CN109583330A - 一种用于人脸照片的毛孔检测方法 - Google Patents

Abstract

本发明公开的一种用手机后置摄像头拍摄的人脸照片进行毛孔检测的方法，涉及能够通过人脸照片进行毛孔检测并标记、统计的方法，属于计算摄像学领域。本发明实现方法如下：将输入的人脸照片进行预处理，由RGB图转换为HSI图，并且对I通道的图做区间放大的映射变换，然后分为四等份进行阈值分割，采用最大类间方差法寻找阈值，得到候选毛孔区域后，再对候选毛孔区域进行两次阈值分割得到最终的毛孔区域。本发明可用于手机、电脑端应用，可实时获取人脸皮肤的毛孔状况。

Description

一种用于人脸照片的毛孔检测方法

技术领域

本发明涉及一种用于手机后置摄像头拍摄照片的毛孔检测方法，属于计算摄像学领域。

背景技术

毛孔检测技术是通过对手机在闪光灯条件下所拍摄的人脸照片进行处理分析，对人脸毛孔检测、标识并统计的技术。现在最成熟的方法是通过专门的仪器来采集皮肤图像，国外已经研发出一系列用于皮肤表面检测的仪器，可以检测皮肤表面的如皮肤纹理结构、皱纹的深度和密度、水分油分、斑点、角质等，现在为人熟知的像美国的皮肤检测仪Visia，可以检测皮肤毛孔、色斑、皱纹、平整度等，但是这样检测皮肤就需要仪器提供硬件支持，而对皮肤质量的评价也需要配套软件进行分析处理，过程较为繁琐，检测的成本也比较高昂。也有一篇论文针对微距毛孔图像进行处理，但微距摄像头并不方便，也需要一定的成本，而该论文的图像处理方法对手机摄像头所拍图片处理效果不好。

近年来，手机已经成为人们必不可少的日常用品，基于手机照片来进行毛孔检测相比于传统的仪器检测更方便快捷，而且没有额外的硬件要求，几乎没有成本。

发明内容

针对皮肤毛孔检测需要特定硬件获取图像并结合相应软件进行毛孔分析较为繁琐的问题，本发明要解决的技术问题是提供一种基于人脸照片进行毛孔检测的算法，能根据手机后置摄像头所拍摄的人脸照片检测出毛孔并标记出毛孔位置，统计毛孔个数，得到皮肤的毛孔面积比例，具有操作简单方便，成本低廉等优点。

为达到以上目的，本发明采用以下技术方案：

本发明公开的一种基于人脸照片的毛孔检测方法，应用于手机后置摄像头所拍摄人脸照片的毛孔检测，将照片转换成HSI色系图，对I通道进行区间放大的映射变换，再将得到的I通道图像划分为4个区域，每个区域用阈值分割法来找到每个区域中的毛孔待定区域，再从待定区域中做阈值分割，一共三次阈值分割后找到毛孔区域，并用连通区域标记的方法标记出毛孔，统计毛孔的个数，再计算毛孔区域与照片的面积之比得到毛孔大小的一个度量。

本发明公开的一种基于人脸照片的毛孔检测方法，包括以下步骤：

步骤101：输入手机后置摄像头获取的人脸照片，所述照片是平滑的脸部区域，不包含鼻子、眼睛或者嘴唇等有轮廓的人脸区域。

步骤102：预处理图片，将原图RGB色系图转换成HSI色系的图，单独对I通道做映射变换，从最小值到最大值映射到0到255，得到I通道的图Y，将Y均分为左上(Y1)、右上(Y2)、左下(Y3)、右下(Y4)4个部分。

步骤102中所述RGB色系图是目前记录及显示彩色图像时最常见的一种方案，采用这种编码方法，每种颜色都可用三个变量来表示红色、绿色以及蓝色的强度，通常情况下，RGB各有256级亮度，用数字表示为从0、1、2……直到255。

HSI色系反映了人类观察彩色的方式，其中I表示光照强度或称为亮度，它确定了像素的整体亮度，而不管颜色是什么；H表示色度，由角度表示，反映了该颜色最接近什么样的光谱波长；S表示饱和度，饱和度参数是色环的原点到彩色点的半径长度。在环的外围圆周是纯的或称饱和的颜色，其饱和度值为1，在中心是中性(灰)影调，即饱和度为0。

皮肤毛孔处颜色和别的地方区别不大，但是亮度普遍变暗，表现在HSI色系图中就是I通道的值小，因此选择变换RGB色系图为HSI色系图，并得到I通道图来做毛孔检测。

RGB到HSI的转换：

其中h，s，i分别代表HSI色系的三个通道的值，r，g，b分别代表RGB色系的三个通道的值，θ代表角度，是在HSI色系中H通道的值。

映射变换是为了增大I通道值的变化幅度，以便更好地区分出毛孔区域。例如，I通道值的区间是[min，max]，则原来值x，经线性映射，变为y，映射公式为y＝(x-min)×255÷(max-min)，这样变换后I通道值区间变为[0，255]，线性增大了I通道值的变化幅度。

Y均分为四等份，是因为一般情况下，照片上的各部分光照强度有所不同，如果按整幅图来做阈值分割，就会导致光照强度低的区域分割效果差。分为四等份可以很好地解决这个问题，每个区域分别做阈值分割，每个区域各自选取阈值，可以保证每个区域的分割效果。

步骤103：任意选取步骤102得到的4个区域中的一个Y，；找到Y，的阈值，根据阈值将Y，分为B1(小于阈值的部分)和A1(大于等于阈值的部分)两部分，则B1为第一次分割得到的包含毛孔的区域。

步骤103中的最大类间方差法是1979年由日本学者大津提出的一种自适应阈值确定的方法，又叫大津法，简称OTSU，是一种基于全局的二值化算法。它是根据图像的灰度特性，将图像分为前景和背景两个部分，当取最佳阈值时，两部分之间的差别应该是最大的，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标都会导致两部分差别变小，当所取阈值的分割使类间方差最大时就意味着错分概率最小。

记T为前景与背景的分割阈值，前景像素点数占图像比例为ω₀，平均灰度为μ₀；背景像素点数占图像比例为ω₁，平均灰度为μ₁，图像的总平均灰度为μ，前景和背景图像的方差为g，则有：

μ＝ω₀×μ₀+ω₁×μ₁

g＝ω₀×(μ₀-μ)²+ω₁×(μ₁-μ)²

联立两式可得：

当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度T是最佳阈值。

步骤103中B1即为第一次所分割出来的包含毛孔的区域。

步骤104：再对B1做阈值分割，得到新的小于阈值的部分，继续多次进行阈值分割直至找到毛孔区域；

步骤105：通过103和104的方法分别对另外的三个区域进行处理，得到毛孔区域；将四个毛孔区域标记在原图Y中，并用连通分量标记法找出毛孔，并画出毛孔的边界。

步骤105中的连通分量标记法是对图像中连通区域进行标记统计的一种算法，计算机图像中连通区域有四连通区域和八连通区域两种，所谓四连通区域是指对应像素位置的上、下、左、右是紧邻的位置，共四个方向，所以称之为四连通区域。八连通区域是指对应位置的上、下、左、右、左上、右上、左下、右下，是紧邻的位置和斜向相邻的位置，共八个方向，所以称之为八连通区域。

步骤106：统计Y中连通区域的个数n，即毛孔个数，计算毛孔区域占Y的比例p，即毛孔大小的一种衡量。

步骤106中计算毛孔区域占Y的比例通过对像素个数的统计来计算，毛孔区域的像素个数为m，Y图片的总像素个数为r×c，r和c代表Y的像素高和宽，因此毛孔区域所占Y的比例p为

有益效果：

1、本发明公开的一种基于人脸照片的毛孔检测方法，可以应用在手机上，不需要额外的硬件支持，方便快捷。

2、本发明公开的基于人脸照片的毛孔检测方法，相比Visia需要硬件设备支持，或者是微距摄像头所拍照片进行检测，没有成本要求。

附图说明

图1是本发明公开的用于手机后置摄像头拍摄照片的毛孔检测方法的总流程图；

图2是本发明实施例的输入图片；

图3是本发明实施例输入图片经预处理后的Y图片；

图4是本发明对Y图片进行四等份分割处理后的图片；

图5是本发明在Y图上画出毛孔的图片；

图6是本发明在输入图片上画出毛孔的图片。

具体实施方式

为了更好地说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。

实施例1：

本实施例公开的一种用于手机后置摄像头拍摄照片的毛孔检测方法，对拍摄的人脸皮肤照片进行预处理之后通过阈值分割的方法来进行毛孔检测，并对毛孔进行标记、统计，计算毛孔大小的度量值。

近年来，手机已经成为人们必不可少的日常用品，但是由于传统检测毛孔硬件的限制，和手机端毛孔检测算法的匮乏，使得人们想要获取自己皮肤毛孔的状况仍然很不方便，类似Visia这样广为人知的皮肤检测仪，都是需要软硬件的结合，先通过仪器获得皮肤照片再通过相应算法来检测毛孔状况。这种毛孔检测方式成本较高，进行毛孔检测的过程也较为繁琐，极大地限制了毛孔检测的应用。而基于微距图片的毛孔检测也需要用户购买专业摄像头拍照，也有一定的成本，并且其算法针对手机所拍的毛孔图片几乎完全失效。

针对现有毛孔检测技术需要硬件支持的问题，本实施例提供了一种基于手机后置摄像头拍摄的人脸照片来进行毛孔检测的方法，通过对人脸照片进行预处理，再采用阈值分割法来检测出毛孔，由于不需要硬件支持，极大地节省了毛孔检测的成本。本实施例流程图如图1所示。

本实施例公开的一种基于人脸照片的毛孔检测方法，在Visual Studio中用OpenCV编写运行，包括以下步骤：

步骤101：在程序中读取由手机后置摄像头获取的人脸照片，所述照片是平滑的脸部区域，不包含鼻子、眼睛或者嘴唇等有轮廓的人脸区域。如图2所示。

步骤102：预处理图片，将原图RGB色系图转换成HSI色系的图，单独对I通道做映射变换，从最小值到最大值映射到0到255，得到I通道的图Y，如图3所示。将Y均分为左上(Y1)、右上(Y2)、左下(Y3)、右下(Y4)4个部分，如图4所示。

步骤102中RGB色系图即目前记录及显示彩色图像时最常见的一种方案，采用这种编码方法，每种颜色都可用三个变量来表示红色、绿色以及蓝色的强度，通常情况下，RGB各有256级亮度，用数字表示为从0、1、2……直到255。

HSI色系反映了人类观察彩色的方式，其中I表示光照强度或称为亮度，它确定了像素的整体亮度，而不管颜色是什么；H表示色度，由角度表示，反映了该颜色最接近什么样的光谱波长；S表示饱和度，饱和度参数是色环的原点到彩色点的半径长度。在环的外围圆周是纯的或称饱和的颜色，其饱和度值为1，在中心是中性(灰)影调，即饱和度为0。

皮肤毛孔处颜色和别的地方区别不大，但是亮度普遍变暗，表现在HSI色系图中就是I通道的值小，因此选择变换RGB色系图为HSI色系图，并得到I通道图来做毛孔检测。

RGB到HSI的转换：

其中h，s，i分别代表HSI色系的三个通道的值，r，g，b分别代表RGB色系的三个通道的值，θ代表角度，是在HSI色系中H通道的值。

映射变换是为了增大I通道值的变化幅度，以便更好地区分出毛孔区域。例如，I通道值的区间是[min，max]，则原来值x，经线性映射，变为y，映射公式为y＝(x-min)×255÷(max-min)，这样变换后I通道值区间变为[0，255]，线性增大了I通道值的变化幅度。

Y均分为四等份，是因为一般情况下，照片上的各部分光照强度有所不同，如果按整幅图来做阈值分割，就会导致光照强度低的区域分割效果差。分为四等份可以很好地解决这个问题，每个区域分别做阈值分割，每个区域各自选取阈值，可以保证每个区域的分割效果。

步骤103：先选取Y1做处理

步骤104：用最大类间方差法找到阈值，根据阈值将其分为B1(小于阈值的部分)和A1(大于阈值的部分)两部分。

步骤104中的最大类间方差法是1979年由日本学者大津提出的一种自适应阈值确定的方法，又叫大津法，简称OTSU，是一种基于全局的二值化算法。它是根据图像的灰度特性，将图像分为前景和背景两个部分，当取最佳阈值时，两部分之间的差别应该是最大的，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标都会导致两部分差别变小，当所取阈值的分割使类间方差最大时就意味着错分概率最小。

记T1为前景与背景的分割阈值，前景像素点数占图像比例为ω₀，平均灰度为μ₀；背景像素点数占图像比例为ω₁，平均灰度为μ₁，图像的总平均灰度为μ，前景和背景图像的方差为g，则有：

μ＝ω₀×μ₀+ω₁×μ₁

g＝ω₀×(μ₀-μ)²+ω₁×(μ₁-μ)²

联立两式可得：

当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度T1是最佳阈值。遍历每一个灰度值作为阈值，最后得到当灰度值为170时，类间方差最大，因此T1为170，则小于170的像素部分即为B1。

步骤104中B1即为第一次所分割出来的包含毛孔的区域。

步骤105：对B1部分继续用最大类间方差法，找到阈值T2，根据阈值T2将B1部分分为B2(小于阈值的部分)和A2(大于阈值的部分)两部分。

步骤105中B1部分作为毛孔的候选区域，对B1继续用最大类间方差法做阈值分割，遍历可得当阈值为154时，类间方差最大，因此取T2为154，小于T2的部分为更准确的毛孔候选区域，记为B2。

步骤106：对B2部分继续用最大类间方差法，找到阈值T3，根据阈值T3将B2部分分为B3(小于阈值的部分)和A3(大于阈值的部分)两部分。

步骤106做第三次阈值分割处理，得到当阈值为142时，类间方差最大，因此取T3为142，小于T3的部分记为B3，B3则作为最终的结果。

步骤107：再分别选取Y2、Y3、Y4分别作为处理对象，重复104—106步骤，将Y1、Y2、Y3、Y4所处理得到的各个B3都在原图Y中对应标记。

步骤108：对原图Y中的B3部分用连通分量标记法，采取八连通，找出毛孔，并画出毛孔的边界，如图5所示，在输入图像中也画出毛孔，如图6所示。

步骤108中的连通分量标记法是对图像中连通区域进行标记统计的一种算法，计算机图像中连通区域有四连通区域和八连通区域两种，所谓四连通区域是指对应像素位置的上、下、左、右是紧邻的位置，共四个方向，所以称之为四连通区域。八连通区域是指对应位置的上、下、左、右、左上、右上、左下、右下，是紧邻的位置和斜向相邻的位置，共八个方向，所以称之为八连通区域。

步骤109：统计Y中连通区域的个数n，即毛孔个数，计算毛孔区域占Y的比例p，即毛孔大小的一种衡量。最终统计出输入图片有42个毛孔，p为13.72％。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于人脸照片的毛孔检测方法，其特征在于：包括以下步骤：

步骤101：输入手机后置摄像头获取的人脸照片，所述照片是平滑的脸部区域；

步骤102：预处理图片，将原图RGB色系图转换成HSI色系的图，单独对I通道做映射变换，从最小值到最大值映射到0到255，得到I通道的图Y，将Y均分为左上Y1、右上Y2、左下Y3、右下Y4四个部分；

RGB到HSI的转换：

其中h，s，i分别代表HSI色系的三个通道的值，r，g，b分别代表RGB色系的三个通道的值，θ代表角度，是在HSI色系中H通道的值；

步骤103：任意选取步骤102得到的4个区域中的一个Y’；根据最大类间方差法找到Y’的阈值，根据阈值将Y’分为小于阈值的部分B1和大于等于阈值的部分A1，则B1为第一次分割得到的包含毛孔的区域；

步骤104：再对B1做阈值分割，得到新的小于新阈值的部分，继续多次进行阈值分割直至找到毛孔区域；

步骤105：通过步骤103和步骤104的方法分别对另外的三个区域进行处理，得到毛孔区域；将四个毛孔区域标记在原图Y中，并用连通分量标记法找出毛孔，并画出毛孔的边界；

步骤106：统计Y中连通区域的个数n，即毛孔个数，计算毛孔区域占Y的比例p，即毛孔大小的一种衡量；

步骤106中计算毛孔区域占Y的比例通过对像素个数的统计来计算，毛孔区域的像素个数为m，Y图片的总像素个数为r×c，r和c代表Y的像素高和宽，因此毛孔区域所占Y的比例p为

2.如权利要求1所述的一种基于人脸照片的毛孔检测方法，其特征在于：步骤103所述的最大类间方差法又叫大津法，简称OTSU，是一种基于全局的二值化算法；是根据图像的灰度特性，将图像分为前景和背景两个部分，当取最佳阈值时，两部分之间的差别应该是最大的，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差；前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标都会导致两部分差别变小，当所取阈值的分割使类间方差最大时就意味着错分概率最小；

记T为前景与背景的分割阈值，前景点数占图像比例为ω₀，平均灰度为μ₀；背景点数占图像比例为ω₁，平均灰度为μ₁，图像的总平均灰度为μ，前景和背景图像的方差为g，则有：

μ＝ω₀×μ₀+ω₁×μ₁

g＝ω₀×(μ₀-μ)²+ω₁×(μ₁-μ)²

联立两式可得：

当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度T是最佳阈值。

3.如权利要求1所述的一种基于人脸照片的毛孔检测方法，其特征在于：步骤104所述的再对B1做阈值分割时采用的方法为最大类间方差法。

4.如权利要求1所述的一种基于人脸照片的毛孔检测方法，其特征在于：步骤105中的连通分量标记法是对图像中连通区域进行标记统计的一种算法，计算机图像中连通区域有四连通区域和八连通区域两种，所谓四连通区域是指对应像素位置的上、下、左、右是紧邻的位置，共四个方向，所以称之为四连通区域；八连通区域是指对应位置的上、下、左、右、左上、右上、左下、右下，是紧邻的位置和斜向相邻的位置，共八个方向，所以称之为八连通区域。