CN113128376A - 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备 - Google Patents
基于图像处理的皱纹识别方法、皱纹识别装置及终端设备 Download PDFInfo
- Publication number
- CN113128376A CN113128376A CN202110364919.9A CN202110364919A CN113128376A CN 113128376 A CN113128376 A CN 113128376A CN 202110364919 A CN202110364919 A CN 202110364919A CN 113128376 A CN113128376 A CN 113128376A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- wrinkles
- area
- preset
- 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
Links
- 230000037303 wrinkles Effects 0.000 title claims abstract description 194
- 238000012545 processing Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000001914 filtration Methods 0.000 claims abstract description 53
- 210000001061 forehead Anatomy 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 206010067868 Skin mass Diseases 0.000 claims description 18
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000003706 image smoothing Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000003707 image sharpening Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009759 skin aging Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004624 confocal microscopy Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229920001296 polysiloxane Polymers 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000003712 anti-aging effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037311 normal skin Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种基于图像处理的皱纹识别方法、皱纹识别装置及终端设备,用于提高皱纹识别装置或终端设备识别皮肤皱纹的总数量和总面积的准确性。本发明实施例方法包括:获取待识别图像,并在所述待识别图像中确定目标区域图像;其中,所述目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;对所述目标区域图像进行灰度处理,得到灰度图像;对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;对所述第一图像进行Frangi滤波,得到第二图像;在所述第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
Description
技术领域
本发明涉及终端设备应用领域,尤其涉及一种基于图像处理的皱纹识别方法、皱纹识别装置及终端设备。
背景技术
随着生活水平的提高,人们对于美的追求也越来越高,皮肤的美容护理也成为人们的关注重点。同时,随着社会老龄化程度的逐步加深,皮肤的衰老和抗衰老研究也逐渐兴起。皮肤老化的表现多种多样,其中,皱纹是极具代表性的皮肤老化特征之一。
目前,识别皮肤皱纹的方法可以分为间接测量法和直接测量法。间接测量法主要是对皮肤的硅胶复膜样品进行诸如光学测量法、机械测量法、激光测量法和透射测量法的测量。该间接测量法可以是终端设备将首先制备皮肤的硅胶进行复制,得到复制品,然后对该复制品进行测量。直接测量可以包括光栅投影法和共焦显微法。其中,光栅投影法,即用结构光(光栅)投影到皮肤表面,根据结构光在不平表面的变形,恢复其三维结构。但该光栅投影法对于结构光投影设备要求较高,价格昂贵。共焦显微法,即激光聚焦成线度接近单个分子的极小斑点,照射复制品,使该复制品产生荧光。但只有焦点处的荧光可以被探测到,非焦点处的荧光将受到紧靠探测器的空间滤波器的阻碍,不会进入探测器,被探测到的焦点可以构成样品细胞一个层面的图像,连续改变激光的焦点,可在一系列层面上进行扫描,得到整个复制品的细胞三维结构图。
然而,这些方法在识别皮肤皱纹的过程中会出现较多误差,从而导致皱纹识别装置或终端设备识别皮肤皱纹的总数量和总面积的准确性较低。
发明内容
本发明实施例提供了一种基于图像处理的皱纹识别方法、皱纹识别装置及终端设备,用于提高皱纹识别装置或终端设备识别皮肤皱纹的总数量和总面积的准确性。
本发明实施例第一方面提供了一种基于图像处理的皱纹识别方法,可以包括:
获取待识别图像,并在该待识别图像中确定目标区域图像;其中,该目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;
对该目标区域图像进行灰度处理,得到灰度图像;
对该灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;
对该第一图像进行Frangi滤波,得到第二图像;
在该第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,该获取待识别图像,并在该待识别图像中确定目标区域图像,包括:获取待识别图像;通过第一预设算法,在该待识别图像中,确定人脸特征点;根据该人脸特征点,确定目标区域图像。
可选的,该在该第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积,包括:对该第二图像进行二值化处理,得到二值化图像;在该二值化图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,该在该第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积,包括:通过第二预设算法,在该第二图像中,确定各个皱纹的偏心率,以及该各个皱纹的面积;将该各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定该目标皱纹的总数量和总面积。
可选的,该方法还包括:根据该目标总数量和该目标总面积,得到第一目标数值;其中,该第一目标数值用于表征该皱纹的严重程度。
可选的,该根据该目标总数量和该目标总面积,得到第一目标数值,包括:根据第一公式,得到第一目标数值;
其中,该第一公式为A=λB+10-3(1-λ)C;A表示该第一目标数值;B表示该目标总数量;C表示该目标总面积;λ表示严重程度系数。
可选的,该方法还包括:当该第一目标数值小于第一预设数值阈值时,根据第二公式,生成并输出第一皮肤质量分数;当该第一目标数值大于等于该第一预设数值阈值,且小于第二预设数值阈值时,根据第三公式,生成并输出第二皮肤质量分数;当该第一目标数值大于等于该第二预设数值阈值,且小于第三预设数值阈值时,根据第四公式,生成并输出第三皮肤质量分数;当该第一目标数值大于等于该第三预设数值阈值时,生成并输出第四皮肤质量分数;其中,该第二公式为E1=100-10A/a;
该第三公式为E2=90-10(A-a)/(b-a);
该第四公式为E3=80-10(A-b)/(c-b);E1表示该第一皮肤质量分数;a表示该第一预设数值阈值;E2表示第二皮肤质量分数;b表示该第二预设数值阈值;E3表示该第三皮肤质量分数;c表示该第三预设数值阈值。
本发明实施例第二方面提供了一种皱纹识别装置,可以包括:
获取模块,用于获取待识别图像;
处理模块,用于在该待识别图像中确定目标区域图像;其中,该目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;
该获取模块,还用于对该目标区域图像进行灰度处理,得到灰度图像;对该灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;对该第一图像进行Frangi滤波,得到第二图像;
该处理模块,还用于在该第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,该获取模块,用于获取待识别图像;
该处理模块,具体用于通过第一预设算法,在该待识别图像中,确定人脸特征点;根据该人脸特征点,确定目标区域图像。
可选的,该处理模块,具体用于对该第二图像进行二值化处理,得到二值化图像;在该二值化图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,该处理模块,具体用于通过第二预设算法,在该第二图像中,确定各个皱纹的偏心率,以及该各个皱纹的面积;将该各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定该目标皱纹的总数量和总面积。
可选的,该处理模块,还用于根据该目标总数量和该目标总面积,得到第一目标数值;其中,该第一目标数值用于表征该皱纹的严重程度。
可选的,该处理模块,具体用于根据第一公式,得到第一目标数值;其中,该第一公式为A=λB+10-3(1-λ)C;A表示该第一目标数值;B表示该目标总数量;C表示该目标总面积;λ表示严重程度系数。
可选的,该处理模块,还用于当该第一目标数值小于第一预设数值阈值时,根据第二公式,生成并输出第一皮肤质量分数;当该第一目标数值大于等于该第一预设数值阈值,且小于第二预设数值阈值时,根据第三公式,生成并输出第二皮肤质量分数;当该第一目标数值大于等于该第二预设数值阈值,且小于第三预设数值阈值时,根据第四公式,生成并输出第三皮肤质量分数;当该第一目标数值大于等于该第三预设数值阈值时,生成并输出第四皮肤质量分数;其中,该第二公式为E1=100-10A/a;
该第三公式为E2=90-10(A-a)/(b-a);
该第四公式为E3=80-10(A-b)/(c-b);E1表示该第一皮肤质量分数;a表示该第一预设数值阈值;E2表示第二皮肤质量分数;b表示该第二预设数值阈值;E3表示该第三皮肤质量分数;c表示该第三预设数值阈值。
本发明实施例第三方面提供了一种皱纹识别装置,可以包括:
存储有可执行程序代码的存储器;
以及所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,所述可执行程序代码被所述处理器执行时,使得所述处理器实现如本发明实施例第一方面所述的方法。
本发明实施例第四方面提供一种终端设备,可以包括如本发明实施例第二方面或第三方面所述的皱纹识别装置。
本发明实施例又一方面提供一种计算机可读存储介质,其上存储有可执行程序代码,所述可执行程序代码被处理器执行时,实现如本发明实施例第一方面所述的方法。
本发明实施例又一方面公开一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得该计算机执行本发明实施例第一方面公开的任意一种所述的方法。
本发明实施例又一方面公开一种应用发布平台,该应用发布平台用于发布计算机程序产品,其中,当该计算机程序产品在计算机上运行时,使得该计算机执行本发明实施例第一方面公开的任意一种所述的方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
在本发明实施例中,获取待识别图像,并在所述待识别图像中确定目标区域图像;其中,所述目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;对所述目标区域图像进行灰度处理,得到灰度图像;对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;对所述第一图像进行Frangi滤波,得到第二图像;在所述第二图像中,对皱纹的特征进行,以确定皱纹的总数量和总面积。即终端设备在获取的待识别图像中确定目标区域图像,并对该目标区域图像进行灰度处理、同态滤波处理、局部直方图均衡处理和Frangi滤波处理,得到第二图像;该终端设备在该第二图像中提取皱纹的特征,以确定皱纹的总数量和总面积。这种方法可以提高皱纹识别装置或终端设备识别皮肤皱纹的总数量和总面积的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,还可以根据这些附图获得其它的附图。
图1a为本发明实施例中基于图像处理的皱纹识别方法的一个实施例示意图;
图1b为本发明实施例中目标区域图像的一个实施例示意图;
图2为本发明实施例中基于图像处理的皱纹识别方法的另一个实施例示意图;
图3为本发明实施例中基于图像处理的皱纹识别方法的另一个实施例示意图;
图4为本发明实施例中基于图像处理的皱纹识别方法的另一个实施例示意图;
图5为本发明实施例中皱纹识别装置的一个实施例示意图;
图6为本发明实施例中皱纹识别装置的另一个实施例示意图;
图7为本发明实施例中终端设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于图像处理的皱纹识别方法、皱纹识别装置及终端设备,用于提高皱纹识别装置或终端设备识别皮肤皱纹的总数量和总面积的准确性。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,都应当属于本发明保护的范围。
可以理解的是,本发明实施例中所涉及的终端设备可以包括一般的手持有屏电子终端设备,诸如手机、智能电话、便携式终端、终端、个人数字助理(PersonalDigitalAssistant,PDA)、便携式多媒体播放器(PersonalMediaPlayer,PMP)装置、笔记本电脑、笔记本(NotePad)、无线宽带(WirelessBroadband,Wibro)终端、平板电脑(PersonalComputer,PC)、智能PC、销售终端(PointofSales,POS)和车载电脑等。
终端设备也可以包括可穿戴设备。可穿戴设备可以直接穿戴在用户身上,或是整合到用户的衣服或配件的一种便携式电子设备。可穿戴设备不仅仅是一种硬件设备,更可以通过软件支持以及数据交互、云端交互来实现强大的智能功能,比如:计算功能、定位功能、报警功能,同时还可以连接手机及各类终端。可穿戴设备可以包括但不限于以手腕为支撑的watch类(比如手表、手腕等产品),以脚为支撑的shoes类(比如鞋、袜子或者其他腿上佩戴产品),以头部为支撑的Glass类(比如眼镜、头盔、头带等)以及智能服装,书包、拐杖、配饰等各类非主流产品形态。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本发明实施例的执行主体可以是皱纹识别装置,也可以是终端设备。下面以终端设备为例,对本发明技术方案做进一步的说明。
如图1a所示,为本发明实施例中基于图像处理的皱纹识别方法的一个实施例示意图,可以包括:
101、获取待识别图像,并在所述待识别图像中确定目标区域图像。
其中,该目标区域图像可以包括但不限于以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像。
需要说明的是,待识别图像可以是用户的脸部图像,也可以是该用户脸部和其它部分区域(例如:脖子部分)图像;该待识别图像可以是终端设备通过摄像头拍摄得到,也可以是该终端设备通过其他拍摄装置拍摄得到,此处不做具体限定。
可选的,终端设备获取待识别图像,并在该待识别图像中确定目标区域图像,可以包括但不限于以下的实现方式:
实现方式1:终端设备获取待识别图像;该终端设备通过第一预设算法,在该待识别图像中,确定人脸特征点;该终端设备根据该人脸特征点,确定目标区域图像。
需要说明的是,第一预设算法可以是Python函数库、跨平台计算机视觉函数库(Open Source Computer Vision Library,OpenCV函数库)、边缘检测算法、索贝尔算法以及主动轮廓线模型中的至少一项。人脸特征点可以从该第一预设算法中进行提取。
示例性的,终端设备根据该人脸特征点,确定目标区域图像,可以包括:终端设备根据特征点(19.x,24.y-29.y+18.y+140)、(25.x-100,24.y-50),确定上额区域图像;该终端设备根据特征点(21.x,21.y-(27.y-21.y))、(22.x,27.y),确定第一眼部区域图像(例如:左眼区域图像);该终端设备根据特征点(42.X,46.y)、(14.x,14.y),确定第二眼部区域图像(例如:右眼区域图像);该终端设备根据特征点(5.x,30.y)、(39.x,5.y),确定第一嘴部区域图像(例如:左脸嘴周区域图像);该终端设备根据特征点(42.x,30.y)、(11.x,11.y),确定第二嘴部区域图像(例如:右脸嘴周区域图像)。
其中,.x表示x轴,.y表示y轴。18.y+140表示18号特征点的纵坐标加上140个单位长度;25.x-100表示25号特征点的纵坐标减去100个单位长度;24.y-50表示24号特征点的纵坐标减去50个单位长度。
可选的,如图1b所示,为本发明实施例中目标区域图像的一个实施例示意图,可以包括:上额区域图像106、眉间区域图像107、眼部区域图像108以及嘴部区域图像109。其中,眼部区域图像108可以包括第一眼部区域图像1081(例如:左眼区域图像)和第二眼部区域图像1082(例如:右眼区域图像);眼部区域图像109可以包括第一嘴部区域图像1091(例如:左脸嘴周区域图像)和第二嘴部区域图像1092(例如:右脸嘴周区域图像)。
实现方式2:终端设备检测用户与该终端设备之间的距离;该终端设备当该距离位于预设距离范围内时,获取待识别图像;该终端设备通过第一预设算法,在该待识别图像中,确定人脸特征点;该终端设备根据该人脸特征点,确定目标区域图像。
需要说明的是,预设距离范围是第一距离阈值和第二距离阈值构建的区间。该距离位于预距离设范围内,即该距离大于该第一距离阈值,且小于等于该第二距离阈值。
示例性的,假设第一距离阈值为10厘米(简称:cm),第二距离阈值为25cm,预设距离范围为(10cm,25cm)。终端设备检测用户与该终端设备之间的距离为18cm,该18cm位于预设距离设范围(10cm,25cm)内,此时,该终端设备获取待识别图像。
实现方式3:终端设备检测当前环境亮度值;该终端设备当该当前环境亮度值位于预设亮度范围内时,获取待识别图像;该终端设备通过第一预设算法,在该待识别图像中,确定人脸特征点;该终端设备根据该人脸特征点,确定目标区域图像。
需要说明的是,预设亮度范围是第一亮度阈值和第二亮度阈值构建的区间。该当前环境亮度值位于预设亮度范围内,即该当前环境亮度值大于该第一亮度阈值,且小于等于该第二亮度阈值。
示例性的,假设第一亮度阈值为120坎德拉/平方米(简称:cd/m2),第二亮度阈值为150cd/m2,预设亮度范围为(120cd/m2,150cd/m2)。终端设备检测到当前环境亮度值为136cd/m2,该136cd/m2位于预设亮度设范围(120cd/m2,150cd/m2)内,此时,该终端设备获取待识别图像。
可以理解的是,终端设备在预设距离范围内或预设亮度范围内获取的待识别图像较为清晰,便于对在该待识别图像中确定的目标区域图像进行灰度处理。
102、对所述目标区域图像进行灰度处理,得到灰度图像。
需要说明的是,灰度处理是指终端设备对目标区域图像上的三种颜色分量进行处理,该三种颜色分量分别包括:红色(Red,R)、绿色(Green,G)和蓝色(Blue,B)。该灰度处理可以包括但不限于以下四种方法:分量法、最大值法、平均值法以及加权平均法。
可以理解的是,分类法是指终端设备将目标区域图像上的RGB,分别确定为三种目标颜色分量,例如:将R确定为第一目标颜色分量,该第一目标颜色分量的灰度为N;将G确定为第二目标颜色分量,该第二目标颜色分量的灰度为P;将B确定为第三目标颜色分量,该第三目标颜色分量的灰度为Q。最大值法是指终端设备将目标区域图像上的RGB中亮度值最大的颜色分量,确定为最大目标颜色分量,该最大目标颜色分量的灰度为M。平均值法是指终端设备将目标区域图像上的RGB对应的三个亮度值进行平均,得到第四目标颜色分量,该第四目标颜色分量的灰度值为RGB的平均灰度值。加权平均法是指终端设备将目标区域图像上的RGB对应的三个亮度值按照不同的权重比例,进行加权平均,得到第五目标颜色分量,该第五目标颜色分量的灰度值为RGB的加权平均灰度值H。
其中,N、P、Q、M以及H都表示不同于R、G和B的灰度值;N、P、Q、M以及H可以相同,也可以不相同,此处不做具体限定。
103、对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像。
需要说明的是,同态滤波是指同态滤波器可以在频域中对灰度图像进行对比度增强,同时,压缩该灰度图像亮度范围。同态滤波器能够减少低频并且增加高频,从而能减少灰度图像中的光照变化,并锐化该灰度图像的边缘细节。同态滤波的依据是终端设备在获取灰度图像的过程中,照明反射成像的原理,对该灰度图像的灰度范围进行调整,消除该灰度图像上照明不均的问题,并有效增强第一图像的灰度值。
其中,同态滤波的实现过程:同态滤波器对灰度图像取对数后,进行傅立叶变换,得到第一目标图像;该同态滤波器对该第一目标图像进行滤波,得到灰度幅度范围;该同态滤波器对该灰度幅度范围进行傅里叶逆变换,再取指数,得到第一图像。
可选的,该同态滤波器对该灰度图像进行滤波,得到灰度幅度范围,可以包括:该同态滤波器对该第一目标图像里利用滤波函数公式,得到灰度幅度范围。
其中,该滤波函数公式为H=(γH-γL)[1-1/ecX]+γL;X=Y2/Z2;
H表示滤波函数公式;γH表示第一滤波阈值;γL表示第二滤波阈值;c表示从低频到高频过渡段的斜率;X表示频率比值;Y表示输入频率;Z表示截止频率。
通常情况下,γH>1(例如,γH=2);γL<1(例如:γL=0.5)。
示例性的,c=4;Z取10。
需要说明的是,局部直方图均衡是指对灰度图像进行平滑处理(简称:图像平滑)以及对该灰度图像进行锐化处理(简称:图像锐化)。其中,图像平滑是低频增强的空域滤波技术。图像平滑可以模糊灰度图像,也可以消除该灰度图像的噪声。该图像平滑一般采用简单平均法,即计算得到相邻两个像素点之间的平均亮度值。相邻两个像素点之间的邻域大小与灰度图像的平滑效果直接相关,邻域越大,平滑效果越好,但邻域过大,灰度图像的边缘信息损失也会越大,从而使输出的第一图像较为模糊,即该灰度图像的平滑效果较差,因此,终端设备需要设定合适的邻域大小,以保证第一图像的清晰度。然而,图像锐化与图像平滑是相反的图像均衡技术,图像锐化是高频增强的空域滤波技术。该图像锐化是通过增强高频分量来减少灰度图像中的模糊度,即增强该灰度图像的细节边缘和轮廓,同时,增强该灰度图像上的灰度反差,便于得到较为清晰的第一图像。但是,图像锐化在增强灰度图像细节边缘的同时,也会增加该灰度图像的噪声。因此,终端设备会结合图像平滑和图像锐化,对灰度图像进行局部直方图均衡,以得到第一图像。
具体的,终端设备将灰度图像分成小区域,称之为tiles,然后对各个tiles进行直方图均衡化。因为每一个tiles的直方图都会集中在一个小的灰度范围内,所以,当灰度图像上存在噪声时,该灰度图像上的噪声将会被直方图放大。该终端设备通过使用对比度限制的方法,以避免放大该灰度图像上存在的噪声。对于每个tiles而言,如果直方图中的某个灰度值的像素点个数超过对比度上限,就将多余的像素点均分到其他灰度值上,经过以上的直方图重构操作以后,该终端设备再进行直方图均衡化,最后使用双线性插值对每一个tiles的边界进行拼接。通常情况下,tiles的大小为8×8,单位为像素点的格式,对比度上限为3cd/m2。
可以理解的是,终端设备对灰度图像进行同态滤波和局部直方图均衡处理,可以增大得到的第一图像上皱纹与正常皮肤之间的差异。
104、对所述第一图像进行Frangi滤波,得到第二图像。
需要说明的是,Frangi滤波可以分为二维Frangi滤波和三维Frangi滤波;该Frangi滤波指的是终端设备对第一图像的像素值进行过滤,该第二图像上可以突出显示由皱纹或老化纹理引起的强度梯度。
其中,Frangi滤波是在Frangi滤波器中实现的。Frangi滤波器属于Hessian滤波器,该Frangi滤波器的计算是基于Hessian矩阵的。
然后,终端设备根据其中,λ1和λ2为Hessian矩阵的两个特征值,且绝对值λ1小于等于绝对值λ2;Rb表示像素点沿着某一方向上的图形曲率大小,且趋于最大值。当λ1和λ2趋于零时,其比值Rb为零,即使λ2非常小,Rb也是有限的。
最后,终端设备根据Rb和S构建滤波响应函数。
该滤波响应函数为:当λ2>0时,V0=0;
其中,β用于调整线状和块状物的区别,β的取值范围为(0.3,2);c为控制线状物的整体平滑参数,c的取值范围为(10-6,10-5)。
可以理解的是,β和c可以是终端设备根据大量试验数据得到的。
示例性的,β=0.5;c=0.9*10-5。
105、在所述第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,终端设备在该第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积,可以包括:对该第二图像进行二值化处理,得到二值化图像;在该二值化图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
需要说明的是,皱纹的特征可以是皱纹的连通分量,即是二值化图象上的白色线条。终端设备对该第二图像进行二值化后得到的图像是只存在像素值为0和像素值为255的图像,即二值化图像上只有黑色像素点和白色像素点。终端设备在该二值化图像中,确定的皱纹的总数量和总面积会更为准确。
可选的,终端设备对该第二图像进行二值化处理,得到二值化图像;在该二值化图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积,可以包括:终端设备对该第二图像进行阈值分割得到第三图像;对该第三图像进行二值化处理,得到二值化图像;在该二值化图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
需要说明的是,终端设备可以通过阈值分割,使第三图像上的皱纹更加明显。其中,不同的目标区域对应的第三图像上的预设阈值是不同的。示例性的,上额区域对应的第三图像上的预设阈值可以是0.4;眉间区域和眼部区域对应的第三图像上的预设阈值可以是0.5;嘴部区域对应的第三图像上的预设阈值可以是0.3。
在本发明实施例中,获取待识别图像,并在所述待识别图像中确定目标区域图像;其中,所述目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;对所述目标区域图像进行灰度处理,得到灰度图像;对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;对所述第一图像进行Frangi滤波,得到第二图像;在所述第二图像中,对皱纹的特征进行,以确定皱纹的总数量和总面积。即终端设备在获取的待识别图像中确定目标区域图像,并对该目标区域图像进行灰度处理、同态滤波处理、局部直方图均衡处理和Frangi滤波处理,得到第二图像;该终端设备在该第二图像中提取皱纹的特征,以确定皱纹的总数量和总面积。这种方法可以提高皱纹识别装置或终端设备识别皮肤皱纹的总数量和总面积的准确性。
如图2所示,为本发明实施例中基于图像处理的皱纹识别方法的另一个实施例示意图,可以包括:
201、获取待识别图像,并在所述待识别图像中确定目标区域图像。
其中,该目标区域图像可以包括但不限于以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像。
202、对所述目标区域图像进行灰度处理,得到灰度图像。
203、对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像。
204、对所述第一图像进行Frangi滤波,得到第二图像。
需要说明的是,步骤201-204与本实施例中图1所示的步骤101-104类似,此处不再赘述。
205、通过第二预设算法,在所述第二图像中,确定各个皱纹的偏心率,以及所述各个皱纹的面积。
需要说明的是,第二预设算法可以是终端设备出厂前设置的,也可以是用户根据相应代码编程得到的,此处不做具体限定。该第二预设算法用于确定各个皱纹的偏心率,以及所述各个皱纹的面积。其中,皱纹的面积可以是该皱纹对应的连通分量上像素值的总和。
206、将所述各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定所述目标皱纹的总数量和总面积。
需要说明的是,预设偏心率阈值可以终端设备通过大量实验数据得到的最优数据,示例性的,该预设偏心率阈值的取值可以是0.98。预设面积范围是第一面积阈值和第二面积阈值构建的区间。该第一面积位于预设面积范围内,即该第一面积大于该第一面积阈值,且小于等于该第二面积阈值。
可以理解的是,在步骤206中,在目标皱纹的第一偏心率大于预设偏心率阈值的同时,该目标皱纹的第一面积位于预设面积范围内,可以是脸部纹理是否为脸部皱纹的识别标准。终端设备在第二图像上,对符合该识别标准的皱纹进行提取,并对不符合该识别标准的皱纹进行剔除,以获得准确性较高的皱纹的总数量和总面积。
在本发明实施例中,获取待识别图像,并在所述待识别图像中确定目标区域图像;其中,所述目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;对所述目标区域图像进行灰度处理,得到灰度图像;对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;对所述第一图像进行Frangi滤波,得到第二图像;通过第二预设算法,在所述第二图像中,确定各个皱纹的偏心率,以及所述各个皱纹的面积;将所述各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定所述目标皱纹的总数量和总面积。即终端设备在获取的待识别图像中确定目标区域图像,并对该目标区域图像进行灰度处理、同态滤波处理、局部直方图均衡处理和Frangi滤波处理,得到第二图像;该终端设备在该第二图像中提取皱纹的特征,对符合该识别标准的皱纹进行提取,并对不符合该识别标准的皱纹进行剔除,以确定皱纹的总数量和总面积。这种方法可以提高皱纹识别装置或终端设备识别皮肤皱纹的总数量和总面积的准确性。
如图3所示,为本发明实施例中基于图像处理的皱纹识别方法的另一个实施例示意图,可以包括:
301、获取待识别图像,并在所述待识别图像中确定目标区域图像。
其中,该目标区域图像可以包括但不限于以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像。
302、对所述目标区域图像进行灰度处理,得到灰度图像。
303、对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像。
304、对所述第一图像进行Frangi滤波,得到第二图像。
305、通过第二预设算法,在所述第二图像中,确定各个皱纹的偏心率,以及所述各个皱纹的面积。
306、将所述各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定所述目标皱纹的总数量和总面积。
需要说明的是,步骤301-306与本实施例中图2所示的步骤201-206类似,此处不再赘述。
307、根据所述目标总数量和所述目标总面积,得到第一目标数值。
其中,该第一目标数值用于表征该皱纹的严重程度。
可选的,终端设备根据该目标总数量和该目标总面积,得到第一目标数值,可以包括:根据第一公式,得到第一目标数值;
其中,该第一公式为A=λB+10-3(1-λ)C;
A表示该第一目标数值;B表示该目标总数量;C表示该目标总面积;λ表示严重程度系数。
其中,λ用于调节皱纹的总数量和总面积对皱纹严重程度的影响比例。根据大量的实验数据可知,通常情况下,当λ=0.3时,得到的第一目标数值,即皱纹的严重程度较为准确。
需要说明的是,皱纹的严重程度是指皱纹的总面积与目标区域面积的比例。比例越大,说明皱纹的严重程度越大,反之,则说明皱纹的严重程度越小。
可选的,步骤307之后,该方法还可以包括:当该第一目标数值小于第一预设数值阈值时,根据第二公式,生成并输出第一皮肤质量分数;
当该第一目标数值大于等于该第一预设数值阈值,且小于第二预设数值阈值时,根据第三公式,生成并输出第二皮肤质量分数;
当该第一目标数值大于等于该第二预设数值阈值,且小于第三预设数值阈值时,根据第四公式,生成并输出第三皮肤质量分数;
当该第一目标数值大于等于该第三预设数值阈值时,生成并输出第四皮肤质量分数;
其中,该第二公式为E1=100-10A/a;
该第三公式为E2=90-10(A-a)/(b-a);
该第四公式为E3=80-10(A-b)/(c-b);
E1表示该第一皮肤质量分数;a表示该第一预设数值阈值;E2表示第二皮肤质量分数;b表示该第二预设数值阈值;E3表示该第三皮肤质量分数;c表示该第三预设数值阈值。
需要说明的是,终端设备可以将皱纹的严重程度按照公式,变换成皮肤质量分数,其中,该皮肤质量分数越高,说明用户脸部皱纹越轻和/或越少,从而说明用户脸的皮肤质量越好。
可以理解的是,终端设备在输出皮肤质量分数的过程中,先对第一目标数值进行阈值划分。其中,不同的目标区域对应的a、b和c是不同的。
示例性的:上额区域对应的阈值可以是a=0.40,b=0.95,c=2.30;眉间区域对应的阈值可以是a=0.41,b=0.50,c=15.00;眼部区域对应的阈值可以是a=0.41,b=1.30,c=2.00;嘴部区域对应的阈值可以是a=0.35,b=1.31,c=3.00。
需要说明的是,由于目标区域图像可以包括但不限于以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像。其中,该眼部区域图像可以包括第一眼部区域图像(例如:左眼区域图像)和第二眼部区域图像(例如:右眼区域图像);嘴部区域图像可以包括第一嘴部区域图像(例如:左脸嘴周区域图像)和第二嘴部区域图像(例如:右脸嘴周区域图像)。因此,终端设备在待识别图像中缺的目标区域图像为至少一张区域图像。当目标区域图像为至少两张区域图像时,终端设备可以获取目标区域图像的个数,以及每个目标区域图像对应的皮肤质量分数,并计算得到目标皮肤质量分数,其中,该目标皮肤质量分数为每个皮肤质量分数之和的平均值。
示例性的,假设终端设备获取左眼区域图像、左眼区域图像对应的皮肤质量分数为60分、右眼区域图像,以及右眼区域图像对应的皮肤质量分数为63分,那么,该终端设备获取的目标皮肤质量分数为(60+63)/2=61.5分。
可选的,终端设备可以根据该目标质量分数,提出针对性建议。用户可以根据这些针对性建议采取相应措施,以改善皮肤质量。
示例性的,如图4所示,为本发明实施例中基于图像处理的皱纹识别方法的另一个实施例示意图,可以包括:待识别图像401、目标区域图像402、灰度图像403、第一图像404、第二图像405,以及评分图像406。
需要说明的是,待识别图像301、目标区域图像302和评分图像406是彩色的;终端设备可以在获取的待识别图像401中根据第一预设算法,确定目标区域图像402;该终端设备对目标区域图像402进行灰度处理,得到灰度图像403;对灰度图像403进行同态滤波和局部直方图均衡处理,得到第一图像404;对第一图像404进行Frangi滤波,得到第二图像405;在第二图像405中,对皱纹的特征进行,以确定皱纹的总数量和总面积;该终端设备输出目标评分图像406,其中评分图像406上可以显示目标皮肤质量分数Grade(例如:Grade:70)。
在本发明实施例中,获取待识别图像,并在所述待识别图像中确定目标区域图像;其中,所述目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;对所述目标区域图像进行灰度处理,得到灰度图像;对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;对所述第一图像进行Frangi滤波,得到第二图像;通过第二预设算法,在所述第二图像中,确定各个皱纹的偏心率,以及所述各个皱纹的面积;将所述各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定所述目标皱纹的总数量和总面积;根据所述目标总数量和所述目标总面积,得到第一目标数值。即终端设备在获取的待识别图像中确定目标区域图像,并对该目标区域图像进行灰度处理、同态滤波处理、局部直方图均衡处理和Frangi滤波处理,得到第二图像;该终端设备在该第二图像中提取皱纹的特征,对符合该识别标准的皱纹进行提取,并对不符合该识别标准的皱纹进行剔除,以确定皱纹的总数量和总面积;该终端设备根据该皱纹的总数量和总面积来判断该皮肤皱纹的严重程度。这种方法不仅可以提高皱纹识别装置或终端设备识别皮肤皱纹的总数量和总面积的准确性,而且可以是用户及时掌握其皮肤皱纹的严重程度。
需要说明的是,本步骤307与本实施例中图1所示的步骤105可以相互结合,形成一个新的实施例。该新的实施例也都在本发明保护的范围内,此处不做具体赘述。
如图5所示,为本发明实施例中皱纹识别装置的一个实施例示意图,可以包括:获取模块501和处理模块502。
获取模块501,用于获取待识别图像;
处理模块502,用于在该待识别图像中确定目标区域图像;其中,该目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;
获取模块501,还用于对该目标区域图像进行灰度处理,得到灰度图像;对该灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;对该第一图像进行Frangi滤波,得到第二图像;
处理模块502,还用于在该第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,在本发明的一些实施例中,
获取模块501,用于获取待识别图像;
处理模块502,具体用于通过第一预设算法,在该待识别图像中,确定人脸特征点;根据该人脸特征点,确定目标区域图像。
可选的,在本发明的一些实施例中,
处理模块502,具体用于对该第二图像进行二值化处理,得到二值化图像;在该二值化图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,在本发明的一些实施例中,
处理模块502,具体用于通过第二预设算法,在该第二图像中,确定各个皱纹的偏心率,以及该各个皱纹的面积;将该各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定该目标皱纹的总数量和总面积。
可选的,在本发明的一些实施例中,
处理模块502,还用于根据该目标总数量和该目标总面积,得到第一目标数值;其中,该第一目标数值用于表征该皱纹的严重程度。
可选的,在本发明的一些实施例中,
处理模块502,具体用于根据第一公式,得到第一目标数值;其中,该第一公式为A=λB+10-3(1-λ)C;A表示该第一目标数值;B表示该目标总数量;C表示该目标总面积;λ表示严重程度系数。
可选的,在本发明的一些实施例中,
处理模块502,还用于当该第一目标数值小于第一预设数值阈值时,根据第二公式,生成并输出第一皮肤质量分数;当该第一目标数值大于等于该第一预设数值阈值,且小于第二预设数值阈值时,根据第三公式,生成并输出第二皮肤质量分数;当该第一目标数值大于等于该第二预设数值阈值,且小于第三预设数值阈值时,根据第四公式,生成并输出第三皮肤质量分数;当该第一目标数值大于等于该第三预设数值阈值时,生成并输出第四皮肤质量分数;其中,该第二公式为E1=100-10A/a;
该第三公式为E2=90-10(A-a)/(b-a);
该第四公式为E3=80-10(A-b)/(c-b);E1表示该第一皮肤质量分数;a表示该第一预设数值阈值;E2表示第二皮肤质量分数;b表示该第二预设数值阈值;E3表示该第三皮肤质量分数;c表示该第三预设数值阈值。
如图6所示,为本发明实施例中皱纹识别装置的另一个实施例示意图,可以包括:处理器601和存储器602。
可选的,处理器601具有以下功能,
获取待识别图像,并在该待识别图像中确定目标区域图像;其中,该目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;
对该目标区域图像进行灰度处理,得到灰度图像;
对该灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;
对该第一图像进行Frangi滤波,得到第二图像;
在该第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,处理器601还具有以下功能,
获取待识别图像;通过第一预设算法,在该待识别图像中,确定人脸特征点;根据该人脸特征点,确定目标区域图像。
可选的,处理器601还具有以下功能,
对该第二图像进行二值化处理,得到二值化图像;在该二值化图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
可选的,处理器601还具有以下功能,
通过第二预设算法,在该第二图像中,确定各个皱纹的偏心率,以及该各个皱纹的面积;将该各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定该目标皱纹的总数量和总面积。
可选的,处理器601还具有以下功能,
根据该目标总数量和该目标总面积,得到第一目标数值;其中,该第一目标数值用于表征该皱纹的严重程度。
可选的,处理器601还具有以下功能,
根据第一公式,得到第一目标数值;
其中,该第一公式为A=λB+10-3(1-λ)C;A表示该第一目标数值;B表示该目标总数量;C表示该目标总面积;λ表示严重程度系数。
可选的,处理器601还具有以下功能,
当该第一目标数值小于第一预设数值阈值时,根据第二公式,生成并输出第一皮肤质量分数;当该第一目标数值大于等于该第一预设数值阈值,且小于第二预设数值阈值时,根据第三公式,生成并输出第二皮肤质量分数;当该第一目标数值大于等于该第二预设数值阈值,且小于第三预设数值阈值时,根据第四公式,生成并输出第三皮肤质量分数;当该第一目标数值大于等于该第三预设数值阈值时,生成并输出第四皮肤质量分数;其中,该第二公式为E1=100-10A/a;该第三公式为E2=90-10(A-a)/(b-a);
该第四公式为E3=80-10(A-b)/(c-b);E1表示该第一皮肤质量分数;a表示该第一预设数值阈值;E2表示第二皮肤质量分数;b表示该第二预设数值阈值;E3表示该第三皮肤质量分数;c表示该第三预设数值阈值。
可选的,存储器602具有以下功能,
用于存储处理器601的处理过程和处理结果。
如图7所示,为本发明实施例中终端设备的一个实施例示意图,可以包括如图5或图6所述的皱纹识别装置。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于图像处理的皱纹识别方法,其特征在于,包括:
获取待识别图像,并在所述待识别图像中确定目标区域图像;其中,所述目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;
对所述目标区域图像进行灰度处理,得到灰度图像;
对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;
对所述第一图像进行Frangi滤波,得到第二图像;
在所述第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
2.根据权利要求1所述的方法,其特征在于,所述获取待识别图像,并在所述待识别图像中确定目标区域图像,包括:
获取待识别图像;
通过第一预设算法,在所述待识别图像中,确定人脸特征点;
根据所述人脸特征点,确定目标区域图像。
3.根据权利要求1所述的方法,其特征在于,所述在所述第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积,包括:
对所述第二图像进行二值化处理,得到二值化图像;
在所述二值化图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
4.根据权利要求1所述的方法,其特征在于,所述在所述第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积,包括:
通过第二预设算法,在所述第二图像中,确定各个皱纹的偏心率,以及所述各个皱纹的面积;
将所述各个皱纹中的第一偏心率大于预设偏心率阈值,且第一面积位于预设面积范围内的皱纹确定为目标皱纹,并确定所述目标皱纹的总数量和总面积。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据所述目标总数量和所述目标总面积,得到第一目标数值;
其中,所述第一目标数值用于表征所述皱纹的严重程度。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标总数量和所述目标总面积,得到第一目标数值,包括:
根据第一公式,得到第一目标数值;
其中,所述第一公式为A=λB+10-3(1-λ)C;
A表示所述第一目标数值;B表示所述目标总数量;C表示所述目标总面积;λ表示严重程度系数。
7.根据权利要求5或6所述的方法,其特征在于,所述方法还包括:
当所述第一目标数值小于第一预设数值阈值时,根据第二公式,生成并输出第一皮肤质量分数;
当所述第一目标数值大于等于所述第一预设数值阈值,且小于第二预设数值阈值时,根据第三公式,生成并输出第二皮肤质量分数;
当所述第一目标数值大于等于所述第二预设数值阈值,且小于第三预设数值阈值时,根据第四公式,生成并输出第三皮肤质量分数;
当所述第一目标数值大于等于所述第三预设数值阈值时,生成并输出第四皮肤质量分数;
其中,所述第二公式为E1=100-10A/a;
所述第三公式为E2=90-10(A-a)/(b-a);
所述第四公式为E3=80-10(A-b)/(c-b);
E1表示所述第一皮肤质量分数;a表示所述第一预设数值阈值;E2表示第二皮肤质量分数;b表示所述第二预设数值阈值;E3表示所述第三皮肤质量分数;c表示所述第三预设数值阈值。
8.一种皱纹识别装置,其特征在于,包括:
获取模块,用于获取待识别图像;
处理模块,用于在所述待识别图像中确定目标区域图像;其中,所述目标区域图像包括以下至少一项:上额区域图像、眉间区域图像、眼部区域图像以及嘴部区域图像;
所述获取模块,还用于对所述目标区域图像进行灰度处理,得到灰度图像;对所述灰度图像进行同态滤波和局部直方图均衡处理,得到第一图像;对所述第一图像进行Frangi滤波,得到第二图像;
所述处理模块,还用于在所述第二图像中,对皱纹的特征进行提取,以确定皱纹的总数量和总面积。
9.一种皱纹识别装置,其特征在于,包括:
存储有可执行程序代码的存储器;
以及所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,所述可执行程序代码被所述处理器执行时,使得所述处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质,其上存储有可执行程序代码,其特征在于,所述可执行程序代码被处理器执行时,实现如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364919.9A CN113128376B (zh) | 2021-04-02 | 2021-04-02 | 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364919.9A CN113128376B (zh) | 2021-04-02 | 2021-04-02 | 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128376A true CN113128376A (zh) | 2021-07-16 |
CN113128376B CN113128376B (zh) | 2024-05-14 |
Family
ID=76774821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110364919.9A Active CN113128376B (zh) | 2021-04-02 | 2021-04-02 | 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128376B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592803A (zh) * | 2021-07-27 | 2021-11-02 | 凌云光技术股份有限公司 | 一种螺纹圈数测量方法和装置 |
CN113592796A (zh) * | 2021-07-19 | 2021-11-02 | 深圳数联天下智能科技有限公司 | 嘴角下垂的检测方法、装置、设备和介质 |
CN116091487A (zh) * | 2023-03-07 | 2023-05-09 | 深圳市宝安区石岩人民医院 | 一种基于图像识别的皮肤皱纹分析比对方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577825A (zh) * | 2012-07-25 | 2014-02-12 | 中国科学院声学研究所 | 合成孔径声纳图像的目标自动识别方法以及自动识别*** |
US20180075599A1 (en) * | 2015-03-31 | 2018-03-15 | Mayo Foundation For Medical Education And Research | System and methods for automatic polyp detection using convulutional neural networks |
CN108846839A (zh) * | 2018-06-05 | 2018-11-20 | 中南大学 | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 |
US20190156113A1 (en) * | 2017-11-22 | 2019-05-23 | King Fahd University Of Petroleum And Minerals | Multi-kernel fuzzy local gabor feature extraction method for automatic gait recognition |
CN110210448A (zh) * | 2019-06-13 | 2019-09-06 | 广州纳丽生物科技有限公司 | 一种智能人脸皮肤老化程度的识别与评估方法 |
CN110232389A (zh) * | 2019-06-13 | 2019-09-13 | 内蒙古大学 | 一种基于绿色作物特征提取不变性的立体视觉导航方法 |
CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
CN111524142A (zh) * | 2020-03-10 | 2020-08-11 | 浙江工业大学 | 一种脑血管图像自动分割方法 |
CN113128372A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 |
CN113128377A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 |
-
2021
- 2021-04-02 CN CN202110364919.9A patent/CN113128376B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577825A (zh) * | 2012-07-25 | 2014-02-12 | 中国科学院声学研究所 | 合成孔径声纳图像的目标自动识别方法以及自动识别*** |
US20180075599A1 (en) * | 2015-03-31 | 2018-03-15 | Mayo Foundation For Medical Education And Research | System and methods for automatic polyp detection using convulutional neural networks |
US20190156113A1 (en) * | 2017-11-22 | 2019-05-23 | King Fahd University Of Petroleum And Minerals | Multi-kernel fuzzy local gabor feature extraction method for automatic gait recognition |
CN108846839A (zh) * | 2018-06-05 | 2018-11-20 | 中南大学 | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 |
CN110287780A (zh) * | 2019-05-17 | 2019-09-27 | 长安大学 | 一种光照下人脸图像特征提取方法 |
CN110210448A (zh) * | 2019-06-13 | 2019-09-06 | 广州纳丽生物科技有限公司 | 一种智能人脸皮肤老化程度的识别与评估方法 |
CN110232389A (zh) * | 2019-06-13 | 2019-09-13 | 内蒙古大学 | 一种基于绿色作物特征提取不变性的立体视觉导航方法 |
CN111524142A (zh) * | 2020-03-10 | 2020-08-11 | 浙江工业大学 | 一种脑血管图像自动分割方法 |
CN113128372A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 |
CN113128377A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 |
Non-Patent Citations (3)
Title |
---|
MOON: ""【图像处理三】图像增强算法"", Retrieved from the Internet <URL:《https://zhuanlan.zhihu.com/p/73903664》> * |
RAJA SEKHAR BANDARU: ""Delay and Standard Deviation Beamforming to Enhance Specular Reflections in Ultrasound Imaging"", 《IEEE TRANSACTIONS ON ULTRASONICS, FERROELECTRICS, AND FREQUENCY CONTROL》, vol. 63, no. 12, pages 2057 - 2068, XP011635435, DOI: 10.1109/TUFFC.2016.2613963 * |
湛涛: ""手指静脉图像的增强算法研究与实现"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 2020, pages 060 - 20 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592796A (zh) * | 2021-07-19 | 2021-11-02 | 深圳数联天下智能科技有限公司 | 嘴角下垂的检测方法、装置、设备和介质 |
CN113592803A (zh) * | 2021-07-27 | 2021-11-02 | 凌云光技术股份有限公司 | 一种螺纹圈数测量方法和装置 |
CN113592803B (zh) * | 2021-07-27 | 2024-05-24 | 凌云光技术股份有限公司 | 一种螺纹圈数测量方法和装置 |
CN116091487A (zh) * | 2023-03-07 | 2023-05-09 | 深圳市宝安区石岩人民医院 | 一种基于图像识别的皮肤皱纹分析比对方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113128376B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765273B (zh) | 人脸拍照的虚拟整容方法和装置 | |
CN110852160B (zh) | 以图像为基准的生物识别***及计算机实施方法 | |
CN113128376B (zh) | 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备 | |
CN108447017B (zh) | 人脸虚拟整容方法和装置 | |
Dey | Uneven illumination correction of digital images: A survey of the state-of-the-art | |
CN108323204B (zh) | 一种检测人脸瑕疵点的方法和智能终端 | |
JP5779089B2 (ja) | エッジ検出装置、エッジ検出プログラム、およびエッジ検出方法 | |
CN111062891A (zh) | 图像处理方法、装置、终端及计算机可读存储介质 | |
US20210272252A1 (en) | Systems and methods for image processing | |
CN110458787A (zh) | 一种图像融合方法、装置及计算机存储介质 | |
Gritzman et al. | Comparison of colour transforms used in lip segmentation algorithms | |
CN113052754B (zh) | 一种图片背景虚化的方法及装置 | |
Rosado et al. | 12 From Dermoscopy to Mobile Teledermatology | |
Arigela et al. | Self-tunable transformation function for enhancement of high contrast color images | |
CN114140481A (zh) | 一种基于红外图像的边缘检测方法、装置 | |
Fathy et al. | Benchmarking of pre-processing methods employed in facial image analysis | |
CA2915651A1 (en) | Diagnostic apparatus for lesion, image processing method in the same apparatus, and medium storing program associated with the same method | |
JP2017012384A (ja) | シワ状態分析装置及びシワ状態分析方法 | |
Yang et al. | Single image dehazing using elliptic curve scattering model | |
CN111815729A (zh) | 一种实时美肤方法、装置、设备和计算机存储介质 | |
CN113128372B (zh) | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 | |
JP5203159B2 (ja) | 画像処理方法、画像処理システムおよび画像処理プログラム | |
CN110197178A (zh) | 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法 | |
CN109934777A (zh) | 图像局部不变特征提取方法、装置、计算机设备及存储介质 | |
CN113128377B (zh) | 基于图像处理的黑眼圈识别方法、黑眼圈识别装置及终端 |
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 |