CN112749708B - 面部雀斑检测分析方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及面部雀斑检测分析方法、装置、计算机设备及存储介质；其中，方法，包括：获取人脸照片，并根据人脸照片获取检测ROI区域；对检测ROI区域进行图像增强；对图像增强后的检测ROI区域进行图像自适应阈值生成；对生成的图像自适应阈值进行双阈值分割；对双阈值分割的结果进行关联分析，以得到分析结果；对分析结果进行处理，以得到面部雀斑区域二值图像。本发明可对人脸照片进行解析，通过图像中的人脸检测出一个人的面部雀斑问题，从而下一步可提供给予最适合的护肤方法和护肤品的建议，能够更好地满足需求。

Description

面部雀斑检测分析方法、装置、计算机设备及存储介质

技术领域

本发明涉及面部雀斑检测分析技术领域，更具体地说是指面部雀斑检测分析方法、装置、计算机设备及存储介质。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。目前人脸识别技术已经比较成熟，但是还无法通过图像中的人脸检测出一个人的皮肤肤质和皮肤问题。肤质是指人类皮肤的多样化所形成的特殊属性及特征。目前主要困难有：人脸部常常会有不同类型的皮肤问题，或是皮肤特征，皮肤问题变化繁多，因人而异，目前还缺乏专门的图像识别手段能将其正确地识别出来，故无法提供给予最适合的护肤方法和护肤品的建议。

发明内容

本发明的目的在于克服现有技术的缺陷，提供面部雀斑检测分析方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：

面部雀斑检测分析方法，包括以下步骤：

获取人脸照片，并根据人脸照片获取检测ROI区域；

对检测ROI区域进行图像增强；

对图像增强后的检测ROI区域进行图像自适应阈值生成；

对生成的图像自适应阈值进行双阈值分割；

对双阈值分割的结果进行关联分析，以得到分析结果；

对分析结果进行处理，以得到面部雀斑区域二值图像。

其进一步技术方案为：所述获取检测ROI区域包括以下步骤：

对人脸照片提取若干个关键点；

根据关键点绘制雀斑检测区域；

对雀斑检测区域进行填充，以得到检测ROI区域。

其进一步技术方案为：所述对检测ROI区域进行图像增强步骤中，采用直方图均衡化进行图像增强。

其进一步技术方案为：所述对分析结果进行处理，以得到面部雀斑区域二值图像步骤中，对分析结果进行开运算,消除小的噪声点，以得到面部雀斑区域二值图像。

面部雀斑检测分析装置，包括：获取单元，增强单元，生成单元，分割单元，关联分析单元，及处理单元；

所述获取单元，用于获取人脸照片，并根据人脸照片获取检测ROI区域；

所述增强单元，用于对检测ROI区域进行图像增强；

所述生成单元，用于对图像增强后的检测ROI区域进行图像自适应阈值生成；

所述分割单元，用于对生成的图像自适应阈值进行双阈值分割；

所述关联分析单元，用于对双阈值分割的结果进行关联分析，以得到分析结果；

所述处理单元，用于对分析结果进行处理，以得到面部雀斑区域二值图像。

其进一步技术方案为：所述获取单元包括：提取模块，绘制模块，及填充模块；

所述提取模块，用于对人脸照片提取若干个关键点；

所述绘制模块，用于根据关键点绘制雀斑检测区域；

所述填充模块，用于对雀斑检测区域进行填充，以得到检测ROI区域。

其进一步技术方案为：所述增强单元中，采用直方图均衡化进行图像增强。

其进一步技术方案为：所述处理单元中，对分析结果进行开运算,消除小的噪声点，以得到面部雀斑区域二值图像。

一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上述所述的面部雀斑检测分析方法。

一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如上述所述的面部雀斑检测分析方法。

本发明与现有技术相比的有益效果是：可对人脸照片进行解析，通过图像中的人脸检测出一个人的面部雀斑问题，从而下一步可提供给予最适合的护肤方法和护肤品的建议，能够更好地满足需求。

下面结合附图和具体实施例对本发明作进一步描述。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的面部雀斑检测分析方法的流程示意图；

图2为本发明实施例提供的面部雀斑检测分析方法的应用场景示意图；

图3为本发明实施例提供的二值图像A和定义结构B的应用场景示意图；

图4为本发明实施例提供的结构A在结构B作用下的膨胀结果的应用场景示意图；

图5为本发明实施例提供的面部雀斑检测分析装置的示意性框图；

图6为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1到图6所示的具体实施例，其中，请参阅图1至图4所示，本发明公开了一种面部雀斑检测分析方法，包括以下步骤：

S1，获取人脸照片，并根据人脸照片获取检测ROI区域；

S2，对检测ROI区域进行图像增强；

S3，对图像增强后的检测ROI区域进行图像自适应阈值生成；

S4，对生成的图像自适应阈值进行双阈值分割；

S5，对双阈值分割的结果进行关联分析，以得到分析结果；

S6，对分析结果进行处理，以得到面部雀斑区域二值图像。

其中，如图2所示，雀斑好发于面部两颊、鼻梁等日晒部位，为了更精确的检测雀斑，需要排除人脸不相关区域，提取雀斑检测的感兴趣区域ROI。

其中，所述获取检测ROI区域包括以下步骤：

S11，对人脸照片提取若干个关键点；

S12，根据关键点绘制雀斑检测区域；

S13，对雀斑检测区域进行填充，以得到检测ROI区域。

上述具体应用如下：

获取检测ROI区域

1、通过第三方库dl ib进行人脸关键点检测,具体实现就是调用python的dl ib库的dl ib.shape_predictor()函数实现的,关键点模型文件为shape_predictor_68_face_landmarks.dat，从而获取人脸的68个关键点，其中Pi＝(xi,yi),i＝1,...,68表示第i个关键点的坐标。提取相关位置的关键点利用二阶贝塞尔绘制精确且平滑的雀斑检测区域。

具体的：

bi＝(xi,yi),i＝1,...,21表示二阶贝塞尔曲线绘制所需的绘画点及控制点坐标,实际所需的坐标点为：

b1＝D(p37，p2，0.75)，b2＝p1，b3＝p3，

b4＝C(b2，b3)，b5＝D(p32，p5，0.8)，

b6＝C(b4，b5)，b7＝D(p31，p32，0.2)，

b8＝C(b6，b7)，b9＝D(p31，p36，0.2)，

b10＝C(b8，b9)，b11＝D(p36，p13，0.8)，

b12＝C(b10，b11)，b13＝p15，

b14＝C(b12，b13)，b15＝D(p46，p16，0.75)，

b16＝C(b14，b15)，b17＝D(p43，p29，0.5)，

b18＝C(b16，b17)，b19＝D(p40，p29，0.5)，

b20＝C(b18，b19)，b21＝b1

其中，D(k1，k2，t)＝t*k1+(1-t)*k2；C(k1，k2)＝2*k2-k1；绘制检测区域边缘所需的10段贝塞尔曲线由B(bi，bi+1，bi+2)，i＝1，3，5，7，9，11，13，15，17，19给出，其中，bi，bi+2代表绘画点，bi+1代表控制点；

B(p0，p1，p2)＝(1-t)²p0+2t(1-t)p1+t²p2，t∈[0，1]

2、对获取的检测区域轮廓进行填充，具体实现是通过opencv的DrawContours()函数实现，结果就是roi区域中灰度值为255，其他区域灰度值为0，获取二值图roi_mask为检测ROI区域。

图像增强

1、利用上一步获取的roi_mask提取出检测区域roi-area，具体的：

roi_area＝image&roi_mask

其中，image为原图的灰度图，&表示图像矩阵按像素进行与操作；

2、对获取到的roi-area进行图像增强得到gray-eh(图像增强后的检测ROI区域)，本实施例使用直方图均衡化进行图像增强。

其中，直方图均衡化具体实施如下：

对于灰度图片A求得其灰度分布函数H_A(u)，其中u表示灰度值，灰度值取值范围用灰度级表示，共有256个灰度级，表示为0-255。

对于图片A的每个灰度值，使用函数f映射为另外一张图片B，B表示为直方图均衡化之后的图片。

其中，函数f具体为：

其中，L是灰度级深度，取值256，A₀是像素点个数，DA为当前灰度值，H_A(u)表示灰度值为u的像素的个数。

图像自适应阈值生成

1、为图像中每个像素生成一个自适应阈值，用于后续图像分割，具体的：

对增强后的灰度图gray-eh按如下方式计算其积分图gray-Integral：

其中(x，y)为灰度图gray-eh的坐标，(X，Y)为积分图对应的坐标，gray_Integral(X，Y)表示在(X，Y)位置的积分值，得到积分图gray_Integral。

2、为上一步得到的积分图的每个像素按如下方法生成一个正方形区域Square：

Square＝[x1：x2+1，y1：y2+1]，其左上点(x1，y1)和右下点(x2，y2)

x1＝w-s/2-1，x2＝w+s/2

y1＝h-s/2-1，y2＝h+s/2

如果x1＜0，则x1＝0，x2＝s

如果x2＞＝height，则x2＝height-1，x1＝x2-s

如果y1＜0，则y1＝0，y2＝s

如果y2＞＝width，则y2＝width-1，y1＝y2-s

其中，w，h分别为积分图的像素坐标位置的横坐标和纵坐标；s为设定的正方形边长(奇数)；width和height分别为积分图gray_Integral的宽和高。

3、计算积分图gray_Integral每个像素(x，y)的正方形邻域Square内的均值作为自适应阈值gray_square_avg：

其中，s代表正方形邻域边长，(x1，y1)(x2，y2)为上一步得到的正方形邻域的左上和右下坐标。

双阈值分割

1、通过双阈值分割得到两张分割结果二值图res-low，res-high。具体的如下：

设置双阈值如下：

Th_low1＝gray_square_avg*0.4，th_low2＝40

Th_high1＝gray_Square_avg*0.6，th_high2＝60

其中，Th_low1，th_low2为低阈值；Th-high1，th-high2为高阈值；

对比灰度图每个像素与高低两组阈值大小，得到两个二值图res-1ow和res-high

其中，value为灰度图中每个像素(x,y)的灰度值。

2、Res_high是通过高阈值获取的，所以应该包含res_low，令：

Res_high＝Res_high-res_low

3、对res_low，res_high进行形态学的膨胀处理

其中seg_low，seg_high为膨胀处理后的结果图，x’＝3,y’＝3

双阈值分割的结果进行关联分析

1、对上一步双阈值分割的结果进行轮廓分析,去除与雀斑形态不一致的轮廓的同时,利用高低两个阈值的分割结果之间的相关性,进一步提升结果准确率。具体的:

膨胀后的图像res_low，res_high为二值图像，分别提取其轮廓分析进行过滤，具体的：

a、获取seg_low，seg_high的所有轮廓C1，C2；

b、获取每条轮廓的面积S1,S2和离心率L1,L2；

c、排除掉S1>th_area,S2>th_area的轮廓(雀斑区域通常是针尖至米粒大小，其轮廓像素面积不会太大),其中th_area＝max(width，heigth)*0.02；

d、排除掉L1>th_l,L2>th_l的轮廓,其中th_l＝[0.6,0.8]；

2、分别计算筛选后轮廓的最小外接圆的圆心坐标集合P_low和P_high。P_high＝{(x1,y1),...,(xn,yn)},P_low＝{(x1’,y1’),...,(xm’,ym’)}

其中(x1,y1),...,(xn,yn)为P_high集合的点的坐标，(x1’,y1’),...,(xm’,ym’)为P_low集合的点的坐标。

3、计算P_high中的所有点与P_low中所有点的距离，获取距离矩阵Matrix_dis:

其中,p1m’表示P_high中第一个点(x1,y1)与P_low中第m个点(xm’,ym’)的距离，以此类推；

4、通过距离矩阵Matr ix_dis求P_high的最邻近距离,具体的求取矩阵每行的最小值作为P_high的最邻近集合：

P_th＝min_row(Matrix_dis)＝{p_th1,...,p_thn}；

其中，min_row为按行求最小值；p_th1为矩阵第一行的最小值，p_thn为矩阵第n行的最小值。P_th集合中的每个点为P_high中对应点与P_low的最邻近距离。

5、比较P_high的最邻近距离P_th与阈值th_dis的大小，删除大于阈值的对应的P_high位置的点：

P_highi＝0 if P_thi>th_dis,i＝1,...,n

其中,th_dis＝max(width，heigth)*0.05,P_high的每个点对应seg_low中的一个轮廓，删除P_high＝0的点对应seg_low中的轮廓。

6、将处理后的高低阈值结果图相加得到最后处理结果:

seg＝seg_high+seg_low

其中，+代表按像素相加。

对分析结果进行处理为形态学处理，通过对分析结果进行开运算，消除小的噪声点，以得到面部雀斑区域二值图像，检测出一个人的面部雀斑问题，从而下一步可提供给予最适合的护肤方法和护肤品的建议。

其中，图像的开运算是针对二值图像来说，可以消除小面积的单独前景点(原理如此)，具体实施如下所示：

对于一副二值图像A，定义结构B，如图3所示。

结构A被结构B腐蚀的定义为：

可以理解为，移动结构B，如果结构B与结构A的交集完全属于结构A的区域内，则保存该位置点，所有满足条件的点构成结构A被结构B腐蚀的结果。

结构A被结构B膨胀的定义为，

可以理解为，将结构B在结构A上进行卷积操作，如果移动结构B的过程中，与结构A存在重叠区域，则记录该位置，所有移动结构B与结构A存在交集的位置的集合为结构A在结构B作用下的膨胀结果，如图4所示。

开操作：先腐蚀后膨胀的操作称之为开操作，它具有消除细小物体，在纤细处分离物体和平滑较大物体边界的作用。

本发明可对任意一张光照良好、图片清晰的人脸照片进行解析，通过图像中的人脸检测出一个人的面部雀斑问题，从而下一步可提供给予最适合的护肤方法和护肤品的建议。本发明还可广泛应用于美容护肤领域，通过对人脸图像的识别与检测能随时随地、方便快捷地帮助人们作出正确的美容护肤选择。

请参阅图5所示，本发明还公开了一种面部雀斑检测分析装置，包括：获取单元10，增强单元20，生成单元30，分割单元40，关联分析单元50，及处理单元60；

所述获取单元10，用于获取人脸照片，并根据人脸照片获取检测ROI区域；

所述增强单元20，用于对检测ROI区域进行图像增强；

所述生成单元30，用于对图像增强后的检测ROI区域进行图像自适应阈值生成；

所述分割单元40，用于对生成的图像自适应阈值进行双阈值分割；

所述关联分析单元50，用于对双阈值分割的结果进行关联分析，以得到分析结果；

所述处理单元60，用于对分析结果进行处理，以得到面部雀斑区域二值图像。

其中，所述获取单元10包括：提取模块11，绘制模块12，及填充模块13；

所述提取模块11，用于对人脸照片提取若干个关键点；

所述绘制模块12，用于根据关键点绘制雀斑检测区域；

所述填充模块13，用于对雀斑检测区域进行填充，以得到检测ROI区域。

其中，所述增强单元20中，采用局部直方图均衡化进行图像增强。

其中，所述处理单元60中，对分析结果进行开运算,消除小的噪声点，以得到面部雀斑区域二值图像。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述面部雀斑检测分析装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

上述面部雀斑检测分析装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。

请参阅图6，图6是本申请实施例提供的一种计算机设备的示意性框图；该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图6，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种面部雀斑检测分析方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种面部雀斑检测分析方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图6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500的限定，具体的计算机设备500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。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述的面部雀斑检测分析方法。

所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims (8)

1.面部雀斑检测分析方法，其特征在于，包括以下步骤：

获取人脸照片，并根据人脸照片获取检测ROI区域；

对检测ROI区域进行图像增强；

对图像增强后的检测ROI区域进行图像自适应阈值生成；

对生成的图像自适应阈值进行双阈值分割；

对双阈值分割的结果进行关联分析，以得到分析结果；

对分析结果进行处理，以得到面部雀斑区域二值图像；

所述获取检测ROI区域包括以下步骤：

对人脸照片提取若干个关键点；

根据关键点绘制雀斑检测区域；

对雀斑检测区域进行填充，以得到检测ROI区域；

其中，双阈值分割的结果进行关联分析；

对上一步双阈值分割的结果进行轮廓分析,去除与雀斑形态不一致的轮廓的同时,利用高低两个阈值的分割结果之间的相关性,提升结果准确率；

具体的:

膨胀后的图像res_low，res_high为二值图像，分别提取其轮廓分析进行过滤，具体的：

a、获取seg_low，seg_high的所有轮廓C1，C2;

b、获取每条轮廓的面积S1,S2和离心率L1,L2;

c、排除掉S1>th_area,S2>th_area的轮廓，其中雀斑区域通常是针尖至米粒大小，其轮廓像素面积不会太大，其中th_area=max(width，heigth)*0.02;

d、排除掉L1>th_l,L2>th_l的轮廓,其中th_l=[0.6,0.8]；

分别计算筛选后轮廓的最小外接圆的圆心坐标集合P_low和P_high；

P_high={(x1,y1),...,(xn,yn)},P_low={(x1’,y1’),...,(xm’,ym’)}；

其中(x1,y1),...,(xn,yn)为P_high集合的点的坐标；

(x1’,y1’),...,(xm’,ym’)为P_low集合的点的坐标；

计算P_high中的所有点与P_low中所有点的距离，获取距离矩阵Matrix_dis:

；

其中,p1m’表示P_high中第一个点(x1,y1)与P_low中第m个点(xm’,ym’)的距离，以此类推;

；

通过距离矩阵Matrix_dis求P_high的最邻近距离,求取矩阵每行的最小值作为P_high的最邻近集合：

P_th=min_row(Matrix_dis)={p_th1,...,p_thn}；

其中，min_row为按行求最小值；p_th1为矩阵第一行的最小值，p_thn为矩阵第n行的最小值，P_th集合中的每个点为P_high中对应点与P_low的最邻近距离；

比较P_high的最邻近距离P_th与阈值th_dis的大小，删除大于阈值的对应的P_high位置的点：

P_highi=0 if P_thi>th_dis ,i=1,...,n；

其中,th_dis=max(width，heigth)*0.05,P_high的每个点对应seg_low中的一个轮廓，删除P_high=0的点对应seg_low中的轮廓；

将处理后的高低阈值结果图相加得到最后处理结果:

seg=seg_high+seg_low；

其中,+代表按像素相加。

2.根据权利要求1所述的面部雀斑检测分析方法，其特征在于，所述对检测ROI区域进行图像增强步骤中，采用直方图均衡化进行图像增强。

3.根据权利要求1所述的面部雀斑检测分析方法，其特征在于，所述对分析结果进行处理，以得到面部雀斑区域二值图像步骤中，对分析结果进行开运算,消除小的噪声点，以得到面部雀斑区域二值图像。

4.面部雀斑检测分析装置，其特征在于，包括：获取单元，增强单元，生成单元，分割单元，关联分析单元，及处理单元；

所述获取单元，用于获取人脸照片，并根据人脸照片获取检测ROI区域；

所述增强单元，用于对检测ROI区域进行图像增强；

所述生成单元，用于对图像增强后的检测ROI区域进行图像自适应阈值生成；

所述分割单元，用于对生成的图像自适应阈值进行双阈值分割；

所述关联分析单元，用于对双阈值分割的结果进行关联分析，以得到分析结果；

所述处理单元，用于对分析结果进行处理，以得到面部雀斑区域二值图像；

所述获取单元包括：提取模块，绘制模块，及填充模块；

所述提取模块，用于对人脸照片提取若干个关键点；

所述绘制模块，用于根据关键点绘制雀斑检测区域；

所述填充模块，用于对雀斑检测区域进行填充，以得到检测ROI区域；

其中，双阈值分割的结果进行关联分析；

对上一步双阈值分割的结果进行轮廓分析,去除与雀斑形态不一致的轮廓的同时,利用高低两个阈值的分割结果之间的相关性,提升结果准确率；

具体的:

膨胀后的图像res_low，res_high为二值图像，分别提取其轮廓分析进行过滤，具体的：

a、获取seg_low，seg_high的所有轮廓C1，C2;

b、获取每条轮廓的面积S1,S2和离心率L1,L2;

c、排除掉S1>th_area,S2>th_area的轮廓，其中雀斑区域通常是针尖至米粒大小，其轮廓像素面积不会太大，其中th_area=max(width，heigth)*0.02;

d、排除掉L1>th_l,L2>th_l的轮廓,其中th_l=[0.6,0.8]；

分别计算筛选后轮廓的最小外接圆的圆心坐标集合P_low和P_high；

P_high={(x1,y1),...,(xn,yn)},P_low={(x1’,y1’),...,(xm’,ym’)}；

其中(x1,y1),...,(xn,yn)为P_high集合的点的坐标；

(x1’,y1’),...,(xm’,ym’)为P_low集合的点的坐标；

计算P_high中的所有点与P_low中所有点的距离，获取距离矩阵Matrix_dis:

；

其中,p1m’表示P_high中第一个点(x1,y1)与P_low中第m个点(xm’,ym’)的距离，以此类推;

；

通过距离矩阵Matrix_dis求P_high的最邻近距离,求取矩阵每行的最小值作为P_high的最邻近集合：

P_th=min_row(Matrix_dis)={p_th1,...,p_thn}；

其中，min_row为按行求最小值；p_th1为矩阵第一行的最小值，p_thn为矩阵第n行的最小值，P_th集合中的每个点为P_high中对应点与P_low的最邻近距离；

比较P_high的最邻近距离P_th与阈值th_dis的大小，删除大于阈值的对应的P_high位置的点：

P_highi=0 if P_thi>th_dis ,i=1,...,n；

其中,th_dis=max(width，heigth)*0.05,P_high的每个点对应seg_low中的一个轮廓，删除P_high=0的点对应seg_low中的轮廓；

将处理后的高低阈值结果图相加得到最后处理结果:

seg=seg_high+seg_low；

其中,+代表按像素相加。

5.根据权利要求4所述的面部雀斑检测分析装置，其特征在于，所述增强单元中，采用直方图均衡化进行图像增强。

6.根据权利要求4所述的面部雀斑检测分析装置，其特征在于，所述处理单元中，对分析结果进行开运算,消除小的噪声点，以得到面部雀斑区域二值图像。

7.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述的面部雀斑检测分析方法。

8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-3中任一项所述的面部雀斑检测分析方法。