CN107157447A - 基于图像rgb颜色空间的皮肤表面粗糙度的检测方法 - Google Patents

Abstract

本发明公布了一种皮肤表面粗糙度检测方法，属于皮肤图像处理应用领域。本发明通过对相同分辨率的微距皮肤数字图像做图像处理，直接利用皮肤图像的颜色空间像素值计算得到偏差绝对值均值，作为皮肤图像的粗糙度特征值，用于标识皮肤粗糙度。本发明方法直接利用颜色空间像素值做粗糙度特征值检测，读取图像数据并且灰度化，只对图像做像素级处理即可检测皮肤的粗糙度，计算的粗糙度数值不仅反映纹理的影响，也反映毛孔对皮肤图像粗糙度的影响，检测准确度高，速度快，具有良好的应用前景和市场价值。

Description

基于图像RGB颜色空间的皮肤表面粗糙度的检测方法

技术领域

本发明属于皮肤图像处理应用领域，涉及皮肤粗糙度检测技术，具体涉及一种基于图像RGB颜色空间的皮肤表面粗糙度检测方法。

背景技术

皮肤表面状态检测是皮肤衰老和抗衰老研究的重要手段，也是护肤品客观评价重要指标之一。随着人们生活水平的提高，面部皮肤的美容及护理已经收到人们的广泛关注，如何客观、定量的对皮肤图像进行分析和识别是近年皮肤图像处理领域的研究热点之一，其中一个重要应用就是对皮肤表面粗糙的检测分析。

目前国内外皮肤表面状态检测技术还比较落后，现有方法大多采用目测方法，存在很大的主观性。因为不同的人对同一幅皮肤图像可能会得出不同的结论，仅凭经验判断会带来很大的误差；且有些皮肤细微纹理，目测无法识别区分。

随着计算机图像处理技术的飞速发展，人们开始探讨用数字图像处理技术来提取皮肤图像的特征，以数字图像处理技术为手段，可以使皮肤表面状况评估方法从传统的定性分析上升为精确的定量分析，从而极大地提高测量的精确度。

皮肤图像的特征包括颜色、纹理、毛孔、光泽度等，其中皮肤粗糙度特征是一种重要的皮肤度量指标。当前评估皮肤粗糙的图像处理方法大多采用灰度共生矩阵等方法提取皮肤纹理特征，通过纹理特征考察皮肤粗糙度。这种方法不能直接根据纹理特征值得到粗糙度指标，并且该类方法忽略了毛孔对皮肤粗糙度的影响，而毛孔特征是影响皮肤粗糙度的重要因素之一。现有皮肤表面状态检测方法还包括机器学习的方法，该方法通过大量皮肤图像的存储和学习检测皮肤表面粗糙度状态，该方法与学习样本数量和质量都有关系，检测粗糙度准确度有待提高，且学习成本高，检测计算时间长。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于图像RGB空间的皮肤表面粗糙度检测方法，根据皮肤图像像素值信息，进行皮肤图像处理，直接利用RGB颜色空间像素值计算得到皮肤图像的粗糙度特征值，由此检测皮肤粗糙度。

本发明中，皮肤图像来自于微距数字图像采集设备，目前图像文件多采用RGB颜色空间，本发明方法直接利用RGB颜色空间像素值进行粗糙度特征值检测；通过本发明检测方法计算得到的皮肤表面粗糙度不仅包括了纹理对粗糙度的影响，也包括毛孔特征对粗糙度的影响；检测得到的皮肤表面粗糙度特征准确度高，且计算速度快，具有很大市场应用价值。

本发明的技术方案是：

一种皮肤表面粗糙度检测方法，直接利用皮肤图像的颜色空间像素值计算得到皮肤图像的粗糙度特征值，具体通过对相同分辨率的皮肤图像做图像处理，得到偏差绝对值均值，用于标识皮肤图像的粗糙度，也作为皮肤粗糙度指标用于衡量皮肤粗糙度；主要包括如下步骤：

1)根据图像路径参数，读取皮肤图像像素矩阵；

2)对皮肤图像像素矩阵的所有像素做统一进行灰度处理，得到皮肤灰度图像；

3)对皮肤灰度图像进行分块处理，得到多个皮肤子块灰度图像；

一般可分成20–30个同样大小的皮肤子块灰度图像；

4)分别统计得到每个皮肤子块灰度图像的灰度均值；

5)分别统计得到每个皮肤子块灰度图像内像素相对自己子块灰度均值的偏差绝对值均值；

6)根据皮肤子块灰度图像的偏差绝对值均值排序所有子块；

7)剔除偏差绝对值最大的几个(TopN个，如5个)皮肤子块灰度图像后，对其余的皮肤子块灰度图像的偏差绝对值计算均值，将该均值用于衡量皮肤粗糙度，数值越大，皮肤越粗糙，由此实现皮肤粗糙度检测。

针对上述基于图像RGB空间的皮肤表面粗糙度检测方法，进一步地，步骤1)根据图像路径参数，读取皮肤图像像素矩阵，其中：

A1.图像文件是本发明方法的唯一参数，图像文件包括但不限于本地图像文件、服务器上图像文件；

A2.皮肤图像文件格式包括但不局限于jpg、bmp、png；

A3.以像素为单位读取每个像素的颜色值到计算机内存，用于后续步骤的计算；

针对上述基于图像RGB空间的皮肤表面粗糙度检测方法，进一步地，步骤2)对皮肤图像进行灰度处理，得到皮肤灰度图像，具体实现方法为：

B1.对彩色图像，通过RGB空间各通道取平均值的方法获取灰度图像，每个像素中每个颜色分量相等，均为(r+g+b)/3；

B2.皮肤灰度图像以像素为数组元素存储在计算机内存；

针对上述基于图像RGB空间的皮肤表面粗糙度检测方法，进一步地，步骤3)对灰度图像做分块处理，具体实现步骤如下：

C1.对于灰度图像的长宽方向，分别均分成m*n(m、n取值可相同)块皮肤子块灰度图像；

C2.每个皮肤子块灰度图像像素数量相同，长宽像素数量也分别相同；

针对上述基于图像RGB空间的皮肤表面粗糙度检测方法，进一步地，步骤4)分别统计每个皮肤子块灰度图像的灰度均值，具体包括如下步骤：

D1.针对每个皮肤子块灰度图像，将子块内所有像素的灰度值求和，记为sumN；

D2.统计计算得到每个子块的像素灰度值均值，记为avgN；

针对上述基于图像RGB空间的皮肤表面粗糙度检测方法，进一步地，步骤5)分别统计每个皮肤子块灰度图像相对自己子块像素灰度值均值avgN的偏差绝对值均值，具体实现步骤如下：

E1.每个皮肤子块灰度图像内的每个像素与各自子块的像素灰度值均值avgN计算偏差的绝对值，记为minus，见式1，其中Gray为皮肤子块灰度图形内一个像素的灰度值；

minus＝|Gray-avgN| (式1)

E2.对每个皮肤子块灰度图像内的每个像素，分别计算得到像素灰度值的绝对值偏差和，记作sumMinus，见式2，其中n为每个子块内像素数量，minusI为式1中计算的第i个像素的偏差绝对值minus；

E3.对每个皮肤子块灰度图像，通过式3分别统计得到像素灰度值的绝对值偏差的均值，记作avgMinusN；

针对上述基于图像RGB空间的皮肤表面粗糙度检测方法，进一步地，步骤6)根据皮肤子块灰度图像的像素灰度值的偏差绝对值均值avgMinusN排序所有子块，具体实施步骤如下：

F1.采用数组记录每个子块像素灰度值的绝对值偏差的均值avgMinusN；

F2.按数值从大到小的顺序，对上述avgMinusN数组中的元素进行排序；

排序后，数组中每个子块的绝对值偏差的均值avgMinusN由大到小；

针对上述基于图像RGB空间的皮肤表面粗糙度检测方法，进一步地，步骤7)剔除偏差绝对值最大的几个(本发明具体实施中，实验表明剔除6个后计算结果排序效果比较好)皮肤子块灰度图像后，对其余的皮肤子块灰度图像的绝对值偏差的均值avgMinusN计算均值，该均值即可衡量皮肤粗糙度，具体实现步骤如下：

G1.剔除avgMinusN最大的几个值；

G2.对剔除后数组中剩余的所有avgMinusN进行加和，记作sumTemp；

G3.用剔除后数组中剩余的avgMinusN的均值表示皮肤粗糙度coarseness，即通过式4计算得到皮肤粗糙度：

coarseness＝sumTemp/剔除后数组中元素数量 (式4)

其中，coarseness为皮肤粗糙度。

与现有技术相比，本发明的有益效果是：

本发明提供一种基于图像RGB空间的皮肤表面粗糙度检测方法，其优点是直接利用RGB颜色空间像素值做粗糙度特征值检测，皮肤图像是唯一的参数，读取图像数据并且灰度化，只对图像做像素级处理即可检测皮肤的粗糙度，计算的粗糙度数值不仅反映纹理的影响，也能反映毛孔对皮肤图像粗糙度的影响，检测准确度高，速度快，因此，本发明方法具有良好的应用前景和市场价值。

附图说明

图1是皮肤检测系统硬件结构框图。

图2是本发明实施例中的皮肤粗糙度检测方法的流程框图。

图3是本发明实施例中部分皮肤图像粗糙度图像；

其中，实施例分别对图像a-i进行检测得到皮肤粗糙度。

图4是本发明实施例中的皮肤粗糙度排序效果图。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本发明提供一种基于图像RGB空间的皮肤表面粗糙度检测方法，对相同分辨率的微距皮肤数字图像做图像处理，得到偏差绝对值均值，用于标识皮肤图像的粗糙度，也作为皮肤粗糙度指标用于衡量皮肤粗糙度。采用本发明方法检测得到的粗糙度数值不仅包括纹理的影响，也包括毛孔对皮肤图像粗糙度的影响，方法的检测准确度高，速度快。

以下详细叙述采用本发明方法部署实现的一套皮肤检测系统，对本发明具体实施作进一步描述。系统具体配置如表1所示。

表1 本发明实施例皮肤检测系统的设备配置

名称	设备	数量
			皮肤采像设备	微距皮肤采像设备，获取相同分辨率相同长宽皮肤图像	5
云服务器	Windows server 2012、MySql5.7.16、Opencv2.4.10	1
			客户端	手机Android客户端	5

皮肤检测系统由皮肤采像设备硬件设备、服务器端和手机客户端构成，其结构框图如图1所示，皮肤粗糙度检测流程如图2所示，具体包括如下实施步骤：

a)客户端手机登录；b)微距皮肤采像设备采像，本系统中的微距皮肤采像设备可保证每次采像的图像分辨率相同，图像大小一致，可省略采样后的图像做预处理的步骤；也可将普通图像进行预处理得到微距皮肤图像；c)皮肤图像由采样设备上传到手机客户端，可蓝牙或者wifi联网上传；d)手机客户端(wifi或手机流量)上传皮肤图像到服务器端并记录相关信息到服务器数据库中；e)服务器端计算皮肤粗糙度特征值并返回该特征值的文字表述，如光滑、粗糙等字样，在客户端显示；

本发明提供的皮肤粗糙度检测方法只需一个参数，即图像文件；在本系统中是皮肤采像设备上传到服务器带有存储路径全名称的图像；皮肤粗糙度检测算法首先用第三方开源代码openCV打开皮肤图像文件，读入皮肤图像的所有像素的彩色值到内存；再灰度化像素的三通道颜色值为灰度值，得到皮肤灰度图像；对皮肤灰度图像划分相等像素数量的皮肤子块灰度图像；对皮肤子块灰度图像分别求灰度均值；对每个皮肤子块灰度图像分别计算得到针对各自子块均值的绝对值偏差的均值；再排序各自子块灰度图像均值的绝对值偏差的均值，剔除数字大的6个子块后，对其他子块的绝对值偏差的均值再次计算得到均值，作为粗糙度数值。

按照本发明方法实现基于图像RGB空间的皮肤表面粗糙度检测，检测结果快速准确。

针对粗糙度计算数值，相应地可给出粗糙度数值的分段描述：通过人眼观察皮肤粗糙度与通过本发明计算得到的粗糙度数值的关系，可将粗糙度数值分成四段，分别对应的文字表述为粗糙不平、较粗糙、正常、细腻平滑，分段数值和文字表述关系如表2所示：

表2 粗糙度分段数值和文字表述关系

本发明具体实施中针对165幅图片的粗糙度进行排序，具体地，5个不同客户端可分别登录并微距采像皮肤图像后上传到服务器，针对获取的165幅微距皮肤图像，采用本发明方法计算了每幅图像的粗糙度，图3是部分微距皮肤图像，其相应的粗糙度计算数值结果和粗糙度人眼感官分段见表3，按照计算得到的粗糙度排序皮肤图像，从排序结果看，粗糙度计算准确度高，结果如图4，本发明算法计算速度快，165幅图像粗糙度的计算时间总共不到2分钟。

表3

序号	皮肤图像	粗糙度数值	粗糙度人眼感官
				1	图3a	18.982437	粗糙不平
2	图3b	17.749905	粗糙不平
				3	图3c	17.095482	粗糙不平
4	图3d	16.350358	较粗糙
				5	图3e	15.220483	较粗糙
6	图3f	15.122211	较粗糙
				7	图3g	14.839396	正常
8	图3h	12.700818	细腻平滑
				9	图3i	2.736842	细腻平滑

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (7)

1.一种皮肤表面粗糙度检测方法，通过对相同分辨率的皮肤图像做图像处理，直接利用所述皮肤图像的RGB颜色空间像素值计算得到偏差绝对值均值，作为皮肤图像的粗糙度特征值，用于标识皮肤粗糙度；主要包括如下步骤：

1)读取皮肤图像像素矩阵；

2)对皮肤图像像素矩阵的所有像素统一进行灰度处理，得到皮肤灰度图像；

3)对皮肤灰度图像进行分块处理，得到多个皮肤子块灰度图像；

4)进行统计分别得到每个皮肤子块灰度图像的灰度均值；

5)进行统计分别得到每个皮肤子块灰度图像内像素相对于相应的皮肤子块灰度均值的偏差绝对值均值；

6)根据皮肤子块灰度图像的偏差绝对值均值排序所有子块；

7)剔除偏差绝对值TopN个皮肤子块灰度图像后，对其余的皮肤子块灰度图像的偏差绝对值计算均值，将该均值作为衡量皮肤粗糙度的指标，由此实现皮肤粗糙度检测。

2.如权利要求1所述皮肤表面粗糙度检测方法，其特征是，步骤1)通过对皮肤图像文件，以像素为单位读取每个像素的颜色值获取得到皮肤图像像素矩阵；所述皮肤图像文件包括但不限于本地图像文件或服务器上图像文件；所述皮肤图像文件的格式包括但不限于jpg、bmp、png。

3.如权利要求1所述皮肤表面粗糙度检测方法，其特征是，步骤2)对皮肤图像像素矩阵进行灰度处理得到皮肤灰度图像，具体是：对彩色皮肤图像，首先通过RGB颜色空间各通道取平均值的方法获取灰度图像，使得每个像素中每个颜色分量相等；再以像素为数组元素的形式存储皮肤灰度图像。

4.如权利要求1所述皮肤表面粗糙度检测方法，其特征是，步骤3)对皮肤灰度图像做分块处理，具体是：对于灰度图像的长宽方向，分别均分成m*n块皮肤子块灰度图像，使得每个皮肤子块灰度图像的像素数量相同，长宽像素数量也分别相同。

5.如权利要求1所述皮肤表面粗糙度检测方法，其特征是，步骤4)分别统计每个皮肤子块灰度图像的灰度均值，具体是：针对每个皮肤子块灰度图像，将子块内所有像素的灰度值求和，得到的值记为sumN；再利用sumN计算得到每个子块的像素灰度值均值，记为avgN。

6.如权利要求1所述皮肤表面粗糙度检测方法，其特征是，步骤5)分别统计每个皮肤子块灰度图像相对相应的子块像素灰度值均值的偏差绝对值均值，具体包括如下步骤：

E1.通过式1利用每个皮肤子块灰度图像内的每个像素与各自子块的像素灰度值均值，计算得到偏差的绝对值minus：

minus＝|Gray-avgN| (式1)

其中，Gray为皮肤子块灰度图形内一个像素的灰度值；

E2.对每个皮肤子块灰度图像内的每个像素，通过式2分别计算得到像素灰度值的绝对值偏差和，记作sumMinus：

其中，n为每个子块内像素数量；minusI为第i个像素的偏差绝对值；

E3.对每个皮肤子块灰度图像，通过式3分别统计得到像素灰度值的绝对值偏差的均值：

其中，avgMinusN为像素灰度值的绝对值偏差的均值。

7.如权利要求1所述皮肤表面粗糙度检测方法，其特征是，步骤7)获取皮肤粗糙度的具体步骤如下：

G1.剔除像素灰度值的绝对值偏差的均值中最大的几个值；

G2.对余下的所有像素灰度值的绝对值偏差的均值进行加和，记作sumTemp；

G3.通过式4计算得到像素灰度值的绝对值偏差均值的均值，作为皮肤粗糙度：

coarseness＝sumTemp/相应像素的数量 (式4)

其中，coarseness为皮肤粗糙度。