CN110751661A - 一种基于聚类算法的面部黄褐斑区域自动分割方法 - Google Patents
一种基于聚类算法的面部黄褐斑区域自动分割方法 Download PDFInfo
- Publication number
- CN110751661A CN110751661A CN201911040694.0A CN201911040694A CN110751661A CN 110751661 A CN110751661 A CN 110751661A CN 201911040694 A CN201911040694 A CN 201911040694A CN 110751661 A CN110751661 A CN 110751661A
- Authority
- CN
- China
- Prior art keywords
- chloasma
- clustering
- area
- face
- 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.)
- Pending
Links
- 206010008570 Chloasma Diseases 0.000 title claims abstract description 56
- 208000003351 Melanosis Diseases 0.000 title claims abstract description 56
- 230000011218 segmentation Effects 0.000 title claims abstract description 28
- 230000001815 facial effect Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000003064 k means clustering Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 210000000887 face Anatomy 0.000 claims description 7
- 210000001061 forehead Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 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 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000010928 autoimmune thyroid disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于聚类算法的面部黄褐斑区域自动分割方法,步骤为:采集人脸图像;采用人脸特征点检测模型对采集的人脸图像进行面部特征点识别;根据识别的面部特征点信息裁剪出需要进行黄褐斑分割的人脸皮肤区域;对裁剪出来的人脸皮肤区域图像进行k‑means聚类,根据大量聚类结果确定分割阈值,然后根据分割阈值进行黄褐斑区域的分割;计算黄褐斑区域的总面积,得到黄褐斑区域在整个面部的面积占比。本发明利用计算机视觉技术实现对面部黄褐斑区域的自动分割,可以作为后续黄褐斑诊断和治疗的辅助信息。
Description
技术领域
本发明属于计算机视觉领域,特别涉及了一种面部黄褐斑区域自动分割方法。
背景技术
黄褐斑(melasma)为面部对称性分布的黄褐色斑片,多见于育龄期女性,生成原因尚不完全清楚,血中雌激素水平高是主要原因。其产生可能与遗传、日晒、化妆品、雌激素变化自身免疫性甲状腺疾病、肝脏疾病等相关,其表现为淡褐色、深褐色斑片,常对称分布于面部、颊部,且边缘清楚。
随着计算机技术与人工智能技术的发展,计算机视觉技术在人脸检测方面有了广泛的应用,如何利用计算机视觉技术实现面部黄褐斑区域的自动检测,从而为后续黄褐斑的诊断和治疗提供精准的辅助信息,已经成为本领域的一个新的研究方向。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种基于聚类算法的面部黄褐斑区域自动分割方法。
为了实现上述技术目的,本发明的技术方案为:
一种基于聚类算法的面部黄褐斑区域自动分割方法,其特征在于,包括以下步骤:
(1)采集人脸图像;
(2)采用人脸特征点检测模型对采集的人脸图像进行面部特征点识别;
(3)根据识别的面部特征点信息裁剪出需要进行黄褐斑分割的人脸皮肤区域;
(4)对裁剪出来的人脸皮肤区域图像进行k-means聚类,根据大量聚类结果确定分割阈值,然后根据分割阈值进行黄褐斑区域的分割;
(5)计算黄褐斑区域的总面积,得到黄褐斑区域在整个面部的面积占比。
进一步地,在步骤(1)中,在稳定环境下,采集待测人员的左侧脸图像、右侧脸图像和正脸图像;对应地,在步骤(3)中,左侧脸图像上裁剪出左脸皮肤区域,正脸图像上裁剪出额头和下巴的皮肤区域,右侧脸图像上裁剪出右脸皮肤区域。
进一步地,在步骤(3)中,首先将人脸皮肤区域图像转化为YCrCb格式,然后利用图像的Cr、Cb通道数据进行k-means聚类。
进一步地,在步骤(4)中,首先随机选取k个点作为初始聚类中心,然后计算各像素点到各聚类中心的距离,调整各像素点到距离其最近的聚类中心所在的类中,调整后重新计算各个聚类中心,如果相邻两次的聚类中心没有任何变化,说明样本数据调整结束,聚类准则函数已经收敛;聚类之后的像素点会根据色度差呈现出黄褐斑区域与人脸皮肤区域的色度和边界更加明显的特点。
进一步地,对于k-means聚类,在每次迭代中都要考察每个像素点的分类是否正确,若不正确,就要进行调整;在全部像素点调整完后,再修改聚类中心,进入下一次迭代;如果在一次迭代中,所有的像素点均被正确分类,则不会有调整,聚类中心也不会有任何变化,这标志着聚类准则函数已经收敛,k-means聚类算法结束。
进一步地,对于k-means聚类,根据黄褐斑区域与人脸皮肤区域区分的色度等级细分程度确定类别数k的取值。
进一步地,在步骤(5)中,首先将分割出的黄褐斑区域图像与正常的人脸皮肤区域图像进行二值化处理,然后根据下式计算黄褐斑区域在整个面部的面积占比:
上式中,P表示面积占比,A表示黄褐斑区域像素点数目,S表示面部总像素点数目。
采用上述技术方案带来的有益效果:
本发明利用训练好的人脸特征点检测模型对人脸轮廓、眉毛、眼睛等部位的特征点进行检测,然后根据检测出来的特征点对人脸图像进行区域划分,再通过k-means聚类算法分割出人脸中的黄褐斑区域,可以为后续黄褐斑的诊治提供准确的辅助信息。
附图说明
图1是本发明的基本流程图;
图2是本发明中k-means聚类流程图;
图3是本发明中黄褐斑区域分割效果图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种基于聚类算法的面部黄褐斑区域自动分割方法,如图1所示,包括以下步骤:
步骤1:采集人脸图像;
步骤2:采用人脸特征点检测模型对采集的人脸图像进行面部特征点识别;
步骤3:根据识别的面部特征点信息裁剪出需要进行黄褐斑分割的人脸皮肤区域;
步骤4:对裁剪出来的人脸皮肤区域图像进行k-means聚类,根据大量聚类结果确定分割阈值,然后根据分割阈值进行黄褐斑区域的分割;
步骤5:计算黄褐斑区域的总面积,得到黄褐斑区域在整个面部的面积占比。
在本实施例中,上述步骤1可以采用如下优选方案实现:
在稳定环境下,采集待测人员人的左侧脸图像、右侧脸图像和正脸图像。具体地,为了全面获取面部区域信息,设置左、前、右三个摄像头,分别采集左侧脸、正脸、右侧脸图像,为了使图像采集环境更加稳定,将摄像头与座椅位置固定,并在座椅周围设置纯色白色背景,减少环境干扰,采集图像时,人需坐在固定的位置,保持面部与摄像机位置的相对固定。
在本实施例中,上述步骤2和3可以采用如下优选方案实现:
将采集到的左侧脸、正脸和右侧脸图像输入到预先训练好的人脸特征点检测模型中,人脸特征点检测模型可以采用深度神经网络结构,将整张图像作为网络的输入,网络的输出为人脸轮廓的特征点坐标信息。然后根据这些坐标信息,进行人脸的区域划分,将左侧脸图像部分中的左脸区域、正脸图像中的额头以及下巴区域以及右侧脸图像中的右脸区域分别裁剪出来作为黑色素提取的输入图像。
在本实施例中,上述步骤4可以采用如下优选方案实现:
首先将人脸皮肤区域图像转化为YCrCb格式,然后利用图像的Cr、Cb通道数据进行黑色素色沉区域的提取。
然后对图像进行k-means聚类,如图2所示,首先随机选取k个点作为初始聚类中心,然后计算各像素点到各聚类中心的距离,调整各像素点到距离其最近的聚类中心所在的类中,调整后重新计算各个聚类中心,如果相邻两次的聚类中心没有任何变化,说明样本数据调整结束,聚类准则函数已经收敛;聚类之后的像素点会根据色度差呈现出黄褐斑区域与人脸皮肤区域的色度和边界更加明显的特点。可以根据需要区分的色度等级细分程度进行聚类的类的数量定义,此处取k=5。
对于上述聚类结果,通过大量的聚类结果统计分析,设计合适的分割阈值,这里将k>2的类别划分为黄褐斑区域。黄褐斑区域分割效果如图3所示。
在本实施例中,上述步骤5可以采用如下优选方案实现:
首先将分割出的黄褐斑区域图像与正常的人脸皮肤区域图像进行二值化处理,使二者区分开来分别进行统计,然后根据下式计算黄褐斑区域在整个面部的面积占比:
上式中,P表示面积占比,A表示黄褐斑区域像素点数目,S表示面部总像素点数目。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (7)
1.一种基于聚类算法的面部黄褐斑区域自动分割方法,其特征在于,包括以下步骤:
(1)采集人脸图像;
(2)采用人脸特征点检测模型对采集的人脸图像进行面部特征点识别;
(3)根据识别的面部特征点信息裁剪出需要进行黄褐斑分割的人脸皮肤区域;
(4)对裁剪出来的人脸皮肤区域图像进行k-means聚类,根据大量聚类结果确定分割阈值,然后根据分割阈值进行黄褐斑区域的分割;
(5)计算黄褐斑区域的总面积,得到黄褐斑区域在整个面部的面积占比。
2.根据权利要求1所述基于聚类算法的面部黄褐斑区域自动分割方法,其特征在于,在步骤(1)中,在稳定环境下,采集待测人员的左侧脸图像、右侧脸图像和正脸图像;对应地,在步骤(3)中,左侧脸图像上裁剪出左脸皮肤区域,正脸图像上裁剪出额头和下巴的皮肤区域,右侧脸图像上裁剪出右脸皮肤区域。
3.根据权利要求1所述基于聚类算法的面部黄褐斑区域自动分割方法,其特征在于,在步骤(3)中,首先将人脸皮肤区域图像转化为YCrCb格式,然后利用图像的Cr、Cb通道数据进行k-means聚类。
4.根据权利要求1所述基于聚类算法的面部黄褐斑区域自动分割方法,其特征在于,在步骤(4)中,首先随机选取k个点作为初始聚类中心,然后计算各像素点到各聚类中心的距离,调整各像素点到距离其最近的聚类中心所在的类中,调整后重新计算各个聚类中心,如果相邻两次的聚类中心没有任何变化,说明样本数据调整结束,聚类准则函数已经收敛;聚类之后的像素点会根据色度差呈现出黄褐斑区域与人脸皮肤区域的色度和边界更加明显的特点。
5.根据权利要求4所述基于聚类算法的面部黄褐斑区域自动分割方法,其特征在于,对于k-means聚类,在每次迭代中都要考察每个像素点的分类是否正确,若不正确,就要进行调整;在全部像素点调整完后,再修改聚类中心,进入下一次迭代;如果在一次迭代中,所有的像素点均被正确分类,则不会有调整,聚类中心也不会有任何变化,这标志着聚类准则函数已经收敛,k-means聚类算法结束。
6.根据权利要求4所述基于聚类算法的面部黄褐斑区域自动分割方法,其特征在于,对于k-means聚类,根据黄褐斑区域与人脸皮肤区域区分的色度等级细分程度确定类别数k的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040694.0A CN110751661A (zh) | 2019-10-28 | 2019-10-28 | 一种基于聚类算法的面部黄褐斑区域自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040694.0A CN110751661A (zh) | 2019-10-28 | 2019-10-28 | 一种基于聚类算法的面部黄褐斑区域自动分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751661A true CN110751661A (zh) | 2020-02-04 |
Family
ID=69281032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911040694.0A Pending CN110751661A (zh) | 2019-10-28 | 2019-10-28 | 一种基于聚类算法的面部黄褐斑区域自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751661A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967285A (zh) * | 2021-05-18 | 2021-06-15 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于深度学习的黄褐斑图像识别方法、系统和装置 |
Citations (5)
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 |
CN110008887A (zh) * | 2019-03-29 | 2019-07-12 | 南京所由所以信息科技有限公司 | 一种基于深度学习的痤疮自动分级方法 |
CN110021023A (zh) * | 2019-03-05 | 2019-07-16 | 西安工程大学 | 一种电子布疵点分割方法 |
CN110097034A (zh) * | 2019-05-15 | 2019-08-06 | 广州纳丽生物科技有限公司 | 一种智能人脸健康程度的识别与评估方法 |
-
2019
- 2019-10-28 CN CN201911040694.0A patent/CN110751661A/zh active Pending
Patent Citations (5)
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 |
CN110021023A (zh) * | 2019-03-05 | 2019-07-16 | 西安工程大学 | 一种电子布疵点分割方法 |
CN110008887A (zh) * | 2019-03-29 | 2019-07-12 | 南京所由所以信息科技有限公司 | 一种基于深度学习的痤疮自动分级方法 |
CN110097034A (zh) * | 2019-05-15 | 2019-08-06 | 广州纳丽生物科技有限公司 | 一种智能人脸健康程度的识别与评估方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967285A (zh) * | 2021-05-18 | 2021-06-15 | 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) | 一种基于深度学习的黄褐斑图像识别方法、系统和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A composite model of wound segmentation based on traditional methods and deep neural networks | |
CN111539912B (zh) | 基于人脸结构定位的健康指标评估方法、设备和存储介质 | |
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 | |
CN107527326A (zh) | 一种基于高光谱成像的小麦赤霉病诊断方法 | |
Naji et al. | Skin segmentation based on multi pixel color clustering models | |
CN111126240B (zh) | 一种三通道特征融合人脸识别方法 | |
Iga et al. | A gender and age estimation system from face images | |
Hassanat et al. | Colour-based lips segmentation method using artificial neural networks | |
Sagar et al. | Color channel based segmentation of skin lesion from clinical images for the detection of melanoma | |
CN105975952A (zh) | 一种视频图像中大胡子检测的方法及系统 | |
Rani et al. | K-means clustering and SVM for plant leaf disease detection and classification | |
CN103034840B (zh) | 一种性别识别方法 | |
CN104036291A (zh) | 基于人种分类的多特征性别判断方法 | |
George et al. | Pixel-based skin segmentation in psoriasis images | |
Sinthura et al. | Advanced skin diseases diagnosis leveraging image processing | |
CN110751661A (zh) | 一种基于聚类算法的面部黄褐斑区域自动分割方法 | |
Zagrouba et al. | An accelerated system for melanoma diagnosis based on subset feature selection | |
CN114241542A (zh) | 基于图像拼接的人脸识别方法 | |
Devasia et al. | Automatic optic disc boundary extraction from color fundus images | |
Moorhouse et al. | The nose on your face may not be so plain: Using the nose as a biometric | |
CN112837304B (zh) | 一种皮肤检测方法、计算机存储介质及计算设备 | |
Revathy et al. | Skin ailment classification using artificial neural networks | |
Sanchez et al. | A new system of computer-aided diagnosis of skin lesions | |
JP6397439B2 (ja) | 属性推定装置 | |
CN116258697B (zh) | 基于粗标注的儿童皮肤病图像自动分类装置和方法 |
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: 20200204 |
|
RJ01 | Rejection of invention patent application after publication |