CN114708237A - 一种用于头发健康状况的检测算法 - Google Patents
一种用于头发健康状况的检测算法 Download PDFInfo
- Publication number
- CN114708237A CN114708237A CN202210390783.3A CN202210390783A CN114708237A CN 114708237 A CN114708237 A CN 114708237A CN 202210390783 A CN202210390783 A CN 202210390783A CN 114708237 A CN114708237 A CN 114708237A
- Authority
- CN
- China
- Prior art keywords
- image
- hair
- gray
- detection algorithm
- algorithm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000003646 hair health Effects 0.000 title description 2
- 210000004209 hair Anatomy 0.000 claims abstract description 51
- 210000003780 hair follicle Anatomy 0.000 claims abstract description 49
- 230000036541 health Effects 0.000 claims abstract description 31
- 210000004761 scalp Anatomy 0.000 claims abstract description 26
- 238000005286 illumination Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 8
- 230000003993 interaction Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 230000018109 developmental process Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 4
- 230000003695 hair diameter Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003325 follicular Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- 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)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种计算头皮健康状况的检测算法,包括如下步骤:图像前处理:首先运用均值滤波算法去除图像中的噪点,而后根据色彩心理学公式将RGB图像转换为灰度图像,接着进行光照补偿,获得前景图;头皮识别:输入前景灰度图,输出从图像中识别并分割得到的头发的实例集合;后处理:得到头发实例分割的结果后,首先遍历所有头发对象,获得每根头发的平均像素直径,而后通过已知的仪器放大倍数求出头发的实际直径,接着需要识别毛囊,计算毛囊密度和毛囊健康度。本算法在识别微距图像中的头发、毛囊结构时全程无交互,不需要辅助人员在一旁操作,方便用户使用。同时算法基于先验数学知识,不需要大量数据训练模型,保证了准确度,大幅降低开发成本。
Description
技术领域:
本发明属于人体健康检测技术领域,特别是一种用于头皮健康状况的检测算法。
背景技术:
衡量头皮健康程度一般有四个维度,包括:头发平均直径;单位面积头皮上毛囊数量;平均每个毛囊内头发数量,又称为毛囊健康度。
针对以上这三个维度,现有的微距头皮检测仪有两种检测算法:
1)交互式图像识别。通过辅助人员点击选择微距图像中头发来计算头发数量,进而计算发径、毛囊数量与毛囊健康度。
2)通过训练深度学习模型对图像进行实例分割,获取到每根头发所代表的像素,进而计算发径、毛囊数量与毛囊健康度。
现有的两种方案都存在明显的缺点:(1)交互式方案必须有辅助人员在场,无法单人完成检测,并且辅助人员的操作准确度无法保证;(2)深度学习方案需要大量的头皮数据训练以提高准确度,开发成本高。
发明内容:
本发明所要解决的技术问题是现有技术中存在的交互式方案必须有辅助人员在场,无法单人完成检测,并且辅助人员的操作准确度无法保证;以及深度学习方案需要大量的头皮数据训练以提高准确度,开发成本高等缺点,提供一种新的C++算法,无须交互,也不用大量数据训练,可以较为准确的对微距图像中的头发进行实例分割,进而计算头皮健康相关维度。
为实现上述目的,本发明提供一种用于头皮健康状况的检测算法,包括如下步骤:
S100图像前处理:首先运用均值滤波算法去除图像中的噪点,而后根据色彩心理学公式将RGB图像转换为灰度图像,接着进行光照补偿,获得前景图;
S200头皮识别:输入前景灰度图,输出从图像中识别并分割得到的头发的实例集合;
S300后处理:得到头发实例分割的结果后,首先遍历所有头发对象,获得每根头发的平均像素直径,而后通过已知的仪器放大倍数求出头发的实际直径,接着需要识别毛囊,计算毛囊密度和毛囊健康度。
作为优选,所述S100图像前处理步骤还包括通过光照补偿求得图像的灰度均值后,将图像分解为大小合适的子图,是否遍历所有的子图,如遍历所有子图,即进行计算子图灰度均值和图像灰度均值的差值,生成差值矩阵,对差值矩阵进行Cubic差值,生成与图像大小相同的光照差值图像,用灰度图形减去光照值图像,补偿光照后结束,获得前景图;如没有遍历所有子图,求出子图均值后再进行遍历所有子图。
进一步地,所述S100图像前处理步骤获取前景图的步骤包括将灰度图I颜色反转,求得反色图R,对反色图R进行高斯模糊求得反色图的光照背景LB,LB-R得到反色图后景图RB,将反色图后景图RB二值化,获取后景图蒙版M,将原图后景区域的像素置为0,即可获得前景图。
进一步地,所述S200头发实例分割包括如下步骤:首先运用Canny算子进行边缘检测,得到代表着边缘的点集;接着将这些点集拟合为直线,得到线段集合后,以视点不变性条件为约束,根据共线、邻接、平行三种特征,将这些线段进行线段分组;将线段分组之后,将图像中的每个感知分组与可能产生该分组的对象模型的每个结构进行匹配,而后通过牛顿法迭代优化得到最佳结果,在迭代过程中,每个匹配得到的视点都需要扩展到所有感知分组中,以验证匹配的正确性,待确定对象模型的投影视点之后,就可以根据空间关系区分互相遮挡的头发,连接断开的像素,从图像中提取出每一根完整的头发,进入后处理程序。
进一步地,所述视点不变性条件指的是在3D空间中无论选择什么视点进行投影,得到的图像中线段之间的关系不变。
进一步地,所述与感知分组匹配的对象模型的视点参数包括相机旋转矩阵R,位移矩阵T,以及焦距f,其中焦距是已知的,而R、T的初始值可以随机给定。
进一步地,所述步骤S300后处理识别毛囊的步骤包括确定头发两端的位置,如头发断点边缘的曲率符合毛囊的曲率特征,识别端点周围区域的灰度图像素是否渡河毛囊的灰度渐变特征,当头发断点边缘的曲率符合符合毛囊的曲率特征时,即可确认毛囊密度。
更进一步地,所述毛囊识别后进行毛囊后处理的步骤包括如下步骤:遍历所有毛囊,合并位置相同或者相似的毛囊,统计毛囊数量,计算每个毛囊内平均头发数量,即可得到毛囊健康度。
与现有技术相比,本发明的优点为:以3D空间到2D投影的视点一致性为约束,通过牛顿法迭代优化得到最佳的模型投影参数,识别图像中的3D对象;根据识别出的头发端点,结合边缘曲率和图像梯度变化识别毛囊结构;结合发经、毛囊数量及毛囊健康度三个维度,综合衡量头皮健康程度,采用本算法在识别微距图像中的头发、毛囊结构时全程无交互,不需要辅助人员在一旁操作,方便用户使用。同时算法基于先验数学知识,不需要大量数据训练模型,在保证准确度的同时,大幅降低了开发成本。
附图说明:
下面对本说明书各附图所表达的内容及图中的标记作简要说明
图1为本发明用于计算头皮健康状况的算法的流程图;
图2为本发明图像前处理的流程图;
图3为本发明头皮实例分割算法的流程图;
图4为本发明计算毛囊密度算法的流程图;
图5为本发明计算毛囊健康算法的流程图。
具体实施方式:
下面结合附图和具体实施方式对本发明作进一步说明:
本发明公开一种用于头皮健康状况的检测算法,无须交互,也不用大量数据训练,可以较为准确的对微距图像中的头发进行实例分割,进而计算头皮健康相关维度,算法流程图如图1表示,主要步骤包括:
(1)图像前处理;
首先运用均值滤波算法去除图像中的噪点,而后根据色彩心理学公式将RGB图像转换为灰度图像,接着进行光照补偿,最后获得前景图。
光照补偿的作用主要是抵消微距测肤仪的点光源造成的光照不均匀,而前后景分离是为了去除头部皮肤背景的干扰,方便后续程序识别头发.算法步骤可见图2.
(2)头发识别:
这一步是算法的主要步骤,输入前景灰度图,输出从图像中识别并分割得到的头发的实例集合,流程如图3所示。
首先,运用Canny算子进行边缘检测,得到代表着边缘的点集;接着将这些点集拟合为直线(曲线由折线近似),具体算法如图4所示。
得到线段集合后,以视点不变性条件为约束,根据共线、邻接(连通)、平行三种特征,将这些线段组合为更复杂的结构,方便在之后的步骤中进行3D模型和图片像素之间的匹配。所谓视点不变性条件,指的是在3D空间中无论选择什么视点进行投影,得到的图像中线段之间的关系不变。以共线性为例,在3D空间中共线的两条线短,选择多个视点进行投影,生成的图像中线段的长度和斜率有可能发生变化,但它们的共线关系是不变的。
将线段分组之后,就可以将图像中的每个感知分组与可能产生该分组的对象模型的每个结构进行单独比较。对象模型的视点参数包括相机旋转矩阵R,位移矩阵T,以及焦距f,其中焦距是已知的,而R、T的初始值可以随机给定,而后通过牛顿法迭代优化得到最佳结果。
迭代过程中,每个匹配得到的视点都需要扩展到所有感知分组中,以验证匹配的正确性。为了从大量的、成功几率不同的匹配中选择最佳匹配,排序函数必须优先选择最有希望成功的匹配。例如,图像中检测到的每条直线都是一种分组形式,可以与模型的每条直线边缘进行匹配,但这样搜索量太大。一般来说,分组结构越复杂,它与模型的潜在匹配就越少。因此,本算法考虑的唯一匹配项是那些涉及包含至少3个线段的图像分组的匹配项.这样的分组包含足够的信息来从初始匹配中准确地求解视点,提供了严格的约束,可以加快验证的过程.
确定对象模型的投影视点之后,就可以根据空间关系区分互相遮挡的头发,连接断开的像素,从图像中提取出每一根完整的头发,进入后处理程序.
(3)后处理:得到头发实例分割的结果后,首先遍历所有头发对象,获取每根头发的平均像素直径,而后通过已知的仪器放大倍数求出头发的实际直径。接着需要识别毛囊,计算毛囊密度和毛囊健康度,算法流程如图4、图5所示。
本发明以3D空间到2D投影的视点一致性为约束,通过牛顿法迭代优化得到最佳的模型投影参数,识别图像中的3D对象;根据识别出的头发端点,结合边缘曲率和图像梯度变化识别毛囊结构;结合发经、毛囊数量及毛囊健康度三个维度,综合衡量头皮健康程度。采用本算法在识别微距图像中的头发、毛囊结构时全程无交互,不需要辅助人员在一旁操作,方便用户使用。同时算法基于先验数学知识,不需要大量数据训练模型,在保证准确度的同时,大幅降低了开发成本。
以上仅就本发明较佳的实施例作了说明,但不能理解为是对权利要求的限制。凡是利用本发明说明书及附图内容所做的等效结构或等效流程变换,均包括在本发明的专利保护范围之内。
Claims (8)
1.一种用于头皮健康状况的检测算法,其特征在于,包括如下步骤:
S100图像前处理:首先运用均值滤波算法去除图像中的噪点,而后根据色彩心理学公式将RGB图像转换为灰度图像,接着进行光照补偿,获得前景图;
S200头皮实例分割:输入前景灰度图,输出从图像中识别并分割得到的头发的实例集合;
S300后处理:得到头发实例分割的结果后,首先遍历所有头发对象,获得每根头发的平均像素直径,而后通过已知的仪器放大倍数求出头发的实际直径,接着需要识别毛囊,计算毛囊密度和毛囊健康度。
2.根据权利要求1所述的一种用于头皮健康状况的检测算法,其特征在于,所述S100图像前处理步骤还包括通过光照补偿求得图像的灰度均值后,将图像分解为大小合适的子图,是否遍历所有的子图,如遍历所有子图,即进行计算子图灰度均值和图像灰度均值的差值,生成差值矩阵,对差值矩阵进行Cubic差值,生成与图像大小相同的光照差值图像,用灰度图形减去光照值图像,补偿光照后结束,获得前景图;如没有遍历所有子图,求出子图均值后再进行遍历所有子图。
3.根据权利要求1所述的一种用于头皮健康状况的检测算法,其特征在于:所述S100图像前处理步骤获取前景图的步骤包括将灰度图I颜色反转,求得反色图R,对反色图R进行高斯模糊求得反色图的光照背景LB,LB-R得到反色图后景图RB,将RB二值化,获取后景蒙版M,将原图后景区域的像素置为0,即可获得前景图。
4.根据权利要求1所述的一种用于头皮健康状况的检测算法,其特征在于,所述S200头发实例分割包括如下步骤:首先运用Canny算子进行边缘检测,得到代表着边缘的点集;接着将这些点集拟合为直线,得到线段集合后,以视点不变性条件为约束,根据共线、邻接、平行三种特征,将这些线段进行线段分组;将线段分组之后,将图像中的每个感知分组与可能产生该分组的对象模型的每个结构进行匹配,而后通过牛顿法迭代优化得到最佳结果,在迭代过程中,每个匹配得到的视点都需要扩展到所有感知分组中,以验证匹配的正确性,待确定对象模型的投影视点之后,就可以根据空间关系区分互相遮挡的头发,连接断开的像素,从图像中提取出每一根完整的头发,进入后处理程序。
5.根据权利要求4所述的一种用于头皮健康状况的检测算法,其特征在于,所述视点不变性条件指的是在3D空间中无论选择什么视点进行投影,得到的图像中线段之间的关系不变。
6.根据权利要求4所述的一种用于头皮健康状况的检测算法,其特征在于,所述与感知分组匹配的对象模型的视点参数包括相机旋转矩阵R,位移矩阵T,以及焦距f,其中焦距是已知的,而R、T的初始值可以随机给定。
7.根据权利要求1所述的一种用于头皮健康状况的检测算法,其特征在于,所述步骤S300后处理识别毛囊的步骤包括确定头发两端的位置,如头发断点边缘的曲率符合毛囊的曲率特征,识别端点周围区域的灰度图像素是否渡河毛囊的灰度渐变特征,当头发断点边缘的曲率符合毛囊的曲率特征时,即可确认毛囊密度。
8.根据权利要求1所述的一种用于头皮健康状况的检测算法,其特征在于,所述毛囊识别后进行毛囊后处理的步骤包括如下步骤:遍历所有毛囊,合并位置相同或者相似的毛囊,统计毛囊数量,计算每个毛囊内平均头发数量,即可得到毛囊健康度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210390783.3A CN114708237A (zh) | 2022-04-14 | 2022-04-14 | 一种用于头发健康状况的检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210390783.3A CN114708237A (zh) | 2022-04-14 | 2022-04-14 | 一种用于头发健康状况的检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708237A true CN114708237A (zh) | 2022-07-05 |
Family
ID=82174548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210390783.3A Pending CN114708237A (zh) | 2022-04-14 | 2022-04-14 | 一种用于头发健康状况的检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708237A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187561A (zh) * | 2022-07-21 | 2022-10-14 | 张菊芳 | 一种自动化毛发统计方法、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956542A (zh) * | 2016-04-28 | 2016-09-21 | 武汉大学 | 一种结构线束统计匹配的高分遥感影像道路提取方法 |
CN110298393A (zh) * | 2019-06-14 | 2019-10-01 | 深圳志合天成科技有限公司 | 一种基于深度学习的头发头皮健康状况检测方法 |
CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学(武汉) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
KR20200110871A (ko) * | 2019-03-18 | 2020-09-28 | 주식회사 팀엘리시움 | 모낭 탐색 장치, 모낭 탐색 방법, 및 컴퓨터 판독 가능한 기록 매체 |
-
2022
- 2022-04-14 CN CN202210390783.3A patent/CN114708237A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956542A (zh) * | 2016-04-28 | 2016-09-21 | 武汉大学 | 一种结构线束统计匹配的高分遥感影像道路提取方法 |
KR20200110871A (ko) * | 2019-03-18 | 2020-09-28 | 주식회사 팀엘리시움 | 모낭 탐색 장치, 모낭 탐색 방법, 및 컴퓨터 판독 가능한 기록 매체 |
CN110298393A (zh) * | 2019-06-14 | 2019-10-01 | 深圳志合天成科技有限公司 | 一种基于深度学习的头发头皮健康状况检测方法 |
CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学(武汉) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187561A (zh) * | 2022-07-21 | 2022-10-14 | 张菊芳 | 一种自动化毛发统计方法、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN110458831B (zh) | 一种基于深度学习的脊柱侧弯图像处理方法 | |
CN113160257B (zh) | 图像数据标注方法、装置、电子设备及存储介质 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
CN108629286B (zh) | 一种基于主观感知显著模型的遥感机场目标检测方法 | |
KR20050022306A (ko) | 영상에 기반한 사실감 있는 3차원 얼굴 모델링 방법 및 장치 | |
CN110110646A (zh) | 一种基于深度学习的手势图像关键帧提取方法 | |
CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
CN110348263A (zh) | 一种基于图像识别的二维随机码图像识别与提取方法 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
EP3140778B1 (en) | Method and apparatus for image scoring and analysis | |
CN110969631B (zh) | 一种精细化照片染发方法及*** | |
CN109410158B (zh) | 一种基于卷积神经网络的多焦点图像融合方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN104933723B (zh) | 基于稀疏表示的舌图像分割方法 | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN115270184A (zh) | 视频脱敏、车辆的视频脱敏方法、车载处理*** | |
CN114708237A (zh) | 一种用于头发健康状况的检测算法 | |
CN113807364A (zh) | 一种基于三光融合成像的电力设备缺陷检测方法及*** | |
CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
Rong et al. | Enhanced Pathology Image Quality with Restore–Generative Adversarial Network | |
Schüffler et al. | Overcoming an annotation hurdle: Digitizing pen annotations from whole slide images |
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 |