CN105760850B - 基于皮肤纹理信息的无创年龄估计方法 - Google Patents

Abstract

本发明提供一种基于皮肤纹理信息的无创年龄估计方法，通过挖掘皮肤表面随年龄变化的纹理信息，尝试为医学工作者提供一种新的简便无创的年龄推断方法。首先无创采集前臂腹侧中段部位皮肤图像，然后对采集的皮肤图像进行预处理以及特征提取，得到了皮肤纹理线以及灰度共生矩阵，最后计算其相应的特征参数，并运用统计学方法分析这些参数与年龄的相关性，得出推断年龄的数学模型。统计结果表明，本方法中的皮肤纹理参数均与年龄有较高的线性相关性，将统计分析得到的年龄推断模型测试于15例志愿者，所得年龄推断误差均在3岁以内，证明了本文方法推断年龄的有效性，并且由于其所需成本低，有望用于医学年龄的客观推断。

Description

基于皮肤纹理信息的无创年龄估计方法

技术领域

本发明涉及生命科学技术领域，具体涉及一种基于皮肤纹理信息的无创年龄估计方法。

背景技术

年龄是一种具有生物学基础的自然标志。对个体的年龄推断是医学研究和刑事侦察中经常遇到的一项工作，包括对移民、无名氏、运动员和嫌犯等进行年龄推断，从而为医学研究、侦查和处理民事案件等提供可靠线索和科学证据。目前临床上适用于成年人的年龄推断方法主要是基于骨骼变化以及牙齿磨耗程度，需要医师依据评分标准进行肉眼观察评估，其准确度易受医师主管因素影响。

除了骨骼变化以及牙齿磨耗之外，人体还有很多组织器官也表达着年龄信息，如皮肤和毛发等。皮肤作为人体最大的一个器官，其发育老化规律已经被做了大量研究。已有的医学研究表明：人体上肢皮肤表面纹理结构清晰，是由初级线(20～100μm深)和初级线的分叉线(次级线，5～40μm深)组成的网状结构。而且随着年龄的增加，皮肤开始老化，萎缩、变薄，其在微观结构上表现为初级线变粗加深，次级线减少或者消失。因此，皮肤的纹理特性与人体的年龄信息存在一定的相关性。

但近几年，研究者大多均是借助于皮肤硅胶复膜手段来进行皮肤参数测量，此类方法较为复杂，容易产生误差。也有学者通过对手背部皮肤进行拍照获取图像来研究皮肤老化，但是该方法中的参数计算均是手动计算，较为耗时费力，算法智能性比较差。

发明内容

本发明提出一种基于皮肤纹理信息的无创年龄估计方法，主要结合皮肤网格参数与年龄信息的相关性，利用计算机图像处理技术，提取计算皮肤表面微观图像中的纹理形态特征参数，然后分析这些参数与年龄之间的关系，最后依据统计学方法推导得出皮肤纹理特征参数推断年龄的数学模型，从而实现医学年龄的无创估计。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于皮肤纹理信息的无创年龄估计方法，其关键在于，包括如下步骤：

S1：获取皮肤表面图像；

S2：图像预处理，包括转换图像位数以及直方图均衡化处理；

S3：皮肤纹理线提取，用于提取皮肤表面纹理线；

S4：皮肤纹理参数计算，包括灰度共生矩阵、网格数以及网格平均面积；

S5：将年龄作为因变量，将步骤S4所得的皮肤纹理参数作为自变量，进行多元线性回归分析，得到年龄估计值。

进一步地，步骤S3的具体步骤为：

S31：采用形态学增强方法将图像中的亮细节提取出来；

S32：采用均值滤波进行滤波处理

S33：采用大津阈值分割法将预处理后的皮肤图像分割为背景和目标两部分；

S34：对分割后得到的图像进行分水岭变换，从而可以清晰地获得皮肤表面纹理线。

再进一步地，步骤S4中的灰度共生矩阵选择了10 pixels的步距，且计算0°、45°、90°和135°四个方向的灰度相关性来作为皮肤纹理的空间灰度特性的定量描述。

作为优选，步骤S5中：

针对女性而言，所采用的多元线性回归分析模型为：

Age＝0.014MAG+48.52Cor-3.084；

针对男性而言，所采用的多元线性回归分析模型为：

Age＝65.333+58.497Cor-0.506NG；

其中Age为多元线性回归分析模型估计出的年龄值(单位：岁)，MAG为网格平均面积，Cor为灰度共生矩阵中0度方向的灰度相关性，NG为网格数。

与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：

(1)本方法结合图像处理，分别提取了皮肤纹理的空间结构特征以及二维结构特征，从多个角度来挖掘皮肤纹理中隐藏的年龄信息，第一次选用反映纹理二维结构特征的网格参数——网格数(the number of grids，NG)和网格平均面积(the mean area ofgrids，MAG)作为皮肤纹理参数进行无创医学年龄推断；

(2)本方法在现有算法基础上，将形态学增强方法与分水岭分割方法结合，提取得到了皮肤纹理线，特别是第一次采用了反映纹理二维结构特征的两个网格参数对皮肤图像样本数据进行多元逐步回归分析，得到皮肤纹理参数与年龄的线性回归方程，从而用于医学年龄的推断；

(3)由于本方法中的使用设备简单而且无创，便于携带，所用指标受主观因素影响小，易于推广应用，具有一定的医学应用价值。

附图说明

图1为本发明的方法流程图；

图2为皮肤表面图像处理效果图；

图3为皮肤网格参数的获取效果图。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。

如图1所示，一种基于皮肤纹理信息的无创年龄估计方法，包括如下步骤：

S1：获取皮肤表面图像；

人体皮肤不同部位纹理差异性较大，相对于其他部位皮肤，前臂内侧皮肤纹理结构清晰，受外界环境影响较小，肌肉运动不频繁，而且便于图片采集。因此本方法选取前臂内侧中段部位皮肤的图像作为处理对象。

在研究过程中，所选用的皮肤图像样本来源于150例志愿者，年龄范围为19～78岁，平均年龄为43.2岁，并将其随机分为实验组(90％样本数)和验证组(10％样本数)。这些志愿者均生活在西南地区，为医生、老师和学生等室内工作者，并且无皮肤类疾病。在适宜的室内条件下，被采集的志愿者成放松状态静坐，手微握拳，左前臂伸展平放在桌面上，在固定的焦距和物距下，利用带有偏振片的数码放大显微镜对前臂内侧中段位置的皮肤表面微观结构进行同一视野的图像采集，最后通过USB接口将图像传输至计算机，每位志愿者至少采集20张皮肤图像。

S2：图像预处理，包括转换图像位数以及直方图均衡化处理；

在采集过程中，由于受到光照不均、皮肤表面油脂等因素的影响，获取的皮肤图像样本大多存在亮度不均以及噪声干扰的情况。因此，在提取皮肤图像中老化信息前，先进行图像预处理，用于改善图像质量，以抑制与分析目标无关的图像细节。

首先，对采集到的图像样本进行筛选，去除模糊的、采集部位不正确的图片；然后，对图像裁剪保留图像中心部位，以便于获取清晰的皮肤纹理图像，并且将其转换为灰度图像，其效果如图2A所示，这样可以提高计算机图像处理速度；最后，进行对比度自适应直方图均衡化处理，将超过限制条件的像素点在直方图内进行重整，从而消除图像样本中的亮度分布不均情况，其效果如图2B所示。

S3：皮肤纹理线提取，用于提取皮肤表面纹理线，具体步骤为：

S31：采用形态学增强方法将图像中的亮细节提取出来；

S32：采用均值滤波进行滤波处理

S33：采用大津阈值分割法将预处理后的皮肤图像分割为背景和目标两部分；

S34：对分割后得到的图像进行分水岭变换，从而可以清晰地获得皮肤表面纹理线。

在图像预处理后，为了进一步突出皮肤图像中的纹理结构，需要通过形态学增强方法将图像中的亮细节提取出来，如图2C所示。但是，增强后的图像不可避免地还存在一些噪声干扰，因此接着选用均值滤波器进行滤波处理，其滤波结果如图2D所示，然后，采用大津阈值分割方法将以上操作得到的图像分割为背景和目标两部分，如图2E所示，最后依据皮肤表皮层的皮丘皮沟与地形学上的山丘山沟相似的结构特性，对分割后得到的图像进行分水岭变换，从而可以清晰地获得皮肤表面纹理线，如图2F所示。

S4：皮肤纹理参数计算，包括灰度共生矩阵、网格数以及网格平均面积，这里的灰度共生矩阵选择了10 pixels的步距，且计算0°、45°、90°和135°四个方向的灰度相关性来作为皮肤纹理的空间灰度特性的定量描述，在实施过程中，本例采用MATLAB软件自带的区域标记函数bwconncomp对纹理线中封闭连通的区域进行区域标记，如图3所示，并得到所标记的区域个数，即网格数(the number of grids，NG)；然后，再运用regionprops函数统计各个被标记区域的面积分布，计算其面积平均值，即得到另一个反映纹理二维结构特征的网格参数——网格平均面积(the mean area of grids，MAG)，其计算公式见方程为：其中S_i为第i个被标记区域的面积值。

S5：将年龄作为因变量，将步骤S4所得的皮肤纹理参数作为自变量，进行多元线性回归分析，得到年龄估计值。

研究过程中，采用SPSS统计软件进行分析，首先是对计算所得的皮肤纹理参数与年龄进行Pearson相关分析，判断这些参数与年龄的线性相关性，然后对这多个参数进行多元线性逐步回归分析，从而建立多元线性回归模型，用于推断年龄。

针对本文所选择的研究对象而言，从表1和表2中可以看到，无论男性或女性，本方法提取的皮肤纹理参数均与年龄有显著的线性相关性，其中灰度共生矩阵(GLCM)特征参数相关性和网格平均面积与年龄呈正相关，网格数与年龄呈负相关。

表1 女性纹理参数与年龄的相关性

表2 男性纹理参数与年龄的相关性

在多元线性回归分析过程中，为保证自变量的独立性以及模型的可靠性，选用逐步法，依据F统计量值的变化排除或者加入自变量，最终进入回归模型的自变量为网格数(NG)、网格面积(MAG)和0度方向的GLCM相关性(Cor)。从表3中可以看到，其模型的拟合较好，偏相关系数R均大于0.75。并进行回归方程检验：F值分别为73.238、48.665，P值均为0.000，回归方程有统计意义。

因此，作为一种优选方式，步骤S5中：

针对女性而言，所采用的多元线性回归分析模型为：

Age＝0.014MAG+48.52Cor-3.084；

针对男性而言，所采用的多元线性回归分析模型为：

Age＝65.333+58.497Cor-0.506NG；

其中Age为多元线性回归分析模型估计出的年龄值，MAG为网格平均面积，Cor为灰度共生矩阵中0度方向的灰度相关性，NG为网格数。

表3 女性和男性的年龄推断模型

表4 验证组的年龄估计结果

依据回归分析得到的年龄推断模型，对验证组的15例志愿者进行年龄估计，其中误差是估计年龄值与真实年龄的差值。从表4中可以看到，无论男性或女性，年龄估计误差均在3岁以内，并且误差在2岁以内的样本例占66.67％。

综上所述，本申请的上述实施例中，通过对135例志愿者的手臂内侧皮肤图像进行分析，发现本研究所提取的多个皮肤纹理形态特征参数均与年龄有较高的相关性。随着年龄的增长，皮肤表面微观图像中的网格数减少，网格面积增大，这与我们肉眼观察到的皮肤衰老现象(即皮肤皱纹逐渐加深、纹间皮肤松垂)相对应，符合皮肤自然老化的客观规律。依据本方法得到的年龄推断模型对志愿者进行年龄推断，结果表明最大误差仅为±3岁，适用于成年人的年龄推断。由于本方法中的使用设备简便，便于携带，所用指标受主观因素影响小并且所需时间不到1分钟，因此比较易于推广应用，具有一定的医学应用价值。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (1)

1.一种基于皮肤纹理信息的无创年龄估计方法，其特征在于，包括如下步骤：

S1：获取皮肤表面图像；

S2：图像预处理，包括转换图像位数以及直方图均衡化处理；

对采集到的图像样本进行筛选，去除模糊的、采集部位不正确的图片；然后，对图像裁剪保留图像中心部位，以便于获取清晰的皮肤纹理图像，并且将其转换为灰度图像，提高计算机图像处理速度；最后，进行对比度自适应直方图均衡化处理，将超过限制条件的像素点在直方图内进行重整，从而消除图像样本中的亮度分布不均情况；

S3：皮肤纹理线提取，用于提取皮肤表面纹理线；

步骤S3的具体步骤为：

S31：采用形态学增强方法将图像中的亮细节提取出来；

S32：采用均值滤波进行滤波处理；

S33：采用大津阈值分割法将预处理后的皮肤图像分割为背景和目标两部分；

S34：对分割后得到的图像进行分水岭变换，从而可以清晰地获得皮肤表面纹理线；

S4：皮肤纹理参数计算，包括灰度共生矩阵、网格数以及网格平均面积；

步骤S4中的灰度共生矩阵选择了10pixels的步距，且计算0°、45°、90°和135°四个方向的灰度相关性来作为皮肤纹理的空间灰度特性的定量描述，采用MATLAB软件自带的区域标记函数bwconncomp对纹理线中封闭连通的区域进行区域标记，并得到所标记的区域个数，即网格数；然后，再运用regionprops函数统计各个被标记区域的面积分布，计算其面积平均值，即得到另一个反映纹理二维结构特征的网格参数——网格平均面积，其计算公式见方程为：其中S_i为第i个被标记区域的面积值；

S5：将年龄作为因变量，将步骤S4所得的皮肤纹理参数作为自变量，进行多元线性回归分析，得到年龄估计值；

步骤S5中：

针对女性而言，所采用的多元线性回归分析模型为：

Age＝0.014MAG+48.52Cor-3.084；

针对男性而言，所采用的多元线性回归分析模型为：

Age＝65.333+58.497Cor-0.506NG；

其中Age为多元线性回归分析模型估计出的年龄值(单位：岁)，MAG为网格平均面积，Cor为灰度共生矩阵中0度方向的灰度相关性，NG为网格数。