CN110533648A - 一种黑头识别处理方法及系统 - Google Patents
一种黑头识别处理方法及系统 Download PDFInfo
- Publication number
- CN110533648A CN110533648A CN201910801021.6A CN201910801021A CN110533648A CN 110533648 A CN110533648 A CN 110533648A CN 201910801021 A CN201910801021 A CN 201910801021A CN 110533648 A CN110533648 A CN 110533648A
- Authority
- CN
- China
- Prior art keywords
- image
- blackhead
- spot
- area
- boundary
- 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.)
- Withdrawn
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30201—Face
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种黑头识别处理方法及系统,其采用人脸识别方法,定位鼻头位置,采用特征点检测算法,对彩色图像处理为二值图像,并通过轮廓跟踪算法,得到封闭域,根据黑头的几何特征及颜色特征,确定黑头参数。本申请实现了对黑头的定量分析,统一了对图像中黑头的评判标准,剔除掉不属于黑头特征的信息,提高数据的可信度;通过对不同人群的批量数据处理,高效、快捷地整理、识别海量数字图像,减少了重复的人工成本,提高了效率。
Description
技术领域
本发明涉及图像识别技术领域,尤其是涉及一种黑头识别处理方法及系统。
背景技术
传统的医学美容中化妆品的使用性能仅仅是靠美容医师或相关专业医师凭借其经验和病理学知识进行分析判断的,由于各种主客观因素,加之影响皮肤美容的因素很多,诸如人的年龄、种族、性别、性格、生活习惯以及药物等多方面因素的影响而使人的面部皮肤呈现出多样性,其形态、颜色、纹理差异又相对很小,其中难免出现诊断偏差,从而影响皮肤正确科学的护理,因此人们迫切需要更精确的方法对人体皮肤进行较为客观的定量检测。
目前市面主流的图像识别软件,如IPP,主要识别的类型有皮肤颜色、光泽、黑色素、皱纹等,但并没有关于黑头、痘痘的专项图像分析。在实际项目中,通常需要借助医生专家来进行黑头、痘痘的识别。
因此,如何实现对图像中的黑头,从定性评估到定量分析,统一对图像中黑头的评判标准,是目前亟待解决的问题。
发明内容
本发明的目的是提供一种黑头识别处理方法,利用计算机信息技术,实现对面部黑头的计数、面积计算的数字图像处理,并进行批量处理,减少了重复的人工成本,统一了对图像中黑头的评判标准,提高数据可信度。
本发明的上述发明目的通过以下技术方案得以实现:
一种黑头识别处理方法,包括以下步骤:
S1、读取人脸彩色图像,获得鼻头截取区域图像;
S2、对截取区域图像进行增强处理,找出颜色相对深的黑色封闭域,并剔除无关信息,获得黑头信息;
S3、计算黑头数量、黑头面积的统计数据,保存数据;
S4、在截取区域图像中,圈出黑头位置,使黑头可见,保存图像。
本发明进一步设置为:步骤S1中,读取人脸彩色图像,获得鼻头截取区域图像,包括以下步骤:
A1、读取人脸彩色图像;
A2、对彩色图像进行灰度处理,得到灰度图;
A3、调用模型识别;
A4、限制条件特征,确定鼻头坐标;
A5、根据坐标,圈出鼻头及鼻头周围图像;
A6、获得截取区域图像。
本发明进一步设置为:步骤S2中,对面部区域图像进行增强处理,将彩色图像转换为LAB颜色空间,取L通道,将面部区域图像转换为单通道图像。
本发明进一步设置为:步骤S2中,采用局部极值算法,获取黑头信息,包括以下步骤:
B1、设定阈值范围与阈值步长,用一系列连续的阈值将单通道图像转换为二值图像的集合;
B2、采用Suzuki轮廓跟踪算法,检测每一幅二值图像的边界,提取出每一幅二值图像的连通区域,由边界所围成的不同的连通区域就是该二值图像的斑点;
B3、根据所有二值图像斑点的中心坐标对二值图像斑点进行分类,属于同一类的所有二值图像斑点最终形成灰度图像的斑点;
B4、确定灰度图像斑点的信息,包括位置、面积、斑点凸度、斑点圆度、惯性率;
B5、连通区域的面积大于等于第一设定值而小于等于第二设定值之间的斑点即为黑头,剔除连通区域的面积小于第一设定值或大于第二设定值的斑点。
本发明进一步设置为:步骤B2中,Suzuki轮廓跟踪算法,包括以下步骤:
C1、按照从上到下,从左到右的顺序扫描图像,寻找没有标记跟踪结束记号的第一个边界起始点P0,P0是具有最小行和列值的边界点;
C2、定义一个扫描方向变量dir,该变量用于记录扫描图像中沿着前一个边界点到当前边界点的移动方向;
C3、按逆时针方向在M×M邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点Pn,同时更新变量dir为新的方向值;
C4、当Pn等于第二个边界点P1且前一个边界点Pn-1等于第一个边界点P0,则表示完成了一个边界的跟踪,停止搜索,结束跟踪;否则,重复步骤B3继续搜索;
C5、由边界点P0、P1、P2、……、Pn-2构成的边界,形成一个封闭域,即为要跟踪的边界。
本发明进一步设置为:步骤B4中,斑点的位置是属于该灰度图像斑点的所有二值图像斑点中心坐标的加权和,由下式表示:
式中,q表示权值,其数值等于所述二值图像斑点的惯性率的平方;i表示第i个二值图像斑点,[xi,yi]表示第i个二值图像斑点中心坐标;
本发明进一步设置为:步骤B4中,斑点的面积等于斑点封闭域内的像素个数;
斑点凸度由下式表示:
式中,V表示斑点凸度;S表示斑点面积;H表示斑点的凸壳面积。
本发明进一步设置为:步骤B4中,斑点圆度C由下式表示:
式中,S表示斑点面积;P表示斑点周长;
其中,当C=1时,表示该斑点为圆形;当C=0时,表示该斑点为多边形;当C在0与1之间时,表示该斑点为逐渐拉长的多边形。
本发明进一步设置为:步骤B4中,斑点惯性率I由下式表示:
式中,λ1和λ2分别表示斑点图像强度的主轴和次轴。
本发明的上述发明目的通过以下技术方案得以实现:
一种黑头识别处理系统,采用所述的方法,对多于一个的人脸彩色图像进行黑头识别,包括以下步骤:
D1、建立新的目录树;
D2、赋值i=1;
D3、读取第i个图像;
D4、获得第i个图像的黑头数据及截取区域的黑头图像;
D5、i=i+1
D6、判定i是否大于设定值,若是,进入下一步,若否,转D3;
D7、结束。
与现有技术相比,本发明的有益技术效果为:
1.本申请通过对图像进行处理,获得黑头信息,实现了对黑头的定量分析,统一了对图像中黑头的评判标准;
2.进一步地,本申请采用局部极值算法获得黑头信息,剔除掉不属于黑头特征的信息,提高数据的可信度;
3.进一步地,本申请通过提取黑头的几何特征、黑头内部的颜色特征、黑头边缘的颜色特征,实现对黑头信息的精确判定,为计算黑头参数提供了依据;
4.进一步地,本申请通过对不同人群的批量数据处理,高效、快捷地整理、识别海量数字图像,减少了重复的人工成本,提高了效率。
附图说明
图1是本发明的一个具体实施例的处理方法流程结构示意图;
图2是本发明的一个具体实施例的获取鼻头区域流程示意图;
图3是本发明的一个具体实施例的获取黑头流程示意图;
图4是本发明的一个具体实施例的系统流程结构示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
具体实施方式一
本发明的一种黑头识别处理方法,如图1所示,包括以下步骤:
S1、读取人脸彩色图像,获得鼻头截取区域图像;
S2、对截取区域图像进行增强处理,找出颜色相对深的黑色封闭域,并剔除无关信息,获得黑头信息;
S3、计算黑头数量、黑头面积的统计数据,保存数据;
S4、在截取区域图像中,圈出黑头位置,使黑头可见,保存图像。
其中,步骤S3、S4都是基于步骤S2中对于黑头标记后进行的,是同步进行的。
在本申请的一个具体实施例中,步骤S1中,如图2所示,读取人脸彩色图像,获得鼻头截取区域图像,包括以下步骤:
A1、读取人脸彩色图像;
A2、对彩色图像进行灰度处理,得到灰度图;
A3、调用模型识别;
A4、限制条件特征,确定鼻头坐标;
A5、根据坐标,圈出鼻头及鼻头周围图像;
A6、获得截取区域图像。
在本申请的一个具体实施例中,步骤S2中,对面部区域图像进行增强处理,将彩色图像转换为LAB颜色空间,取L通道,将面部区域图像转换为单通道图像。
在本申请的一个具体实施例中,步骤S2中,如图3所示,采用局部极值算法,获取黑头信息,包括以下步骤:
B1、设定阈值范围与阈值步长,用一系列连续的阈值将单通道图像转换为二值图像的集合;
B2、采用Suzuki轮廓跟踪算法,检测每一幅二值图像的边界,提取出每一幅二值图像的连通区域,由边界所围成的不同的连通区域就是该二值图像的斑点;
B3、根据所有二值图像斑点的中心坐标对二值图像斑点进行分类,属于同一类的所有二值图像斑点最终形成灰度图像的斑点;
B4、确定灰度图像斑点的信息,包括位置、面积、斑点凸度、斑点圆度、惯性率;
B5、连通区域的面积大于等于第一设定值而小于等于第二设定值之间的斑点即为黑头,剔除连通区域的面积小于第一设定值或大于第二设定值的斑点。
具体地,步骤B1中,设阈值范围为[T1.T2],步长为t,则一系列连续的阈值分别为T1,T1+t,T1+2t,T1+3t,……,T2,利用这些阈值,将单通道图像转换为二值图像的集合。
步骤B2中,采用Suzuki轮廓跟踪算法,包括以下步骤:
C1、按照从上到下,从左到右的顺序扫描图像,寻找没有标记跟踪结束记号的第一个边界起始点P0,P0是具有最小行和列值的边界点;
C2、定义一个扫描方向变量dir,该变量用于记录扫描图像中沿着前一个边界点到当前边界点的移动方向;
C3、按逆时针方向在M×M邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点Pn,同时更新变量dir为新的方向值;
C4、当Pn等于第二个边界点P1且前一个边界点Pn-1等于第一个边界点P0,则表示完成了一个边界的跟踪,停止搜索,结束跟踪;否则,重复步骤B3继续搜索;
C5、由边界点P0、P1、P2、……、Pn-2构成的边界,形成一个封闭域,即为要跟踪的边界。
其中,M取值为大于2的正整数。
步骤B4中,斑点的位置是属于该灰度图像斑点的所有二值图像斑点中心坐标的加权和,由下式表示:
式中,q表示权值,其数值等于所述二值图像斑点的惯性率的平方;i表示第i个二值图像斑点,[xi,yi]表示第i个二值图像斑点中心坐标。
斑点的面积等于斑点封闭域内的像素个数,以像素个数来表达斑点的面积,使面积采用统一的量化方式进行计算。
在平面中,凸形图指的是图形的所有部分都在由该图形切线所围成的区域的内部。本申请中用凸度来表示斑点凹凸的程度,斑点凸度V由下式表示:
式中,S表示斑点面积;H表示斑点的凸壳面积。
斑点圆度C由下式表示:
式中,S表示斑点面积;P表示斑点周长;
其中,当C=1时,表示该斑点为圆形;当C=0时,表示该斑点为多边形;当C在0与1之间时,表示该斑点为逐渐拉长的多边形。
设f(x,y)是一幅数字图像,则它的矩Mij由下式表示:
Mij=∑x∑yxiyjf(x,y) (4)
对于二值图像的来说,零阶矩M00等于它的面积;
图像的质心为:
图像的中心矩μpq定义为:
一阶中心矩称为静矩,二阶中心矩称为惯性矩。如果仅考虑二阶中心矩的话,则图像完全等同于一个具有确定的大小、方向和离心率,以图像质心为中心且具有恒定辐射度的椭圆。图像的协方差矩阵为:
该矩阵的两个特征值λ1和λ2对应于图像强度的主轴和次轴:
斑点惯性率I由下式表示:
偏心率是指某一椭圆轨道与理想圆形的偏离程度,长椭圆轨道的偏心率高,而近于圆形的轨道的偏心率低。圆形的偏心率等于0,椭圆的偏心率介于0和1之间,而偏心率等于1表示的是抛物线。直接计算斑点的偏心率较为复杂,但利用图像矩的概念计算图形的惯性率,再由惯性率计算偏心率较为方便。偏心率E和惯性率I之间的关系为:
E2+I2=1 (11)
因此圆形的惯性率等于1,惯性率越接近1,圆形的程度越高。
具体实施方式二
一种黑头识别处理系统,如图4所示,采用具体实施方式一中所述的处理方法,对多于一个的人脸彩色图像进行黑头识别,包括以下步骤:
D1、建立新的目录树;
D2、赋值i=1;
D3、读取第i个图像;
D4、获得第i个图像的黑头数据及截取区域的黑头图像;
D5、i=i+1
D6、判定i是否大于设定值,若是,进入下一步,若否,转D3;
D7、结束。
其中,目录树中的文件名称包含有受试者编号、图片拍照位置信息,按文件名整理文件结构,分不同受试者、不同部位、不同时间;重复由步骤D3至D6编制的程序,对不同图片逐张读取和识别黑头,输出黑头数量和面积的统计数据。
本申请通过提取黑头的几何特征、黑头内部的颜色特征、黑头边缘的颜色特征,对黑头的形状、大小、颜色进行了专业界定,确定黑头图像特征提取和分析的参数与标准,将自动识别面部区域、自动识别和计算黑头面积,与基本的图像处理相结合,获得批量化自动识别和处理数字图像的黑头识别处理方法。采用此方法,对大量的数据积累形成的样本库,进行批量处理,减少人工处理的重复性,提高效率。
本具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种黑头识别处理方法,其特征在于:包括以下步骤:
S1、读取人脸彩色图像,获得鼻头截取区域图像;
S2、对截取区域图像进行增强处理,找出颜色相对深的黑色封闭域,并剔除无关信息,获得黑头信息;
S3、计算黑头数量、黑头面积的统计数据,保存数据;
S4、在截取区域图像中,圈出黑头位置,使黑头可见,保存图像。
2.根据权利要求1所述的黑头识别处理方法,其特征在于:步骤S1中,读取人脸彩色图像,获得鼻头截取区域图像,包括以下步骤:
A1、读取人脸彩色图像;
A2、对彩色图像进行灰度处理,得到灰度图;
A3、调用模型识别;
A4、限制条件特征,确定鼻头坐标;
A5、根据坐标,圈出鼻头及鼻头周围图像;
A6、获得截取区域图像。
3.根据权利要求1所述的黑头识别处理方法,其特征在于:步骤S2中,对面部区域图像进行增强处理,将彩色图像转换为LAB颜色空间,取L通道,将面部区域图像转换为单通道图像。
4.根据权利要求1所述的黑头识别处理方法,其特征在于:步骤S2中,采用局部极值算法,获取黑头信息,包括以下步骤:
B1、设定阈值范围与阈值步长,用一系列连续的阈值将单通道图像转换为二值图像的集合;
B2、采用Suzuki轮廓跟踪算法,检测每一幅二值图像的边界,提取出每一幅二值图像的连通区域,由边界所围成的不同的连通区域就是该二值图像的斑点;
B3、根据所有二值图像斑点的中心坐标对二值图像斑点进行分类,属于同一类的所有二值图像斑点最终形成灰度图像的斑点;
B4、确定灰度图像斑点的信息,包括位置、面积、斑点凸度、斑点圆度、惯性率;
B5、连通区域的面积大于等于第一设定值而小于等于第二设定值之间的斑点即为黑头,剔除连通区域的面积小于第一设定值或大于第二设定值的斑点。
5.根据权利要求4所述的黑头识别处理方法,其特征在于:
步骤B2中,Suzuki轮廓跟踪算法,包括以下步骤:
C1、按照从上到下,从左到右的顺序扫描图像,寻找没有标记跟踪结束记号的第一个边界起始点P0,P0是具有最小行和列值的边界点;
C2、定义一个扫描方向变量dir,该变量用于记录扫描图像中沿着前一个边界点到当前边界点的移动方向;
C3、按逆时针方向在M×M邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点Pn,同时更新变量dir为新的方向值;
C4、当Pn等于第二个边界点P1且前一个边界点Pn-1等于第一个边界点P0,则表示完成了一个边界的跟踪,停止搜索,结束跟踪;否则,重复步骤B3继续搜索;
C5、由边界点P0、P1、P2、……、Pn-2构成的边界,形成一个封闭域,即为要跟踪的边界。
6.根据权利要求4所述的黑头识别处理方法,其特征在于:
步骤B4中,斑点的位置是属于该灰度图像斑点的所有二值图像斑点中心坐标的加权和,由下式表示:
式中,q表示权值,其数值等于所述二值图像斑点的惯性率的平方;i表示第i个二值图像斑点,[xi,yi]表示第i个二值图像斑点中心坐标;
7.根据权利要求4所述的黑头识别处理方法,其特征在于:步骤B4中,斑点的面积等于斑点封闭域内的像素个数;
斑点凸度由下式表示:
式中,V表示斑点凸度;S表示斑点面积;H表示斑点的凸壳面积。
8.根据权利要求4所述的黑头识别处理方法,其特征在于:步骤B4中,斑点圆度C由下式表示:
式中,S表示斑点面积;P表示斑点周长;
其中,当C=1时,表示该斑点为圆形;当C=0时,表示该斑点为多边形;当C在0与1之间时,表示该斑点为逐渐拉长的多边形。
9.根据权利要求4所述的黑头识别处理方法,其特征在于:步骤B4中,斑点惯性率I由下式表示:
式中,λ1和λ2分别表示斑点图像强度的主轴和次轴。
10.一种黑头识别处理系统,其特征在于:采用权利要求1-9任意一项所述的方法,对多于一个的人脸彩色图像进行黑头识别,包括以下步骤:
D1、建立新的目录树;
D2、赋值i=1;
D3、读取第i个图像;
D4、获得第i个图像的黑头数据及截取区域的黑头图像;
D5、i=i+1
D6、判定i是否大于设定值,若是,进入下一步,若否,转D3;
D7、结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910801021.6A CN110533648A (zh) | 2019-08-28 | 2019-08-28 | 一种黑头识别处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910801021.6A CN110533648A (zh) | 2019-08-28 | 2019-08-28 | 一种黑头识别处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533648A true CN110533648A (zh) | 2019-12-03 |
Family
ID=68664768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910801021.6A Withdrawn CN110533648A (zh) | 2019-08-28 | 2019-08-28 | 一种黑头识别处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533648A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260675A (zh) * | 2020-01-21 | 2020-06-09 | 武汉大学 | 一种图像真实边界高精度提取方法及系统 |
CN113128372A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 |
WO2023225774A1 (zh) * | 2022-05-23 | 2023-11-30 | 京东方科技集团股份有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
-
2019
- 2019-08-28 CN CN201910801021.6A patent/CN110533648A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260675A (zh) * | 2020-01-21 | 2020-06-09 | 武汉大学 | 一种图像真实边界高精度提取方法及系统 |
CN113128372A (zh) * | 2021-04-02 | 2021-07-16 | 西安融智芙科技有限责任公司 | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 |
CN113128372B (zh) * | 2021-04-02 | 2024-05-07 | 西安融智芙科技有限责任公司 | 基于图像处理的黑头识别方法、黑头识别装置及终端设备 |
WO2023225774A1 (zh) * | 2022-05-23 | 2023-11-30 | 京东方科技集团股份有限公司 | 图像处理方法及装置、电子设备、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778584B (zh) | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 | |
CN108520226B (zh) | 一种基于躯体分解和显著性检测的行人重识别方法 | |
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 | |
Kim et al. | Color–texture segmentation using unsupervised graph cuts | |
JP6639123B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN106384126B (zh) | 基于轮廓曲率特征点和支持向量机的服装款式识别方法 | |
CN110148121A (zh) | 一种皮肤图像处理方法、装置、电子设备及介质 | |
CN110533648A (zh) | 一种黑头识别处理方法及系统 | |
CN108052886B (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN104392240A (zh) | 一种基于多特征融合的寄生虫虫卵识别方法 | |
KR20050025927A (ko) | 홍채인식을 위한 동공 검출 방법 및 형상기술자 추출방법과 그를 이용한 홍채 특징 추출 장치 및 그 방법과홍채인식 시스템 및 그 방법 | |
CN105184266B (zh) | 一种手指静脉图像识别方法 | |
CN106250823A (zh) | 一种掌纹掌脉识别方法及掌纹掌脉图像采集仪 | |
Mao et al. | A deep convolutional neural network trained on representative samples for circulating tumor cell detection | |
Santamaria-Pang et al. | Cell segmentation and classification by hierarchical supervised shape ranking | |
CN110929570B (zh) | 虹膜快速定位装置及其定位方法 | |
CN106886754B (zh) | 一种基于三角面片的三维场景下的物体识别方法及系统 | |
CN106250814B (zh) | 一种基于超球粒化商空间模型的手指静脉图像识别方法 | |
CN113012129A (zh) | 一种脑切片图像的区域定位及标记神经细胞计数系统及装置 | |
CN109816665A (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
Alafif et al. | On classifying facial races with partial occlusions and pose variations | |
Lin et al. | Design of online non-contact palmprint recognition simulation system | |
Almutiry | Efficient iris segmentation algorithm using deep learning techniques | |
Singh et al. | Identify a person from Iris Pattern using GLCM features and Machine Learning Techniques | |
Yan-Feng et al. | The 3d face recognition algorithm fusing multi-geometry features |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191203 |
|
WW01 | Invention patent application withdrawn after publication |