CN117218042A - 一种发质类型视觉分析检测方法 - Google Patents
一种发质类型视觉分析检测方法 Download PDFInfo
- Publication number
- CN117218042A CN117218042A CN202311481631.5A CN202311481631A CN117218042A CN 117218042 A CN117218042 A CN 117218042A CN 202311481631 A CN202311481631 A CN 202311481631A CN 117218042 A CN117218042 A CN 117218042A
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- determining
- pixel point
- gray
- 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
- 210000004209 hair Anatomy 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 230000000007 visual effect Effects 0.000 title claims abstract description 24
- 238000005315 distribution function Methods 0.000 claims abstract description 62
- 230000001186 cumulative effect Effects 0.000 claims abstract description 55
- 230000003648 hair appearance Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 24
- 206010020112 Hirsutism Diseases 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000002537 cosmetic Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000037308 hair color Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉图像直方图增强技术领域,具体涉及一种发质类型视觉分析检测方法,包括:根据待检测发丝的灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异,确定灰度图像中的各个发丝纹理区域;根据灰度图像对应的初始累计概率分布函数,在初始累计概率分布函数中每个数据点上叠加一个待求变量值,从而得到修正累计概率分布函数及其对应的斜率值序列;对各个发丝纹理区域中的像素点的灰度值的出现次数进行统计,确定出现次数序列,根据出现次数序列和斜率值序列之间的相似度,求解待求变量值,进而得到最优均衡化增强图像,进而确定发质类型。本发明有效提高了图像增强效果,进而提高了发质类型检测的准确性。
Description
技术领域
本发明涉及图像直方图增强技术领域,具体涉及一种发质类型视觉分析检测方法。
背景技术
受到身体健康情况、吹风机使用等因素影响,人们的发质类型分为多种,基于图像处理的发质类型的检测分析通常用于发型推荐、个性化化妆品推荐、医疗诊断、吹风机生产中的性能测试等多种场景,而在实际的应用中,由于发色往往是黑色,导致发丝不明显,进而会严重影响发质类型的分析检测结果。因此,在对图像中的发质类型进行检测分析前,通常需要对图像进行增强处理,以提高发质类型检测分析的准确性。
现有技术中,通过直方图均衡化算法可增强图像的对比度,从而在一定程度上可以使得图像中的发丝纹理更加明显,但直方图均衡化算法对图像的增强是全局的,这就会导致图像一些细节的丢失,导致部分发丝纹理对比度依旧不强,图像增强效果还相对较差,从而影响发质类型检测的准确性。
发明内容
本发明的目的在于提供一种发质类型视觉分析检测方法,用于解决现有图像增强效果较差从而导致发质类型检测不准确的问题。
为解决上述技术问题,本发明提供了一种发质类型视觉分析检测方法,包括以下步骤:
获取待检测发丝的表面图像的灰度图像,对所述灰度图像进行梯度检测,确定所述灰度图像中各个像素点的梯度值;
根据所述灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异,进行发丝纹理区域扩张,获取所述灰度图像中的各个发丝纹理区域;
对所述灰度图像中各个灰度级的出现次数进行统计,确定所述灰度图像对应的初始累计概率分布函数,在所述初始累计概率分布函数中每个数据点上叠加一个待求变量值,从而得到修正累计概率分布函数,并确定所述修正累计概率分布函数对应的斜率值序列;
对所述各个发丝纹理区域中的像素点的灰度值的出现次数进行统计,确定出现次数序列,确定所述出现次数序列和斜率值序列之间的相似度,并将所述相似度确定为目标函数,对所述目标函数进行求解,确定当所述目标函数取得最大值时所对应的待求变量值;
根据所确定的待求变量值对应的修正累计概率分布函数,对所述灰度图像进行均衡化增强处理得到最优均衡化增强图像,并根据所述最优均衡化增强图像,确定发质类型。
进一步的,进行发丝纹理区域扩张,获取所述灰度图像中的各个发丝纹理区域,包括:
根据所述灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异,确定所述灰度图像中每个像素点与其周围邻域像素点之间的相似指标值;
获取每个发丝纹理起始像素点,以每个所述发丝纹理起始像素点作为其对应发丝纹理区域起始的扩张像素点并进行区域扩张,在进行区域扩张的过程中,将每个扩张像素点的最大相似指标值所对应的周围邻域像素点作为下一个待选的扩张像素点,并判断下一个待选的扩张像素点是否满足扩张条件,若满足扩张条件,则将下一个待选的扩张像素点归类到当前扩张得到的发丝纹理区域中,并将下一个待选的扩张像素点作为真实的扩张像素点继续进行扩展,直至不满足扩张条件。
进一步的,确定所述灰度图像中每个像素点与其周围邻域像素点之间的相似指标值,对应的计算公式为:
;其中,/>表示所述灰度图像中第i个像素点与其第j个周围邻域像素点之间的相似指标值;/>表示所述灰度图像中第i个像素点与其第j个周围邻域像素点之间的梯度值差值绝对值;/>表示所述灰度图像中第i个像素点的所有周围邻域像素点的梯度值中的最大值。
进一步的,所述扩张条件为:将下一个待选的扩张像素点归类到当前扩张得到的发丝纹理区域中后,发丝纹理区域中所有像素点的梯度值的方差小于设定方差阈值。
进一步的,在对所述目标函数进行求解时,还需要满足约束条件,所述约束条件为:所述修正累计概率分布函数的最大取值为1,且所述修正累计概率分布函数对应的斜率值序列中的每个斜率值均不小于0。
进一步的,利用粒子群算法对所述目标函数进行求解。
进一步的,确定发质类型,包括:
将所述最优均衡化增强图像输入到训练好的由卷积神经网络构成的发质分类网络中,由发质分类网络输出对应的发质类型。
进一步的,利用sobel算子对所述灰度图像进行梯度检测。
进一步的,确定所述灰度图像对应的初始累计概率分布函数,包括:
确定所述灰度图像对应的灰度梯度直方图,并根据所述灰度梯度直方图,确定初始累计概率分布函数。
进一步的,确定所述出现次数序列和斜率值序列之间的相似度,包括:
确定所述出现次数序列和斜率值序列之间的动态时间规整距离,并将所述动态时间规整距离的负相关映射结果确定为所述出现次数序列和斜率值序列之间的相似度。
本发明具有如下有益效果:由于发丝是连续分布的,属于同一个发丝纹理的相邻像素点的梯度值差异通常较小,因此通过对灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异进行分析,可以确定灰度图像中的各个发丝纹理区域。为了对灰度图像对应的初始累计概率分布函数进行修正,从而提高图像增强后的发丝纹理对比度,在灰度图像对应的初始累计概率分布函数中每个数据点上叠加一个待求变量值,从而得到修正累计概率分布函数。当灰度图像中像素点的增强后的灰度值具有明显增强效果,则修正累计概率分布函数对应的斜率值序列,与根据各个发丝纹理区域中的像素点的灰度值所确定的出现次数序列之间就会有较大的相似度,因此基于这一特点对待求变量值进行求解,并根据所确定的待求变量值对应的修正累计概率分布函数,对灰度图像进行均衡化增强处理所得到最优均衡化增强图像,该最优均衡化增强图像中的发丝纹理更加明显,有效提高了图像增强效果,进而提高了发质类型检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例的发质类型视觉分析检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
发质类型视觉分析检测方法实施例:
为了解决现有图像增强效果较差从而导致发质类型检测不准确的问题,本实施例提供了一种发质类型视觉分析检测方法,该方法对应的流程图如图1所示,包括以下步骤:
步骤S1:获取待检测发丝的表面图像的灰度图像,对所述灰度图像进行梯度检测,确定所述灰度图像中各个像素点的梯度值。
在进行发质类型检测分析时,通过RGB图像采集得到不同人群的发质图像,该发质图像是指不同人群的头发的表面图像,并将采集数据打包发送至发质类型识别检测的数据处理中心。数据处理中心在获取得到发质图像之后,对发质图像进行灰度化处理,从而得到灰度图像。
为了便于后续提高发质检测的准确性,数据处理中心在对灰度图像进行发质类型识别之前,需要对灰度图像进行增强处理。在对灰度图像进行增强处理时,可以利用直方图均衡化方法来实现灰度图像的增强。虽然灰度图像中的低灰度部分具有较高的灰度占比,而直方图均衡化的过程中是按照灰度占比进行的灰度值重新分配,因此可以取得一定的图像增强效果。但是由于灰度图像中的发丝整体偏黑,且发丝之间灰度值仍然偏暗,导致直接进行直方图均衡化的增强效果还不够理想。
基于上述分析,为了便于进一步提高灰度图像的增强效果,本实施例所提供的检测方法选择获取发丝纹理灰度,用于区分发丝灰度之间的间隔,进而对灰度直方图中不同灰度值分配权重进行调整,使得在进行直方图均衡化之后,发丝位置不仅整体对比度明显,单个发丝也具有较好的增强效果。为了获取发丝纹理灰度,本实施例利用sobel算子即索贝尔算子对灰度图像进行梯度检测,从而可以得到灰度图像中各个像素点的梯度值。由于不同发丝之间的间隔会产生灰度梯度差异,发丝越明显,则灰度梯度差异越明显。
步骤S2:根据所述灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异,进行发丝纹理区域扩张,获取所述灰度图像中的各个发丝纹理区域。
在通过上述步骤确定灰度图像中每个像素点对应的梯度值后,对于梯度值越大的区域,由于其更可能为发丝之间的间隔,因此该区域通过均衡化增强后,越应该具有更高的灰度对比度。但是对于梯度值不明显的发丝,则应当为更加重要的均衡化增强对象,因为发丝不明显,则对应的梯度值往往偏小,导致增强后效果也可能不明显。
后续为了实现不明显发丝能够被有效增强,则通过不同像素点之间的梯度变化,确定各个发丝纹理区域,进而对现有直方图均衡化算法进行改进,最终提高图像增强效果。其中,确定各个发丝纹理区域,实现步骤包括:
根据所述灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异,确定所述灰度图像中每个像素点与其周围邻域像素点之间的相似指标值;
获取每个发丝纹理起始像素点,以每个所述发丝纹理起始像素点作为其对应发丝纹理区域起始的扩张像素点并进行区域扩张,在进行区域扩张的过程中,将每个扩张像素点的最大相似指标值所对应的周围邻域像素点作为下一个待选的扩张像素点,并判断下一个待选的扩张像素点是否满足扩张条件,若满足扩张条件,则将下一个待选的扩张像素点归类到当前扩张得到的发丝纹理区域中,并将下一个待选的扩张像素点作为真实的扩张像素点继续进行扩展,直至不满足扩张条件。
具体的,考虑到发丝是连续分布的,因此可以通过对灰度图像中梯度值的连续进行分析,从而得到各个发丝纹理区域。以灰度图像中第i个像素点为例,以该第i个像素点为中心像素点,建立3*3的窗口。当然,实施者可根据具体实施场景选择窗口大小。在该第i个像素点对应的3*3的窗口中,除了第i个像素点之外的其他各个像素点即为该第i个像素点的周围邻域像素点。该第i个像素点与其周围邻域像素点之间的梯度值差值绝对值越大,则表明该第i个像素点与其周围邻域像素点之间越不相似,此时该第i个像素点与其周围邻域像素点越不可能属于同一个发丝纹理,而当该第i个像素点与其周围邻域像素点之间的梯度值差值绝对值越小时,则表明该第i个像素点与其周围邻域像素点之间越相似,此时该第i个像素点与其周围邻域像素点越可能属于同一个发丝纹理。
因此,为了便于后续确定各个发丝纹理区域,基于灰度图像中每个像素点与其周围邻域像素点之间的梯度值差值绝对值,确定灰度图像中每个像素点与其周围邻域像素点之间的相似指标值,对应的计算公式为:
;其中,/>表示所述灰度图像中第i个像素点与其第j个周围邻域像素点之间的相似指标值;/>表示所述灰度图像中第i个像素点与其第j个周围邻域像素点之间的梯度值差值绝对值;/>表示所述灰度图像中第i个像素点的所有周围邻域像素点的梯度值中的最大值。
在上述的相似指标值的计算公式中,通过利用灰度图像中第i个像素点与其第j个周围邻域像素点之间的梯度值差值绝对值,与该第i个像素点的所有周围邻域像素点的梯度值中的最大值/>的比值,并利用1减去该比值进行负相关映射,从而得到该第i个像素点与其第j个周围邻域像素点之间的相似指标值/>,当/>的取值越大时,则该第i个像素点与其第j个周围邻域像素点之间的梯度值差异越小,该第i个像素点与其第j个周围邻域像素点就越可能属于同一个发丝纹理区域。
通过上述方式,可以确定灰度图像中每个像素点与其周围邻域像素点之间的相似指标值,在确定相似指标值的过程中,通过利用比值来确定该相似指标值,避免了窗口大小的影响,同时可以使得相似指标值具有更好的局部连续性,有效保证了后续所确定的发丝纹理区域的准确性。以灰度图像中第i个像素点为例,该第i个像素点可以得到八个相似指标值。基于灰度图像中每个像素点与其周围邻域像素点之间的相似指标值,进行发丝纹理区域寻找,其中在确定各个发丝纹理区域的发丝纹理起始像素点时,可以通过人工标注来实现,也可以通过确定灰度图像中当前最大梯度值对应的像素点来实现,即在进行每个发丝纹理区域寻找开始时,选择将灰度图像中当前不属于已经确定的发丝纹理区域的其他所有像素点中具有最大梯度值的像素点,作为该开始寻找的发丝纹理区域的发丝纹理起始像素点。选择当前最大梯度值对应的像素点作为发丝纹理起始像素点是因为,最大梯度值处为发丝比较明显的位置。在灰度图像中,所确定的发丝纹理起始像素点可以是多个。
在确定每个发丝纹理区域的发丝纹理起始像素点之后,以该发丝纹理起始像素点作为其对应发丝纹理区域起始的扩张像素点并进行区域扩张。为了保证单个发丝纹理的连续性,则属于单个发丝纹理的各个像素点之间具有最大的比值的连续,因此在进行区域扩张的过程中,以每个发丝纹理起始像素点为起始点进行扩张,并选择该起始点的八个相似指标值中最大的相似指标值所对应的周围邻域像素点作为下一个待选的扩张像素点,若该待选的扩张像素点满足扩张条件,则将该待选的扩张像素点作为真实的扩张像素点,并将当前的发丝纹理区域扩张到该真实的扩张像素点,同时以该真实的扩张像素点为基准继续进行扩张,直至不再产生新的真实的扩张像素点。
设置扩张条件的目的在于,考虑到直接通过将最大的相似指标值所对应的周围邻域像素点作为真实的扩张像素点进行扩张时,可能会存在将整个灰度图像中的所有像素点变成为扩张像素点,而在扩张时是通过扩张获取属于同一个发丝纹理的像素点,因此设置该扩张条件为:将下一个待选的扩张像素点归类到当前扩张得到的发丝纹理区域中后,发丝纹理区域中所有像素点的梯度值的方差小于设定方差阈值。也就是,获取区域扩张后已属于同一发丝纹理起始像素点扩张形成的所有扩张像素点的梯度值的方差,并设置设定方差阈值r,当该方差小于设定方差阈值r时,则认为满足扩张条件,此时继续进行扩张;若当该方差不小于设定方差阈值r时,则认为不满足扩张条件,此时放弃继续扩张,扩张停止。设定方差阈值r可以根据具体实施场景进行调整,本实施例设置该设定方差阈值r的取值为5。
通过上述区域扩张方式,可以得到对应各个发丝纹理起始像素点的发丝纹理区域,每个发丝纹理区域中的各个扩张像素点很可能为属于同一个发丝纹理的像素点,后续再利用直方图均衡化对灰度图像进行增强时,应当保证该些像素点在增强后,具有明显的灰度对比度。
步骤S3:对所述灰度图像中各个灰度级的出现次数进行统计,确定所述灰度图像对应的初始累计概率分布函数,在所述初始累计概率分布函数中每个数据点上叠加一个待求变量值,从而得到修正累计概率分布函数,并确定所述修正累计概率分布函数对应的斜率值序列。
获取灰度图像对应的灰度直方图D,并获取灰度直方图D中各个灰度级对应的累计概率占比,也就是灰度直方图D对应的累计概率分布函数,这里将该累计概率分布函数称为灰度直方图D对应的初始累计概率分布函数。根据灰度直方图D对应的初始累计概率分布函数,将灰度直方图D中各灰度级对应的累计概率占比与255相乘,得到新的灰度值,其中该部分计算过程为现有技术中直方图均衡化增强过程中的公知内容,此处不再进行赘述。获取新的灰度值所对应的增强后灰度直方图E,根据该增强后灰度直方图E,可以得到对应的均衡化增强图像。
获取各个发丝纹理区域所对应的灰度直方图C,此时所有的发丝纹理区域得到一个灰度直方图C。如果灰度直方图C中的各个灰度级与其在增强后灰度直方图E中的新灰度值之间具有较高的近似程度,则表示当前直方图均衡化对发丝纹理具有明显增强效果,而如果灰度直方图C中的各个灰度级与其在增强后灰度直方图E中的新灰度值之间近似程度较低,表示当前直方图均衡化对发丝纹理不具有明显增强效果,进而需要对累计概率分布函数进行调整,从而使得灰度直方图C中的各个灰度级与其在增强后灰度直方图E中的新灰度值之间具有较高的近似程度。
考虑到累计概率分布函数中斜率值越大,则对灰度图像中对应灰度值在进行拉伸后对其增强效果越明显,对比度越大,进而在对累计概率分布函数调整后,其局部灰度级对应的斜率值应当与灰度直方图C中的各个灰度级具有较高的近似性,从而保证灰度直方图C中的各个灰度级与其在增强后灰度直方图E中的新灰度值之间具有较高的近似程度,最终实现对发丝纹理的局部增强效果。为了使调整后的累计概率分布函数对应的斜率值能够与灰度直方图C中的各个灰度级近似,本实施例选择在灰度图像对应的累计概率分布函数也就是初始累计概率分布函数上每一个数据点上添加一个变量值,即在初始累计概率分布函数的每一个数据点的纵坐标上叠加上一个变量值,从而得到一个修正累计概率分布函数,并计算该修正累计概率分布函数对应的斜率值,每一个斜率值由该修正累计概率分布函数上后一个数据点的纵坐标减去其前一个数据点的纵坐标得到,将这些斜率值按照数据点分布顺序进行排列,从而对应得到一个斜率值序列。
步骤S4:对所述各个发丝纹理区域中的像素点的灰度值的出现次数进行统计,确定出现次数序列,确定所述出现次数序列和斜率值序列之间的相似度,并将所述相似度确定为目标函数,对所述目标函数进行求解,确定当所述目标函数取得最大值时所对应的待求变量值。
根据灰度直方图C中的各个灰度级对应的出现次数,对这些出现次数按照灰度级从小到大的顺序进行排列,从而对应可以得到一个出现次数序列。在此基础上,为了使灰度图像中的发丝具有较好的增强效果,需要该斜率值序列和出现次数序列之间的相似度最大。在本实施例中,为了衡量该斜率值序列和出现次数序列之间的相似度,确定所述出现次数序列和斜率值序列之间的动态时间规整距离,并将所述动态时间规整距离的负相关映射结果确定为所述出现次数序列和斜率值序列之间的相似度。其中,对动态时间规整距离进行负相关映射的具体实现方式可以根据需要进行选择,在本实施例中,是采用指数函数对动态时间规整距离进行负相关映射,即将动态时间规整距离的相反数作为自然常数e的指数值,从而得到该动态时间规整距离的负相关映射结果。
将所确定的斜率值序列和出现次数序列之间的相似度,确定为目标函数,对应的计算公式为:
;其中,/>为目标函数;/>表示取最大值符号;/>表示斜率值序列L和出现次数序列S之间的相似度。
利用粒子群算法对上述目标函数进行求解,即对初始累计概率分布函数上每一个数据点上添加的变量值进行求解,确定当目标函数的取值也就是斜率值序列L和出现次数序列S之间的相似度最大时,初始累计概率分布函数上每一个数据点上添加的变量值。在对目标函数进行求解过程中,需要满足叠加变量后的修正累计概率分布函数的最大值为1,且为了防止叠加变量后的修正累计概率分布函数拉伸后变形过大,还需要满足叠加变量后的修正累计概率分布函数中后一个值与前一个值之间的差值要大于或者等于0,从而保证修正累计概率分布函数曲线仍然为递增函数。也就是,在对所述目标函数进行求解时,还需要满足约束条件,所述约束条件为:所述修正累计概率分布函数的最大取值为1,且所述修正累计概率分布函数对应的斜率值序列中的每个斜率值均不小于0。
由于利用粒子群算法对上述目标函数进行求解的具体实现过程属于现有技术,此处不再赘述。且应当理解的是,对上述目标函数进行求解并不局限于粒子群算法,实施者也可以根据实时场景需要选择其他智能寻优算法。
步骤S5:根据所确定的待求变量值对应的修正累计概率分布函数,对所述灰度图像进行均衡化增强处理得到最优均衡化增强图像,并根据所述最优均衡化增强图像,确定发质类型。
对于通过上述步骤S4所确定的初始累计概率分布函数上每一个数据点上添加的变量值,根据这些变量所确定的修正累计概率分布函数,对灰度图像进行均衡化增强处理,可以使得灰度图像中的发丝纹理取得较好的增强效果,此时所得到的均衡化增强图像即为最优均衡化增强图像。在该最优均衡化增强图像中,发丝更加明显,有效保证了灰度图像增强的稳定性。
基于上述所得到的最优均衡化增强图像,进行发质类型检测,即:将所述最优均衡化增强图像输入到训练好的由卷积神经网络构成的发质分类网络中,由发质分类网络输出对应的发质类型。
为了获取训练好的由卷积神经网络构成的发质分类网络,首先利用卷积神经网络,搭建发质分类网络。在本实施例中,搭建发质分类网络的神经网络为lenet结构的卷积神经网络,该卷积神经网络具有encoder-full网络结构,即包括编码器和全连接层。由于利用卷积神经网络来搭建用于对图像进行分类的分类网络的具体实现过程属于现有技术,此处不再赘述。
在搭建好发质分类网络之后,获取该发质分类网络的训练数据集,并完成训练过程。该发质分类网络的训练数据集可通过具有相关经验人员进行发质图像采集后,利用上述步骤S1-步骤S5中的相关步骤进行发质图像增强,对增强后的发质图像进行打标签。标签类型可以根据具体实施场景进行设定,在本实施例中,标签类型包括“油性”、“中性”和“干性”三个类别。利用one-hot编码方法对标签数据进行编码,进而将训练数据集输入到发质分类网络中进行网络训练,由于该发质分类网络是用于发质分类,因而本实施例选择利用交叉熵损失函数作为网络训练时的损失函数。
将待检测的发质图像对应的最优均衡化增强图像输入到上述训练好的发质分类网络中,由该发质分类网络输出当前发质类型识别结果,从而完成对发质类型的视觉分析检测。
上述发质类型视觉分析检测方法,通过对不同人群的发质图像进行采集,并对该发质图像进行算法识别,可以快速、准确地定位出每张发质图像中的发质类型。该发质类型识别结果可以进行不同场景的应用,例如,在发型设计中,可以根据不同的发质类型,选择不同的吹风和加热方式。用于发质类型视觉分析检测的图像增强方法实施例:
基于图像处理的发质类型的检测分析通常用于发型推荐、个性化化妆品推荐、医疗诊断等场景,而在实际的应用中,由于发色往往是黑色,导致发丝不明显,进而会严重影响发质类型的分析检测结果。因此,在对图像中的发质类型进行检测分析前,通常需要对图像进行增强处理,以提高发质类型检测分析的准确性。
现有技术中,通过直方图均衡化算法可增强图像的对比度,从而在一定程度上可以使得图像中的发丝纹理更加明显,但直方图均衡化算法对图像的增强是全局的,这就会导致图像一些细节的丢失,导致部分发丝纹理对比度依旧不强,图像增强效果还相对较差。
为了解决上述现有图像增强效果较差的技术问题,本实施例提供了一种用于发质类型视觉分析检测的图像增强方法,包括以下步骤:
获取待检测发丝的表面图像的灰度图像,对所述灰度图像进行梯度检测,确定所述灰度图像中各个像素点的梯度值;
根据所述灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异,进行发丝纹理区域扩张,获取所述灰度图像中的各个发丝纹理区域;
对所述灰度图像中各个灰度级的出现次数进行统计,确定所述灰度图像对应的初始累计概率分布函数,在所述初始累计概率分布函数中每个数据点上叠加一个待求变量值,从而得到修正累计概率分布函数,并确定所述修正累计概率分布函数对应的斜率值序列;
对所述各个发丝纹理区域中的像素点的灰度值的出现次数进行统计,确定出现次数序列,确定所述出现次数序列和斜率值序列之间的相似度,并将所述相似度确定为目标函数,对所述目标函数进行求解,确定当所述目标函数取得最大值时所对应的待求变量值;
根据所确定的待求变量值对应的修正累计概率分布函数,对所述灰度图像进行均衡化增强处理得到最优均衡化增强图像。
由于该用于发质类型视觉分析检测的图像增强方法中的各个步骤,与上述的发质类型视觉分析检测方法实施例中的步骤S1-S5中的相关步骤完全相同,此处对该用于发质类型视觉分析检测的图像增强方法中的各个步骤不再进行赘述。
由于本发明通过利用局部的相似指标值连续性进行发丝纹理区域扩张,获取发丝纹理区域,进而结合发丝纹理区域中像素点的灰度级分布,对灰度图像对应的累计概率分布函数进行修正,从而使得增强后的发质图像具有更强的发丝对比度,发丝纹理更加明显,有效提高了图像增强效果,进而提高了发质类型检测的准确性。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种发质类型视觉分析检测方法,其特征在于,包括以下步骤:
获取待检测发丝的表面图像的灰度图像,对所述灰度图像进行梯度检测,确定所述灰度图像中各个像素点的梯度值;
根据所述灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异,进行发丝纹理区域扩张,获取所述灰度图像中的各个发丝纹理区域;
对所述灰度图像中各个灰度级的出现次数进行统计,确定所述灰度图像对应的初始累计概率分布函数,在所述初始累计概率分布函数中每个数据点上叠加一个待求变量值,从而得到修正累计概率分布函数,并确定所述修正累计概率分布函数对应的斜率值序列;
对所述各个发丝纹理区域中的像素点的灰度值的出现次数进行统计,确定出现次数序列,确定所述出现次数序列和斜率值序列之间的相似度,并将所述相似度确定为目标函数,对所述目标函数进行求解,确定当所述目标函数取得最大值时所对应的待求变量值;
根据所确定的待求变量值对应的修正累计概率分布函数,对所述灰度图像进行均衡化增强处理得到最优均衡化增强图像,并根据所述最优均衡化增强图像,确定发质类型。
2.根据权利要求1所述的一种发质类型视觉分析检测方法,其特征在于,进行发丝纹理区域扩张,获取所述灰度图像中的各个发丝纹理区域,包括:
根据所述灰度图像中每个像素点与其周围邻域像素点之间的梯度值差异,确定所述灰度图像中每个像素点与其周围邻域像素点之间的相似指标值;
获取每个发丝纹理起始像素点,以每个所述发丝纹理起始像素点作为其对应发丝纹理区域起始的扩张像素点并进行区域扩张,在进行区域扩张的过程中,将每个扩张像素点的最大相似指标值所对应的周围邻域像素点作为下一个待选的扩张像素点,并判断下一个待选的扩张像素点是否满足扩张条件,若满足扩张条件,则将下一个待选的扩张像素点归类到当前扩张得到的发丝纹理区域中,并将下一个待选的扩张像素点作为真实的扩张像素点继续进行扩展,直至不满足扩张条件。
3.根据权利要求2所述的一种发质类型视觉分析检测方法,其特征在于,确定所述灰度图像中每个像素点与其周围邻域像素点之间的相似指标值,对应的计算公式为:
;其中,/>表示所述灰度图像中第i个像素点与其第j个周围邻域像素点之间的相似指标值;/>表示所述灰度图像中第i个像素点与其第j个周围邻域像素点之间的梯度值差值绝对值;/>表示所述灰度图像中第i个像素点的所有周围邻域像素点的梯度值中的最大值。
4.根据权利要求2所述的一种发质类型视觉分析检测方法,其特征在于,所述扩张条件为:将下一个待选的扩张像素点归类到当前扩张得到的发丝纹理区域中后,发丝纹理区域中所有像素点的梯度值的方差小于设定方差阈值。
5.根据权利要求1所述的一种发质类型视觉分析检测方法,其特征在于,在对所述目标函数进行求解时,还需要满足约束条件,所述约束条件为:所述修正累计概率分布函数的最大取值为1,且所述修正累计概率分布函数对应的斜率值序列中的每个斜率值均不小于0。
6.根据权利要求1所述的一种发质类型视觉分析检测方法,其特征在于,利用粒子群算法对所述目标函数进行求解。
7.根据权利要求1所述的一种发质类型视觉分析检测方法,其特征在于,确定发质类型,包括:
将所述最优均衡化增强图像输入到训练好的由卷积神经网络构成的发质分类网络中,由发质分类网络输出对应的发质类型。
8.根据权利要求1所述的一种发质类型视觉分析检测方法,其特征在于,利用sobel算子对所述灰度图像进行梯度检测。
9.根据权利要求1所述的一种发质类型视觉分析检测方法,其特征在于,确定所述灰度图像对应的初始累计概率分布函数,包括:
确定所述灰度图像对应的灰度梯度直方图,并根据所述灰度梯度直方图,确定初始累计概率分布函数。
10.根据权利要求1所述的一种发质类型视觉分析检测方法,其特征在于,确定所述出现次数序列和斜率值序列之间的相似度,包括:
确定所述出现次数序列和斜率值序列之间的动态时间规整距离,并将所述动态时间规整距离的负相关映射结果确定为所述出现次数序列和斜率值序列之间的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481631.5A CN117218042B (zh) | 2023-11-09 | 2023-11-09 | 一种发质类型视觉分析检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481631.5A CN117218042B (zh) | 2023-11-09 | 2023-11-09 | 一种发质类型视觉分析检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117218042A true CN117218042A (zh) | 2023-12-12 |
CN117218042B CN117218042B (zh) | 2024-02-20 |
Family
ID=89039350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311481631.5A Active CN117218042B (zh) | 2023-11-09 | 2023-11-09 | 一种发质类型视觉分析检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218042B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117591832A (zh) * | 2024-01-18 | 2024-02-23 | 宁波泰利电器有限公司 | 基于数据分析的吹风机电机运行故障检测方法 |
CN118052823A (zh) * | 2024-04-16 | 2024-05-17 | 宝鸡鼎钛金属有限责任公司 | 基于图像处理的钛板焊点缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000004505A1 (en) * | 1998-07-16 | 2000-01-27 | The Research Foundation Of State University Of New York | Apparatus and method for real-time volume processing and universal 3d rendering |
CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
CN111539960A (zh) * | 2019-03-25 | 2020-08-14 | 华为技术有限公司 | 图像处理方法以及相关设备 |
CN116263942A (zh) * | 2022-04-15 | 2023-06-16 | 北京极感科技有限公司 | 一种调整图像对比度的方法、存储介质及计算机程序产品 |
-
2023
- 2023-11-09 CN CN202311481631.5A patent/CN117218042B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000004505A1 (en) * | 1998-07-16 | 2000-01-27 | The Research Foundation Of State University Of New York | Apparatus and method for real-time volume processing and universal 3d rendering |
CN107423690A (zh) * | 2017-06-26 | 2017-12-01 | 广东工业大学 | 一种人脸识别方法及装置 |
CN111539960A (zh) * | 2019-03-25 | 2020-08-14 | 华为技术有限公司 | 图像处理方法以及相关设备 |
CN116263942A (zh) * | 2022-04-15 | 2023-06-16 | 北京极感科技有限公司 | 一种调整图像对比度的方法、存储介质及计算机程序产品 |
Non-Patent Citations (1)
Title |
---|
马月涛: "基于图像处理与神经网络的车牌识别技术的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 034 - 100 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117591832A (zh) * | 2024-01-18 | 2024-02-23 | 宁波泰利电器有限公司 | 基于数据分析的吹风机电机运行故障检测方法 |
CN117591832B (zh) * | 2024-01-18 | 2024-04-05 | 宁波泰利电器有限公司 | 基于数据分析的吹风机电机运行故障检测方法 |
CN118052823A (zh) * | 2024-04-16 | 2024-05-17 | 宝鸡鼎钛金属有限责任公司 | 基于图像处理的钛板焊点缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117218042B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117218042B (zh) | 一种发质类型视觉分析检测方法 | |
CN108010024B (zh) | 一种盲参考色调映射图像质量评价方法 | |
CN107507144B (zh) | 肤色增强的处理方法、装置及图像处理装置 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
Aiping et al. | Face detection technology based on skin color segmentation and template matching | |
CN108932493A (zh) | 一种面部皮肤质量评价方法 | |
CN112818827A (zh) | 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理***及方法 | |
CN111325661A (zh) | 一种名为msgan的图像的季节风格转换模型及方法 | |
EP4083937A1 (en) | System and method for hair analysis of user | |
CN115272203A (zh) | 一种基于深度学习的无参考图像质量评价方法 | |
Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
Umilizah et al. | Combination of Image Improvement on Segmentation Using a Convolutional Neural Network in Efforts to Detect Liver Disease | |
CN107358635B (zh) | 一种基于模糊相似性的彩色形态学图像处理方法 | |
CN116664462B (zh) | 一种基于ms-dsc和i_cbam的红外和可见光图像融合方法 | |
CN117593540A (zh) | 一种基于智能化图像识别技术的压力性损伤分期识别方法 | |
Shi et al. | The objective evaluation of image object segmentation quality | |
CN112330648A (zh) | 基于半监督学习的无参考图像质量评价方法及装置 | |
Gaata et al. | No-reference quality metric based on fuzzy neural network for subjective image watermarking evaluation | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
CN116597029A (zh) | 一种针对色盲的图像重着色方法 | |
Kong et al. | Full-reference IPTV image quality assessment by deeply learning structural cues | |
CN110010228B (zh) | 一种基于图像分析的脸部皮肤透视算法 | |
CN116824586B (zh) | 图像处理方法及应用该方法的黑蒜生产质量在线检测*** | |
CN112101377B (zh) | 一种基于区域特征分析的在线间歇中空滤棒检测方法 |
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 |