1－30，得到二值化图像img2，img2上每一个像素点的值b根据该像素点在灰度图像img1上对应点灰度值v确定，具体如下：
C1.1如果v>Vt，则b＝0，背景+斑点前景中的砂眼噪声点；
C1.2如果v<＝Vt，则b＝1，砂眼前景+背景中的毛孔。
C2.基于数学形态学的开运算方法去除图像img2背景中的毛孔；
C2.1基于数学形态学的开运算方法，设置卷积核Kernel1；Kernel1为大小edge2*edge2(edge2为奇数，如edge2＝29)的正方形像素方阵A；正方形像素方阵A中，正方形的中心点为卷积核原点，卷积核像素值为1或者0，正方形的内切圆部分的像素值为1，内切圆外部且正方形A内的像素值为0值；卷积核(正方形像素方阵A)一共有665个1值，176个0值；
C2.2对二值化图像img2上的每个像素点p，将像素p点位置设为卷积核原点，用卷积核Kernel1先做图像腐蚀运算，再做图像膨胀运算；对于图像img2边界处的像素没有卷积核覆盖的完整区域，则直接认定这种边界处像素为背景像素；将灰度图像img1上对应像素点赋值为灰度背景值avg1(参见B4)；具体地：
对像素点p做腐蚀运算，卷积数值y1为使用卷积核Kernel1在像素点p处计算得到的卷积值，y1值范围为[0，665]，给定腐蚀阈值Nt1，如设定Nt1＝631，如果y1＞Nt1，则img2上p点处赋值为1(表示p点是斑点，即斑点前景)，否则p点赋值为0(表示p点为背景)；
对像素点p做膨胀运算，得到卷积数值y2，y2计算方法同y1(参见C2.2y1的计算)；给定膨胀阈值Nt2,，如Nt2＝11，如果y2＞Nt2，则img2上p点处赋值为1值(斑点)，否则赋值为0值(背景)；
C3.基于数学形态学的闭运算去除图像img2的斑点前景上的砂眼噪声；
C3.1设置卷积核Kernel2为大小edge*edge(edge为奇数，如edge＝15)的正方形像素方阵B，卷积核Kernel2的每个像素的值均为1；
C3.2对二值化图像img2上每个像素点p用卷积核Kernel2(卷积核原点在像素p点处)先做膨胀运算，再做腐蚀运算，图像img2边界处像素没有卷积核覆盖的完整区域，则直接认定这种边界处像素为背景像素，灰度图像img1上对应像素点赋值为灰度背景值avg1(参见B4)；具体地：
像素点p做膨胀运算，得到卷积数值y3，y3计算方法同y1，给定阈值Nt3,，如Nt3＝7，如果y3＞Nt3，则img2上p点处赋值1值(斑点)，否则0值(背景)；
像素点p做膨胀运算，得到卷积数值y4，y4计算方法同y1，给定阈值Nt4,，如Nt4＝203，如果y4＞Nt4，则img2上p点处赋值1值(斑点)，否则0值(背景)；
C4.对灰度图像img1上进行去除背景毛孔、填补前景砂眼的处理；包括如下操作：
C4.1根据二值化阈值Vt，对图像img1去除背景中的毛孔，方法是：以二值化图像img2上像素值为0的像素为背景，当背景像素对应的灰度图像img1上的点的灰度值小于二值化阈值Vt(毛孔，伪斑点像素，参见C1)时，对img1中该像素点重新赋其灰度值为avg1(背景灰度均值，参见B4)，从而去除了背景的毛孔；
C4.2对图像img1填补斑点前景中的砂眼，方法是：二值化图像img2上像素值为1的像素为前景斑点，该像素对应的灰度图像img1上的点的灰度值如果大于二值化阈值Vt(砂眼，参见C1)，img1中该像素点处重新赋值灰度值为avg1－50(斑点内部种子点灰度值，参见E)，从而填补了前景斑点的砂眼；avg1为拉伸后的灰度均值；
D.灰度图像img1上采用分水岭算法得到斑点的连续闭合分割线(轮廓线)，结果为二值化图像img3；
在灰度图像img1上给定阈值mark，在img1上实现基于阈值mark的分水岭算法，得到斑点区域连续闭合分割线，设置mark＝avg1－50，其中avg1为拉伸后的灰度均值(参考B4)，经分水岭算法处理后得到二值化图像img3，其中：0表示连续闭合的斑点轮廓线，255表示背景；
E.对二值化图像img3，采用计算机图形学的种子填充算法填充斑点分割线内部，具体步骤如下：
E1.确定种子点，灰度图像img1上像素点灰度值等于mark值的点为种子点，其中mark参见D；
E2.填充斑点内部；
在二值化图像img3上，每个连续闭合区域为一个斑点块，每个斑点块里面至少有一个种子点(对应灰度图像img1的种子像素点，参见E1)，每个斑点块分别各自用八连通种子填充算法填充斑点块内部区域，内部区域像素值为1，用以区别斑点分割线的0值，对img3填充后的结果图像img4为三值化图像，其中：0值表示斑点的连续闭合轮廓线(分割线)像素，1表示斑点内部像素，255表示背景像素；
F.利用三值化图像img4，计算每个斑点面积、周长、圆度、中心点、暗度，具体如下：
F1斑点中心点，每个斑点计算外包矩形(矩形边水平/垂直)A1，A1的中心点定义为每个斑点的中心点；
F2斑点外接圆半径r，每个斑点内部所有像素点距离该斑点中心点的最大距离r定义为斑点外接圆半径；
F3斑点面积num，每个斑点内部所有像素点的数量num定义为斑点面积；
F4斑点圆度Circularity＝num/(π×r×r)；
F5斑点周长cir，每个斑点连续闭合轮廓线上像素数量定义为斑点周长cir；
F6斑点暗度，每个斑点内部像素对应在灰度图像img1上灰度值的均值定义为斑点暗度；
G.统计整幅皮肤图像的斑点大小、间距、数量、暗度和占比，具体如下
G1.斑点大小，所有斑点的圆度值Circularity的均值可表征皮肤图像斑点大小size；
G2.斑点间距，每个斑点与最近斑点的距离为d，所有斑点d值的平均值可表征斑点间距span，其中d值根据2个斑点的中心点求得；
G3.斑点数量，整幅图像上，连续闭合轮廓线的数量定义为斑点数量为count，每一个连续闭合分割线代表一个斑点；
G4.斑点暗度，所有斑点的暗度平均值可表征整幅图片斑点暗度darkness；
G5.斑点占比，所有斑点面积(斑点像素)占比整幅图像(所有像素)的比例定义为斑点占比ratio。
采用本发明方法实现了一套皮肤检测***，皮肤检测评估***包括皮肤采像硬件设备、计算机服务器端和手机客户端；其中，皮肤采像硬件设备用于微距采像，采集得到相同分辨率、大小一致的图像；手机客户端用于将采集的图像上传到计算机服务器端，且用于接收计算机服务器端返回的皮肤图像属性值并显示；计算机服务器端用于定量计算每幅图像的皮肤表面斑点的多个属性值。
具体实施时，该***配置如表1：采用微距皮肤采像设备获取1000*1000分辨率的皮肤图像；计算机服务器端安装Windows server 2012和MySql5.7.16；手机客户端采用Android智能手机。
表1本发明实施例皮肤图像检测评估***的设备配置
名称 设备型号 数量
皮肤采像设备 微距皮肤采像设备，获取1000*1000分辨率的皮肤图像 6
云服务器 Windows server 2012、MySql5.7.16 1
客户端 手机Android客户端 6
皮肤检测评估***由皮肤采像硬件设备，计算机服务器端和手机客户端构成，其结构框图如图1所示，皮肤定量评估流程如图2所示，具体包括如下实施步骤：(1)微距采像，专用的皮肤采像设备采集相同分辨率图像，图像大小一致，避免对皮肤图像尺寸做一致性预处理；(2)采集的图像通过手机客户端上传到服务器；(3)服务器端定量计算每幅图像的皮肤表面斑点的多个属性值；(4)皮肤图像属性值返回到手机客户端并显示。
本发明提供的皮肤斑点定量评估方法只需要一幅图像作为计算数据源，具体实施步骤同发明内容，实施例流程步骤如下，参见图3：
1)服务器端读入手机客户端上传的图像到内存；
2)图像灰度化得到灰度图像img1；
3)灰度图像img1预处理：根据图像img1上的灰度值，简单阈值方法剔除过亮(白噪声)、过暗(毛发)像素，按比例拉伸图像灰度范围，统一不同图像的光照强度；
4)灰度图像img1二值化，本实施例中，二值化阈值为灰度图像img1均值减30(参见图4)，得到二值化图像img2，其中0值主要为背景像素(背景+前景砂眼)，1值为主要前景像素(斑点+毛孔)，灰度图像二值化示意图参见图4；
5)基于数学形态学的开运算方法去除背景毛孔，其中用到的卷积核参见图5，开运算中的卷积值阈值做了调整，其中腐蚀运算阈值为631，膨胀运算阈值为11；
6)基于数学形态学闭运算方法填补前景砂眼噪声，闭运算中的卷积值阈值做了调整，其中膨胀阈值为203，腐蚀阈值为7；
7)基于mark(取mark值为灰度图像均值减50，参见图4)的计算机图像分水岭算法得到斑点的连续闭合分割线(轮廓线)，结果为二值化图像img3，其中0值为斑点分割线，255为背景；
8)计算机图形学种子填充算法填充斑点分割线内部，结果为三值化图像img3，其中0值为斑点轮廓线，255为背景，1为斑点内部像素，种子填充算法涉及到的种子点示意图参见图4；
9)计算单个斑点面积、周长、圆度、中心点、暗度；
10)统计整幅图像斑点的大小、间距、数量、暗度和占比。
实施例结果表明，按照本发明的方法实现的基于图像RGB空间的皮肤表面斑点的检测评估方法，计算速度快且检测结果准确度高。本实施例针对89幅图像做斑点评估计算，具体地，6个不同采像设备采像微距皮肤图像后上传到服务器，服务器端采用本分明方法计算了每幅图像的斑点属性值，图6是其中的部分图像，相应的斑点属性计算结果数值见表2，除了数量指标，其他所有数值为百分制数值，即数值范围为[0,100]。
表2采用本发明方法计算得到的每幅图像的斑点属性值
Figure BDA0002515065860000131
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 (10)

1.一种基于分水岭和种子填充的皮肤图像斑点评估方法，使用采集的皮肤图像作为唯一数据源，计算得到皮肤斑点多个属性的定量数值，可标识图像皮肤表面的斑点特征，由此实现皮肤图像斑点评估；包括如下步骤：
1)利用皮肤图像颜色空间中的不同颜色分量，对皮肤图像进行灰度化处理，得到皮肤灰度图像；
具体将皮肤图像每个像素在颜色空间中的RGB颜色分量进行加权平均，得到每个像素的灰度值，即得到相应的灰度图像img1；
2)对皮肤灰度图像剔除图像中的毛发和白噪声，统一图像的光照强度；具体包括步骤：
B1.计算灰度图像img1的灰度值的均值avg，作为背景色；
B2.剔除毛发：设置毛发阈值v1，对图像img1上所有灰度值小于毛发阈值的像素点重新赋值为背景色的值avg；
B3.剔除白噪声：设置白噪声阈值v2，v1<v2；对图像img1上所有灰度值大于白噪声阈值的像素点重新赋值为背景色的值avg；灰度图像img1的像素灰度值区间为[v1,v2]；
B4.统一光照强度：将灰度图像img1的像素按比例拉伸该区间到区间[0,255]；灰度均值avg经拉伸后为拉伸后的灰度均值avg1；
3)对皮肤灰度图像进一步进行去除毛孔、砂眼噪声的处理；具体包括步骤：
C1.灰度图像二值化，得到二值化图像img2；
确定二值化阈值Vt，Vt<avg1－C，C为常数，得到二值化图像img2，img2上每一个像素点的值b根据该像素点在灰度图像img1上对应点的灰度值v确定，如果v>Vt，则b＝0，识别该像素点为背景或者斑点前景中的砂眼噪声点；如果v<＝Vt，则b＝1，识别该像素点为斑点前景或者背景中的毛孔；
C2.基于开运算方法去除图像img2背景中的毛孔；具体包括：
C2.1设置图像处理的卷积核Kernel1；卷积核为将输入图像中一个小区域中的像素进行加权平均而得到输出图像的一个像素其中采用的权值定义函数；设Kernel1为一个正方形像素方阵A，其中正方形的中心点为卷积核原点，卷积核像素值为1或0，正方形的内切圆部分的像素值为1，内切圆外部且正方形内的像素值为0值；
C2.2对二值化图像img2上的每个像素点p，将p点位置设为卷积核原点，用卷积核Kernel1先进行图像腐蚀运算，再进行图像膨胀运算；对于图像img2边界处的像素没有卷积核覆盖的完整区域，则直接识别为背景像素；将灰度图像img1上对应像素点赋值为灰度背景值avg1；
C3.基于闭运算方法去除图像img2的斑点前景上的砂眼噪声；具体包括：
C3.1设置卷积核Kernel2为正方形像素方阵B，卷积核Kernel2的每个像素的值均为1；
C3.2将卷积核Kernel2原点设置在二值化图像img2上每个像素点p点处，对像素点p用卷积核Kernel2先进行膨胀运算，再进行腐蚀运算；将图像img2边界处像素没有卷积核覆盖的完整区域处的像素识别为背景像素，灰度图像img1上对应像素点赋值为灰度背景值avg1；
C4.对灰度图像img1上进行去除背景毛孔、填补前景砂眼的处理；包括如下操作：
C4.1根据二值化阈值Vt，对图像img1去除背景中的毛孔，方法是：以二值化图像img2上像素值为0的像素为背景，当背景像素对应的灰度图像img1上的点的灰度值小于二值化阈值Vt时，对img1中该像素点重新赋其灰度值为avg1，由此去除背景的毛孔；
C4.2对图像img1填补斑点前景中的砂眼，方法是：二值化图像img2上像素值为1的像素为前景斑点，该像素对应的灰度图像img1上的点的灰度值若大于二值化阈值Vt，将img1中该像素点处重新赋值灰度值为avg1－50，由此填补前景斑点的砂眼；avg1为拉伸后的灰度均值；
4)利用图像分水岭算法对步骤3)得到的皮肤灰度图像进行处理，得到图像中皮肤斑点的连续闭合分割线，即轮廓线；
具体地，设置阈值mark，mark＝avg1－C2，C2为常数，在灰度图像img1上通过基于阈值mark的分水岭算法，得到斑点区域连续闭合分割线，即得到二值化图像img3，其中：0表示连续闭合的斑点轮廓线，255表示背景；
5)利用种子填充算法填充图像中皮肤斑点的连续闭合分割线的内部；具体包括：
E1.确定种子点：将灰度图像img1上像素点灰度值等于阈值mark的点作为种子点；
E2.填充斑点内部：在二值化图像img3上，每个连续闭合区域为一个斑点块，每个斑点块内至少有一个种子点；分别填充每个斑点块的内部区域，其内部区域的像素值为1，区别于斑点分割线的像素值0值；
填充后得到结果图像img4，img4为三值化图像，其中：0值表示斑点的连续闭合轮廓线像素，1表示斑点内部像素，255表示背景像素；
6)计算得到图像中皮肤单个斑点的面积、周长、圆度、中心点、暗度；
7)统计计算得到整幅图像中皮肤斑点的大小、间距、数量、暗度和占比；
通过上述步骤，实现基于分水岭和种子填充的皮肤图像斑点的评估。
2.如权利要求1所述基于分水岭和种子填充的皮肤图像斑点评估方法，其特征是，步骤6)的计算方法具体包括：
F1.将每个斑点的外包矩形A1的中心点确定为每个斑点的中心点；
F2.计算得到每个斑点内部所有像素点距离该斑点中心点的最大距离，作为斑点外接圆半径r；
F3.将每个斑点内部所有像素点的数量num，作为斑点面积；
F4.通过公式Circularity＝num/(π×r×r)计算得到斑点圆度Circularity；
F5.计算得到每个斑点连续闭合轮廓线上像素数量，作为斑点周长cir；
F6.计算得到每个斑点内部像素对应在灰度图像img1上灰度值的均值，作为斑点暗度。
3.如权利要求2所述基于分水岭和种子填充的皮肤图像斑点评估方法，其特征是，步骤7)具体包括：
G1.将所有斑点的圆度值Circularity的均值作为皮肤图像斑点的大小size；
G2.每个斑点与最近斑点的距离为d，d值根据2个斑点的中心点求得；将所有斑点的d值的平均值作为斑点间距span；
G3.图像中每一个连续闭合分割线代表一个斑点；连续闭合轮廓线的数量即为斑点数量count；
G4.将所有斑点的暗度平均值作为图像的斑点暗度darkness；
G5.将所有斑点面积占图像中所有像素的比例，作为斑点占比ratio。
4.如权利要求1所述基于分水岭和种子填充的皮肤图像斑点评估方法，其特征是，所述皮肤图像为微距图像。
5.如权利要求1所述基于分水岭和种子填充的皮肤图像斑点评估方法，其特征是，步骤B2中，设置白噪声阈值v2＝220+avg－127。
6.如权利要求1所述基于分水岭和种子填充的皮肤图像斑点评估方法，其特征是，卷积核Kernel1的正方形像素方阵A共有665个1值和176个0值；卷积核Kernel2的正方形像素方阵B的大小为15*15的正方形像素方阵B，每个像素的值均为1。
7.如权利要求1所述基于分水岭和种子填充的皮肤图像斑点评估方法，其特征是，步骤C2.2中，具体地：对像素点进行腐蚀运算，使用卷积核Kernel1在像素点p处计算得到的卷积值为y1，y1值范围为[0，665]；设定腐蚀阈值Nt1，如果y1＞Nt1，则img2上p点处赋值为1，表示p点是斑点，即斑点前景；否则p点赋值为0，表示p点为背景；
对像素点p进行膨胀运算，得到卷积数值y2；设置膨胀阈值Nt2，如果y2＞Nt2，则img2上p点处赋值为1值，表示该点为斑点；否则赋值为0值，表示该点为背景。
8.如权利要求7所述基于分水岭和种子填充的皮肤图像斑点评估方法，其特征是，步骤E2具体通过八连通种子填充算法填充斑点块内部区域。
9.一种基于分水岭和种子填充的皮肤图像斑点评估检测***，包括皮肤采像硬件设备、计算机服务器端和手机客户端；其中，皮肤采像硬件设备用于微距采像，采集得到相同分辨率的图像；手机客户端用于将采集的图像上传到计算机服务器端，并接收计算机服务器端返回的皮肤图像属性值并显示；计算机服务器端用于定量计算每幅图像的皮肤表面斑点的多个属性值；
计算机服务器端包括：皮肤灰度图像获取模块、图像处理模块、图像皮肤斑点轮廓线获取模块、图像皮肤斑点轮廓线内部填充模块、皮肤斑点属性信息计算模块；皮肤灰度图像获取模块用于对皮肤图像RGB颜色空间中的三个颜色分量进行处理得到皮肤灰度图像；图像处理模块用于对皮肤灰度图像剔除图像中的毛发和白噪声，统一图像的光照强度，去除毛孔、砂眼噪声；图像皮肤斑点轮廓线获取模块通过采用分水岭算法对皮肤灰度图像进行处理，得到图像中皮肤斑点的连续闭合分割线即轮廓线；图像皮肤斑点轮廓线内部填充模块通过种子填充算法填充图像中皮肤斑点的连续闭合分割线的内部；皮肤斑点属性信息计算模块用于计算图像中皮肤各斑点的多种属性信息，包括：面积、周长、圆度、中心点、暗度，以及各皮肤斑点的大小、数量、暗度和间距、占比信息。
10.如权利要求9所述基于分水岭和种子填充的皮肤图像斑点评估检测***，其特征是，采用微距皮肤采像设备获取的皮肤图像为1000*1000分辨率的皮肤图像；和/或，计算机服务器端安装Windows server 2012和MySql5.7.16；和/或，手机客户端采用Android智能手机。
CN202010473389.7A 2020-05-29 2020-05-29 基于分水岭和种子填充的皮肤图像斑点评估方法及*** Active CN111738984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010473389.7A CN111738984B (zh) 2020-05-29 2020-05-29 基于分水岭和种子填充的皮肤图像斑点评估方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010473389.7A CN111738984B (zh) 2020-05-29 2020-05-29 基于分水岭和种子填充的皮肤图像斑点评估方法及***

Publications (2)

Publication Number Publication Date
CN111738984A true CN111738984A (zh) 2020-10-02
CN111738984B CN111738984B (zh) 2023-08-18

Family

ID=72647953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010473389.7A Active CN111738984B (zh) 2020-05-29 2020-05-29 基于分水岭和种子填充的皮肤图像斑点评估方法及***

Country Status (1)

Country Link
CN (1) CN111738984B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379680A (zh) * 2021-05-18 2021-09-10 上海闻泰信息技术有限公司 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN113554668A (zh) * 2021-07-27 2021-10-26 深圳大学 一种皮肤镜图像黑色素瘤分割方法、装置及相关组件

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070086651A1 (en) * 2005-10-04 2007-04-19 Lvmh Recherche Method and apparatus for characterizing the imperfections of skin and method of assessing the anti-aging effect of a cosmetic product
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
CN105869155A (zh) * 2016-03-24 2016-08-17 天津大学 面部皮肤发红区域的提取方法
CN106384075A (zh) * 2016-03-11 2017-02-08 株式会社爱茉莉太平洋 基于皮肤团块的皮肤纹理的评估装置及评估方法
CN107072597A (zh) * 2014-11-19 2017-08-18 株式会社资生堂 斑点评估装置、斑点评估方法及程序
CN107169960A (zh) * 2017-05-15 2017-09-15 精诚工坊电子集成技术（北京）有限公司 一种基于图像颜色空间的皮肤表面毛孔大小检测方法
CN107157447A (zh) * 2017-05-15 2017-09-15 精诚工坊电子集成技术（北京）有限公司 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法
CN109859257A (zh) * 2019-02-25 2019-06-07 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***
CN110197487A (zh) * 2019-03-06 2019-09-03 上海商路网络科技有限公司 一种基于皮肤图像检测色斑的方法
WO2020015148A1 (zh) * 2018-07-16 2020-01-23 华为技术有限公司 一种色斑检测方法及电子设备
CN111047619A (zh) * 2018-10-11 2020-04-21 展讯通信（上海）有限公司 人脸图像处理方法及装置、可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070086651A1 (en) * 2005-10-04 2007-04-19 Lvmh Recherche Method and apparatus for characterizing the imperfections of skin and method of assessing the anti-aging effect of a cosmetic product
CN107072597A (zh) * 2014-11-19 2017-08-18 株式会社资生堂 斑点评估装置、斑点评估方法及程序
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
CN106384075A (zh) * 2016-03-11 2017-02-08 株式会社爱茉莉太平洋 基于皮肤团块的皮肤纹理的评估装置及评估方法
CN105869155A (zh) * 2016-03-24 2016-08-17 天津大学 面部皮肤发红区域的提取方法
CN107169960A (zh) * 2017-05-15 2017-09-15 精诚工坊电子集成技术（北京）有限公司 一种基于图像颜色空间的皮肤表面毛孔大小检测方法
CN107157447A (zh) * 2017-05-15 2017-09-15 精诚工坊电子集成技术（北京）有限公司 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法
WO2020015148A1 (zh) * 2018-07-16 2020-01-23 华为技术有限公司 一种色斑检测方法及电子设备
CN111047619A (zh) * 2018-10-11 2020-04-21 展讯通信（上海）有限公司 人脸图像处理方法及装置、可读存储介质
CN109859257A (zh) * 2019-02-25 2019-06-07 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***
CN110197487A (zh) * 2019-03-06 2019-09-03 上海商路网络科技有限公司 一种基于皮肤图像检测色斑的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHUAN-YU CHANG ET AL.: "Automatic Facial Spots and Acnes Detection System", 《JOURNAL OF COSMETICS, DERMATOLOGICAL SCIENCES AND APPLICATIONS》 *
储霞 等: "一种基于人脸皮肤图像的色斑检测算法", 《图像处理》 *
孔林涛 等: "HSV色彩空间皮肤红斑特征研究", 《天津科技大学学报》 *
李洋: "基于孢子图像识别的马铃薯晚疫病预警***的研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379680A (zh) * 2021-05-18 2021-09-10 上海闻泰信息技术有限公司 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN113379680B (zh) * 2021-05-18 2023-05-23 上海闻泰信息技术有限公司 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN113554668A (zh) * 2021-07-27 2021-10-26 深圳大学 一种皮肤镜图像黑色素瘤分割方法、装置及相关组件

Also Published As

Publication number Publication date
CN111738984B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN108549874B (zh) 一种目标检测方法、设备及计算机可读存储介质
CN108764358B (zh) 一种太赫兹图像识别方法、装置、设备及可读存储介质
CN109859257B (zh) 一种基于纹理方向性的皮肤图像纹理评估方法及***
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN109978854B (zh) 一种基于边缘与结构特征的屏幕内容图像质量评估方法
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN114066857A (zh) 红外图像质量评价方法、装置、电子设备及可读存储介质
CN111784675A (zh) 物品纹理信息处理的方法、装置、存储介质及电子设备
CN111738984B (zh) 基于分水岭和种子填充的皮肤图像斑点评估方法及***
CN114596551A (zh) 一种车载前视图像裂缝检测的方法
CN115908774B (zh) 一种基于机器视觉的变形物资的品质检测方法和装置
CN108921857A (zh) 一种面向监视场景的视频图像焦点区域分割方法
CN112528939A (zh) 一种人脸图像的质量评价方法及装置
CN110996096A (zh) 一种基于结构相似性差异度的色调映射图像质量评价方法
CN111695373A (zh) 斑马线的定位方法、***、介质及设备
CN111709305A (zh) 一种基于局部图像块的人脸年龄识别方法
CN115033721A (zh) 基于大数据的图像检索方法
TWI498830B (zh) 不均勻光線下的車牌辨識方法及系統
CN109241865B (zh) 一种弱对比度交通场景下的车辆检测分割算法
Gandomkar et al. Determining image processing features describing the appearance of challenging mitotic figures and miscounted nonmitotic objects
CN112785550B (zh) 图像质量值确定方法、装置、存储介质及电子装置
CN114881984A (zh) 一种大米加工精度的检测方法、装置、电子设备及介质
CN109949273B (zh) 一种基于纹理对称性的皮肤图像纹理分割方法及***
CN114049571A (zh) 高光谱影像的水体区域提取方法、装置及电子设备

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