CN105760850B - 基于皮肤纹理信息的无创年龄估计方法 - Google Patents
基于皮肤纹理信息的无创年龄估计方法 Download PDFInfo
- Publication number
- CN105760850B CN105760850B CN201610137426.0A CN201610137426A CN105760850B CN 105760850 B CN105760850 B CN 105760850B CN 201610137426 A CN201610137426 A CN 201610137426A CN 105760850 B CN105760850 B CN 105760850B
- Authority
- CN
- China
- Prior art keywords
- age
- image
- dermatoglyph
- skin
- noninvasive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 230000036548 skin texture Effects 0.000 claims description 2
- 210000000245 forearm Anatomy 0.000 abstract description 5
- 238000007619 statistical method Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract description 2
- 210000003491 skin Anatomy 0.000 description 40
- 238000011160 research Methods 0.000 description 7
- 230000032683 aging Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 3
- 208000004188 Tooth Wear Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000007323 disproportionation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000012939 laminating adhesive Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000741 silica gel Substances 0.000 description 1
- 229910002027 silica gel Inorganic materials 0.000 description 1
- 230000009759 skin aging Effects 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
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
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Si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Si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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610137426.0A CN105760850B (zh) | 2016-03-11 | 2016-03-11 | 基于皮肤纹理信息的无创年龄估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610137426.0A CN105760850B (zh) | 2016-03-11 | 2016-03-11 | 基于皮肤纹理信息的无创年龄估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105760850A CN105760850A (zh) | 2016-07-13 |
CN105760850B true CN105760850B (zh) | 2019-02-15 |
Family
ID=56333036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610137426.0A Active CN105760850B (zh) | 2016-03-11 | 2016-03-11 | 基于皮肤纹理信息的无创年龄估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760850B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110709856B (zh) * | 2017-05-31 | 2023-11-28 | 宝洁公司 | 用于确定表观皮肤年龄的系统和方法 |
CN109670386A (zh) * | 2017-10-16 | 2019-04-23 | 深圳泰首智能技术有限公司 | 人脸识别方法及终端 |
CN107832738B (zh) * | 2017-11-28 | 2018-09-11 | 北京工商大学 | 一种确定皮肤pH值变化的年龄拐点的方法 |
CN107845097A (zh) * | 2017-12-19 | 2018-03-27 | 高建华 | 一种下肢深静脉血栓磁共振成像方法和装置 |
CN110175973A (zh) * | 2018-02-11 | 2019-08-27 | 上海市刑事科学技术研究院 | 一种人软骨内色素的测定方法及其在法医学上的应用 |
CN111325060A (zh) * | 2018-12-14 | 2020-06-23 | 香港大学深圳医院 | 一种左心室功能参数与特征信息之间相关性的确定方法 |
CN109949279A (zh) * | 2019-03-06 | 2019-06-28 | 义乌市悦美科技有限公司 | 一种基于皮肤图像的年龄分析系统 |
CN111797902B (zh) * | 2020-06-10 | 2023-12-22 | 西安邮电大学 | 一种基于图像数据分析的医学x线片放大率测量系统及方法 |
CN113796826A (zh) * | 2020-06-11 | 2021-12-17 | 懿奈(上海)生物科技有限公司 | 一种用于检测华人人脸皮肤年龄的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150059394A (ko) * | 2013-11-22 | 2015-06-01 | (주)아모레퍼시픽 | 계량화 수단을 이용한 피부 나이 예측 장치 및 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2332071A4 (en) * | 2008-09-04 | 2016-01-27 | Elc Man Llc | OBJECTIVE MODEL OF APPARENT AGE, METHODS AND USE |
-
2016
- 2016-03-11 CN CN201610137426.0A patent/CN105760850B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150059394A (ko) * | 2013-11-22 | 2015-06-01 | (주)아모레퍼시픽 | 계량화 수단을 이용한 피부 나이 예측 장치 및 방법 |
Non-Patent Citations (1)
Title |
---|
利用皮肤纹理面积客观评价皮肤老化的研究;单改仙等;《生物医学工程学杂志》;20150228;第1-3节 |
Also Published As
Publication number | Publication date |
---|---|
CN105760850A (zh) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760850B (zh) | 基于皮肤纹理信息的无创年龄估计方法 | |
CN109730637B (zh) | 一种人脸面部图像定量分析系统及方法 | |
Jaleel et al. | Computer aided detection of skin cancer | |
CN106023151B (zh) | 一种开放环境下中医舌象目标检测方法 | |
CN105844236B (zh) | 基于皮肤图像信息处理的年龄测试方法 | |
CN107424167B (zh) | 一种毛孔定位识别的方法和装置 | |
CN112950631B (zh) | 基于显著图约束和x光头颅定位侧位图像的年龄估计方法 | |
CN105913463B (zh) | 一种基于位置先验的纹理-颜色特征全局显著性检测方法 | |
CN109255775A (zh) | 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及系统 | |
CN110516759A (zh) | 一种基于机器学习的软组织肉瘤转移风险预测系统 | |
Achakanalli et al. | Statistical analysis of skin cancer image–a case study | |
CN108305247A (zh) | 一种基于ct图像灰度值检测组织硬度的方法 | |
Zhao et al. | Study of image segmentation algorithm based on textural features and neural network | |
Ali et al. | Detection and segmentation of ischemic stroke using textural analysis on brain CT images | |
Anandgaonkar et al. | Brain tumor detection and identification from T1 post contrast MR images using cluster based segmentation | |
CN109949279A (zh) | 一种基于皮肤图像的年龄分析系统 | |
Wu et al. | The segmentation and visualization of human organs based on adaptive region growing method | |
CN109377461A (zh) | 一种基于nsct的乳腺x射线图像自适应增强方法 | |
Vijayakumari et al. | Dental cyst diagnosis using texture analysis | |
CN114372985A (zh) | 适应多中心图像的糖尿病视网膜病变病灶分割方法及系统 | |
CN113963427A (zh) | 一种快速活体检测的方法与系统 | |
Kaur et al. | An efficient scheme for brain tumor detection of MRI brain images using Euclidean distance with FVT | |
Jaya et al. | Enhancement of mammogram images in SMRT domain using nonlinear mapping functions | |
Biswas et al. | Colonoscopy contrast-enhanced by intuitionistic fuzzy soft sets for polyp cancer localization | |
Feng | Computer image processing and recognition technology under the background of new energy digitisation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |