CN107424167B - 一种毛孔定位识别的方法和装置 - Google Patents
一种毛孔定位识别的方法和装置 Download PDFInfo
- Publication number
- CN107424167B CN107424167B CN201710263161.3A CN201710263161A CN107424167B CN 107424167 B CN107424167 B CN 107424167B CN 201710263161 A CN201710263161 A CN 201710263161A CN 107424167 B CN107424167 B CN 107424167B
- Authority
- CN
- China
- Prior art keywords
- image
- blackhead
- module
- area
- target
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 54
- 206010000496 acne Diseases 0.000 claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000000873 masking effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 10
- 239000004519 grease Substances 0.000 abstract description 8
- 210000004209 hair Anatomy 0.000 abstract description 7
- 238000005286 illumination Methods 0.000 abstract description 6
- 210000003491 skin Anatomy 0.000 description 46
- 239000000470 constituent Substances 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000028327 secretion Effects 0.000 description 3
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003780 hair follicle Anatomy 0.000 description 2
- 238000003711 image thresholding Methods 0.000 description 2
- 239000010985 leather Substances 0.000 description 2
- 210000001732 sebaceous gland Anatomy 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 102000016942 Elastin Human genes 0.000 description 1
- 108010014258 Elastin Proteins 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229920002549 elastin Polymers 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000019612 pigmentation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种毛孔定位识别的方法，包括：在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像；识别出所述目标高亮图像中的黑头定位区，生成黑头区域图；以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔。本发明还提供一种毛孔定位识别的装置。本发明所提供方法，提高了毛孔定位识别的精度，避免了在通过计算机进行识别过程中非常容易受到毛发或油脂的遮挡、光照不均匀的影响，进而对毛孔的计算机识别造成严重的干扰的问题。
Description
技术领域
本发明涉及图像处理的技术领域，具体而言，涉及一种毛孔定位识别的方法和装置。
背景技术
毛孔是指脱除毛根后皮或革的粒面上露出来的孔状结构。不同的动物皮具有不同的毛孔大小和特殊的排列，形成不同的粒面纹路。毛孔指的毛囊口，它是毛囊和皮脂腺的共同开口，具有特定的生理功能。
毛孔是皮肤中的一种囊状体，皮肤的油脂分泌和吸收都是通过毛孔来完成，可以说它控制着皮肤的“生命”，它还帮助调节人体的温度。
毛孔并没有肌肉组织，所以不能张开和关闭。人们常说冷水可以使毛孔关闭，这种说法是不正确的。冷水可以阻止毛孔排出过多的油脂，但不会让毛孔停止排出油脂。换一种角度来说，蒸汽也无法使毛孔打开，但是蒸汽可以刺激油脂腺。油脂分泌越旺盛的地方毛孔就越粗大。人脸上油脂分泌最旺盛的地方就是T区。
出现毛孔问题最大的原因是因为长年累月的日晒，这将导致无法修复的毛孔粗大。此外，随着年龄增长，皮肤中支撑毛孔的胶原质和弹性蛋白会逐步减少，毛孔就会开始扩大，毛孔周围的皮肤松弛下垂，毛孔周围因为炎症问题也会导致更多黑色素沉着。
所以，毛孔的健康问题刻不容缓，通过对毛孔的大小、形状、颜色和堵塞程度的检测，可基本反映当前皮肤的健康情况。随着计算机视觉技术的不断发展，图像处理技术被人们用于各种领域中。计算机诊病就是其中重要的应用案例之一，由于具有自动、快捷等特点，能大幅提高诊病效率，被视为未来医学诊病的发展方向。但是，毛孔位于皮肤表面，且毛孔的直径大概为0.02～0.05毫米，每一平方厘米的肌肤上约有100～120个毛孔，人的面部共有两万多个毛孔；在通过计算机进行识别过程中非常容易受到毛发或油脂的遮挡、光照不均匀的影响，进而对毛孔的计算机识别造成严重的干扰。
发明内容
有鉴于此，本发明要解决的技术问题在于克服现有技术中，毛孔位于皮肤表面，且毛孔的直径大概为0.02～0.05毫米，在通过计算机进行识别过程中非常容易受到毛发或油脂的遮挡、光照不均匀的影响，进而对毛孔的计算机识别造成严重的干扰的缺陷。
为解决上述问题，本发明提供一种毛孔定位识别的方法，包括以下步骤：
在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像；
识别出所述目标高亮图像中的黑头定位区，生成黑头区域图；
以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔。
优选地，所述在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像，包括：
对紫外光图像进行颜色空间分解，提取出所述高亮目标；
对所述高亮目标进行滤波降噪后，得到目标高亮图像。
优选地，所述识别出所述目标高亮图像中的黑头区，生成黑头区域图，包括：
将所述目标高亮图像进行阈值分割；
对阈值分割后的所述目标高亮图像进行形态学开运算；
根据运算结果标记出所述黑头定位区，并生所述成黑头区域图。
优选地，所述以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔，包括：
将所述黑头区域图对所述白光图像进行图像掩模；
图像掩模后，标记出毛孔区域，并完成对毛孔定位识别。
优选地，所述在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像之前，还包括：
选定待测皮肤区域，并对待测皮肤区域进行拍摄；
分别获取所述待测皮肤区域的白光图像和紫外光图像。
此外，为解决上述问题，本发明还提供一种毛孔定位识别的装置，包括：分解模块、识别模块和定位模块；
所述分解模块，用于在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像；
所述识别模块，用于识别出所述目标高亮图像中的黑头定位区，生成黑头区域图；
所述识别模块，还用于以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔。
优选地，还包括：降噪模块；
所述分解模块，用于对紫外光图像进行颜色空间分解，提取出所述高亮目标；
所述降噪模块，用于对所述高亮目标进行滤波降噪后，得到目标高亮图像。
优选地，还包括：运算模块；
所述分解模块，还用于将所述目标高亮图像进行阈值分割；
所述运算模块，用于对阈值分割后的所述目标高亮图像进行形态学开运算；
所述识别模块，还用于根据运算结果标记出所述黑头定位区，并生所述成黑头区域图。
优选地，还包括：掩模模块；
所述掩模模块，用于将所述黑头区域图对所述白光图像进行图像掩模；
所述识别模块，还用于图像掩模后，标记出毛孔区域，并完成对毛孔定位识别。
优选地，还包括：拍摄模块和获取模块。
所述拍摄模块，用于选定待测皮肤区域，并对待测皮肤区域进行拍摄；
所述获取模块，用于分别获取所述待测皮肤区域的白光图像和紫外光图像。
本发明提供一种毛孔定位识别的方法，通过对皮肤的白光图像和紫外光图像进行获取，再将紫外光图像中的黑头区域进行分解，并通过黑头区域图在白光图像中进行黑头区域的定位，从而将皮肤中的毛孔定位和识别出来。本发明所提供的毛孔定位识别的方法，通过计算机的多种算法对皮肤中的干扰因素例如黑头区域等进行不同程度的排除，去除了计算机对于皮肤表面毛孔进行识别时由于黑头的存在所产生的干扰，提高了毛孔定位识别的精度，避免了在通过计算机进行识别过程中非常容易受到毛发或油脂的遮挡、光照不均匀的影响，进而对毛孔的计算机识别造成严重的干扰的问题。
附图说明
应当理解的是，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本发明毛孔定位识别的方法的一实施例的流程示意图；
图2为本发明毛孔定位识别的方法的二实施例的流程示意图；
图3为本发明毛孔定位识别的方法的三实施例的流程示意图；
图4为本发明毛孔定位识别的方法的四实施例的流程示意图；
图5为本发明毛孔定位识别的方法的五实施例的流程示意图；
图6为本发明毛孔定位识别的装置的实施例的功能模块示意图。
具体实施方式
在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在下文中，可在本公开的各种实施例中使用的术语“包括”或“可包括”指示所公开的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本公开的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本公开的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本公开的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本公开的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本公开的各种实施例中使用的术语“用户”可指示使用电子装置的人或使用电子装置的装置(例如，人工智能电子装置)。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本公开的各种实施例中被清楚地限定。
本发明提供一种毛孔定位识别的方法。
参照图1，图1为本发明毛孔定位识别的方法的一实施例的流程示意图。
在一实施例中，所述毛孔定位识别的方法包括：
步骤S10，在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像；
步骤S20，识别出所述目标高亮图像中的黑头定位区，生成黑头区域图；
步骤S30，以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔。
在本实施例中，通过对皮肤的白光图像和紫外光图像进行获取，再将紫外光图像中的黑头区域进行分解，并通过黑头区域图在白光图像中进行黑头区域的定位，从而将皮肤中的毛孔定位和识别出来。本发明所提供的毛孔定位识别的方法，通过计算机的多种算法对皮肤中的干扰因素例如黑头区域等进行不同程度的排除，去除了计算机对于皮肤表面毛孔进行识别时由于黑头的存在所产生的干扰，提高了毛孔定位识别的精度，避免了在通过计算机进行识别过程中非常容易受到毛发或油脂的遮挡、光照不均匀的影响，进而对毛孔的计算机识别造成严重的干扰的问题。上述，白光图像也可称为可见光图像。
参照图2，图2为本发明毛孔定位识别的方法的二实施例的流程示意图。
基于上述毛孔定位识别的方法的一实施例，所述步骤S10包括：
步骤S11，对紫外光图像进行颜色空间分解，提取出所述高亮目标；
步骤S12，对所述高亮目标进行滤波降噪后，得到目标高亮图像。
在本实施例中，获取到待检测皮肤同一区域的白光图像和紫外光图像后，通过Lab颜色空间分解，从而将高亮目标进行提取；进一步的，高亮目标进行中值滤波，消除噪点，为进一步的图像分割做好除杂基础。
需要理解的是，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列。
参照图3，图3为本发明毛孔定位识别的方法的三实施例的流程示意图。
基于上述毛孔定位识别的方法的一实施例，所述步骤S20包括：
步骤S21，将所述目标高亮图像进行阈值分割；
步骤S22，对阈值分割后的所述目标高亮图像进行形态学开运算；
步骤S23，根据运算结果标记出所述黑头定位区，并生所述成黑头区域图。
在本实施例中，对滤波除杂后的图像进行自适应阈值分割方法和形态学开运算，进而通过颜色、大小等阈值的判断，对黑头区域进行识别。
上述，需要理解的是，阈值分割也称为图像阈值化分割，是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
参照图4，图4为本发明毛孔定位识别的方法的四实施例的流程示意图。
基于上述毛孔定位识别的方法的一实施例，所述步骤S30包括：
步骤S31，将所述黑头区域图对所述白光图像进行图像掩模；
步骤S32，图像掩模后，标记出毛孔区域，并完成对毛孔定位识别。
在本实施例中，以黑头区域图作为掩模，对皮肤白光图像的毛孔区域进行标记，从而对毛孔进行定位和识别。
上述，需要理解的是，图像掩模，是用选定的图像、图形或物体,对待处理的图像(全部或局部)进行遮挡，来控制图像处理的区域或处理过程。用于覆盖的特定图像或物体称为掩模或模板。光学图像处理中，掩模可以是胶片、滤光片等。数字图像处理中,掩模为二维矩阵数组，有时也用多值图像。数字图像处理中，图像掩模主要用于：1、提取感兴趣区，用预先制作的感兴趣区掩模与待处理图像相乘，得到感兴趣区图像,感兴趣区内图像值保持不变，而区外图像值都为0；2、屏蔽作用，用掩模对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数的计算,或仅对屏蔽区作处理或统计；3、结构特征提取，用相似性变量或图像匹配方法检测和提取图像中与掩模相似的结构特征；4、特殊形状图像的制作。
参照图5，图5为本发明毛孔定位识别的方法的五实施例的流程示意图。
基于上述毛孔定位识别的方法的一实施例，所述步骤S10之前，还包括：
步骤S40，选定待测皮肤区域，并对待测皮肤区域进行拍摄；
步骤S50，分别获取所述待测皮肤区域的白光图像和紫外光图像。
在本实施例中，将待测皮肤置于拍摄区域，固定后，将同一区域分别进行白光图像(可见光图像)和紫外光图像的拍摄，两张图像要求拍摄位置为同一区域，可完全重合，进而通过算法排除和图像掩模，定位识别出皮肤表面的毛孔。
本发明进一步提供一种毛孔定位识别的装置。
参照图6，图6为本发明毛孔定位识别的装置的实施例的功能模块示意图，包括：分解模块10、识别模块20、定位模块30、降噪模块40、运算模块50、掩模模块60、拍摄模块70和获取模块80；
所述分解模块10，用于在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像；
所述识别模块20，用于识别出所述目标高亮图像中的黑头定位区，生成黑头区域图；
所述识别模块20，还用于以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔。
所述分解模块10，用于对紫外光图像进行颜色空间分解，提取出所述高亮目标；
所述降噪模块40，用于对所述高亮目标进行滤波降噪后，得到目标高亮图像。
所述分解模块10，还用于将所述目标高亮图像进行阈值分割；
所述运算模块50，用于对阈值分割后的所述目标高亮图像进行形态学开运算；
所述识别模块20，还用于根据运算结果标记出所述黑头定位区，并生所述成黑头区域图。
所述掩模模块60，用于将所述黑头区域图对所述白光图像进行图像掩模；
所述识别模块20，还用于图像掩模后，标记出毛孔区域，并完成对毛孔定位识别。
所述拍摄模块70，用于选定待测皮肤区域，并对待测皮肤区域进行拍摄；
所述获取模块80，用于分别获取所述待测皮肤区域的白光图像和紫外光图像。
在本实施例中，分别运用分解模块10、识别模块20、定位模块30、降噪模块40、运算模块50、掩模模块60、拍摄模块70和获取模块80进行对皮肤同一区域的毛孔的识别定位。具体的，通过对皮肤的白光图像和紫外光图像进行获取，再将紫外光图像中的黑头区域进行分解，并通过黑头区域图在白光图像中进行黑头区域的定位，从而将皮肤中的毛孔定位和识别出来。本发明所提供的毛孔定位识别的方法，通过计算机的多种算法对皮肤中的干扰因素例如黑头区域等进行不同程度的排除，去除了计算机对于皮肤表面毛孔进行识别时由于黑头的存在所产生的干扰，提高了毛孔定位识别的精度，避免了在通过计算机进行识别过程中非常容易受到毛发或油脂的遮挡、光照不均匀的影响，进而对毛孔的计算机识别造成严重的干扰的问题。上述，白光图像也可称为可见光图像。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
申请人声明，本发明通过上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，但本发明并不局限于上述详细工艺设备和工艺流程。并且即不意味着本发明应依赖上述详细工艺设备和工艺流程才能实施。所属技术领域的技术人员应该明了，对本发明的任何改进，对本发明产品各原料的等效替换及辅助成分的添加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。
Claims (8)
1.一种毛孔定位识别的方法，其特征在于，包括以下步骤：
在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像，包括：
对紫外光图像进行Lab颜色空间分解，提取出所述高亮目标；
对所述高亮目标进行滤波降噪后，得到目标高亮图像；识别出所述目标高亮图像中的黑头定位区，生成黑头区域图；
以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔。
2.如权利要求1所述的毛孔定位识别的方法，其特征在于，所述识别出所述目标高亮图像中的黑头区，生成黑头区域图，包括：
将所述目标高亮图像进行阈值分割；
对阈值分割后的所述目标高亮图像进行形态学开运算；
根据运算结果标记出所述黑头定位区，并生所述成黑头区域图。
3.如权利要求1所述的毛孔定位识别的方法，其特征在于，所述以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔，包括：
将所述黑头区域图对所述白光图像进行图像掩模；
图像掩模后，标记出毛孔区域，并完成对毛孔定位识别。
4.如权利要求1-3中任一项所述的毛孔定位识别的方法，其特征在于，所述在获取皮肤的白光图像和紫外光图像后，提取出所述紫外光图像中的高亮目标，得到目标高亮图像之前，还包括：
选定待测皮肤区域，并对待测皮肤区域进行拍摄；
分别获取所述待测皮肤区域的白光图像和紫外光图像。
5.一种毛孔定位识别的装置，其特征在于，包括：分解模块、降噪模块、识别模块和定位模块；
所述分解模块，用于在获取皮肤的白光图像和紫外光图像后，对紫外光图像进行Lab颜色空间分解以提取出所述紫外光图像中的高亮目标；
所述降噪模块，用于对所述高亮目标进行滤波降噪后，得到目标高亮图像；
所述识别模块，用于识别出所述目标高亮图像中的黑头定位区，生成黑头区域图；
所述识别模块，还用于以所述黑头区域图作为掩模，对所述白光图像中的毛孔区域进行标记，从而定位识别出毛孔。
6.如权利要求5所述的毛孔定位识别的装置，其特征在于，还包括：运算模块；
所述分解模块，还用于将所述目标高亮图像进行阈值分割；
所述运算模块，用于对阈值分割后的所述目标高亮图像进行形态学开运算；
所述识别模块，还用于根据运算结果标记出所述黑头定位区，并生所述成黑头区域图。
7.如权利要求6所述的毛孔定位识别的装置，其特征在于，还包括：掩模模块；
所述掩模模块，用于将所述黑头区域图对所述白光图像进行图像掩模；
所述识别模块，还用于图像掩模后，标记出毛孔区域，并完成对毛孔定位识别。
8.如权利要求7所述的毛孔定位识别的装置，其特征在于，还包括：拍摄模块和获取模块；
所述拍摄模块，用于选定待测皮肤区域，并对待测皮肤区域进行拍摄；
所述获取模块，用于分别获取所述待测皮肤区域的白光图像和紫外光图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710263161.3A CN107424167B (zh) | 2017-04-20 | 2017-04-20 | 一种毛孔定位识别的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710263161.3A CN107424167B (zh) | 2017-04-20 | 2017-04-20 | 一种毛孔定位识别的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107424167A CN107424167A (zh) | 2017-12-01 |
| CN107424167B true CN107424167B (zh) | 2020-08-11 |
Family
ID=60423691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710263161.3A Active CN107424167B (zh) | 2017-04-20 | 2017-04-20 | 一种毛孔定位识别的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107424167B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6898150B2 (ja) * | 2017-05-23 | 2021-07-07 | 花王株式会社 | 毛穴検出方法及び毛穴検出装置 |
| CN111542856A (zh) * | 2018-07-16 | 2020-08-14 | 华为技术有限公司 | 一种皮肤检测方法和电子设备 |
| CN109330449B (zh) * | 2018-10-23 | 2021-09-14 | 北京小米移动软件有限公司 | 洁面方法及装置 |
| CN109583330B (zh) * | 2018-11-15 | 2023-05-05 | 北京理工大学 | 一种用于人脸照片的毛孔检测方法 |
| CN109859217B (zh) * | 2019-02-20 | 2020-12-29 | 厦门美图之家科技有限公司 | 人脸图像中毛孔区域的分割方法及计算设备 |
| CN110148125A (zh) * | 2019-05-21 | 2019-08-20 | 苏州大学 | 基于颜色检测的自适应皮肤油脂检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7840064B2 (en) * | 2005-09-20 | 2010-11-23 | Brightex Bio-Photonics Llc | Method and system for automatic identification using digital images |
| CN205263837U (zh) * | 2015-11-05 | 2016-05-25 | 深圳市极酷威视科技有限公司 | 一种皮肤图像采集装置及系统 |
| CN106163381A (zh) * | 2014-04-16 | 2016-11-23 | 索尼公司 | 信息处理设备、信息处理系统和程序 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7454046B2 (en) * | 2005-09-20 | 2008-11-18 | Brightex Bio-Photonics, Llc | Method and system for analyzing skin conditions using digital images |
-
2017
- 2017-04-20 CN CN201710263161.3A patent/CN107424167B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7840064B2 (en) * | 2005-09-20 | 2010-11-23 | Brightex Bio-Photonics Llc | Method and system for automatic identification using digital images |
| CN106163381A (zh) * | 2014-04-16 | 2016-11-23 | 索尼公司 | 信息处理设备、信息处理系统和程序 |
| CN205263837U (zh) * | 2015-11-05 | 2016-05-25 | 深圳市极酷威视科技有限公司 | 一种皮肤图像采集装置及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于HSV颜色空间的皮肤毛孔检测算法;王贺 等;《电子技术与软件工程》;20150721(第14期);第76-77页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107424167A (zh) | 2017-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107424167B (zh) | 一种毛孔定位识别的方法和装置 | |
| Roy et al. | Skin Disease detection based on different Segmentation Techniques | |
| Sreedhar et al. | A comparative study of melanoma skin cancer detection in traditional and current image processing techniques | |
| CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
| Hasan et al. | Skin lesion segmentation by using deep learning techniques | |
| Achakanalli et al. | Statistical analysis of skin cancer image–A case study | |
| Bourbakis | Detecting abnormal patterns in WCE images | |
| Mustafa | Feature selection using sequential backward method in melanoma recognition | |
| Ross-Howe et al. | The effects of image pre-and post-processing, wavelet decomposition, and local binary patterns on U-nets for skin lesion segmentation | |
| Das et al. | Human skin region segmentation based on chrominance component using modified watershed algorithm | |
| Sankari et al. | Automatic tumor segmentation using convolutional neural networks | |
| CN114565608A (zh) | 一种内窥镜Ai图像识别方法及系统 | |
| Soni et al. | CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation | |
| Li et al. | Low-light hyperspectral image enhancement | |
| Anand et al. | Architectural distortion detection in mammogram using contourlet transform and texture features | |
| Kaur et al. | QRFODD: Quaternion Riesz fractional order directional derivative for color image edge detection | |
| Saha et al. | An automated skin lesion diagnosis by using image processing techniques | |
| Sivakumar et al. | Computed radiography skull image enhancement using Wiener filter | |
| Maalinii et al. | Brain tumour extraction using morphological reconstruction and thresholding | |
| Devi et al. | Detection of tumours from MRI scans using Segmentation techniques | |
| Vijayalakshmi et al. | Liver tumor detection using CNN | |
| Reddy et al. | Spatial Mutual Relationship Based Retinal Image Contrast Enhancement for Efficient Diagnosis of Diabetic Retinopathy. | |
| Shinde et al. | Skin cancer detection using image processing. | |
| Hossain et al. | Brain Tumor Location Identification and Patient Observation from MRI Images | |
| CN112614095B (zh) | 一种基于图像处理的分析肝经能量的方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20230517 Granted publication date: 20200811 |