CN108447027A - 人脸皮肤图像黑色素与血色素浓度提取与调控方法 - Google Patents
人脸皮肤图像黑色素与血色素浓度提取与调控方法 Download PDFInfo
- Publication number
- CN108447027A CN108447027A CN201810131554.3A CN201810131554A CN108447027A CN 108447027 A CN108447027 A CN 108447027A CN 201810131554 A CN201810131554 A CN 201810131554A CN 108447027 A CN108447027 A CN 108447027A
- Authority
- CN
- China
- Prior art keywords
- matrix
- hybrid matrix
- melanin
- hemochrome
- image
- 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.)
- Granted
Links
- 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 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 230000033228 biological regulation Effects 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 215
- 238000012880 independent component analysis Methods 0.000 claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 claims abstract description 15
- 238000013461 design Methods 0.000 claims abstract description 14
- 230000001105 regulatory effect Effects 0.000 claims abstract description 13
- 230000002500 effect on skin Effects 0.000 claims abstract description 10
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 241001062009 Indigofera Species 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010189 synthetic method Methods 0.000 claims description 3
- 238000011551 log transformation method Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 11
- 210000003491 skin Anatomy 0.000 description 61
- 239000000049 pigment Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 210000002615 epidermis Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008099 melanin synthesis Effects 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000020509 sex determination Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种人脸皮肤图像黑色素与血色素浓度提取与调控方法,包括以下步骤:获取人脸皮肤偏振光RGB彩色图像并将其划分成若干子图像块;对每个子图像块均进行主成分分析和独立成分分析以得到混合矩阵集合;设计混合矩阵有效性判定约束条件,从混合矩阵集合中过滤出有效混合矩阵子集,并作统计运算以得到最佳混合矩阵;设计最佳混合矩阵的权重调控因子,构建浓度可调的人脸皮肤黑色素或血色素浓度分布图像及综合合成图像。本发明运用独立成分分析算法并设计混合矩阵有效性判定约束条件,解决了现有黑色素与血色素浓度提取方法中,由于无效混合矩阵对浓度提取造成干扰所导致的浓度提取结果不稳定及误差较大的技术问题。
Description
技术领域
本发明属于数字图像处理技术领域,更具体地,涉及一种基于独立成分分析的人脸皮肤图像黑色素与血色素浓度提取与调控方法。
背景技术
目前的皮肤肤质及特性分析方法主要有两大类:接触式的化学试剂分析方法;非接触式的数字图像分析方法。前者从成分角度直接分析皮肤肤质及特性,通常可得到非常精确的量化化学指标,但由于其接触式操作,可能给受试者带来潜在的危害,并可能让受试者产生抵触心理。后者由于其非接触式特点,更易于让受试者接受分析过程,已被越来越多皮肤相关机构所接受,但可得到的量化指标数量受限,且准确度受各种分析技术本身实现质量的制约。总体上,两类方式可得到的分析指标并不完全重叠,且各有优缺点。
在基于数字图像的分析方法中,经典的分析方法主要使用形态学、滤波、小波分解等技术,且主要以原始拍摄的RGB彩色图像或灰度图像为研究对象,得到的指标通常为表征皮肤表面特性的参数,如:皱纹、油份、毛孔粗细、皮肤光滑度、色斑等。通过分析皮肤的组成结构原理以及解析光线在皮肤表面反射或穿透皮肤的过程,可建立皮肤表皮层和真皮层的光分析模型,从而使得仅从拍摄的皮肤数字图像中便可分析得到表皮层和真皮层的一些特性,如:表皮层的黑色素浓度和真皮层的红血素浓度。这些浓度参数更能表征皮肤的受损情况,在皮肤治疗或护理上具有更大的实用性价值。然而,现有的黑色素和血色素浓度提取方法并不够准确且结果不够稳定,即:准确度和鲁棒性都不足以实用化。具体地,现有方法的分析结果极大的受拍摄的图片质量的影响,外部光环境稍有不同,所得到的分析便相差较大;并且,即使是拍摄的同一张人脸皮肤图像,现有方法多次运行的结果可能并不一致。因此,现有的黑色素和血色素浓度提取方法难以实用,有较大的改善空间。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于独立成分分析的人脸皮肤图像黑色素与血色素浓度提取与调控方法,其目的在于,通过结合主成分分析与独立成分分析算法,从在偏振光环境下拍摄的人脸皮肤RGB彩色图像中提取出黑色素和血色素浓度分布结果,以此结果为基础,实现对黑色素和血色素浓度的自由调控,从而合成浓度可调的黑色素和血色素浓度分布图,并构建出不同浓度条件下的人脸皮肤综合合成图像。着重地,在本发明中,根据黑色素和血色素在R/G/B三色中的分布特性设计了混合矩阵有效性判定约束条件,实现了对原始混合矩阵集合的良好过滤,解决了现有黑色素与血色素浓度提取方法中,由于无效混合矩阵对浓度提取造成干扰所导致的浓度提取结果不稳定及误差较大的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于独立成分分析的人脸皮肤图像黑色素与血色素浓度提取与调控方法,包括以下步骤:
(1)获取人脸皮肤偏振光RGB彩色图像,根据图像宽高像素值将输入图像划分成若干子图像块;
(2)对每个子图像块,首先进行主成分分析,并保留2个最大特征值对应的主成分信号,再运用极大非高斯并行fastICA算法对保留的主成分信号进行独立成分分析,以得到各子图像块的混合矩阵;
(3)将步骤(2)中所得到的每个子图像块对应的混合矩阵组成混合矩阵集合并对其中每个混合矩阵做升维处理,根据黑色素和血色素在R/G/B三色中的分布特性,设计混合矩阵有效性判定约束条件,从混合矩阵集合中过滤出有效的混合矩阵子集,对所得子集作统计运算得到一个新的混合矩阵,作为最佳混合矩阵;
(4)运用以上步骤所得到的最佳混合矩阵及原输入的偏振光RGB彩色图像,结合人脸皮肤成分构造原理,合成人脸皮肤黑色素和血色素的浓度分布图,完成人脸皮肤图像黑色素与血色素的浓度提取;
(5)设计混合矩阵的权重调控因子,实现对黑色素或血色素浓度值的控制,构建浓度可调的人脸皮肤黑色素或血色素浓度分布图像和人脸皮肤综合合成图像。
优选地,步骤(1)包括以下子步骤:
(1-1)通过RGB彩色图像摄像头,以及带有偏振光镜片的光源,在较弱外部环境光源条件下,拍摄人脸皮肤图像照片;
(1-2)获取所拍摄人脸皮肤图像照片的宽、高像素值,根据宽高像素值,将人脸皮肤图像划分为若干个子图像块,具体为:
(1-2-1)获取图像的宽度像素值C,将宽度划分为N=10等份,若则将N置为的下整数值;
(1-2-2)获取图像的高度像素值R,将高度划分为M=10等份,若则将M置为的下整数值;
(1-2-3)根据(1-2-1)和(1-2-2)所计算得到的N和M值,将图像划分成N*M个子图像块。
优选地,步骤(2)包括以下子步骤:
(2-1)将子图像块R(红)、G(绿)、B(蓝)三通道信号重整为三个行向量信号,并将它们组成一个行数为3的矩阵,记为imArray;
(2-2)对imArray做负Log变换,得到影射矩阵,记为imArrayLog,即:imArrayLog=-log(imArray);
(2-3)对imArrayLog矩阵按行去均值,即:对矩阵的每一行求其算术平均值,再将每一行的每个元素均减去该行对应的算术平均值;
(2-4)运用经典的主成分分析算法(注:PCA算法),对去均值后的imArrayLog矩阵进行PCA降维,取前2个最大特征值对应的主成分信号,得到新的2维矩阵,即:行数降为2,列数保持不变的新矩阵,记为pcaArray,并得到对应的特征值矩阵和特征向量,分别记为Dpca和Epca。其中,Dpca维度为2*2,Epca维度为3*2.
(2-5)运用经典的fastICA算法,按极大非高斯并行模式配置,对(3-4)步骤得到的pcaArray矩阵信号进行独立成分分析,得到混合矩阵,记为Ainit;
(2-6)以(2-5)步骤中所得的Ainit为初始化参数之一,按极大非斯并行模式配置,利用经典的fastICA算法,重新对pcaArray矩阵信号进行独立成分分析,得到新的混合矩阵,记为A22。其中,A22的维度为2*2.
(2-7)对混合矩阵A22进行升维,以得到PCA降维前的信号对应的混合矩阵,记为A。升维计算公式如下:
其中,inv()操作为广义逆矩阵计算,()-1操作为矩阵的逆运算,()T为矩阵转置运算。
优选地,步骤(3)包括以下子步骤:
(3-1)将步骤(2)中得到的每个子图像块的混合矩阵A,按列进行模归一化;
(3-2)根据黑色素和血色素在R/G/B三色中的分布特性,设计混合矩阵A的有效性判定约束条件,具体如下:
约束条件1:混合矩阵A的第一列元素值大小依次递增;
约束条件2:混合矩阵A的第一个元素A(1,1)满足取值范围A(1,1)∈[0.2,0.5];
约束条件3:混合矩阵A的元素A(2,1)满足取值范围A(2,1)∈[0.3,0.7];
约束条件4:混合矩阵A的元素A(3,1)满足取值范围A(3,1)∈[0.,1.0];
约束条件5:混合矩阵A的元素A(1,2)不是A矩阵第二列元素中的最大值;
约束条件6:混合矩阵A的元素A(2,2)满足取值范围A(2,2)∈[0.4,0.6].
(3-3)从满足(3-2)步骤约束条件的混合矩阵集合中过滤出有效混合矩阵子集。
(3-4)对有效混合矩阵子集中的每个有效混合矩阵,作对应元素的算术平均值运算,将其结果组合得到一个新的与A同维度的混合矩阵,作为最佳混合矩阵,记为BA,以用于整张人脸皮肤的混合矩阵。
优选地,步骤(4)包括以下子步骤:
(4-1)对步骤(3)中有效混合矩阵对应的每个子图像块,得到各自的影射矩阵,并将所有影射矩阵按行拼接成新的矩阵,对该矩阵作PCA算法操作,得到一个新的特征向量,记为E。
(4-2)合成人脸皮肤黑色素和血色素的浓度分布图,具体合成方法如下:
(4-2-1)黑色素与血色素浓度图合成对应信号的计算公式分别如下:
CM=e-{BA*[Qm*(inv(BA)*imArrayLog-bk)]}
CH=e-{BA*[Qh*(inv(BA)*imArrayLog-bk)]}
其中,BA为步骤(4-4)中所得的最佳混合矩阵,Qm=[10;00],Qh=[00;01],inv()为广义逆矩阵运算,imArrayLog为步骤(3-3)中所得的原输入RGB彩色图像的影射矩阵,bk为影射矩阵的每行的最小值,CM为黑色素浓度矩阵,CH为血色素浓度矩阵。
(4-2-2)将(4-2-1)步骤中所得的CM和CH矩阵的第一、二、三行分别作为R、G、B三通道,按原输入RGB彩色图像的宽高像素值,将每行重整为各通道对应的矩阵,从而得到黑色素和血色素浓度图像。
优选地,步骤(5)中设计的混合矩阵的权重调控因子矩阵为:
Q=km*Qm+kh*Qh,km≥0,kh≥0
其中,km和kh分别为黑色素和血色素的浓度调控权重系数。
优选地,步骤(5)包括以下子步骤:
(5-1)人脸皮肤综合合成图像对应信号的计算公式如下:
其中,Q为混合矩阵权重系数调控矩阵,BA为最佳混合矩阵,inv()为广义逆矩阵运算,imArrayLog为原输入RGB彩色图像的影射矩阵,bk为影射矩阵的每行的最小值,I为3维对角矩阵,E为步骤(4-1)中所得的特征向量,()T为转置运算,SynImage为人脸皮肤综合合成图像对应的矩阵信号;
(5-2)将以上计算公式所得SynImage矩阵的第一、二、三行分别作为R、G、B三通道,按原输入RGB彩色图像的宽高像素值,将每行重整为各通道对应的矩阵,从而得到人脸皮肤综合合成图像。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明运用独立成分分析算法并设计混合矩阵有效性判定约束条件,解决了现有黑色素与血色素浓度提取方法中,由于无效混合矩阵对浓度提取造成干扰所导致的浓度提取结果不稳定及误差较大的技术问题;相比现有方法,本发明可获得更加精确的黑色素和血色素浓度提取结果,并且,本发明的提取结果具有更高的稳定性和一致性,因而,具有更强的实用性。
(2)本发明将输入的人脸皮肤图像划分成若干子图像块,分别对各子图像块执行主成分分析和独立成分分析,得到各自的混合矩阵,最后,通过统计运算融合混合矩阵集合来获取最终用于整体人脸图像的最佳混合矩阵;相比现有方法,这一预处理策略有助于降低人脸部分区域可能存在的阴影的影响,也助于弱化由于摄像头聚集点有限导致人脸边缘区块畸变而带来的负面影响,因而,本发明可获得更高的黑色素与血色素浓度准确度。
(3)本发明设计的混合矩阵有效性判定约束条件,充分的考虑了皮肤组成结构原理以及皮肤光照成像特性,能够自动过滤掉非皮肤区域的影响,即:非皮肤区域在从子图像块混合矩阵集合中选择有效混合矩阵子集的过程中会被自动剔除;相比现有方法,这些约束条件使得本发明的方法更具鲁棒性,并且,对拍摄的输入图像的严苛性有所降低,更有利于实际场景的部署。
(4)相对于现有的其它传统的人脸皮肤指标,本发明提取的黑色素和血色素可分别反映皮肤表皮层和真皮层的内在损伤情况,并且,通过本发明的浓度调控与人脸综合合成技术,可灵活的模拟黑色素或血色素加深后的皮肤状况,因此,本发明对相关机构或用户均具有实用价值。
附图说明
图1是本发明基于独立成分分析的人脸皮肤图像黑色素与血色素浓度提取与调控方法的流程图;
图2a是本发明黑色素和血色素浓度分布图的原输入的人脸皮肤RGB彩色图像;
图2b是本发明黑色素和血色素浓度分布图的合成的黑色素浓度分布图;
图2c是本发明黑色素和血色素浓度分布图的合成的血色素浓度分布图;
图3a是本发明人脸皮肤综合合成图像的黑色素浓度加倍的综合合成图像。
图3b是本发明人脸皮肤综合合成图像的血色素加倍的综合合成图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的整体思路在于,提出了一种基于独立成分分析的人脸皮肤图像黑色素与血色素浓度提取与调控方法,该方法总体可分为三部分:一、皮肤图像预处理,主要为获取人脸皮肤偏振光RGB彩色图像并将其划分成若干子图像块;二、独立成分分析及最佳混合矩阵获取,包括对每个子图像块均进行主成分分析和独立成分分析以得到混合矩阵集合,再对每个混合矩阵作升维处理,并设计混合矩阵有效性判定约束条件,从混合矩阵集合中过滤出有效混合矩阵子集,再作统计运算以得到最佳混合矩阵;三、黑色素和血色素浓度提取与人脸皮肤综合合成,包括设计最佳混合矩阵的权重调控因子,构建浓度可调的人脸皮肤黑色素或血色素浓度分布图像及综合合成图像。
如图1所示,本发明基于独立成分分析的人脸皮肤图像黑色素与血色素浓度提取与调控方法包括以下步骤:
一、皮肤图像预处理,具体包括:
(1)获取人脸皮肤偏振光RGB彩色图像,根据图像宽高像素值将输入图像划分成若干子图像块;本步骤具体包括以下子步骤:
(1-1)通过RGB彩色图像摄像头,以及带有偏振光镜片的光源,在较弱外部环境光源条件下,拍摄人脸皮肤图像照片,如图1所示;
具体而言,本步骤中使用的摄像头为普通单反相机用摄像头;偏振光镜片为两线偏振光镜片垂直组合布置;外部环境光源应该较弱,至少应该小于拍摄时所使用闪光灯强度的一半。
(1-2)获取所拍摄人脸皮肤图像照片的宽、高像素值,根据宽高像素值,将人脸皮肤图像划分为若干个子图像块,具体为:
(1-2-1)获取图像的宽度像素值C,将宽度划分为N=10等份,若则将N置为的下整数值;
(1-2-2)获取图像的高度像素值R,将高度划分为M=10等份,若则将M置为的下整数值;
(1-2-3)根据(1-2-1)和(1-2-2)所计算得到的N和M值,将图像划分成N*M个子图像块。
二、独立成分分析及最佳混合矩阵获取,包括以下步骤:
(2)对每个子图像块,首先进行主成分分析,并保留2个最大特征值对应的主成分信号,再运用极大非高斯并行fastICA算法对保留的主成分信号进行独立成分分析,以得到各子图像块的混合矩阵;本步骤具体包括以下子步骤:
(2-1)将子图像块R(红)、G(绿)、B(蓝)三通道信号重整为三个行向量信号,并将它们组成一个行数为3的矩阵,记为imArray;
(2-2)对imArray做负Log变换,得到影射矩阵,记为imArrayLog,即:imArrayLog=-log(imArray);
(2-3)对imArrayLog矩阵按行去均值,即:对矩阵的每一行求其算术平均值,再将每一行的每个元素均减去该行对应的算术平均值;
(2-4)运用经典的主成分分析算法(注:PCA算法),对去均值后的imArrayLog矩阵进行PCA降维,取前2个最大特征值对应的主成分信号,得到新的2维矩阵,即:行数降为2,列数保持不变的新矩阵,记为pcaArray,并得到对应的特征值矩阵和特征向量,分别记为Dpca和Epca。其中,Dpca维度为2*2,Epca维度为3*2.
(2-5)运用经典的fastICA算法,按极大非高斯并行模式配置,对(3-4)步骤得到的pcaArray矩阵信号进行独立成分分析,得到混合矩阵,记为Ainit;
(2-6)以(2-5)步骤中所得的Ainit为初始化参数之一,按极大非斯并行模式配置,利用经典的fastICA算法,重新对pcaArray矩阵信号进行独立成分分析,得到新的混合矩阵,记为A22。其中,A22的维度为2*2.
(2-7)对混合矩阵A22进行升维,以得到PCA降维前的信号对应的混合矩阵,记为A。升维计算公式如下:
其中,inv()操作为广义逆矩阵计算,()-1操作为矩阵的逆运算,()T为矩阵转置运算。
(3)将步骤(2)中所得到的每个子图像块对应的混合矩阵组成混合矩阵集合,根据黑色素和血色素在R/G/B三色中的分布特性,设计混合矩阵有效性判定约束条件,从混合矩阵集合中过滤出有效的混合矩阵子集,对所得子集作升维及统计运算得到一个新的混合矩阵,作为最佳混合矩阵;本步骤具体包括以下子步骤:
(3-1)将步骤(2)中得到的每个子图像块的混合矩阵A,按列进行模归一化;
(3-2)根据黑色素和血色素在R/G/B三色中的分布特性,设计混合矩阵A的有效性判定约束条件,具体如下:
约束条件1:混合矩阵A的第一列元素值大小依次递增;
约束条件2:混合矩阵A的第一个元素A(1,1)满足取值范围A(1,1)∈[0.2,0.5];
约束条件3:混合矩阵A的元素A(2,1)满足取值范围A(2,1)∈[0.3,0.7];
约束条件4:混合矩阵A的元素A(3,1)满足取值范围A(3,1)∈[0.,1.0];
约束条件5:混合矩阵A的元素A(1,2)不是A矩阵第二列元素中的最大值;
约束条件6:混合矩阵A的元素A(2,2)满足取值范围A(2,2)∈[0.4,0.6].
(3-3)从满足(3-2)步骤约束条件的混合矩阵集合中过滤出有效混合矩阵子集。
(3-4)对有效混合矩阵子集中的每个有效混合矩阵,作对应元素的算术平均值运算,将其结果组合得到一个新的与A同维度的混合矩阵,作为最佳混合矩阵,记为BA,以用于整张人脸皮肤的混合矩阵。
三、黑色素和血色素浓度提取与人脸皮肤综合合成,包括以下步骤:
(4)运用以上步骤所得到的最佳混合矩阵及原输入的偏振光RGB彩色图像,结合人脸皮肤成分构造原理,合成人脸皮肤黑色素和血色素的浓度分布图,完成人脸皮肤图像黑色素与血色素的浓度提取;本步骤具体包括以下子步骤:
(4-1)对步骤(3)中有效混合矩阵对应的每个子图像块,得到各自的影射矩阵,并将所有影射矩阵按行拼接成新的矩阵,对该矩阵作PCA算法操作,得到一个新的特征向量,记为E。
(4-2)合成人脸皮肤黑色素和血色素的浓度分布图,具体合成方法如下:
(4-2-1)黑色素与血色素浓度图合成对应信号的计算公式分别如下:
CM=e-{BA*[Qm*(inv(BA)*imArrayLog-bk)]}
CH=e-{BA*[Qh*(inv(BA)*imArrayLog-bk)]}
其中,BA为步骤(4-4)中所得的最佳混合矩阵,Qm=[10;00],Qh=[00;01],inv()为广义逆矩阵运算,imArrayLog为步骤(3-3)中所得的原输入RGB彩色图像的影射矩阵,bk为影射矩阵的每行的最小值,CM为黑色素浓度矩阵,CH为血色素浓度矩阵。
(4-2-2)将(4-2-1)步骤中所得的CM和CH矩阵的第一、二、三行分别作为R、G、B三通道,按原输入RGB彩色图像的宽高像素值,将每行重整为各通道对应的矩阵,从而得到黑色素和血色素浓度图像,如图2所示。
(5)设计混合矩阵的权重调控因子,实现对黑色素或血色素浓度值的控制,构建浓度可调的人脸皮肤黑色素或血色素浓度分布图像和人脸皮肤综合合成图像;本步骤具体包括以下子步骤:
(5-1)人脸皮肤综合合成图像对应信号的计算公式如下:
其中,Q为混合矩阵权重系数调控矩阵,BA为最佳混合矩阵,inv()为广义逆矩阵运算,imArrayLog为原输入RGB彩色图像的影射矩阵,bk为影射矩阵的每行的最小值,I为3维对角矩阵,E为步骤(4-1)中所得的特征向量,()T为转置运算,SynImage为人脸皮肤综合合成图像对应的矩阵信号;
在本步骤中,设计的混合矩阵的权重调控因子矩阵为:
Q=km*Qm+kh*Qh,km≥0,kh≥0
其中,km和kh分别为黑色素和血色素的浓度调控权重系数。
(5-2)将以上计算公式所得SynImage矩阵的第一、二、三行分别作为R、G、B三通道,按原输入RGB彩色图像的宽高像素值,将每行重整为各通道对应的矩阵,从而得到人脸皮肤综合合成图像。如图3所示,通过调控权重调控因子矩阵,可单独改变某种色素的浓度,从而观察该色素加深后的直观效果。此外,也可同时改变两种色素的浓度,并且,加深或变浅的操作均可通过调控因子矩阵进行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种人脸皮肤图像黑色素与血色素浓度提取与调控方法,其特征在于,包括以下步骤:
(1)获取人脸皮肤偏振光RGB彩色图像,根据图像宽高像素值将输入图像划分成若干子图像块;
(2)对每个子图像块,首先进行主成分分析,并保留2个最大特征值对应的主成分信号,再运用极大非高斯并行fastICA算法对保留的主成分信号进行独立成分分析,以得到各子图像块的混合矩阵;
(3)将步骤(2)中所得到的每个子图像块对应的混合矩阵组成混合矩阵集合并对其中每个混合矩阵做升维处理,根据黑色素和血色素在R/G/B三色中的分布特性,设计混合矩阵有效性判定约束条件,从混合矩阵集合中过滤出有效的混合矩阵子集,对所得子集作统计运算得到一个新的混合矩阵,作为最佳混合矩阵;
(4)运用以上步骤所得到的最佳混合矩阵及原输入的偏振光RGB彩色图像,结合人脸皮肤成分构造原理,合成人脸皮肤黑色素和血色素的浓度分布图,完成人脸皮肤图像黑色素与血色素的浓度提取;
(5)设计混合矩阵的权重调控因子,实现对黑色素或血色素浓度值的控制,构建浓度可调的人脸皮肤黑色素或血色素浓度分布图像和人脸皮肤综合合成图像。
2.根据权利要求1所述的人脸皮肤图像黑色素与血色素浓度提取与调控方法,其特征在于,步骤(1)包括以下子步骤:
(2-1)通过RGB彩色图像摄像头,以及带有偏振光镜片的光源,在较弱外部环境光源条件下,拍摄人脸皮肤图像照片;
(2-2)获取所拍摄人脸皮肤图像照片的宽、高像素值,根据宽高像素值,将人脸皮肤图像划分为若干个子图像块,具体步骤为:
(2-2-1)获取图像的宽度像素值C,将宽度划分为N=10等份,若则将N置为的下整数值;
(2-2-2)获取图像的高度像素值R,将高度划分为M=10等份,若则将M置为的下整数值;
(2-2-3)根据(2-2-1)和(2-2-2)所计算得到的N和M值,将图像划分成N*M个子图像块。
3.根据权利要求1所述的人脸皮肤图像黑色素与血色素浓度提取与调控方法,其特征在于,步骤(2)包括以下子步骤:
(3-1)将子图像块R(红)、G(绿)、B(蓝)三通道信号重整为三个行向量信号,并将其组成一个行数为3的矩阵,记为imArray;
(3-2)对imArray作负Log变换,得到影射矩阵,记为imArrayLog,即:imArrayLog=-log(imArray);
(3-3)对imArrayLog矩阵按行去均值,即:对矩阵的每一行求其算术平均值,再将每一行的每个元素均减去该行对应的算术平均值;
(3-4)运用经典的主成分分析算法(注:PCA(Principal Component Analysis)算法),对去均值后的imArrayLog矩阵进行PCA降维,取前2个最大特征值对应的主成分信号,得到新的2维矩阵,即:行数降为2,列数保持不变的新矩阵,记为pcaArray,并得到对应的特征值矩阵和特征向量,分别记为Dpca和Epca,其中,Dpca维度为2*2,Epca维度为3*2.
(3-5)运用经典的fastICA算法,按极大非高斯并行模式配置,对(3-4)步骤得到的pcaArray矩阵信号进行独立成分分析,得到混合矩阵,记为Ainit;
(3-6)以(3-5)步骤中所得的Ainit为初始化参数之一,按极大非斯并行模式配置,利用经典的fastICA算法,重新对pcaArray矩阵信号进行独立成分分析,得到新的混合矩阵,记为A22,其中,A22的维度为2*2.
(3-7)对混合矩阵A22进行升维,以得到PCA降维前的信号对应的混合矩阵,记为A,升维计算公式如下:
其中,inv()操作为广义逆矩阵计算,()-1操作为矩阵的逆运算,()T为矩阵转置运算。
4.根据权利要求1所述的人脸皮肤图像黑色素与血色素浓度提取与调控方法,其特征在于,步骤(3)包括以下子步骤:
(4-1)将步骤(2)中得到的每个子图像块的混合矩阵A,按列进行模归一化;
(4-2)根据黑色素和血色素在R/G/B三色中的分布特性,设计混合矩阵A的有效性判定约束条件,具体如下:
约束条件1:混合矩阵A的第一列元素值大小依次递增;
约束条件2:混合矩阵A的第一个元素A(1,1)满足取值范围A(1,1)∈[0.2,0.5];
约束条件3:混合矩阵A的元素A(2,1)满足取值范围A(2,1)∈[0.3,0.7];
约束条件4:混合矩阵A的元素A(3,1)满足取值范围A(3,1)∈[0.7,1.0];
约束条件5:混合矩阵A的元素A(1,2)不是A矩阵第二列元素中的最大值;
约束条件6:混合矩阵A的元素A(2,2)满足取值范围A(2,2)∈[0.4,0.6].
(4-3)从满足(4-2)步骤约束条件的混合矩阵集合中过滤出有效混合矩阵子集;
(4-4)对有效混合矩阵子集中的每个有效混合矩阵,作对应元素的算术平均值运算,将其结果组合得到一个新的与A同维度的混合矩阵,作为最佳混合矩阵,记为BA,以用于整张人脸皮肤的混合矩阵。
5.根据权利要求1所述的人脸皮肤图像黑色素与血色素浓度提取与调控方法,其特征在于,步骤(4)包括以下子步骤:
(5-1)对步骤(3)中得到的有效混合矩阵对应的每个子图像块,依据(3-1)至(3-3)步骤的方式,得到各自的影射矩阵,并将所有影射矩阵按行拼接成新的矩阵,对该矩阵作PCA算法操作,得到一个新的特征向量,记为E;
(5-2)合成人脸皮肤黑色素和血色素的浓度分布图,具体合成方法如下:
(5-2-1)黑色素与血色素浓度图合成对应信号的计算公式分别如下:
CM=e-{BA*[Qm*(inv(BA)*imArrayLog-bk)]}
CH=e-{BA*[Qh*(inv(BA)*imArrayLog-bk)]}
其中,BA为步骤(4-4)中所得的最佳混合矩阵,Qm=[10;00],Qh=[00;01],inv()为广义逆矩阵运算,imArrayLog为步骤(3-3)中所得的原输入RGB彩色图像的影射矩阵,bk为影射矩阵的每行的最小值,CM为黑色素浓度矩阵,CH为血色素浓度矩阵;
(5-2-2)将(5-2-1)步骤中所得的CM和CH矩阵的第一、二、三行分别作为R、G、B三通道,按原输入RGB彩色图像的宽高像素值,将每行重整为各通道对应的矩阵,从而得到黑色素和血色素浓度图像。
6.根据权利要求1所述的人脸皮肤图像黑色素与血色素浓度提取与调控方法,其特征在于,步骤(5)中设计的混合矩阵的权重调控因子矩阵为:
Q=km*Qm+kh*Qh,km≥0,kh≥0
其中,km和kh分别为黑色素和血色素的浓度调控权重系数。
7.根据权利要求1所述的人脸皮肤图像黑色素与血色素浓度提取与调控方法,其特征在于,步骤(5)包括以下子步骤:
(7-1)人脸皮肤综合合成图像对应信号的计算公式如下:
其中,Q为混合矩阵的权重调控因子矩阵,BA为步骤(4-4)中所得的最佳混合矩阵,inv()为广义逆矩阵运算,imArrayLog为步骤(3-3)中所得的原输入RGB彩色图像的影射矩阵,bk为影射矩阵的每行的最小值,I为3维对角矩阵,E为步骤(5-1)中所得的特征向量,()T为转置运算,SynImage为人脸皮肤综合合成图像对应的矩阵信号;
(7-2)将以上计算公式所得SynImage矩阵的第一、二、三行分别作为R、G、B三通道,按原输入RGB彩色图像的宽高像素值,将每行重整为各通道对应的矩阵,从而得到人脸皮肤综合合成图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810131554.3A CN108447027B (zh) | 2018-02-09 | 2018-02-09 | 人脸皮肤图像黑色素与血色素浓度提取与调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810131554.3A CN108447027B (zh) | 2018-02-09 | 2018-02-09 | 人脸皮肤图像黑色素与血色素浓度提取与调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108447027A true CN108447027A (zh) | 2018-08-24 |
CN108447027B CN108447027B (zh) | 2020-10-02 |
Family
ID=63192136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810131554.3A Active CN108447027B (zh) | 2018-02-09 | 2018-02-09 | 人脸皮肤图像黑色素与血色素浓度提取与调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447027B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888540A (zh) * | 2021-12-06 | 2022-01-04 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004040502A1 (en) * | 2002-10-31 | 2004-05-13 | Korea Institute Of Science And Technology | Image processing method for removing glasses from color facial images |
CN102222232A (zh) * | 2011-06-24 | 2011-10-19 | 常州锐驰电子科技有限公司 | 人脸多阶层快速过滤匹配装置及方法 |
CN106407645A (zh) * | 2016-08-08 | 2017-02-15 | 北京工商大学 | 基于主成分分析法的面部皮肤状态评价方法 |
-
2018
- 2018-02-09 CN CN201810131554.3A patent/CN108447027B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004040502A1 (en) * | 2002-10-31 | 2004-05-13 | Korea Institute Of Science And Technology | Image processing method for removing glasses from color facial images |
CN102222232A (zh) * | 2011-06-24 | 2011-10-19 | 常州锐驰电子科技有限公司 | 人脸多阶层快速过滤匹配装置及方法 |
CN106407645A (zh) * | 2016-08-08 | 2017-02-15 | 北京工商大学 | 基于主成分分析法的面部皮肤状态评价方法 |
Non-Patent Citations (1)
Title |
---|
徐舒畅: "基于色素分离的皮肤图像处理与分析", 《中国博士学位论文全文数据库信息科技辑(月刊 )》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888540A (zh) * | 2021-12-06 | 2022-01-04 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和系统 |
CN113888540B (zh) * | 2021-12-06 | 2022-03-18 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和系统 |
WO2023126013A3 (zh) * | 2021-12-06 | 2023-09-21 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108447027B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60109278T2 (de) | Verfahren und Gerät zur Lokalisierung von Schriftzeichen in Bildern aus einer Digitalkamera | |
CN110096968A (zh) | 一种基于深度模型优化的超高速静态手势识别方法 | |
CN106506901B (zh) | 一种显著性视觉注意模型的混合式数字图像半色调方法 | |
CN104732200B (zh) | 一种皮肤类型和皮肤问题的识别方法 | |
CN109584210B (zh) | 多光谱三维静脉显像系统 | |
CN105657580B (zh) | 一种胶囊内镜视频摘要生成方法 | |
DE102010016630A1 (de) | Verfahren und Gerät zur Charakterisierung von Hautunregelmäßigkeiten und Verfahren zur Bewertung der Anti-Aging-Wirkung eines Kosmetikprodukts | |
CN109934154A (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN104361574B (zh) | 一种基于稀疏表示的无参考彩色图像质量评价方法 | |
CN110348263A (zh) | 一种基于图像识别的二维随机码图像识别与提取方法 | |
CN106650606A (zh) | 人脸图像的匹配及处理方法、人脸图像模型构建系统 | |
CN109785943A (zh) | 一种病理监控和诊断信息处理系统及方法 | |
CN110796648B (zh) | 一种基于黑色素提取的面部黄褐斑区域自动分割方法 | |
CN109325938A (zh) | 一种基于光密度空间的中心化图像通道差的色素分离方法 | |
CN108830856A (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
Jiang et al. | Skin detection using color, texture and space information | |
CN114596608B (zh) | 一种基于多线索的双流视频人脸伪造检测方法及系统 | |
KR101436988B1 (ko) | 투영 변환 블록 계수를 이용한 피부 색소 침착 검출 장치 및 방법 | |
CN108447027A (zh) | 人脸皮肤图像黑色素与血色素浓度提取与调控方法 | |
CN108492278B (zh) | 人体皮肤片图像黑色素和血色素分离与浓度调控方法 | |
CN108460756A (zh) | 基于统计特征的无参考红外图像质量评价方法 | |
Zhao et al. | Color channel fusion network for low-light image enhancement | |
CN112802074A (zh) | 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法 | |
CN110210502A (zh) | 整合蜜蜂和人类视觉感知机制的特征提取和图像检索方法 | |
CN103871084B (zh) | 蓝印花布图案识别方法 |
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 |