CN111861981B - 一种基于点线面的图像颜色空间脂肪点检测评估方法 - Google Patents
一种基于点线面的图像颜色空间脂肪点检测评估方法 Download PDFInfo
- Publication number
- CN111861981B CN111861981B CN202010474308.5A CN202010474308A CN111861981B CN 111861981 B CN111861981 B CN 111861981B CN 202010474308 A CN202010474308 A CN 202010474308A CN 111861981 B CN111861981 B CN 111861981B
- Authority
- CN
- China
- Prior art keywords
- point
- fat
- value
- image
- 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.)
- 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
- G06T7/10—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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (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)
Abstract
本发明公布了一种基于点线面的图像颜色空间脂肪点检测评估方法,属于皮肤图像处理应用技术领域。对相同分辨率的皮肤微距RGB数字图像进行处理,得到皮肤图像脂肪点多个指标属性数值及综合指标值,实现微距皮肤图像表面的脂肪点特征的检测评估;本发明方法检测脂肪点准确度高,速度快,具有良好的市场应用前景和价值。
Description
技术领域
本发明涉及计算机图形学及皮肤脂肪点检测技术,具体涉及一种基于点线面的图像颜色空间脂肪点检测评估方法,属于皮肤图像处理应用技术领域。
背景技术
随着人们生活水平的提高,面部皮肤的美容及护理已经受到人们的广泛关注,客观、定量的对皮肤图像进行检测和计算是近几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脂肪点的检测和属性指标值计算。
随着计算机图像处理技术的飞速发展,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,从而极大地提高评估的精确度。
皮肤图像的特征包括毛孔、斑点、纹理、脂肪点、光泽度等,其中脂肪点特征是一种重要的皮肤度量指标,脂肪点数量和大小以及亮度可衡量皮肤的生理状况。当前检测评估脂肪点的图像处理方法很少,有一些机器学习算法,准确度不高,需要大量的学习样本且速度慢;图像处理方法定量计算一幅皮肤图像表面脂肪点特征指标的数值方法,仅限于简单根据图像像素点颜色值做点(像素)的分析计算,没有脂肪点的线面属性,很多指标无法计算,如脂肪点数量、间距、大小。
发明内容
本发明的目的在于实现一种基于点线面的图像颜色空间脂肪点检测评估方法,根据皮肤图像RGB颜色空间所有像素颜色值信息,计算一幅图像的表面脂肪点大小、数量、亮度、距离等特征值,实现皮肤图像脂肪点检测和多属性值定量评估。
本发明中,皮肤图像来自于数字图像采集设备。目前图像文件多采用RGB颜色空间,本发明算法直接利用RGB颜色空间像素颜色值做脂肪点多属性检测评估,实现定量评估一幅皮肤图像的脂肪点属性。通过本发明方法,可对一幅皮肤微距RGB彩色图像计算得出所有脂肪点的多个属性值以及综合评估指标值,通过这些定量数值可准确度高的标识一幅微距皮肤图像表面脂肪点特征,本发明算法计算速度快,计算脂肪点特征值准确度高,具有很大市场应用价值。
本发明提出的基于点线面的图像颜色空间脂肪点检测评估方法可对相同分辨率的皮肤微距RGB数字图像做处理,得到衡量一幅皮肤图像脂肪点多个指标属性数值以及综合指标值,这些数值可标识微距皮肤图像表面的脂肪点特征,主要包括如下步骤内容:
1)读取皮肤图像所有像素RGB颜色矩阵;
2)皮肤图像预处理:灰度化,得到灰度图像img1;剔除毛发、斑点、毛孔、纹理以及荧光点等,突出脂肪点特征;
3)采用阈值方法得到初始不连续像素点级的脂肪点二值化图像img2;
4)脂肪点缝隙(砂眼)填补,基于圆形模板卷积方法得到连续像素点级的脂肪点,结果图像为二值化图像img4;
5)基于八连通方法遍历得到连续线/面特征的脂肪点,结果图像为三值化图像img5;
6)计算脂肪点数量、大小、距离、亮度、占比的定量属性值。
7)计算皮肤图像脂肪点综合评估值;
具体来说,本发明的方法包括下列步骤:
A.读取皮肤图像所有像素RGB颜色矩阵,具体如下:
皮肤图像文件可以存放在本地、网络或其他媒体介质上,图像文件格式包括但不局限于jpg、bmp、png等;,本发明只需皮肤图像,为本方法唯一的参数;图像的每个像素点有RGB三个颜色分量,皮肤图像文件的RGB值形成为像素RGB颜色二维矩阵,将皮肤图像的像素RGB颜色矩阵读取到计算机内存,作为后续算法计算的基础;
B.皮肤图像预处理:灰度化,剔除毛发、斑点、毛孔以及纹理等,突出脂肪点特征,具体步骤如下:
B1.彩色图像灰度化,得到灰度图像img1;
对内存中的皮肤图像二维矩阵中每个像素的RGB像素值,根据如下公式(1)进行灰度化,其中V为一个像素灰度化的值,Green、Blue分别为该像素三个颜色分量的绿色和蓝色分量,其红色分量脂肪点特征弱,不使用红色分量颜色值做脂肪点特征计算;
V=0.2×Green+0.8×Blue 式(1)
B2.剔除毛发、斑点、毛孔、纹理以及荧光点等;
B2.1计算灰度图像img1中每个像素点p1的灰度均值avg1;
遍历并计算灰度图像img1中每个像素点p1的灰度均值avg1,计算范围是以像素点p1为中心点的方形区域A1,A1范围内的所有像素点在灰度图像img1上的灰度值的均值为avg1,其中方形区域A1边长(像素数量)为定值,如A1的边长为51个像素,如果p1在边界处,没有完整的方形区域A1,则只考虑A1覆盖住图像img1的像素来计算p1点灰度均值avg1;
B2.2设置灰度值avg2,剔除图像中皮肤上的毛发、斑点、毛孔、纹理及高亮噪声点;
遍历方形区域A1内的每个像素p2,如果p2的灰度值低于avg1,则灰度图像img1上赋值p2点灰度值为avg1(p1点处灰度均值,实则为背景像素),此方法可剔除视觉上颜色深(黑)的毛发、斑点、毛孔以及纹理等特征;如果p2的灰度值大于指定的灰度值avg2,如avg2=avg1+80,则赋值p2点灰度值为avg1(p1点处灰度均值,实则为背景像素),此方法可剔除高亮噪声点,如荧光点;
B2.3遍历处理完成灰度图像img1的所有像素点后,img1所有像素灰度值范围为[avg1,avg2];
B3.突出脂肪点特征,线性拉伸灰度范围[avg1,avg2]为范围[0,255];
C.通过阈值方法得到初始不连续像素点级的脂肪点二值化图像img2,具体操作如下:
C1.设定灰度阈值Vt,如Vt=70;
C2.将灰度图像img1的每个像素的灰度值与灰度阈值Vt进行比较,将每个像素识别为脂肪点或背景点,得到二值化图像img2;
具体地,遍历灰度图像img1的每个像素p3,根据p3灰度值v3,计算得到二值化图像img2,即如果v3>Vt,p3点对应的img2上像素点赋值为1(脂肪点),否则赋值为254(背景点);
灰度图像img1所有像素点遍历完成后得到的图像img2为不连续像素点级的脂肪点二值化图像:1值标识为脂肪点像素,254值标识为背景像素,其中具有脂肪点属性(值为1)的像素点间各自独立,没有任何关联;
D.脂肪点缝隙(砂眼)填补,得到二值化图像img4,具体步骤如下:
D1.设定圆形模板,用于卷积计算;
卷积模板K为圆形或近似圆形的半径为R个像素(如5个像素)的区域B,B区域内所有像素点值赋值为1,卷积模板K的原点为圆形区域B的圆心处;
D2.遍历二值化图像img2的每一个像素点p4,对p4点用卷积模板K做卷积计算:卷积模板K的原点放置在像素点p4处,得到卷积值N,N值等于模板K覆盖二值化图像img2范围内的所有像素点中像素灰度值为1的点的数量,N值范围为[0,78];
D3.根据N值赋值一新图像(img3)上对应像素p4点的灰度值为v4,如果N>给定阈值T(如对二值化图像img2,T=20),则v4赋值为1(脂肪点),否则赋值v4为254(背景);
D4.遍历完成二值化图像img2后,得到二值化图像img3:1值标识为脂肪点像素,254值标识为背景像素,此方法可填补脂肪点砂眼噪声,类似数学形态学的膨胀运算;
D5.对得到二值化图像img3,执行操作D2,D3,D4,在图像img3上做卷积,可设定阈值T取值为60,得到二值化图像img4:1值标识为脂肪点像素,254值标识为背景像素,此方法可收缩脂肪点,同时进一步填补脂肪点内部遗留小砂眼,类似数学形态学的腐蚀运算;
E.基于八连通方法遍历得到连续线/面特征的脂肪点三值化图像img4,具体步骤如下:
E1.遍历二值化图像img4的每一个值为1的像素点p;
E2.p点入栈;
E3.出栈一个像素点q,如果q点的八邻域像素点的值全部大于等于1(1为脂肪点像素、2为脂肪点内部像素),则赋值q点为2(脂肪点内部像素点),否则q点取值仍为1,不改变;
E4.分别处理q点的八邻域像素点r,如果值≥1,入栈r,否则不入栈r;
E5.重复E3,E4步骤,直到栈里元素为空,此时得到一个脂肪点的线面特征,具体如下:
E5.1脂肪点的边界线上的像素值为1,脂肪点内部像素值为2,周围背景像素值为254;
E5.2记录该脂肪点的中心点:外包矩形的中心点;
E5.3记录该脂肪点的面积:该脂肪点所有值为1或者2的像素的数量;
E5.4记录该脂肪点的亮度:该脂肪点所有值为1或者2的像素在灰度图像img1上的灰度均值;
E6.完成遍历二值化图像img4后,其部分像素数值被更改,此时的img4即为三值化图像img5,该三值化图像上所有脂肪点具有线面特征,遍历过程中可计数,从而得到脂肪点数量为count;
F.计算脂肪点大小Size、距离Dis、亮度Light、占比Ratio的定量属性值;
F1.分别统计计算所有脂肪点的面积(E5.3)、亮度(E5.4)均值,得到整幅皮肤图像的脂肪点大小Size、亮度Light属性;
F2.计算每个脂肪点与最近脂肪点的距离d,所有脂肪点的d值的均值为整幅皮肤图像的脂肪点距离属性Dis;
F3.所有脂肪点的面积(E5.3)之和/整幅图像的像素数量,得到整幅皮肤图像脂肪点占比属性Ratio。
G.计算皮肤图像脂肪点综合评估值Value,Value值为整幅皮肤图像3个属性值的加权平均值,计算前,参与计算的3个属性值(大小、亮度、占比)先各自做归一化处理,具体计算如公式(2)所示,这种加权平均能够很好的衡量一个皮肤图像脂肪点综合属性:
Value=0.3×Size+0.3×Light+0.4×Ratio (式2)
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点线面的图像颜色空间脂肪点检测评估方法,根据皮肤图像颜色空间像素RGB值信息,计算一幅图像的表面脂肪点数量、大小、亮度、距离、占比特征值,实现皮肤图像脂肪点的检测和多属性定量评估。本发明的优点是直接利用RGB颜色空间做脂肪点特征值计算,皮肤图像是唯一的参数,本发明方法检测脂肪点准确度高,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是本发明方法具体实施的皮肤脂肪点检测***的结构框图。
图2是本发明提供的皮肤脂肪点检测与定量计算方法的流程框图。
图3是本发明实施例中检测皮肤脂肪点的部分皮肤图像。
图4是本发明实施例中按照脂肪点综合评估值对皮肤图像做排序的效果图。
图5是图4左上角6幅小图片的放大图。
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点线面的图像颜色空间脂肪点检测评估方法,根据皮肤图像RGB颜色空间像素颜色值信息,计算一幅图像的表面脂肪点多个属性特征值,实现皮肤图像脂肪点检测与定量评估。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脂肪点检测评估***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,获取分辨率800*800的皮肤图像 | 5 |
云服务器 | Windows server 2012、MySql5.7.16 | 1 |
客户端 | 手机Android客户端 | 5 |
皮肤检测***由皮肤采像硬件设备,计算机服务器端和手机客户端构成,其结构图如图1所示,皮肤脂肪点检测与定量计算流程如图2所示;
本发明提供的皮肤脂肪点检测与评估方法只需要一个图像作为参数,包括:图像灰度化,通过简单阈值方法剔除黑斑、毛孔、纹理、毛发等,突出脂肪点特征;采用阈值方法得到初始的不连续像素点级的脂肪点二值化图像;基于圆形模板卷积方法得到连续像素点级的脂肪点;基于八连通方法遍历得到连续线/面特征的脂肪点,可计算脂肪点数量、大小、距离、亮度、占比的定量属性值,从而定量评估一幅皮肤图像的脂肪点属性。具体实施包括下列步骤:
A.读取皮肤图像所有像素RGB颜色矩阵,具体如下:
A1.本算法唯一的参数是存储在媒体介质上的图像文件;
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值为二维矩阵到计算机内存作为后续算法计算的基础,每个像素点有RGB三个颜色分量;
A4.图像文件格式包括但不局限于jpg、bmp、png等;
B.皮肤图像预处理:灰度化,剔除毛发、斑点、毛孔以及纹理等,突出脂肪点特征,具体步骤如下:
B1.彩色图像灰度化,得到灰度图像img1;
对内存中的皮肤图像二维矩阵中每个像素的RGB像素值,根据如下公式(1)进行灰度化,其中V为一个像素灰度化的值,Green、Blue分别为该像素三个颜色分量的绿色和蓝色分量,其红色分量脂肪点特征弱,不使用红色分量颜色值做脂肪点特征计算;
V=0.2×Green+0.8×Blue 式(1)
B2.剔除毛发、斑点、毛孔、纹理以及荧光点等;
B2.1遍历并计算灰度图像img1每个像素点p1的灰度均值avg1,计算范围是以像素点p1为中心点的方形区域A1,A1范围内的所有像素点在灰度图像img1上的灰度值的均值为avg1,其中方形区域A1边长(像素数量)为定值,如A1的边长为51个像素,如果p1在边界处,没有完整的方形区域A1,则只考虑A1覆盖住图像img1的像素来计算p1点灰度均值avg1;
B2.2遍历方形区域A1内的每个像素p2,如果p2的灰度值低于avg1,则灰度图像img1上赋值p2点灰度值为avg1(p1点处灰度均值,实则为背景像素),此方法可剔除视觉上颜色深(黑)的毛发、斑点、毛孔以及纹理等特征;如果p2的灰度值大于指定的灰度值avg2,如avg2=avg1+80,则赋值p2点灰度值为avg1(p1点处灰度均值,实则为背景像素),此方法可剔除高亮噪声点,如荧光点;
B2.3遍历处理完成灰度图像img1的所有像素点后,Img1所有像素灰度值范围为[avg1,avg2];
B3.突出脂肪点特征,线性拉伸灰度范围[avg1,avg2]为范围[0,255];
C.阈值方法得到初始不连续像素点级的脂肪点二值化图像img2,具体内容如下:
C1.设定灰度阈值Vt,如Vt=70;
C2.遍历灰度图像img1的每个像素p3,根据p3灰度值v3,计算得到二值化图像img2,即如果v3>Vt,p3点对应的img2上像素点赋值为1(脂肪点),否则赋值为254(背景点);
C3.灰度图像img1所有像素点遍历完成后得到的图像img2为不连续像素点级的脂肪点二值化图像:1值标识为脂肪点像素,254值标识为背景像素,其中具有脂肪点属性(值为1)的像素点间各自独立,没有任何关联;
D.脂肪点缝隙(砂眼)填补,得到二值化图像img4,具体步骤如下:
D1.设定圆形模板,用于卷积计算;
卷积模板K为(近似)圆形的半径为5(像素)的区域B,B区域内所有像素点值赋值为1,卷积模板K的原点为圆形区域B的圆心处;
D2.遍历二值化图像img2的每一个像素点p4,对p4点用模板K做卷积计算:模板K的原点放置在像素点p4处,得到卷积值N,N值等于模板K覆盖二值化图像img2范围内的所有像素点中像素灰度值为1的点的数量,N值范围为[0,78];
D3.根据N值赋值图像img3上对应像素p4点的灰度值为v4,如果N>给定阈值T,如T=20,则v4赋值为1(脂肪点),否则赋值v4为254(背景);
D4.遍历完成二值化图像img2后,得到二值化图像img3:1值标识为脂肪点像素,254值标识为背景像素,此方法可填补脂肪点砂眼噪声,类似数学形态学的膨胀运算;
D5.重复步骤D2,D3,D4,其中图像img2上卷积更改为在图像img3上做卷积,阈值T更改为60,得到二值化图像img4:1值标识为脂肪点像素,254值标识为背景像素,此方法可收缩脂肪点,同时进一步填补脂肪点内部遗留小砂眼,类似数学形态学的腐蚀运算;
E.基于八连通方法遍历得到连续线/面特征的脂肪点三值化图像img4,具体步骤如下:
E1.遍历二值化图像img4的每一个值为1的像素点p;
E2.p点入栈;
E3.出栈一个像素点q,如果q点的八邻域像素点的值全部大于等于1值(1为脂肪点像素、2为脂肪点内部像素),则赋值q点为2值(脂肪点内部点),否则q点为1值不改变;
E4.分别处理q点的八邻域像素点r,如果值≥1,入栈r,否则不入栈r;
E5.重复E3,E4步骤,直到栈里元素为空,此时得到一个脂肪点的线面特征,具体如下:
E5.1脂肪点的边界线上的像素值为1,脂肪点内部像素值为2,周围背景像素值为254;
E5.2记录该脂肪点的中心点:外包矩形的中心点;
E5.3记录该脂肪点的面积:该脂肪点所有值为1或者2的像素的数量;
E5.4记录该脂肪点的亮度:该脂肪点所有值为1或者2的像素在灰度图像img1上的灰度均值;
E6.完成遍历二值化图像img4后,img4为三值化图像,该三值化图像上所有脂肪点具有线面特征,遍历过程中可计数,从而得到脂肪点数量为count;
F.计算脂肪点大小Size、距离Dis、亮度Light、占比Ratio的定量属性值;
F1.分别统计计算所有脂肪点的面积(E5.3)、亮度(E5.4)均值,得到整幅皮肤图像的脂肪点大小Size、亮度Light属性;
F2.计算每个脂肪点与最近脂肪点的距离d,所有脂肪点的d值的均值为整幅皮肤图像的脂肪点距离属性Dis;
F3.所有脂肪点的面积(E5.3)之和/整幅图像的像素数量,得到整幅皮肤图像脂肪点占比属性Ratio。
G.计算皮肤图像脂肪点综合评估值Value,Value值为整幅皮肤图像3个属性值的加权平均值,计算前,参与计算的3个属性值(大小、亮度、占比)先各自做归一化处理,具体计算如公式(2)所示,这种加权平均能够很好的衡量一个皮肤图像脂肪点综合属性:
Value=0.3×Size+0.3×Light+0.4×Ratio (式2)
实施例结果表明,按照本发明的方法实现的基于图像RGB空间的皮肤表面脂肪点检测评估方法,检测结果快速且检测结果准确度高。本实施例针对180幅图片的脂肪点按照不同属性的定量数值做了排序,具体地,5个不同客户端可分别登录、紫外光源、微距采像皮肤图像后上传到计算机服务器,计算机服务器采用本发明方法分别计算每幅图像的脂肪点属性值,图3是其中的部分图像,相应的脂肪点属性计算得到数值(已归一化)见表2,按照计算得到的脂肪点综合评估值排序皮肤图像部分图像(界面截图,每幅图片下方中间的数值即为脂肪点综合评估值Value),从排序结果看,脂肪点属性值计算准确度高,排序结果如图4,图5是图4左上角6幅图片的放大图,本发明算法计算速度快,180幅图像脂肪点的计算时间总共不到1分钟。
表2采用本发明方法计算得到的每幅图像的脂肪点多个属性值
序号 | 皮肤图像 | 数量 | 大小 | 占比 | 距离 | 亮度 | 综合 |
1 | 图3a | 158 | 0.17 | 0.41 | 0.41 | 0.45 | 0.35 |
2 | 图3b | 86 | 0.15 | 0.39 | 0.25 | 0.36 | 0.31 |
3 | 图3c | 160 | 0.17 | 0.24 | 0.43 | 0.31 | 0.24 |
4 | 图3d | 115 | 0.19 | 0.11 | 0.31 | 0.46 | 0.24 |
5 | 图3e | 121 | 0.12 | 0.19 | 0.37 | 0.29 | 0.20 |
6 | 图3f | 128 | 0.12 | 0.03 | 0.39 | 0.31 | 0.14 |
7 | 图3g | 179 | 0.13 | 0.03 | 0.52 | 0.27 | 0.13 |
8 | 图3h | 117 | 0.09 | 0.10 | 0.30 | 0.21 | 0.13 |
9 | 图3i | 25 | 0.19 | 0.11 | 0.09 | 0.06 | 0.12 |
10 | 图3j | 40 | 0.21 | 0.08 | 0.11 | 0.08 | 0.12 |
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 (6)
1.一种基于点线面的图像颜色空间脂肪点检测评估方法,对相同分辨率的皮肤微距RGB数字图像进行处理,得到皮肤图像脂肪点多个指标属性数值及综合指标值,实现微距皮肤图像表面的脂肪点特征的检测评估;包括如下步骤:
1)读取皮肤图像文件所有像素的RGB颜色二维矩阵;
2)皮肤图像预处理,步骤如下:
B1.将彩色皮肤图像进行灰度化,得到灰度图像img1;
具体地,对内存中的皮肤图像二维矩阵中每个像素的RGB像素值,根据式(1)进行灰度化:
V=0.2×Green+0.8×Blue 式(1)
其中,V为像素灰度化的值;Green、Blue分别为该像素三个颜色分量中的绿色分量和蓝色分量;
B2.剔除毛发、斑点、毛孔、纹理以及高亮噪声点;具体包括:
B2.1计算灰度图像img1中每个像素点p1的灰度均值,记为avg1;
以像素点p1为中心点的方形区域A1为计算范围;将A1内的所有像素点在灰度图像img1上的灰度值的均值作为avg1;其中,方形区域A1边长即像素数量为一个定值;如果p1在边界处,没有完整的方形区域A1,则根据A1覆盖住灰度图像img1的像素来计算p1点的灰度均值;
B2.2设置灰度值avg2,剔除图像中皮肤上的毛发、斑点、毛孔、纹理及高亮噪声点;
遍历方形区域A1内的每个像素p2;
如果p2的灰度值低于avg1,则将灰度图像img1上的p2点的灰度值赋值为avg1,即等于p1点的灰度均值,相当于为背景像素,由此剔除毛发、斑点、毛孔以及纹理;
如果p2的灰度值大于设置的灰度值avg2,则p2点灰度值赋值为avg1,由此剔除高亮噪声点,包括荧光点;
B2.3遍历处理完成灰度图像img1的所有像素点后,img1中所有像素的灰度值范围为[avg1,avg2];
B3.突出脂肪点特征,将img1中像素的灰度值范围[avg1,avg2]线性拉伸为范围[0,255];
3)采用阈值方法得到初始不连续像素点级的脂肪点二值化图像img2;具体操作如下:
C1.设定灰度阈值Vt;
C2.遍历灰度图像img1的每个像素p3,将每个像素p3的灰度值v3与灰度阈值Vt进行比较,识别每个像素为脂肪点或为背景点,得到二值化图像img2;如果v3>Vt,将p3点对应的img2中的像素点赋值为1,代表该点为脂肪点;否则赋值为254,代表该点位背景点;
C3.灰度图像img1所有像素点遍历完成后得到的图像img2即为不连续像素点级的脂肪点二值化图像img2,其中:像素值位1表示该点为脂肪点,像素值为254表示该点为背景;值为1的具有脂肪点属性的像素点间各自独立,没有任何关联;
4)填补脂肪点缝隙即砂眼,基于圆形模板卷积方法得到连续像素点级的脂肪点,结果图像为二值化图像img4;具体步骤如下:
D1.设定用于卷积计算的卷积模板K;
卷积模板K为圆形或近似圆形,半径为R个像素的区域B;卷积模板K的原点为B的圆心;
将B内所有像素点值赋值为1;
D2.遍历二值化图像img2的每一个像素点p4,对p4点用卷积模板K进行卷积计算:设置卷积模板K的原点为像素点p4,得到卷积值N;N值等于卷积模板K覆盖二值化图像img2的所有像素点中像素灰度值为1的点的数量;
D3.根据N值,对一新图像img3中对应像素p4点的灰度值赋值为v4;
如果N>给定阈值T,则将v4赋值为1,表示该点是脂肪点;否则将v4赋值为254,表示该点为背景;
D4.遍历完二值化图像img2后,得到二值化图像img3;img3中的像素值为1表示该点为脂肪点像素,像素值为254表示该点为背景像素;由此实现填补脂肪点砂眼噪声;
D5.对得到的二值化图像img3,执行操作D2~D4,在图像img3上进行卷积,得到二值化图像img4;img4中的像素值为1值表示该点为脂肪点像素,像素值为254表示该点为背景像素;由此收缩脂肪点,同时进一步填补脂肪点内部遗留小砂眼;
5)基于八连通方法,遍历二值化图像img4,得到连续线/面特征的脂肪点,得到三值化图像img5;具体步骤如下:
E1.遍历二值化图像img4的每一个值为1的像素点p;
E2.将p点入栈;
E3.出栈一个像素点q;
如果q点的八邻域像素点r的值全部大于等于1;值为1代表脂肪点像素,则将q点赋值为2;值为2代表脂肪点内部像素点;
否则,q点取值仍为1;
E4.分别处理q点的八邻域像素点r:如果值大于等于1,将r入栈;否则不入栈;
E5.重复执行步骤E3~E4,直到栈里元素为空,此时得到脂肪点的线面特征;
脂肪点的线面特征具体包括:
E5.1脂肪点的边界线上的像素值为1,脂肪点内部像素值为2,周围背景像素值为254;
E5.2脂肪点的中心点为其外包矩形的中心点;
E5.3脂肪点的面积为该脂肪点所有值为1或2的像素的数量;
E5.4脂肪点的亮度为该脂肪点所有值为1或2的像素在灰度图像img1中的灰度均值;
E6.完成遍历二值化图像img4后,得到三值化图像img5;该三值化图像上所有脂肪点具有线面特征;在遍历过程中计数,可得到脂肪点数量,记为count;
6)计算脂肪点数量、大小、距离、亮度、占比的定量属性值;包括:
F1.分别计算所有脂肪点的面积、亮度的均值,得到整幅皮肤图像的脂肪点大小属性Size、亮度属性Light;
F2.计算每个脂肪点与最近脂肪点的距离d;将所有脂肪点的距离的均值作为整幅皮肤图像的脂肪点距离属性Dis;
F3.将所有脂肪点的面积之和除以整幅图像的像素数量,得到整幅皮肤图像脂肪点占比属性Ratio;
G.计算皮肤图像脂肪点综合评估值Value;包括:
先将整幅皮肤图像的大小属性值、亮度属性值、占比属性值分别进行归一化处理;
再将整幅皮肤图像的大小属性值、亮度属性值、占比属性值进行加权平均,加权平均值即为Value值;具体采用式(2)计算得到:
Value=0.3×Size+0.3×Light+0.4×Ratio (式2)
Value值作为衡量皮肤图像脂肪点综合属性的综合评估值;
通过上述步骤,实现基于点线面的图像颜色空间脂肪点检测评估。
2.如权利要求1所述基于点线面的图像颜色空间脂肪点检测评估方法,其特征是,步骤1)皮肤图像文件的格式包括jpg、bmp、png。
3.如权利要求1所述基于点线面的图像颜色空间脂肪点检测评估方法,其特征是,步骤B2.2中,设置灰度值avg2=avg1+80。
4.如权利要求1所述基于点线面的图像颜色空间脂肪点检测评估方法,其特征是,步骤D2中,N值的取值范围为[0,78]。
5.如权利要求4所述基于点线面的图像颜色空间脂肪点检测评估方法,其特征是,步骤D3中,对二值化图像img2给定阈值T设置为20。
6.如权利要求1所述基于点线面的图像颜色空间脂肪点检测评估方法,其特征是,步骤D5中设定阈值T的取值为60。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474308.5A CN111861981B (zh) | 2020-05-29 | 2020-05-29 | 一种基于点线面的图像颜色空间脂肪点检测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010474308.5A CN111861981B (zh) | 2020-05-29 | 2020-05-29 | 一种基于点线面的图像颜色空间脂肪点检测评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861981A CN111861981A (zh) | 2020-10-30 |
CN111861981B true CN111861981B (zh) | 2023-05-30 |
Family
ID=72985861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010474308.5A Active CN111861981B (zh) | 2020-05-29 | 2020-05-29 | 一种基于点线面的图像颜色空间脂肪点检测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861981B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6690822B1 (en) * | 2000-10-20 | 2004-02-10 | Eastman Kodak Company | Method for detecting skin color in a digital image |
CN101865899A (zh) * | 2010-06-21 | 2010-10-20 | 邹运动 | 一种定量评价人工皮肤角质层屏障功能的方法 |
WO2015024383A1 (zh) * | 2013-08-19 | 2015-02-26 | 成都品果科技有限公司 | 用于颜色分布和纹理分布图像检索的相似度获取方法 |
-
2020
- 2020-05-29 CN CN202010474308.5A patent/CN111861981B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6690822B1 (en) * | 2000-10-20 | 2004-02-10 | Eastman Kodak Company | Method for detecting skin color in a digital image |
CN101865899A (zh) * | 2010-06-21 | 2010-10-20 | 邹运动 | 一种定量评价人工皮肤角质层屏障功能的方法 |
WO2015024383A1 (zh) * | 2013-08-19 | 2015-02-26 | 成都品果科技有限公司 | 用于颜色分布和纹理分布图像检索的相似度获取方法 |
Non-Patent Citations (1)
Title |
---|
基于颜色和纹理特征提取彩色图像的有意义区域;于铂;郑丽敏;田立军;;计算机工程(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111861981A (zh) | 2020-10-30 |
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 | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CN111563447A (zh) | 一种基于密度图的人群密度分析与检测定位方法 | |
CN109344818B (zh) | 一种基于深度卷积网络的光场显著目标检测方法 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN109558792B (zh) | 一种基于样本和特征检测互联网徽标内容的方法和*** | |
CN111784675A (zh) | 物品纹理信息处理的方法、装置、存储介质及电子设备 | |
WO2021147866A1 (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN111259792B (zh) | 基于dwt-lbp-dct特征的人脸活体检测方法 | |
CN116052105A (zh) | 路面裂缝识别分类及面积计算方法、***、设备及终端 | |
CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 | |
CN115033721A (zh) | 基于大数据的图像检索方法 | |
Yang et al. | No‐reference image quality assessment via structural information fluctuation | |
CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及*** | |
CN114638958A (zh) | 一种多特征融合的三元正极材料粗糙度提取方法及装置 | |
CN111861981B (zh) | 一种基于点线面的图像颜色空间脂肪点检测评估方法 | |
CN116977895A (zh) | 用于通用相机镜头的污渍检测方法、装置及计算机设备 | |
CN116386048A (zh) | 一种***去除方法、装置、设备及存储介质 | |
CN115965613A (zh) | 基于空洞卷积的跨层连接的施工场景人群计数方法 | |
CN113065407B (zh) | 基于注意力机制和生成对抗网络的财务票据***擦除方法 | |
CN109949273B (zh) | 一种基于纹理对称性的皮肤图像纹理分割方法及*** | |
CN111784635B (zh) | 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 | |
CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 |
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 |