CN110097034A - 一种智能人脸健康程度的识别与评估方法 - Google Patents
一种智能人脸健康程度的识别与评估方法 Download PDFInfo
- Publication number
- CN110097034A CN110097034A CN201910400754.9A CN201910400754A CN110097034A CN 110097034 A CN110097034 A CN 110097034A CN 201910400754 A CN201910400754 A CN 201910400754A CN 110097034 A CN110097034 A CN 110097034A
- Authority
- CN
- China
- Prior art keywords
- acne
- color spot
- image
- face
- skin
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种智能人脸健康程度的识别与评估方法，所述方法包括：图像采集阶段。采集人脸图像，用于检测痤疮、色斑，评估人脸健康程度；痤疮、色斑检测阶段。将人脸图像从RGB色域转化为HSV色域，通过最大亮度值图像的二值图像检测出痤疮；将人脸图像通过ISODATA聚类算法，迭代计算出分割色斑病变区域和皮肤区域的阈值，得到人脸色斑的边缘轮廓并检测出色斑；痤疮、色斑定量测量。ROI框选痤疮、计算痤疮个数、测量色斑区域，色斑颜色指标，并通过色斑面积、颜色深度将其分为严重、普通、轻微3个程度；人脸健康程度评估。由痤疮数量、分布情况计算脸部痤疮分数，由色斑数量、程度、分布情况计算脸部色斑分数，并综合得到人脸健康程度分数。本发明实现了通过痤疮和色斑两种指标综合评判人脸健康程度，快速准确检测人脸皮肤缺陷并提供量化指标。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种用于人脸健康程度的识别与评估的图像处理方法。
背景技术
随着美容美肤行业的不断发展，人们对皮肤质量的关注度提升，如何检测人脸皮肤存在的缺陷问题及量化皮肤指标成为一项关键技术。目前国内对于人脸皮肤的状态评价多采用由专业医师判断的方法，主观性较强，缺乏客观的分析，同时也缺乏统一的量化指标，且受限于医护资源及其他因素，无法快速准确地提供恰当的诊断。鉴于上述困扰，十分有必要设计一种可以快速准确检测人脸皮肤缺陷并提供量化指标的方法。
在人脸关于健康指标的常见皮肤缺陷中，痤疮和色斑占主要的比重，现有的专利提及的关于人脸健康程度的识别方法并未涉及通过痤疮和色斑两种指标综合评判，如CN108876766A提出了基于深度学习的痤疮判断方法，但并未描述具体检测、框选及计数方法；如CN106529429A提出了一种基于图像识别的面部皮肤分析系统，但描述的方法准确性和精度较低，同时并未提供完全的指标计算方法；如CN106469300A提出的一种色斑检测识别方法则并未将色斑区域边缘识别，同时没有提供将色斑进行严重程度评估的方法。
1)、“基于面部识别的痤疮判断方法、终端及存储介质”，专利号CN108876766A。该发明公开了一种基于面部识别的痤疮判断方法，应用于终端,包括获取训练后的深度学习模型加载所述训练后的深度学习模型采集面部图像根据采集的所述面部图像和所述训练后的深度学习模型进行图像识别获取图像识别结果。该方法提及了一种基于深度学习的痤疮识别方法，但并未描述其具体检测方法及计数评分模式，所述方法不具有可复现性。
2)、“一种基于图像识别的面部皮肤分析系统”，专利号CN106529429A。本发明公开了一种基于图像识别的面部皮肤分析系统。提出了一种图像识别的面部分析系统,能够对皮肤的情况做出一系列的测评并给出总体的评价,主要包括人脸检测分割模块,美白度检测模块,粗糙度检测模块,色斑量检测模块和综合评判模块。首先输入检测图像,通过分类器进行正脸检测、区域定位和分割然后将分割获得的图像进行肤色亮暗和红润情况分析通过灰度共生矩阵,获取特征指标量化检测区域的粗糙度使用类似分水岭的方法和计算区域截面积之和来分析色斑量。该方法提供了色斑面积检测方法，但采取的方法为普通的色域分割，准确性及精度较低，同时并未提供色斑颜色指标测量的方法。
3)、“一种色斑检测识别方法”，专利号CN106469300A，本发明提供一种色斑检测识别方法，采集人脸图片，人脸图片包含所有色斑种类及色斑的变种图片并预先标注色斑区域以及色斑种类,通过对每一种色斑的特征向量一及标注信息进行读取并进行迭代直至获得每一种色斑的颜色特征均值及小波变换特征均值，对每一种色斑的特征向量二及标注信息进行读取并进行迭代直至获得每一种色斑的颜色均值、纹理均值及斑点特征均值，其迭代过程使用最终读取待检测的人脸图片上的色斑信息，与所述颜色特征均值及小波变换特征均值进行匹配获得色斑区域。该方法通过训练分类模型来判别色斑种类，并未将色斑区域边缘识别，同时没有提供将色斑进行严重程度评估的方法。
发明内容
为解决上述技术问题，本发明的目的是提供一种智能人脸健康程度的识别与评估方法，以满足快速准确检测人脸皮肤缺陷并提供量化指标的要求，提高测量效率和测量方法的适用性。
本发明的目的通过以下的技术方案来实现：
一种智能人脸健康程度的识别与评估方法，包括：
A图像采集阶段：采集人脸图像，用于检测痤疮、色斑，评估人脸健康程度。
B痤疮、色斑检测阶段：将人脸图像从RGB色域转化为HSV色域，通过最大亮度值图像的二值图像检测出皮肤痤疮；将人脸图像通过ISODATA聚类算法，迭代计算出分割色斑病变区域和皮肤区域的阈值，得到人脸皮肤色斑的边缘轮廓并检测出皮肤色斑。
C痤疮、色斑定量测量：ROI框选皮肤痤疮、计算痤疮个数、测量皮肤色斑病变区域，色斑颜色指标，并通过皮肤色斑病变区域面积、颜色深度将皮肤痤疮分为严重、普通、轻微三个程度。
D人脸健康程度评估：由痤疮数量、分布情况计算脸部痤疮分数，由色斑数量、程度、分布情况计算脸部色斑分数，并综合得到人脸健康程度分数。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
该方法实现了用于人脸健康程度的识别与评估，适用性好，在保证实时性的前提下，提高了测量精度和检测效率，提供了量化人脸缺陷的指标。
附图说明
图1是智能人脸健康程度的识别与评估方法的工作流程图；
图2是智能人脸健康程度的识别与评估方法的算法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示，为智能人脸健康程度的识别与评估方法的工作流程，包括如下步骤：
步骤10图像采集阶段：采集人脸图像，用于检测痤疮、色斑，评估人脸健康程度；
步骤20痤疮、色斑检测阶段：将人脸图像从RGB色域转化为HSV色域，通过最大亮度值图像的二值图像检测出皮肤痤疮；将人脸图像通过ISODATA聚类算法，迭代计算出分割色斑病变区域和皮肤区域的阈值，得到人脸皮肤色斑的边缘轮廓并检测出皮肤色斑；
步骤30痤疮、色斑定量测量：ROI框选皮肤痤疮、计算痤疮个数、测量皮肤色斑病变区域，色斑颜色指标，并通过皮肤色斑病变区域面积、颜色深度将皮肤痤疮分为严重、普通、轻微三个程度；
步骤40人脸健康程度评估：由痤疮数量、分布情况计算脸部痤疮分数，由色斑数量、程度、分布情况计算脸部色斑分数，并综合得到人脸健康程度分数。
如图2所示，为智能人脸健康程度的识别与评估方法的算法流程图，包括如下步骤：
步骤110为图像采集阶段；采集人脸图像，用于检测痤疮、色斑，评估人脸健康程度。
步骤120为痤疮检测阶段，方法如下：
(1)将人脸RGB图像转化为灰度图像，将灰度图像记为GGrey；
(2)在灰度图像GGrey中，寻找灰度最大值点，将该点的值记为GMax；
(3)将灰度图像GGrey根据GMax进行按下述公式归一化操作，将归一化灰度图结果记为GNor；
GNor＝GGrey/GMax
(4)将人脸RGB图像转化为到HSV色域下，提取亮度通道分量，记为V；
(5)将亮度通道分量V减去归一化灰度GNor，并将得到的结果进行二值化处理，设VMax为最大亮度区域，RS为最大亮度的二值图，TG为设定的二值化阈值，在本例中，取值为TG＝0.2；
公式如下：
R＝VMax-GNor
RS＝R＜TG
(6)设置阈值Amax和Amin，以消去消除微小的斑点区域和非痤疮的图像区域，取Amin＜RS＜Amax为痤疮检测结果，在本例中，取Amax值为700，Amin值为20。
步骤130为色斑检测阶段，方法如下：
(1)对人脸图像进行中值计算，并将图像减去该中值，将结果映射到指数映射函数上，得到人脸色斑预处理图像；
(2)将人脸色斑预处理图像使用具有自适应确定值的尺度大小为3,5,7,9的高斯核进行递归平滑，将滤波后的图像记为I；
(3)应用ISODATA算法来确定图像的最佳阈值，记为T，其迭代公式如下：
式中Ri表示图像的N个区域的第i个，在本例中N取值为2，Ti,k+1表示将区域Ri中的像素与区域Ri+1，μRi,k和NRi,k中的像素分开的最佳阈值,k表示步骤k中的区域Ri的平均像素值和像素数，I(m,n)表示是位置(m,n)处的像素值。基于新生成的阈值重复该过程，直到阈值收敛。
(4)以T作为阈值，分割人脸色斑病变区域和正常皮肤区域，并且通过后处理滤波去除干扰。
步骤140对于皮肤痤疮区域框选并进行计数，方法如下：
由上述痤疮检测方法，最后输出的图像为将痤疮区域分割开来的二值图像，由于痤疮区域多为点状或由多点联结成的小块区域，由二值图像的输出结果，通过bwlabel算法将二值图的各个连通区域标注出来，统计其连通区域个数作为痤疮个数，并计算各个区域图像的最小外接矩形框，通过mask掩模将多个矩形框覆盖在痤疮检测图像上，作为痤疮的ROI框选。
步骤150将色斑病变区域分割出来，计算其相对于输入的人脸图像的皮肤区域的面积占比，公式如下：
式中RaL表示色斑面积占比，AL(x,y)表示分割出来的色斑区域图像，AF(x,y)表示人脸皮肤区域图像
步骤160对色斑颜色指标大小进行计算，将色斑RGB图像转化到HSI色域下，其转换公式如下：
HSI空间的S通道数值表示的是色斑的颜色深浅度，饱和度S越大颜色就越深，其数值为百分数，在本例中，采用S值的大小作为色斑颜色深浅度的指标。
步骤170对色斑进行严重程度评级，由上述步骤计算得出色斑面积占比RaL及色斑颜色深浅度S，根据色斑面积RaL、颜色深浅度S将其分为严重、普通、轻微3个程度：
步骤180为人脸健康程度评估。由痤疮数量、分布情况计算脸部痤疮分数，由色斑数量、程度、分布情况计算脸部色斑分数，并综合得到人脸健康程度分数。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (5)
1.一种智能人脸健康程度的识别与评估方法，其特征在于，所述方法包括：图像采集阶段；痤疮、色斑检测阶段；痤疮、色斑定量测量及人脸健康程度评估；具体方法如下：
A采集人脸图像，用于检测痤疮、色斑，评估人脸健康程度；
B将人脸图像从RGB色域转化为HSV色域，通过最大亮度值图像的二值图像检测出皮肤痤疮；将人脸图像通过ISODATA聚类算法，迭代计算出分割色斑病变区域和皮肤区域的阈值，得到人脸皮肤色斑的边缘轮廓并检测出皮肤色斑；
C ROI框选皮肤痤疮、计算痤疮个数、测量皮肤色斑病变区域，色斑颜色指标，并通过皮肤色斑病变区域面积、颜色深度将皮肤痤疮分为严重、普通、轻微三个程度；
D由痤疮数量、分布情况计算脸部痤疮分数，由色斑数量、程度、分布情况计算脸部色斑分数，并综合得到人脸健康程度分数。
2.如权利要求1所述的一种智能人脸健康程度的识别与评估方法，其特征在于，所述步骤B中对于皮肤痤疮检测的方法如下：
(1)将人脸RGB图像转化为灰度图像，将灰度图像记为GGrey；
(2)在灰度图像GGrey中，寻找灰度最大值点，将该点的值记为GMax；
(3)将灰度图像GGrey与GMax按下述公式归一化操作，将归一化灰度图结果记为GNor；
GNor＝GGrey/GMax
(4)将人脸RGB图像转化到HSV色域下，提取亮度通道分量，记为V；
(5)将亮度通道分量V减去归一化灰度GNor，并将得到的结果进行二值化处理，设VMax为最大亮度区域，RS为最大亮度的二值图，TG为设定的二值化阈值，在本例中，取值为TG＝0.2；
公式如下：
R＝VMax-GNor
RS＝R＜TG
(6)设置阈值Amax和Amin，以消去消除微小的斑点区域和非痤疮的图像区域，取Amin＜RS＜Amax为痤疮检测结果，在本例中，取Amax值为700，Amin值为20。
3.如权利要求1所述的一种智能人脸健康程度的识别与评估方法，其特征在于，所述步骤B中对于皮肤色斑检测的方法如下：
(1)对人脸图像进行中值计算，并将图像减去该中值，将结果映射到指数映射函数上，得到人脸色斑预处理图像；
(2)将人脸色斑预处理图像使用具有自适应确定值的尺度大小为3,5,7,9的高斯核进行递归平滑，将滤波后的图像记为I；
(3)应用ISODATA算法来确定图像的最佳阈值，记为T，其迭代公式如下：
式中Ri表示图像的N个区域的第i个，在本例中N取值为2，Ti,k+1表示将区域Ri中的像素与区域Ri+1，μRi,k和NRi,k中的像素分开的最佳阈值,k表示步骤k中的区域Ri的平均像素值和像素数，I(m,n)表示是位置(m,n)处的像素值；基于新生成的阈值重复该过程，直到阈值收敛；
(4)以T作为阈值，分割人脸色斑病变区域和正常皮肤区域，并且通过后处理滤波去除干扰。
4.如权利要求1所述的一种智能人脸健康程度的识别与评估方法，其特征在于，所述步骤C中对于皮肤痤疮区域框选并进行计数的方法如下：
通过痤疮检测，输出的图像为将痤疮区域分割开来的二值图像，由于痤疮区域多为点状或由多点联结成的小块区域，由二值图像的输出结果，通过bwlabel算法将二值图的各个连通区域标注出来，统计连通区域个数并作为痤疮个数，计算各个区域图像的最小外接矩形框，通过mask掩模将多个矩形框覆盖在痤疮检测图像上，作为痤疮的ROI框选。
5.如权利要求1所述的一种智能人脸健康程度的识别与评估方法，其特征在于，所述步骤C中对于皮肤色斑病变区域面积大小及色斑颜色指标大小的计算和评级的方法如下：
(1)将色斑病变区域分割出来，计算其相对于输入的人脸图像的皮肤区域的面积占比，公式如下：
式中RaL表示色斑面积占比，AL(x,y)表示分割出来的色斑区域图像，AF(x,y)表示人脸皮肤区域图像；
(2)将色斑RGB图像转化到HSI色域下，其转换公式如下：
HSI空间的S通道数值表示的是色斑的颜色深浅度，饱和度S越大颜色就越深，其数值为百分数，在本例中，采用S值的大小作为色斑颜色深浅度的指标；
(3)如上述步骤计算得出色斑面积占比RaL及色斑颜色深浅度S，根据色斑面积占比RaL、颜色深浅度S将其分为严重、普通、轻微三个程度：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910400754.9A CN110097034B (zh) | 2019-05-15 | 2019-05-15 | 一种智能人脸健康程度的识别与评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910400754.9A CN110097034B (zh) | 2019-05-15 | 2019-05-15 | 一种智能人脸健康程度的识别与评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110097034A true CN110097034A (zh) | 2019-08-06 |
| CN110097034B CN110097034B (zh) | 2022-10-11 |
Family
ID=67448080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910400754.9A Active CN110097034B (zh) | 2019-05-15 | 2019-05-15 | 一种智能人脸健康程度的识别与评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097034B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473199A (zh) * | 2019-08-21 | 2019-11-19 | 广州纳丽生物科技有限公司 | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 |
| CN110751661A (zh) * | 2019-10-28 | 2020-02-04 | 南京泓图人工智能技术研究院有限公司 | 一种基于聚类算法的面部黄褐斑区域自动分割方法 |
| CN110796648A (zh) * | 2019-10-28 | 2020-02-14 | 南京泓图人工智能技术研究院有限公司 | 一种基于黑色素提取的面部黄褐斑区域自动分割方法 |
| CN110874572A (zh) * | 2019-10-29 | 2020-03-10 | 北京海益同展信息科技有限公司 | 一种信息检测方法及装置、存储介质 |
| CN111275754A (zh) * | 2020-01-21 | 2020-06-12 | 佛山科学技术学院 | 一种基于深度学习的脸部痘印比例计算方法 |
| CN112221021A (zh) * | 2020-11-02 | 2021-01-15 | 中南大学湘雅三医院 | 一种皮肤科智能激光祛斑控制系统及控制方法 |
| CN112509688A (zh) * | 2020-09-25 | 2021-03-16 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
| CN112632512A (zh) * | 2020-12-30 | 2021-04-09 | 深兰盛视科技（苏州）有限公司 | 社保防冒领方法、装置、设备及计算机可读存储介质 |
| CN112837259A (zh) * | 2019-11-22 | 2021-05-25 | 福建师范大学 | 基于特征分割的皮肤色素病变治疗效果图像处理方法 |
| CN112954304A (zh) * | 2021-01-18 | 2021-06-11 | 湖北经济学院 | 显示面板Mura缺陷评估方法、系统以及可读存储介质 |
| CN113034486A (zh) * | 2021-04-09 | 2021-06-25 | 北京美医医学技术研究院有限公司 | 一种测肤算法结果评估方法和系统 |
| CN113080874A (zh) * | 2021-04-17 | 2021-07-09 | 北京美医医学技术研究院有限公司 | 一种多角度交叉验证的智能测肤系统 |
| CN113128375A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 图像识别方法及电子设备、计算机可读存储介质 |
| CN113128373A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的色斑评分方法、色斑评分装置及终端设备 |
| CN113191985A (zh) * | 2021-05-24 | 2021-07-30 | 北京美医医学技术研究院有限公司 | 一种基于红外激光的智能祛斑系统 |
| CN113499036A (zh) * | 2021-07-23 | 2021-10-15 | 厦门美图之家科技有限公司 | 皮肤监测方法、装置、电子设备及计算机可读存储介质 |
| CN113723310A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于神经网络的图像识别方法及相关装置 |
| CN113989884A (zh) * | 2021-10-21 | 2022-01-28 | 武汉博视电子有限公司 | 基于脸部肌肤图像紫外深层及浅层色斑的识别方法 |
| WO2023184221A1 (en) * | 2022-03-30 | 2023-10-05 | L'oreal | Computing device, method and apparatus for predicting acne propoerties for keratin material of human subject |
| CN117495855A (zh) * | 2023-12-29 | 2024-02-02 | 广州中科医疗美容仪器有限公司 | 基于图像处理的皮肤缺陷评价方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324036A (zh) * | 2011-09-02 | 2012-01-18 | 北京新媒传信科技有限公司 | 图像中获取人脸肤色区域的方法和装置 |
| CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
| US20180103892A1 (en) * | 2016-10-14 | 2018-04-19 | Ravneet Kaur | Thresholding methods for lesion segmentation in dermoscopy images |
-
2019
- 2019-05-15 CN CN201910400754.9A patent/CN110097034B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324036A (zh) * | 2011-09-02 | 2012-01-18 | 北京新媒传信科技有限公司 | 图像中获取人脸肤色区域的方法和装置 |
| CN103632132A (zh) * | 2012-12-11 | 2014-03-12 | 广西工学院 | 一种基于肤色分割和模板匹配的人脸检测与识别方法 |
| US20180103892A1 (en) * | 2016-10-14 | 2018-04-19 | Ravneet Kaur | Thresholding methods for lesion segmentation in dermoscopy images |
Non-Patent Citations (1)
| Title |
|---|
| 秦立峰等: "基于肤色分割的人脸检测算法研究", 《计算机工程与设计》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473199B (zh) * | 2019-08-21 | 2022-09-27 | 广州纳丽生物科技有限公司 | 基于深度学习实例分割的色斑痤疮检测与健康评价方法 |
| CN110473199A (zh) * | 2019-08-21 | 2019-11-19 | 广州纳丽生物科技有限公司 | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 |
| CN110751661A (zh) * | 2019-10-28 | 2020-02-04 | 南京泓图人工智能技术研究院有限公司 | 一种基于聚类算法的面部黄褐斑区域自动分割方法 |
| CN110796648A (zh) * | 2019-10-28 | 2020-02-14 | 南京泓图人工智能技术研究院有限公司 | 一种基于黑色素提取的面部黄褐斑区域自动分割方法 |
| CN110874572A (zh) * | 2019-10-29 | 2020-03-10 | 北京海益同展信息科技有限公司 | 一种信息检测方法及装置、存储介质 |
| CN112837259A (zh) * | 2019-11-22 | 2021-05-25 | 福建师范大学 | 基于特征分割的皮肤色素病变治疗效果图像处理方法 |
| CN112837259B (zh) * | 2019-11-22 | 2023-07-07 | 福建师范大学 | 基于特征分割的皮肤色素病变治疗效果图像处理方法 |
| CN111275754A (zh) * | 2020-01-21 | 2020-06-12 | 佛山科学技术学院 | 一种基于深度学习的脸部痘印比例计算方法 |
| CN111275754B (zh) * | 2020-01-21 | 2023-04-07 | 佛山科学技术学院 | 一种基于深度学习的脸部痘印比例计算方法 |
| CN112509688A (zh) * | 2020-09-25 | 2021-03-16 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
| CN112509688B (zh) * | 2020-09-25 | 2024-06-11 | 卫宁健康科技集团股份有限公司 | 压疮图片自动分析系统、方法、设备和介质 |
| CN112221021A (zh) * | 2020-11-02 | 2021-01-15 | 中南大学湘雅三医院 | 一种皮肤科智能激光祛斑控制系统及控制方法 |
| CN112632512B (zh) * | 2020-12-30 | 2023-07-11 | 深兰盛视科技（苏州）有限公司 | 社保防冒领方法、装置、设备及计算机可读存储介质 |
| CN112632512A (zh) * | 2020-12-30 | 2021-04-09 | 深兰盛视科技（苏州）有限公司 | 社保防冒领方法、装置、设备及计算机可读存储介质 |
| CN112954304A (zh) * | 2021-01-18 | 2021-06-11 | 湖北经济学院 | 显示面板Mura缺陷评估方法、系统以及可读存储介质 |
| CN113128373B (zh) * | 2021-04-02 | 2024-04-09 | 西安融智芙科技有限责任公司 | 基于图像处理的色斑评分方法、色斑评分装置及终端设备 |
| CN113128373A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的色斑评分方法、色斑评分装置及终端设备 |
| CN113128375A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 图像识别方法及电子设备、计算机可读存储介质 |
| CN113128375B (zh) * | 2021-04-02 | 2024-05-10 | 西安融智芙科技有限责任公司 | 图像识别方法及电子设备、计算机可读存储介质 |
| CN113034486A (zh) * | 2021-04-09 | 2021-06-25 | 北京美医医学技术研究院有限公司 | 一种测肤算法结果评估方法和系统 |
| CN113080874A (zh) * | 2021-04-17 | 2021-07-09 | 北京美医医学技术研究院有限公司 | 一种多角度交叉验证的智能测肤系统 |
| CN113191985B (zh) * | 2021-05-24 | 2024-05-28 | 北京美医医学技术研究院有限公司 | 一种基于红外激光的智能祛斑系统 |
| CN113191985A (zh) * | 2021-05-24 | 2021-07-30 | 北京美医医学技术研究院有限公司 | 一种基于红外激光的智能祛斑系统 |
| CN113499036A (zh) * | 2021-07-23 | 2021-10-15 | 厦门美图之家科技有限公司 | 皮肤监测方法、装置、电子设备及计算机可读存储介质 |
| CN113723310A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于神经网络的图像识别方法及相关装置 |
| CN113723310B (zh) * | 2021-08-31 | 2023-09-05 | 平安科技（深圳）有限公司 | 基于神经网络的图像识别方法及相关装置 |
| CN113989884A (zh) * | 2021-10-21 | 2022-01-28 | 武汉博视电子有限公司 | 基于脸部肌肤图像紫外深层及浅层色斑的识别方法 |
| CN113989884B (zh) * | 2021-10-21 | 2024-05-14 | 武汉博视电子有限公司 | 基于脸部肌肤图像紫外深层及浅层色斑的识别方法 |
| WO2023184221A1 (en) * | 2022-03-30 | 2023-10-05 | L'oreal | Computing device, method and apparatus for predicting acne propoerties for keratin material of human subject |
| CN117495855B (zh) * | 2023-12-29 | 2024-03-29 | 广州中科医疗美容仪器有限公司 | 基于图像处理的皮肤缺陷评价方法及系统 |
| CN117495855A (zh) * | 2023-12-29 | 2024-02-02 | 广州中科医疗美容仪器有限公司 | 基于图像处理的皮肤缺陷评价方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110097034B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097034A (zh) | 一种智能人脸健康程度的识别与评估方法 | |
| CN106529429B (zh) | 一种基于图像识别的面部皮肤分析系统 | |
| CN107330465B (zh) | 一种图像目标识别方法及装置 | |
| CN109730637B (zh) | 一种人脸面部图像定量分析系统及方法 | |
| CN109961426B (zh) | 一种人脸皮肤肤质的检测方法 | |
| CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN107169953A (zh) | 基于hog特征的桥梁混凝土表面裂缝检测方法 | |
| CN112396573A (zh) | 基于图像识别的面部皮肤分析方法及系统 | |
| JP2021504816A (ja) | 骨年齢評価と身長予測モデル、そのシステム及びその予測方法 | |
| CN107341790B (zh) | 一种环境洁净度检测的图像处理方法 | |
| CN110363088B (zh) | 基于多特征融合的自适应皮肤炎症区域检测方法 | |
| CN101853286B (zh) | 视频缩略图智能选取方法 | |
| CN106650669A (zh) | 一种鉴别仿冒照片欺骗的人脸识别方法 | |
| CN110473199A (zh) | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 | |
| CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
| CN111967363B (zh) | 一种基于微表情识别和眼动追踪的对情绪预测的方法 | |
| CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN108921004A (zh) | 安全帽佩戴识别方法、电子设备、存储介质及系统 | |
| CN110110637A (zh) | 一种人脸皮肤皱纹自动识别和皱纹严重程度自动分级的方法 | |
| CN106056078B (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
| CN111508016A (zh) | 一种基于图像处理的白癜风区域色度值和面积计算的方法 | |
| Umapathy Eaganathan et al. | Identification of sugarcane leaf scorch disease using K-means clustering segmentation and KNN based classification | |
| CN107247934A (zh) | 一种基于快速特征点定位的全天候哈欠检测方法及系统 | |
| CN104715459B (zh) | 血管图像增强方法 |
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 |