CN109300131A - 一种图像处理方法、装置、计算机设备和存储介质 - Google Patents
一种图像处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109300131A CN109300131A CN201811216004.8A CN201811216004A CN109300131A CN 109300131 A CN109300131 A CN 109300131A CN 201811216004 A CN201811216004 A CN 201811216004A CN 109300131 A CN109300131 A CN 109300131A
- Authority
- CN
- China
- Prior art keywords
- image
- human body
- color mode
- filtering
- fringe region
- 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.)
- Pending
Links
Classifications
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；将所述RGB颜色模式的图像转换为HSV颜色模式的图像；提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。采用本方法能够直观地表现出图像的特性，便于颜色的对比操作，通过应用机器学习模型的方式提高图像处理效率及准确率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。
背景技术
随着社会的不断发展，人们越来越重视自己的形象，另一方面，随着科学技术的进步，越来越多的科技产品可以运用在管理或改善自己的形象上；举例而言，某些设备可以用于检测用户的皮肤特性，并将相应的皮肤特性展现给用户。
具体地，上述的设备可以运行有测肤应用，该测肤应用可以通过图像传感器获取用户的皮肤图像，并检测水分、油脂、毛孔、肤色、敏感、皱纹等维度的皮肤特征，根据上述的皮肤特征得到用户的皮肤属性及阶段性皮肤变化趋势，给出进一步的护肤建议。
但是，现有的设备以全脸的产品居多，大多数设备的体积庞大、操作繁琐、分析准确率不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高图像处理效率及准确率的图像处理方法、装置、计算机设备和存储介质。
一种图像处理方法，所述方法包括：
采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
在其中一个实施例中，所述人体特定部位包括人体皮肤。
在其中一个实施例中，所述提取出所述HSV颜色模式的图像中的至少一个边缘区域图像的步骤包括：
将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；
针对所述二值图像进行第一滤波操作，获得第一滤波图像；
针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像。
在其中一个实施例中，所述将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像的步骤包括：
提取出所述HSV颜色模式的图像中的通道图像；
将所述通道图像进行第二滤波操作，获得第二滤波图像；
针对所述第二滤波图像进行二值化，获得二值图像。
在其中一个实施例中，所述将所述通道图像进行第二滤波操作，获得第二滤波图像的步骤包括：
通过高斯滤波或中值滤波或形态学滤波的方式对通道图像进行处理，获得第二滤波图像。
在其中一个实施例中，所述人体特征图像括毛孔特征图像，所述将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像的步骤包括：
获取到所述边缘区域图像的面积数据及面积比例数据；
当所述面积数据不小于预设面积阀值且所述面积比例数据小于所述预设比例阀值时，确定所述边缘区域图像为毛孔特征图像。
在其中一个实施例中，所述方法还包括：
根据所述分类信息生成检测结果。
一种图像处理装置，所述装置包括：
第一初始图像采集模块，用于采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
转换模块，用于将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取模块，用于提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
人体特征图像获得模块，用于将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
训练模块，用于将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
上述图像处理方法、装置、计算机设备和存储介质，通过采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；将所述RGB颜色模式的图像转换为HSV颜色模式的图像；将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；针对所述二值图像进行第一滤波操作，获得第一滤波图像；针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像；将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息；针对初始图像进行模式转换，能够直观地表现出图像的特性，便于颜色的对比操作，通过应用机器学习模型的方式提高图像处理效率及准确率。
附图说明
图1是一个实施例的一种图像处理方法的应用环境图；
图2是一个实施例的一种图像处理方法的流程示意图；
图3是一个实施例的一种图像处理装置的结构框图；
图4是一个实施例的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的图像处理方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。其中，终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种图像处理方法，以该方法应用于终端101为例进行说明，包括以下步骤：
步骤S201，采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
本实施例中，所述终端运行的操作系统可以包括Android(安卓)、IOS、WindowsPhone、Windows等等；
具体而言，所述终端可以包括摄像头，终端可以控制该摄像头采集包含人体特定部位的第一初始图像；该人体特定部位可以包括人体器官，如人体皮肤等，需要说明的是，该第一初始图像可以为包含部分的人体特定部位的图像；举例而言，该第一初始图像可以为包含人脸皮肤的图像。
进一步地，所述第一初始图像的颜色模式可以为RGB(Red Green Blue，三原色通道)颜色模式；而RGB颜色模式是指将图像中每一个像素的RGB分量分配一个0～255范围内的强度值。例如：纯红色R值为255，G值为0，B值为0；灰色的R、G、B三个值相等(除了0和255)；白色的R、G、B都为255；黑色的R、G、B都为0。RGB图像只使用三种颜色，就可以使上述的三种颜色按照不同的比例混合，在显示区域上出现各种不同的颜色。现有的终端采集的图像的颜色模式大多数是RGB颜色模式。
步骤S202，将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
在本实施例中，所述终端可以将RGB颜色模式的图像转换为HSV颜色模式的图像；该HSV(色相(Hue)、饱和度(Saturation)、明度(Value))颜色模式将RGB颜色模式中的点在倒圆锥体中的表示方法，两种颜色模式可以通过一定的预置规则进行转换；相对于RGB颜色模式而言，HSV颜色模式能够非常直观的表达色彩的明暗，色调，以及鲜艳程度，方便进行颜色之间的对比；解决了RGB颜色模式对颜色过渡不敏感，难以过滤目标噪声的问题。
步骤S203，提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
本实施例的一种实际应用中，当完成颜色模式的转换操作后，所述终端可以提取出所述HSV颜色模式的图像中的边缘区域图像，具体地，首先提取出所述HSV颜色模式的图像转化为二值图像，将该二值图像先将其进行滤波，再进行边缘检测或连通域的提取，获得所述边缘区域图像。
举例而言，在该第一初始图像为包含人脸皮肤的图像时，该边缘区域图像可以为包含毛孔特征的相关图像。
步骤S204，将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
需要说明的是，可以预先设置多个筛选条件，筛选条件包括筛选项和筛选范围，其中，筛选项可以是面积或者面积比例等边缘区域图像的有关参数，如筛选项也可以是两个边缘区域图像的面积之间的比例、周长、长宽比，筛选范围可以是大于(或者，不大于)与筛选项对应的预设阈值，也可以是小于(或者，不小于)与筛选项对应的预设阈值。例如，在筛选项是边缘区域图像的面积时，筛选范围是边缘区域图像的面积大于预设的面积阈值。
根据上述的筛选条件对边缘区域进行筛选，将符合筛选条件的边缘区域图像作为人体特征图像，具体地，所述人体特征图像可以包括毛孔特征图像、皱纹特征图像等。
步骤S205，将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
具体应用中，该机器学习模型可以按照可使用的数据类型分为监督学习模型和无监督学习模型；监督学习模型主要包括用于分类及用于回归的模型。
举例而言，可以包括线性分类器模型(Linear classifier)、支持向量机模型((Support Vector Machine)、朴素贝叶斯模型分类器(Naive Bayes Classifier)、K近邻模型(k-nearest neighbor)、决策树模型(Decision Tree)、线性回归模型(LinearRegression)、回归树模型(Regression Tree)；
而无监督学习模型主要包括：数据聚类模型(K-means)、数据降维模型(PrincipalComponent Analysis)。
本实施例中，所述终端可以预置有机器学习模型，当获得上述的人体特征图像后，将该人体特征图像输入至所述机器学习模型中，训练该机器学习模型；即将所述人体特征图像作为样本图像，采用该样本图像针对机器学习模型进行训练，输出该人体特征图像的分类信息。
需要说明的是，需要预先设置样本图像与标签之间的映射关系，所述标签即该分类信息对应的预设信息。
举例而言，当该人体特征图像为毛孔特征图像时，该分类信息可以包括第一类信息、第二类信息及第三类信息等。
该第一类信息可以是指毛孔的数量为20个的信息；第二类可以是指毛孔的数量为50个的信息；第三类可以是指毛孔的数量为80个的信息，上述的分类信息可以是本领域技术人员根据实际情况而设定的相关信息，本实施例对此不作限制。
该训练后的机器学习模型可以用于针对第二初始图像进行分类，输出分类信息；即该训练后的机器学习模型接收到新输入的第二初始图像时，可以输出对应的分类信息。
此外，该终端可以只充当图像采集设备的作用，该终端通过摄像头获取到包含人体特定部位的第一初始图像后，可以将该所述第一初始图像发送至所述服务器，服务器执行上述的将第一初始图像进行模式转换直至获取到人体特征图像的步骤，并且该服务器可以预置有机器学习模型，在服务器上训练所述机器学习模型，提高数据处理效率，降低了终端的负载；当所述服务器输出所述对应的分类信息时，可以将其发送至所述终端，该终端呈现所述分类信息。
在本实施例的另一种应用环境中，所述方法还可以应用于服务器，即该服务器也可以具备摄像头这一硬件，可以通过该摄像头采集包含人体特定部位的第一初始图像；针对所述第一初始图像进行处理，获得人体特征图像；将该人体特征图像输入至预置的机器学习模型进行训练，获得训练后的机器学习模型。
根据本实施例提供的图像处理方法，采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；将所述RGB颜色模式的图像转换为HSV颜色模式的图像；将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；针对所述二值图像进行第一滤波操作，获得第一滤波图像；针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像；将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息；针对初始图像进行模式转换，能够直观地表现出图像的特性，便于颜色的对比操作，通过应用机器学习模型的方式提高图像处理效率及准确率。
在一个实施例中，所述人体特定部位包括人体皮肤。具体地，可以采集包含人体皮肤的第一初始图像，举例而言，该第一初始图像可以包括用户的自拍图像、半身图像及全身图像等，本实施例对此不作限定。
在一个实施例中，所述步骤S203包括：将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；针对所述二值图像进行第一滤波操作，获得第一滤波图像；针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像。
本实施例的一种实际应用中，将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；针对所述二值图像进行第一滤波操作，获得第一滤波图像；针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像。
具体地，该终端可以将HSV颜色模式的图像进行二值化，获得二值图像；需要说明的是，在二值化的操作之前，需要对所述HSV颜色模式的图像进行通道分离，将单通道图像进行第二滤波操作，再将滤波后的图像进行二值化，获得二值图像，具体地，将单通道图像中的H通道图像的值过滤到0～20的范围，将单通道图像中的S通道图像的值过滤到48～255的范围,将单通道图像中的V通道图像的值过滤到80～255的范围。
具体而言，该第二滤波操作可以包括高斯滤波、中值滤波及形态学滤波等，本实施例对此不作具体的限制。
具体实现中，在二值化的操作之后，该终端需要对二值图像再一次进行滤波，以填充空洞，消除小的目标。
本实施例中，针对所述二值图像进行第一滤波操作，可以获得滤波后的二值图像，即获得第一滤波图像，其中，所述第一滤波操作可以包括高斯滤波及形态学滤波等。
进一步应用到本实施例中，该终端可以针对所述第一滤波图像进行边缘检测，获得一个或多个边缘区域，具体地，可以查找第一滤波图像的边缘轮廓，获得边缘点数据，根据该边缘点数据计算得到至少一个边缘区域图像。
在另一种具体实现中，还可以针对所述第一滤波图像进行连通域提取，以提取得到的连通域作为边缘区域图像。
在一个实施例中，所述将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像的步骤包括：
提取出所述HSV颜色模式的图像中的通道图像；将所述通道图像进行第二滤波操作，获得第二滤波图像；针对所述第二滤波图像进行二值化，获得二值图像。
具体实现中，该终端或服务器可以将所述HSV颜色模式的图像分离为单通道图像；具体地，可以通过split()函数将该HSV颜色模式的图像分离为单通道图像，选取出某个通道图像将其进行第二滤波操作，获得第二滤波图像，再将第二滤波图像进行二值化。
在一个实施例中，所述将所述通道图像进行第二滤波操作，获得第二滤波图像的步骤包括：
通过高斯滤波或中值滤波或形态学滤波的方式对通道图像进行处理，获得第二滤波图像。
举例而言，该第二滤波操作可以包括高斯滤波、中值滤波及形态学滤波；该高斯滤波可以用于去除正态分布噪声；而该中值滤波可以用于去除椒盐噪声；该形态学滤波用于填充或扩大空洞及膨胀或腐蚀，能够有效地减弱图像的噪声，提高图像处理的准确率。
在一个实施例中，所述人体特征图像包括毛孔特征图像，所述步骤S104包括：
获取到所述边缘区域图像的面积数据及面积比例数据；当所述面积数据不小于预设面积阀值且所述面积比例数据小于所述预设比例阀值时，确定所述边缘区域图像为毛孔特征图像。
实际应用到本实施例中，根据检测到的边缘点数据获得边缘轮廓后，将该边缘轮廓对应的区域确定为边缘区域图像；针对所述边缘区域图像进行筛选，将符合条件的边缘区域图像确定为毛孔特征图像；具体地，以预设面积阀值及预设比例阀值为条件，针对所述边缘区域图像的面积数据及面积比例数据进行筛选；需要说明的是，该面积比例数据可以包括单个边缘区域图像的面积数据与总面积数据的比例，可以提高筛选的准确率。
举例而言，所述预设面积阀值可以包括7mm2，而该预设比例阀值可以为30％，需要说明的是，上述的预设面积阀值及预设比例阀值可以是本领域技术人员根据实际而设定的任何数值，本实施例对此不作限制。
在一个实施例中，所述方法还可以包括：根据所述分类信息生成检测结果。
具体而言，所述终端或服务器还可以根据所述分类信息生成检测结果，举例而言，该分类信息是表示毛孔数量的相关信息时，生成关于毛孔数量的检测结果，并呈现给用户，提高用户的使用便利性。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种图像处理装置，包括：第一初始图像采集模块301、转换模块302、提取模块303、人体特征图像获得模块304和训练模块305，其中：
第一初始图像采集模块301，用于采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
转换模块302，用于将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取模块303，用于提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
人体特征图像获得模块304，用于将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
训练模块305，用于将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
在一个实施例中，所述人体特定部位包括人体皮肤。
在一个实施例中，所述提取模块303包括：
二值图像获得子模块，用于将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；
第一滤波图像获得子模块，用于针对所述二值图像进行第一滤波操作，获得第一滤波图像；
边缘区域图像获得子模块，用于针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像。
在一个实施例中，所述二值图像获得子模块包括：
通道图像提取单元，用于提取出所述HSV颜色模式的图像中的通道图像；
第二滤波图像获得单元，用于将所述通道图像进行第二滤波操作，获得第二滤波图像；
二值图像获得单元，用于针对所述第二滤波图像进行二值化，获得二值图像。
在一个实施例中，所述第二滤波图像获得单元包括：
第二滤波图像获得子单元，用于通过高斯滤波或中值滤波或形态学滤波的方式对通道图像进行处理，获得第二滤波图像。
在一个实施例中，所述人体特征图像包括毛孔特征图像，所述人体特征图像获得模块304包括：
获取子模块，用于获取到所述边缘区域图像的面积数据及面积比例数据；
当所述面积数据不小于预设面积阀值且所述面积比例数据小于所述预设比例阀值时，确定所述边缘区域图像为毛孔特征图像。
在一个实施例中，所述装置还包括：
检测结果生成模块，用于根据所述分类信息生成检测结果。
关于图像处理装置的具体限定可以参见上文中对于图像处理方法的限定，在此不再赘述。上述图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
上述提供的图像处理装置可用于执行上述任意实施例提供的图像处理方法，具备相应的功能和有益效果。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端或服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；
针对所述二值图像进行第一滤波操作，获得第一滤波图像；
针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
提取出所述HSV颜色模式的图像中的通道图像；
将所述通道图像进行第二滤波操作，获得第二滤波图像；
针对所述第二滤波图像进行二值化，获得二值图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
通过高斯滤波或中值滤波或形态学滤波的方式对通道图像进行处理，获得第二滤波图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取到所述边缘区域图像的面积数据及面积比例数据；
当所述面积数据不小于预设面积阀值且所述面积比例数据小于所述预设比例阀值时，确定所述边缘区域图像为毛孔特征图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据所述分类信息生成检测结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；
针对所述二值图像进行第一滤波操作，获得第一滤波图像；
针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
提取出所述HSV颜色模式的图像中的通道图像；
将所述通道图像进行第二滤波操作，获得第二滤波图像；
针对所述第二滤波图像进行二值化，获得二值图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
通过高斯滤波或中值滤波或形态学滤波的方式对通道图像进行处理，获得第二滤波图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取到所述边缘区域图像的面积数据及面积比例数据；
当所述面积数据不小于预设面积阀值且所述面积比例数据小于所述预设比例阀值时，确定所述边缘区域图像为毛孔特征图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据所述分类信息生成检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像处理方法，其特征在于，包括：
采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
2.根据权利要求1所述的图像处理方法，其特征在于，所述人体特定部位包括人体皮肤。
3.根据权利要求1或2所述的图像处理方法，其特征在于，所述提取出所述HSV颜色模式的图像中的至少一个边缘区域图像的步骤包括：
将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像；
针对所述二值图像进行第一滤波操作，获得第一滤波图像；
针对所述第一滤波图像进行边缘检测，获得至少一个边缘区域图像。
4.根据权利要求3所述的图像处理方法，其特征在于，所述将所述HSV颜色模式的图像进行滤波及二值化，获得二值图像的步骤包括：
提取出所述HSV颜色模式的图像中的通道图像；
将所述通道图像进行第二滤波操作，获得第二滤波图像；
针对所述第二滤波图像进行二值化，获得二值图像。
5.根据权利要求4所述的图像处理方法，其特征在于，所述将所述通道图像进行第二滤波操作，获得第二滤波图像的步骤包括：
通过高斯滤波或中值滤波或形态学滤波的方式对通道图像进行处理，获得第二滤波图像。
6.根据权利要求1所述的图像处理方法，其特征在于，所述人体特征图像包括毛孔特征图像，所述将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像的步骤包括：
获取到所述边缘区域图像的面积数据及面积比例数据；
当所述面积数据不小于预设面积阀值且所述面积比例数据小于所述预设比例阀值时，确定所述边缘区域图像为毛孔特征图像。
7.根据权利要求1或6所述的图像处理方法，其特征在于，所述方法还包括：
根据所述分类信息生成检测结果。
8.一种图像处理装置，其特征在于，包括：
第一初始图像采集模块，用于采集包含人体特定部位的第一初始图像；其中，所述第一初始图像包括RGB颜色模式的图像；
转换模块，用于将所述RGB颜色模式的图像转换为HSV颜色模式的图像；
提取模块，用于提取出所述HSV颜色模式的图像中的至少一个边缘区域图像；
人体特征图像获得模块，用于将所述至少一个边缘区域图像进行筛选，获得该人体特定部位对应的人体特征图像；
训练模块，用于将所述人体特征图像输入至机器学习模型进行训练，获得训练后的机器学习模型；其中，所述训练后的机器学习模型用于针对第二初始图像进行分类，输出分类信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的图像处理方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的图像处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811216004.8A CN109300131A (zh) | 2018-10-18 | 2018-10-18 | 一种图像处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811216004.8A CN109300131A (zh) | 2018-10-18 | 2018-10-18 | 一种图像处理方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109300131A true CN109300131A (zh) | 2019-02-01 |
Family
ID=65157356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811216004.8A Pending CN109300131A (zh) | 2018-10-18 | 2018-10-18 | 一种图像处理方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109300131A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577905A (zh) * | 2019-09-30 | 2021-03-30 | 苏州迈瑞科技有限公司 | 一种尿液颜色检测方法及分析仪 |
| EP4030343A4 (en) * | 2019-10-22 | 2022-10-26 | Huawei Technologies Co., Ltd. | FACIAL SKIN DETECTION METHOD AND APPARATUS |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844252A (zh) * | 2016-04-01 | 2016-08-10 | 南昌大学 | 一种面部关键部位的疲劳检测方法 |
| CN107292833A (zh) * | 2017-05-22 | 2017-10-24 | 奇酷互联网络科技（深圳）有限公司 | 图像处理方法、装置和移动终端 |
| CN107679507A (zh) * | 2017-10-17 | 2018-02-09 | 北京大学第三医院 | 面部毛孔检测系统及方法 |
| CN107862659A (zh) * | 2017-10-31 | 2018-03-30 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机设备及计算机可读存储介质 |
| CN108323203A (zh) * | 2017-07-17 | 2018-07-24 | 深圳和而泰智能控制股份有限公司 | 一种定量检测人脸肤质参量的方法、装置和智能终端 |
-
2018
- 2018-10-18 CN CN201811216004.8A patent/CN109300131A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844252A (zh) * | 2016-04-01 | 2016-08-10 | 南昌大学 | 一种面部关键部位的疲劳检测方法 |
| CN107292833A (zh) * | 2017-05-22 | 2017-10-24 | 奇酷互联网络科技（深圳）有限公司 | 图像处理方法、装置和移动终端 |
| CN108323203A (zh) * | 2017-07-17 | 2018-07-24 | 深圳和而泰智能控制股份有限公司 | 一种定量检测人脸肤质参量的方法、装置和智能终端 |
| CN107679507A (zh) * | 2017-10-17 | 2018-02-09 | 北京大学第三医院 | 面部毛孔检测系统及方法 |
| CN107862659A (zh) * | 2017-10-31 | 2018-03-30 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、计算机设备及计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112577905A (zh) * | 2019-09-30 | 2021-03-30 | 苏州迈瑞科技有限公司 | 一种尿液颜色检测方法及分析仪 |
| EP4030343A4 (en) * | 2019-10-22 | 2022-10-26 | Huawei Technologies Co., Ltd. | FACIAL SKIN DETECTION METHOD AND APPARATUS |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080628B (zh) | 图像篡改检测方法、装置、计算机设备和存储介质 | |
| Hulzebosch et al. | Detecting CNN-generated facial images in real-world scenarios | |
| TWI777092B (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
| Fang et al. | Classification of hyperspectral images by exploiting spectral–spatial information of superpixel via multiple kernels | |
| Wu et al. | Learning-based super resolution using kernel partial least squares | |
| CN109325468A (zh) | 一种图像处理方法、装置、计算机设备和存储介质 | |
| US20140270488A1 (en) | Method and apparatus for characterizing an image | |
| Hassanat et al. | Colour-based lips segmentation method using artificial neural networks | |
| Chen et al. | Statistical skin color detection method without color transformation for real-time surveillance systems | |
| CN113781468B (zh) | 一种基于轻量级卷积神经网络的舌图像分割方法 | |
| Coen-Cagli et al. | The impact on midlevel vision of statistically optimal divisive normalization in V1 | |
| Ni et al. | Touch saliency: Characteristics and prediction | |
| CN109300131A (zh) | 一种图像处理方法、装置、计算机设备和存储介质 | |
| Lin et al. | Global feature integration based salient region detection | |
| Al Sobbahi et al. | Low-light image enhancement using image-to-frequency filter learning | |
| Lou et al. | Hierarchical co-salient object detection via color names | |
| Zhao et al. | Hsgan: Hyperspectral reconstruction from rgb images with generative adversarial network | |
| Riche et al. | Bottom-up saliency models for still images: A practical review | |
| Zhang et al. | Saliency detection via sparse reconstruction and joint label inference in multiple features | |
| Jin et al. | Color correction and local contrast enhancement for underwater image enhancement | |
| Yao et al. | Spatial-frequency Dual-Domain Feature Fusion Network for Low-Light Remote Sensing Image Enhancement | |
| Ha et al. | Multiscale spatial fusion and regularization induced unsupervised auxiliary task CNN model for deep super-resolution of hyperspectral images | |
| Xu et al. | Covariance descriptor based convolution neural network for saliency computation in low contrast images | |
| Chen et al. | Hyperspectral remote sensing IQA via learning multiple kernels from mid-level features | |
| CN110633666A (zh) | 一种基于手指颜色贴片的手势轨迹识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |
|
| RJ01 | Rejection of invention patent application after publication |