CN107274452B - 一种痘痘自动检测方法 - Google Patents
一种痘痘自动检测方法 Download PDFInfo
- Publication number
- CN107274452B CN107274452B CN201710400574.1A CN201710400574A CN107274452B CN 107274452 B CN107274452 B CN 107274452B CN 201710400574 A CN201710400574 A CN 201710400574A CN 107274452 B CN107274452 B CN 107274452B
- Authority
- CN
- China
- Prior art keywords
- image
- connected domain
- skin color
- pox
- rect
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Abstract
本发明公开一种痘痘自动检测方法,包括S100获取原始图像;S200通过对原始图像的肤色过滤和人脸关键点定位,获取原始图像的肤色二值化图;S300利用肤色二值化图,提取痘痘的连通域;S400根据痘痘的连通域,粗略检测原始图像中的痘痘区域;S500对痘痘区域进行筛选,根据痘痘局部特征进行筛除得到痘痘的精确区域。本发明能够自动且精确地检测到人脸上的痘痘、痣以及比较明显的斑等;并且检测方法简单可靠和运算量小,可结合后续痘痘去除算法达到美颜效果。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及一种痘痘自动检测方法。
背景技术
近年来,随着科技的进步,智能手机、平板等移动设备已经成为人们必不可少的数字娱乐工具。伴随着智能设备的兴起,美颜自拍的需求也不断增长,不少用户希望能去除脸上的一些痘痘、痣等。
但是现有的许多应用需要手动去点击痘痘的区域来达到去除痘痘的效果,过程繁琐;即使有提供自动的去痘的方法,但对于比较明显的痘痘、比较大的痣还是不能去除。
并且现有技术中LOG、DOG等常用于检测斑点的方法,计算量通常比较大,且针对人脸的痘痘会有很多误检。
发明内容
为了解决上述问题,本发明提出了一种痘痘自动检测方法,能够自动且精确地检测到人脸上的痘痘、痣以及比较明显的斑等;并且检测方法简单可靠和运算量小,可结合后续痘痘去除算法达到美颜效果。
为达到上述目的,本发明采用的技术方案是:
一种痘痘自动检测方法,包括步骤:
S100获取原始图像;
S200通过对原始图像的肤色过滤和人脸关键点定位,获取原始图像的肤色二值化图;
S300利用肤色二值化图,提取痘痘的连通域;
S400根据痘痘的连通域,初步筛选原始图像中的痘痘区域;
S500对痘痘区域进行筛选,根据痘痘局部特征进行筛除得到痘痘的精确区域。
进一步的是,所述步骤S200中通过对原始图像的肤色过滤和人脸关键点定位,获取原始图像的肤色二值化图的步骤包括:
S210肤色检测:利用肤色检测算法对原始图像进行肤色检测,得到单通道肤色概率图;其中肤色检测算法采用常规算法;
S220图像二值化处理:对所述单通道肤色概率图进行二值化处理,得到二值图;
S230肤色连通域标记:对二值图进行连通域标记,得到标记图Ⅰ;
S240人脸区域肤色过滤:找出标记图Ⅰ中各个肤色连通域中与人脸区域重叠最大的一个连通域,更新标记图Ⅰ获得标记图Ⅱ;
S250连通域空洞消除;对标记图Ⅱ进行膨胀腐蚀操作,得到标记图Ⅲ;
S260检测原始图像的人脸关键点,通过关键点将标记图Ⅲ中的眉毛、眼睛、鼻孔和嘴唇区域像素值置为0,得到肤色二值化图。
进一步的是,步骤S220中图像二值化处理过程为:Px=Px>Threshold?1:0;其中Px为单通道肤色概率图中的像素,x为单通道肤色概率图像素位置坐标索引;Threshold为二值化阈值,可取156。“Px=Px>Threshold?1:0”是运算公式,表示当Px>Threshold时Px=1,否则Px=0。
进一步的是,步骤S240所述的人脸区域肤色过滤包括步骤:
S241设置并初始化直方图数组Hist_Skin为0;扫描标记图Ⅰ,若当前像素位置坐标索引y在人脸区域内,则直方图数组Hist_Skin[Py]加1;其中,y为标记图Ⅰ的像素位置坐标索引,Py为标记图Ⅰ的像素值;
S243重新标记:扫描标记图Ⅰ,将各个像素重新标记,Py=Py==MaxRegionLabel?1:0;得到标记图Ⅱ。“Py=Py==MaxRegionLabel?1:0”是运算公式,表示当Py==MaxRegionLabel时Py=1,否则Py=0。
进一步的是,步骤S300中利用肤色二值化图,提取痘痘的连通域,包括步骤:
S310将原始图像转换为灰度图Ⅰ;
S320对灰度图进行半径为4的均值模糊得到灰度图Ⅱ,对灰度图进行半径为8的均值模糊得到灰度图Ⅲ;
S330生成反差图:计算灰度图Ⅰ与灰度图Ⅱ的差值,获得反差图Ⅰ;计算灰度图Ⅰ与灰度图Ⅲ的差值,获得反差图Ⅱ;
S340对反差图Ⅰ和反差图Ⅱ进行二值化处理;
S350通过对二值化后的反差图Ⅰ和反差图Ⅱ比较,生成暗部区域二值化图;
S360连通域提取:
a.对暗部区域二值化图进行连通域标记,得到连通域集合CC_total={CCi|(i=1,2,3,…,maxCCNum)},
b.求连通域集合参数,所述连通域集合参数包括:各个连通域的外接矩形长CC_Rect_w和宽CC_Rect_h;各个连通域中位于非肤色区域的元素个数其中SKIN_BINARY_MASK为肤色二值化图;以及各个连通域的元素个数CC_elemNum=Card(CCi),其中Card()为求集合元素个数运算符。
进一步的是,步骤S400中根据痘痘的连通域,初步筛选原始图像中的痘痘区域,包括步骤:
根据连通域集合参数进行筛选得到痘痘区域CC_total_refine1,
CC_total_refine1={CC_total|(minNum<CC_elemNum<maxNum,max(CC_Rect_w,CC_Rect_h)<maxLen,CC_elemNum/(CC_Rect_w*CC_Rect_h)+min(CC_Rect_w,C_Rect_h)/max(CC_Rect_w,CC_Rect_h)>minCircularityRatio,CC_InvalidSkinPixelNum/CC_elemNum<maxInvalidSkinPixelNumRatio)},
其中max()和min()分别表示最大值和最小值运算符;minNum和maxNum为连通域元素个数上下界,范围为[0,1024],minNum为5,maxNum为256;maxLen为连通域最大长度阈值,范围为[0,1024],取值20;minCircularityRatio为连通域似圆度的度量,范围为[0.5,2],取值1.1;maxInvalidSkinPixelNumRatio为连通域中非肤色区域的元素个数占连通域总元素个数的比例上限,范围为[0,1],取值0.3。
进一步的是,步骤S500中对痘痘区域进行筛选,根据痘痘局部特征进行筛除得到痘痘的精确区域,包括步骤:
S510根据痘痘局部特征进行筛除:对CC_total_refine1中的每个连通域CCi,提取在灰度图Ⅰ中对应位置的图像块集合ⅠRegion1;将CCi进行膨胀操作,并提取膨胀后CCi在灰度图Ⅰ中对应位置的图像块集合图像块集合ⅡRegion2;
S520计算Region2-Region1的平均灰度avgGray2、方差var2和一阶梯度的幅度平均值avgGradient2;计算Region1的平均灰度avgGray1;
S530筛选出满足条件的连通域集合CC_total_refine2={CC_total_refine1|((avgGray2-avgGray1)*7.375-var2-81>0,6.22*avgGradient2-54.26-((avgGray2-avgGray1)*7.375-var2-81)<0)},CC_total_refine2即为检测到的痘痘的精确区域。
采用本技术方案的有益效果:
本发明能够自动且精确地检测到人脸上的痘痘、痣以及比较明显的斑等;并且检测方法简单可靠和运算量小,可结合后续痘痘去除算法达到美颜效果;
通过检测肤色区域过滤痘痘,减少了背景等因素的干扰,提高了检测精确度;通过对人脸关键点定位,保护五官,降低了算法的误检率;通过连通域的属性筛选痘痘,运算快速,且检测精度高。
附图说明
图1为本发明的一种痘痘自动检测方法流程示意图;
图2为本发明中步骤S200的流程图;
图3为本发明中步骤S300的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步阐述。
在本实施例中,参见图1所示,本发明提出了一种痘痘自动检测方法,包括步骤:S100-S500。
S100获取原始图像I_rgb。
S200通过对原始图像的肤色过滤和人脸关键点定位,获取原始图像的肤色二值化图。
如图2所示,所述步骤S200包括步骤S210-S260。
S210肤色检测:利用肤色检测算法对原始图像I_rgb进行肤色检测,得到单通道肤色概率图SKIN_MAP,像素值的范围为[0,255],SKIN_MAP具有与I_rgb相同的分辨率;其中肤色检测算法采用常规算法。
S220图像二值化处理:对所述单通道肤色概率图SKIN_MAP进行二值化处理,得到二值图SKIN_BINARY;二值化处理过程为:Px=Px>Threshold?1:0;其中Px为单通道肤色概率图中的像素,x为单通道肤色概率图像素位置坐标索引;Threshold为二值化阈值,可取156。
S230肤色连通域标记:对二值图SKIN_BINARY进行连通域标记,得到标记图ⅠSKIN_LABEL。
S240人脸区域肤色过滤:找出标记图ⅠSKIN_BINARY中各个肤色连通域中与人脸区域重叠最大的一个连通域,更新标记图Ⅰ获得标记图Ⅱ。
其中,步骤S240,包括步骤:
S241设置并初始化直方图数组Hist_Skin为0;扫描标记图ⅠSKIN_LABEL,若当前像素位置坐标索引y在人脸区域内,则直方图数组Hist_Skin[Py]加1;其中,y为标记图Ⅰ的像素位置坐标索引,Py为标记图Ⅰ的像素值;
S243重新标记:扫描标记图ⅠSKIN_LABEL,将各个像素重新标记,Py=Py==MaxRegionLabel?1:0;得到标记图ⅡSKIN_LABEL_NEW;
S250连通域空洞消除;对标记图ⅡSKIN_LABEL_NEW进行膨胀腐蚀操作,得到标记图ⅢSKIN_LABEL_NEW1;
S260检测原始图像的人脸关键点,通过关键点将标记图ⅢSKIN_LABEL_NEW1中的眉毛、眼睛、鼻孔和嘴唇区域像素值置为0,得到肤色二值化图SKIN_BINARY_MASK。
S300利用肤色二值化图,提取痘痘的连通域。
其中,如图3所示,步骤S300包括步骤:
S310将原始图像I_rgb转换为灰度图ⅠI_gray;
S320对灰度图I_gray进行半径为4的均值模糊得到灰度图ⅡI_gray_blur1,对灰度图I_gray进行半径为8的均值模糊得到灰度图ⅢI_gray_blur2;
S330生成反差图:计算I_gray与I_gray_blur1的差值,获得反差图ⅠI_diff1=I_gray-I_gray_blur1;计算I_gray与I_gray_blur2的差值,获得反差图ⅡI_diff2=I_gray-I_gray_blur2;
S340对反差图Ⅰ和反差图Ⅱ进行二值化处理;
I_diff1_binary(i)=I_diff1(i)<THRESHOLD_DARK?255:0,I_diff2_binary(i)=I_diff2(i)<THRESHOLD_DARK?255:0;其中THRESHOLD_DARK为-16,i为像素位置索引;
S350通过对二值化后的反差图Ⅰ和反差图Ⅱ比较,生成暗部区域二值化图I_diff_binary;
I_diff_binary=I_diff1_binary|I_diff2_binary;
S360连通域提取:
a.对暗部区域二值化图I_diff_binary进行连通域标记,得到连通域集合CC_total={CCi|(i=1,2,3,…,maxCCNum)},
b.求连通域集合参数,所述连通域集合参数包括:各个连通域的外接矩形长CC_Rect_w和宽CC_Rect_h;各个连通域中位于非肤色区域的元素个数其中SKIN_BINARY_MASK为肤色二值化图;以及各个连通域的元素个数CC_elemNum=Card(CCi),其中Card()为求集合元素个数运算符。
S400根据痘痘的连通域,粗略筛选原始图像中的痘痘区域。
步骤S400包括步骤:
根据连通域集合参数进行筛选得到痘痘区域CC_total_refine1,
CC_total_refine1={CC_total|(minNum<CC_elemNum<maxNum,max(CC_Rect_w,CC_Rect_h)<maxLen,CC_elemNum/(CC_Rect_w*CC_Rect_h)+min(CC_Rect_w,C_Rect_h)/max(CC_Rect_w,CC_Rect_h)>minCircularityRatio,CC_InvalidSkinPixelNum/CC_elemNum<maxInvalidSkinPixelNumRatio)},
其中max()和min()分别表示最大值和最小值运算符;minNum和maxNum为连通域元素个数上下界,范围为[0,1024],minNum为5,maxNum为256;maxLen为连通域最大长度阈值,范围为[0,1024],取值20;minCircularityRatio为连通域似圆度的度量,范围为[0.5,2],取值1.1;maxInvalidSkinPixelNumRatio为连通域中非肤色区域的元素个数占连通域总元素个数的比例上限,范围为[0,1],取值0.3。
S500对痘痘区域进行筛选,根据痘痘局部特征进行筛除得到痘痘的精确区域。
步骤S500包括步骤:
S510根据痘痘局部特征进行筛除:对CC_total_refine1中的每个连通域CCi,提取在灰度图Ⅰ中对应位置的图像块集合ⅠRegion1;将CCi进行膨胀操作,并提取膨胀后CCi在灰度图Ⅰ中对应位置的图像块集合图像块集合ⅡRegion2;
S520计算Region2-Region1的平均灰度avgGray2、方差var2和一阶梯度的幅度平均值avgGradient2;计算Region1的平均灰度avgGray1;
S530筛选出满足条件的连通域集合CC_total_refine2={CC_total_refine1|((avgGray2-avgGray1)*7.375-var2-81>0,6.22*avgGradient2-54.26-((avgGray2-avgGray1)*7.375-var2-81)<0)},CC_total_refine2即为检测到的痘痘的精确区域。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种痘痘自动检测方法,其特征在于,包括步骤:
S100获取原始图像;
S200通过对原始图像的肤色过滤和人脸关键点定位,获取原始图像的肤色二值化图;
S300利用肤色二值化图,提取痘痘的连通域;
S400根据痘痘的连通域,初步筛选原始图像中的痘痘区域;
S500对痘痘区域进行筛选,根据痘痘局部特征进行筛除得到痘痘的精确区域;
其中,所述步骤S200具体包括:
S210肤色检测:利用肤色检测算法对原始图像进行肤色检测,得到单通道肤色概率图;
S220图像二值化处理:对所述单通道肤色概率图进行二值化处理,得到二值图;
S230肤色连通域标记:对二值图进行连通域标记,得到标记图Ⅰ;
S240人脸区域肤色过滤:找出标记图Ⅰ中各个肤色连通域中与人脸区域重叠最大的一个连通域,更新标记图Ⅰ获得标记图Ⅱ;
S250连通域空洞消除;对标记图Ⅱ进行膨胀腐蚀操作,得到标记图Ⅲ;
S260检测原始图像的人脸关键点,通过关键点将标记图Ⅲ中的眉毛、眼睛、鼻孔和嘴唇区域像素值置为0,得到肤色二值化图;
所述步骤S300具体包括:
S310将原始图像转换为灰度图Ⅰ;
S320对灰度图进行半径为4的均值模糊得到灰度图Ⅱ,对灰度图进行半径为8的均值模糊得到灰度图Ⅲ;
S330生成反差图:计算灰度图Ⅰ与灰度图Ⅱ的差值,获得反差图Ⅰ;计算灰度图Ⅰ与灰度图Ⅲ的差值,获得反差图Ⅱ;
S340对反差图Ⅰ和反差图Ⅱ进行二值化处理;
S350通过对二值化后的反差图Ⅰ和反差图Ⅱ比较,生成暗部区域二值化图;
S360连通域提取:
a.对暗部区域二值化图进行连通域标记,得到连通域集合CC_total={CCi|(i=1,2,3,…,maxCCNum)},
2.根据权利要求1所述的一种痘痘自动检测方法,其特征在于,步骤S220中图像二值化处理过程为:Px=Px>Threshold?1:0;其中Px为单通道肤色概率图中的像素,x为单通道肤色概率图像素位置坐标索引;Threshold为二值化阈值。
4.根据权利要求3所述的一种痘痘自动检测方法,其特征在于,步骤S400中根据痘痘的连通域,初步筛选原始图像中的痘痘区域,包括步骤:
根据连通域集合参数进行筛选得到痘痘区域CC_total_refine1:
CC_total_refine1={CC_total|(minNum<CC_elemNum<maxNum,max(CC_Rect_w,CC_Rect_h)<maxLen,CC_elemNum/(CC_Rect_w*CC_Rect_h)+min(CC_Rect_w,C_Rect_h)/max(CC_Rect_w,CC_Rect_h)>minCircularityRatio,CC_InvalidSkinPixelNum/CC_elemNum<maxInvalidSkinPixelNumRatio)},
其中max()和min()分别表示最大值和最小值运算符;minNum和maxNum为连通域元素个数上下界,范围为[0,1024];maxLen为连通域最大长度阈值,范围为[0,1024];minCircularityRatio为连通域似圆度的度量,范围为[0.5,2];maxInvalidSkinPixelNumRatio为连通域中非肤色区域的元素个数占连通域总元素个数的比例上限,范围为[0,1]。
5.根据权利要求4所述的一种痘痘自动检测方法,其特征在于,步骤S500中对痘痘区域进行筛选,根据痘痘局部特征进行筛除得到痘痘的精确区域,包括步骤:
S510根据痘痘局部特征进行筛除:对CC_total_refine1中的每个连通域CCi,提取在灰度图Ⅰ中对应位置的图像块集合ⅠRegion1;将CCi进行膨胀操作,并提取膨胀后CCi在灰度图Ⅰ中对应位置的图像块集合图像块集合ⅡRegion2;
S520计算Region2-Region1的平均灰度avgGray2、方差var2和一阶梯度的幅度平均值avgGradient2;计算Region1的平均灰度avgGray1;
S530筛选出满足条件的连通域集合CC_total_refine2={CC_total_refine1|((avgGray2-avgGray1)*7.375-var2-81>0,6.22*avgGradient2-54.26-((avgGray2-avgGray1)*7.375-var2-81)<0)},CC_total_refine2即为检测到的痘痘的精确区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710400574.1A CN107274452B (zh) | 2017-05-31 | 2017-05-31 | 一种痘痘自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710400574.1A CN107274452B (zh) | 2017-05-31 | 2017-05-31 | 一种痘痘自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274452A CN107274452A (zh) | 2017-10-20 |
CN107274452B true CN107274452B (zh) | 2020-07-24 |
Family
ID=60064951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710400574.1A Active CN107274452B (zh) | 2017-05-31 | 2017-05-31 | 一种痘痘自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274452B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112037162B (zh) * | 2019-05-17 | 2022-08-02 | 荣耀终端有限公司 | 一种面部痤疮的检测方法及设备 |
CN110610468B (zh) * | 2019-09-23 | 2022-11-01 | 厦门美图宜肤科技有限公司 | 基于皮肤镜图像的毛发识别方法、装置、设备及存储介质 |
CN110852967B (zh) * | 2019-11-06 | 2023-09-12 | 成都品果科技有限公司 | 一种人像照片快速祛瑕疵的方法 |
CN112862712A (zh) * | 2021-02-01 | 2021-05-28 | 广州方图科技有限公司 | 美颜处理方法、系统、存储介质和终端设备 |
CN113284160B (zh) * | 2021-04-23 | 2024-03-12 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101669824A (zh) * | 2009-09-22 | 2010-03-17 | 浙江工业大学 | 基于生物特征识别的人与身份证同一性检验装置 |
CN101751559A (zh) * | 2009-12-31 | 2010-06-23 | 中国科学院计算技术研究所 | 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法 |
CN102236793A (zh) * | 2010-04-29 | 2011-11-09 | 比亚迪股份有限公司 | 一种快速肤色检测方法 |
CN104299011A (zh) * | 2014-10-13 | 2015-01-21 | 吴亮 | 一种基于人脸图像识别的肤质与皮肤问题识别检测方法 |
GB2516512A (en) * | 2013-10-23 | 2015-01-28 | Imagination Tech Ltd | Face detection |
CN105224917A (zh) * | 2015-09-10 | 2016-01-06 | 成都品果科技有限公司 | 一种利用颜色空间创建肤色概率图的方法和系统 |
CN105469356A (zh) * | 2015-11-23 | 2016-04-06 | 小米科技有限责任公司 | 人脸图像处理方法及装置 |
CN105976308A (zh) * | 2016-05-03 | 2016-09-28 | 成都索贝数码科技股份有限公司 | 一种基于gpu的移动端高质量美颜的实时处理方法 |
CN106067016A (zh) * | 2016-07-20 | 2016-11-02 | 深圳市飘飘宝贝有限公司 | 一种人脸图像眼镜检测方法及装置 |
CN106558025A (zh) * | 2015-09-29 | 2017-04-05 | 腾讯科技(深圳)有限公司 | 一种图片的处理方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632132B (zh) * | 2012-12-11 | 2017-02-15 | 广西科技大学 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
-
2017
- 2017-05-31 CN CN201710400574.1A patent/CN107274452B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101398894A (zh) * | 2008-06-17 | 2009-04-01 | 浙江师范大学 | 机动车车牌自动识别方法及其实现装置 |
CN101669824A (zh) * | 2009-09-22 | 2010-03-17 | 浙江工业大学 | 基于生物特征识别的人与身份证同一性检验装置 |
CN101751559A (zh) * | 2009-12-31 | 2010-06-23 | 中国科学院计算技术研究所 | 人脸皮肤斑痣点检测及利用皮肤斑痣识别人脸的方法 |
CN102236793A (zh) * | 2010-04-29 | 2011-11-09 | 比亚迪股份有限公司 | 一种快速肤色检测方法 |
GB2516512A (en) * | 2013-10-23 | 2015-01-28 | Imagination Tech Ltd | Face detection |
CN104299011A (zh) * | 2014-10-13 | 2015-01-21 | 吴亮 | 一种基于人脸图像识别的肤质与皮肤问题识别检测方法 |
CN105224917A (zh) * | 2015-09-10 | 2016-01-06 | 成都品果科技有限公司 | 一种利用颜色空间创建肤色概率图的方法和系统 |
CN106558025A (zh) * | 2015-09-29 | 2017-04-05 | 腾讯科技(深圳)有限公司 | 一种图片的处理方法和装置 |
CN105469356A (zh) * | 2015-11-23 | 2016-04-06 | 小米科技有限责任公司 | 人脸图像处理方法及装置 |
CN105976308A (zh) * | 2016-05-03 | 2016-09-28 | 成都索贝数码科技股份有限公司 | 一种基于gpu的移动端高质量美颜的实时处理方法 |
CN106067016A (zh) * | 2016-07-20 | 2016-11-02 | 深圳市飘飘宝贝有限公司 | 一种人脸图像眼镜检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107274452A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274452B (zh) | 一种痘痘自动检测方法 | |
EP3455782B1 (en) | System and method for detecting plant diseases | |
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN107220962B (zh) | 一种隧道裂纹的图像检测方法和装置 | |
US10885321B2 (en) | Hand detection method and system, image detection method and system, hand segmentation method, storage medium, and device | |
CN111611643A (zh) | 户型矢量化数据获得方法、装置、电子设备及存储介质 | |
Vorobel et al. | Segmentation of rust defects on painted steel surfaces by intelligent image analysis | |
CN110838126A (zh) | 细胞图像分割方法、装置、计算机设备和存储介质 | |
CN104615972B (zh) | 指针式仪表智能识别方法及其装置 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN106530273B (zh) | 高精度fpc直线线路检测与缺陷定位方法 | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
CN108647605B (zh) | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
Othman et al. | Road crack detection using adaptive multi resolution thresholding techniques | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
KR101380329B1 (ko) | 영상의 변화를 검출하는 방법 | |
Si-ming et al. | Moving shadow detection based on Susan algorithm | |
CN110188601B (zh) | 一种基于学习的机场遥感图像检测方法 | |
Vandoni et al. | Crack detection based on a Marked Point Process model | |
CN113034576B (zh) | 一种基于轮廓的高精度定位方法、系统及介质 | |
CN113160251B (zh) | 一种基于显著性先验的图像自动分割方法 | |
CN111476821B (zh) | 基于在线学习的目标跟踪方法 |
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 |