CN113222936B - 皮肤图像处理方法、装置、设备以及存储介质 - Google Patents
皮肤图像处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113222936B CN113222936B CN202110524437.5A CN202110524437A CN113222936B CN 113222936 B CN113222936 B CN 113222936B CN 202110524437 A CN202110524437 A CN 202110524437A CN 113222936 B CN113222936 B CN 113222936B
- Authority
- CN
- China
- Prior art keywords
- image
- skin
- processed
- basal layer
- pigment
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 239000000049 pigment Substances 0.000 claims abstract description 81
- 238000001914 filtration Methods 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 71
- 230000002146 bilateral effect Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000005286 illumination Methods 0.000 claims description 13
- 239000001058 brown pigment Substances 0.000 claims description 7
- 239000011521 glass Substances 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 239000001054 red pigment Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims 1
- 238000003199 nucleic acid amplification method Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 239000010410 layer Substances 0.000 description 74
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000012804 iterative process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009013 pigment accumulation Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000037303 wrinkles Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000002874 Acne Vulgaris Diseases 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本公开提供了一种皮肤图像处理方法、装置、设备以及存储介质,涉及人工智能技术领域。方法包括:获取待处理皮肤图像;将待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像;根据待处理皮肤图像和至少一个滤波后的图像,确定待处理皮肤图像对应的漫反射图像;将漫反射图像输入预先训练的深度学习模型,得到待处理皮肤图像对应的至少一个皮肤基底层色素图像,皮肤基底层色素图像用于展示皮肤基底层的色素特征。本公开技术方案中,可以基于深度学习模型得到待处理皮肤图像对应的皮肤基底层色素图像,根据皮肤基底层色素图像了解皮肤基底层的色素特征,从而了解皮肤基底层的状态,不会增加额外的设备成本,使用方便快捷。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习领域。
背景技术
现有技术中,用户如果想要了解自己的皮肤基底层的状态,一般通过专业的光学设备进行皮肤透视,成本较高,而且使用不够方便。
发明内容
本公开提供了一种皮肤图像处理方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种皮肤图像处理方法,包括:
获取待处理皮肤图像;
将待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像;
根据待处理皮肤图像和至少一个滤波后的图像,确定待处理皮肤图像对应的漫反射图像;
将漫反射图像输入预先训练的深度学习模型,得到待处理皮肤图像对应的至少一个皮肤基底层色素图像,皮肤基底层色素图像用于展示皮肤基底层的色素特征。
根据本公开的另一方面,提供了一种皮肤图像处理装置,包括:
获取模块,用于获取待处理皮肤图像;
处理模块,用于将待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像;
确定模块,用于根据待处理皮肤图像和至少一个滤波后的图像,确定待处理皮肤图像对应的漫反射图像;
输出模块,用于将漫反射图像输入预先训练的深度学习模型,得到待处理皮肤图像对应的至少一个皮肤基底层色素图像,皮肤基底层色素图像用于展示皮肤基底层的色素特征。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
本公开技术方案解决了用户通过专业的光学设备查看皮肤基底层的状态成本较高,而且使用不够方便的问题。本公开技术方案中,可以基于深度学习模型得到待处理皮肤图像对应的皮肤基底层色素图像,根据皮肤基底层色素图像了解皮肤基底层的色素特征,从而了解皮肤基底层的状态,不会增加额外的设备成本,使用方便快捷。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开一实施例中皮肤图像处理方法的示意图;
图2为本公开一实施例中皮肤图像处理方法的示意图;
图3为本公开一实施例中皮肤图像处理装置的示意图;
图4为本公开一实施例中确定模块的示意图;
图5为本公开一实施例中展示模块的示意图;
图6为本公开一实施例中皮肤图像处理装置的示意图;
图7是用来实现本公开实施例的皮肤图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
现有技术中,用户如果想要了解自己的皮肤基底层的状态,一般通过专业的光学设备进行皮肤透视,根据透视的图像,查看皮肤基底层的状态,专业的光学设备成本较高,而且使用不够方便。本公开实施例将光学成像技术应用于移动终端(例如,手机等)皮肤检测场景,即在手机端拍摄一张面部照片,运用人工智能(Artificial Intelligence,AI)算法对用户面部皮肤图像进行处理,得到皮肤基底层色素图像,供用户查看,同时还可以获得更加精确、清楚、直观的皮肤状态报告。本公开实施例不仅可以查看皮肤表层状态,还能够探照到皮肤基底层的纹理扩张与平整度、色斑色素分布、泛红情况等,并可随着时间的变化来监控这些指标。
本公开的执行主体可以是任一电子设备,例如,用户的移动终端等。以下将详细介绍本公开实施例中的皮肤图像处理方法。
图1为本公开一实施例中皮肤图像处理方法的示意图。如图1所示,皮肤图像处理方法可以包括:
步骤S101,获取待处理皮肤图像;
步骤S102,将待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像;
步骤S103,根据待处理皮肤图像和至少一个滤波后的图像,确定待处理皮肤图像对应的漫反射图像;
步骤S104,将漫反射图像输入预先训练的深度学习模型,得到待处理皮肤图像对应的至少一个皮肤基底层色素图像,皮肤基底层色素图像用于展示皮肤基底层的色素特征。
本公开实施例的皮肤图像处理方法,可以通过移动终端,基于深度学习模型得到待处理皮肤图像对应的皮肤基底层色素图像,根据皮肤基底层色素图像了解皮肤基底层的色素特征,从而了解皮肤基底层的状态,不会增加额外的设备成本,使用方便快捷。
在一种实施方式中,获取待处理皮肤图像的具体方式可以包括:响应于用户的照片拍摄指令,启动摄像头,采集用户的皮肤图像作为待处理皮肤图像。另外,还可以根据用户的图像选择指令,移动终端在本地相册中将图像选择指令对应的图像作为待处理皮肤图像。还可以通过其他方式获取待处理皮肤图像,本公开对此不做限定。其中,待处理皮肤图像可以是RGB色彩空间的图像。
其中,将待处理皮肤图像进行滤波处理可以去掉图像中的噪声信息,双边滤波迭代处理可以包括至少一次的双边滤波处理,双边滤波(Bilateral filter)是一种非线性的滤波方法,是结合图像中的各像素的空间邻近度和像素值相似度的一种滤波处理方式,可以更好的保存图像的边缘信息。
在一种实施方式中,深度学习模型可以是卷积神经网络模型(ConvolutionalNeural Networks,CNN)。可以理解的是,深度学习模型还可以是其他的神经网络模型,本公开对此不做限定。
图2为本公开一实施例中皮肤图像处理方法的示意图。如图2所示,皮肤图像处理方法可以包括:
步骤S201,针对LAB色彩空间中的L通道、A通道、B通道分别配置各通道对应的卷积核,其中,每个通道对应的卷积核包括时域卷积核和空域卷积核,不同通道对应的卷积核的大小不同;针对L通道、A通道、B通道分别配置各通道对应的色彩阈值。
步骤S202,获取待处理皮肤图像。
步骤S203,将待处理皮肤图像转换到LAB色彩空间,得到待处理图像对应的LAB图像。
步骤S204,将待处理皮肤图像对应的LAB图像进行双边滤波迭代处理,得到至少一个滤波后的图像。
步骤S205,根据待处理皮肤图像对应的LAB图像和至少一个滤波后的图像,确定待处理皮肤图像对应的漫反射图像。
步骤S206,将漫反射图像输入预先训练的深度学习模型,得到待处理皮肤图像对应的至少一个皮肤基底层色素图像,皮肤基底层色素图像用于展示皮肤基底层的色素特征。
在一种实施方式中,双边滤波迭代处理所使用的双边滤波器被配置有针对各通道对应的卷积核和色彩阈值,通道包括LAB色彩空间中的L通道、A通道和B通道,每个通道对应的卷积核包括时域卷积核和空域卷积核,不同通道对应的卷积核的大小不同。
为了后续对待处理皮肤图像进行双边滤波处理,可以预先配置双边滤波器在LAB色彩空间进行滤波处理的卷积核,针对L通道、A通道、B通道分别配置各通道对应的时域卷积核和空域卷积核,针对不同通道配置不同大小的卷积核,便于双边滤波器提取不同通道的像素值,以达到更好的像素提取效果。
在一示例中,针对L通道配置11×11的时域卷积核和空域卷积核;针对A通道配置3×3的时域卷积核和空域卷积核;针对B通道配置5×5的时域卷积核和空域卷积核。
另外,为了确定双边滤波迭代处理的迭代结束条件,针对L通道、A通道、B通道分别配置各通道对应的色彩阈值。
在一示例中,L通道对应的色彩阈值配置为0.08、A通道对应的色彩阈值配置为0.05、B通道对应的色彩阈值配置为0.03。
可以理解的是,各通道对应的时域卷积核、空域卷积核以及色彩阈值可以根据具体需要进行配置,本公开对此不做限定。
在一种实施方式中,在将待处理皮肤图像进行双边滤波迭代处理之前,方法还包括:将待处理皮肤图像转换到LAB色彩空间,得到待处理图像对应的LAB图像。
本公开实施例中,将待处理皮肤图像从RGB色彩空间转换到LAB色彩空间时,可以借助XYZ颜色空间,把RGB颜色空间转换到XYZ颜色空间,之后再把XYZ颜色空间转换到LAB颜色空间。LAB色彩空间的图像在数字图形的处理中可以保留尽量宽阔的色域和丰富和色彩。
在一种实施方式中,双边滤波迭代处理包括至少一次双边滤波处理,将待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像,包括:将待处理皮肤图像对应的LAB图像基于各通道对应的卷积核进行双边滤波处理,直到差值图像中的像素的各通道的平均色彩值小于或等于各通道对应的色彩阈值,迭代结束,得到至少一个滤波后的图像;其中,差值图像是根据滤波之前的图像和滤波之后的图像确定的。
本公开实施例中,对图像进行滤波处理可以达到对图像进行去噪的目的。其中,像素的色彩值也可以称为像素值。双边滤波处理的迭代结束条件可以根据滤波之前的图像和滤波之后的图像的差值图像中的像素的色彩值来确定,差值图像中的像素的各通道的平均色彩值小于或等于各通道对应的色彩阈值时,则迭代结束。
在一示例中,对于当前次双边滤波处理,滤波之前的图像的一个像素的色彩值是(l1、a1、b1),滤波之后的图像相对应的像素的色彩值是(l2、a2、b2),则差值图像的对应的像素的色彩值是(l1-l2、a1-a2、b1-b2)。如果继续进行一次双边滤波处理,滤波之前的图像相对应的像素的色彩值是(l2、a2、b2),滤波之后的图像相对应的像素的色彩值是(l3、a3、b3),则差值图像的对应的像素的色彩值是(l2-l3、a2-a3、b2-b3)。
在一示例中,对于每个通道,根据差值图像中各像素的色彩值可以计算出该通道的平均色彩值,以差值图像中的三个像素为例,差值图像中的像素A1的色彩值是(c11、c12、c13)、像素A2的色彩值是(c21、c22、c23)、像素A3的色彩值是(c31、c32、c33),则该差值图像三个通道的平均色彩值为(c11+c21+c31)/3、(c12+c22+c32)/3、(c13+c23+c33)/3,各通道对应的色彩阈值为l0、a0、b0,若(c11+c21+c31)/3<l0、(c12+c22+c32)/3<a0、(c13+c23+c33)/3<b0则双边滤波迭代结束。
在一示例中,若三个通道的平均色彩值等于各通道对应的色彩阈值则双边滤波迭代结束。
可以理解的是,双边滤波迭代结束条件还可以根据图像处理精度的具体需要进行配置,本申请对此不做限定。
在一种实施方式中,根据待处理皮肤图像和至少一个滤波后的图像,确定待处理皮肤图像对应的漫反射图像,包括:对于每次双边滤波处理,根据滤波之前的图像和滤波之后的图像得到差值图像,滤波之前的图像包括待处理皮肤图像对应的LAB图像;根据每次双边滤波处理得到的差值图像,得到待处理皮肤图像对应的漫反射图像。
本公开实施例中,针对待处理图像对应的LAB图像进行第一次双边滤波处理,则滤波前的图像为待处理图像对应的LAB图像,根据滤波前的图像和滤波后的图像,可以得到差值图像,根据差值图像得到的漫反射图像可以反映皮肤的基底层特征。
另外,本公开实施中,还可以根据待处理图像对应的LAB图像和漫反射图像得到镜面反射图像供用户查看,将待处理图像对应的LAB图像和漫反射图像中相对应的像素的色彩值相减,得到镜面反射图像中的各像素的色彩值,用户可以根据镜面反射图像查看皮肤表层特征,例如,皱纹、毛孔等。
在一种实施方式中,根据每次双边滤波处理得到的差值图像,得到待处理皮肤图像对应的漫反射图像,包括:在差值图像的数量为一个的情况下,则将差值图像作为待处理皮肤图像对应的漫反射图像;在差值图像的数量为至少两个的情况下,将至少两个差值图像中的各差值图像中的对应像素的色彩值进行累加,得到待处理皮肤图像对应的漫反射图像的各像素的色彩值。
其中,若进行一次双边滤波处理,得到的差值图像中的像素的各通道的色彩值小于或等于各通道对应的色彩阈值,则迭代结束,将差值图像作为待处理皮肤图像对应的漫反射图像。若进行两次以上双边滤波处理,则得到至少两个差值图像,可以将得到的差值图像进行累加得到漫反射图像,也就是说,将各差值图像中的对应像素的色彩值进行累加,得到待处理皮肤图像对应的漫反射图像的各像素的色彩值,从而得到漫反射图像,根据差值图像得到的漫反射图像可以反映皮肤的基底层特征。
在一示例中,若存在三个差值图像,分别为差值图像1、差值图像2、差值图像3,差值图像1中的一个像素的色彩值是(d11、d12、d13)、差值图像2中相对应的像素的色彩值是(d21、d22、d23)、差值图像3中相对应的像素的色彩值是(d31、d32、d33),则根据差值图像1、差值图像2、差值图像3得到的,漫反射图像中相应的像素的色彩值是(d11+d21+d31、d12+d22+d32、d13+d23+d33)。
在一种实施方式中,至少一个皮肤基底层色素图像包括以下至少一项:皮肤基底层红色素图像、皮肤基底层棕色素图像和皮肤基底层灰色素图像。
其中,皮肤基底层红色素图像可以表征皮肤基底层红色素积累情况,皮肤基底层棕色素图像可以表征皮肤基底层棕色素积累情况,皮肤基底层灰色素图像可以表征皮肤基底层灰色素积累情况。
本公开实施例中,将皮肤基底层色素图像展示给用户,使得用户可以根据皮肤基底层色素图像,了解皮肤状态,例如,可以根据皮肤基底层红色素图像了解痘痘的生长、皮肤泛红等情况,可以根据皮肤基底层棕色素图像了解皮肤的色斑、眼袋、黑眼圈状况等,可以根据皮肤基底层灰色素图像了解皱纹的生长状况等。
在一种实施方式中,获取待处理皮肤图像,包括:响应于用户的图像获取指令,获取皮肤图像;确定皮肤图像是否满足预设条件,若不满足预设条件,则生成语音提示信息并播放,将满足预设条件的皮肤图像作为待处理皮肤图像。
其中,预设条件可以根据具体需要进行配置,例如,预设条件可以根据图像中目标对象的尺寸、图像的亮度、图像中目标对象的完整度等其中的至少一项进行配置。其中,目标对象可以是人脸、人手等,也可以是其他任何部位的图像,本公开对此不做限定。
本公开实施例中,在获取待处理皮肤图像时,可以通过语音对用户进行提示,以保证用户通过移动终端的图像采集模块获取的图像是满足预设条件的,以便于后续的图像处理。
在一示例中,响应于用户的图像拍摄指令,拍摄面部皮肤图像,通过人声语音引导用户,即时矫正拍摄的远近、光照、角度、遮挡情况等,使得用户在语音引导下调整拍摄距离等,从而保证用户拍摄的图像满足后续处理的要求。
在一种实施方式中,该方法还包括:
响应于用户的图像放大指令,通过放大镜工具对图像放大指令对应的皮肤基底层色素图像进行放大处理。
其中,图像放大指令可以是用户界面中设置图像放大按钮,如用户点击该按钮,则放大图像;也可以是根据用户的特定手势进行图像放大处理,也可以是其他形式的操作指令,本公开对此不做限定。
本公开实施例中,可以将放大镜工具内置于移动终端中,根据用户的图像放大指令,激活放大镜工具,对图像进行放大处理,使得用户可以针对皮肤局部的图像拉近镜头和放大图像,比如查看某条皱纹的生长纹路或某个毛孔的粗大程度等。通过放大镜工具对图像进行放大,便于用户查看皮肤基底层色素图像的细节。
在一种实施方式中,该方法还包括:响应于用户的皮肤底层图像查看指令,通过多光谱图像对比工具将皮肤基底层色素图像处理成不同颜色光照条件下的图像,并将处理后图像的缩略图展示给用户;响应于用户的图像选择指令,将图像选择指令对应的颜色光照条件下的图像放大后展示给用户。
本公开实施例中,可以将多光谱图像对比工具内置于移动终端中,多光谱图像对比工具可以将皮肤基底层色素图像处理成不同颜色光照条件下的图像,例如,灰色光、黄色光、红色光、蓝色光等。多光谱图像对比工具可以是通过模拟不同颜色光照,对图像进行处理,从而得到不同颜色光照条件下的图像。
在一示例中,通过多光谱图像对比工具将皮肤基底层色素图像处理成灰色光、黄色光、红色光、蓝色光照射下的图像,并将这四种图像的缩略图展示给用户,当用户点击其中的红色光照射下的图像时,将红色光照射下的图像的缩略图放大后展示给用户。
本公开实施例中,通过提供不同颜色光照条件下的图像的查看方式,可以满足用户对于图像查看的个性化需求,提升用户体验。
在一种实施方式中,深度学习模型是采用多组训练数据对初始神经网络模型进行训练得到的,每一组训练数据包括样本皮肤图像的漫反射图像、样本皮肤图像对应的样本皮肤基底色素图像。
其中,深度学习模型可以是采用多组训练数据对初始神经网络模型进行多次迭代训练得到的。样本皮肤基底色素图像可以是通过专业的光学设备对皮肤进行透视得到的透视图像,通过样本皮肤图像的漫反射图像、样本皮肤图像对应的样本皮肤基底色素图像作为训练数据,训练神经网络模型,直到满足预设的训练结束条件,得到最终的深度学习模型。
本公开技术方案中,可以通过移动终端,基于深度学习模型得到待处理皮肤图像对应的皮肤基底层色素图像,根据皮肤基底层色素图像了解皮肤基底层的色素特征,使得用户可以通过本公开技术方案了解预设时间周期内皮肤变化过程。
在一示例中,通过本公开技术方案,可以满足用户的30日皮肤周期监控需求,针对全脸或者某个部位的皮肤图像,根据用户的左右滑动指令展示30日内用户的皮肤基底层色素图像,使得用户可以对比查看皮肤日常变化,了解某个化妆品的使用效果等。
图3为本公开一实施例中皮肤图像处理装置的示意图。如图3所示,皮肤图像处理装置可以包括:
获取模块301,用于获取待处理皮肤图像;
处理模块302,用于将待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像;
确定模块303,用于根据待处理皮肤图像和至少一个滤波后的图像,确定待处理皮肤图像对应的漫反射图像;
输出模块304,用于将漫反射图像输入预先训练的深度学习模型,得到待处理皮肤图像对应的至少一个皮肤基底层色素图像,皮肤基底层色素图像用于展示皮肤基底层的色素特征。
在一种实施方式中,双边滤波迭代处理所使用的双边滤波器被配置有针对各通道对应的卷积核和色彩阈值,通道包括LAB色彩空间中的L通道、A通道和B通道,每个通道对应的卷积核包括时域卷积核和空域卷积核,不同通道对应的卷积核的大小不同。
在一种实施方式中,皮肤图像处理装置还包括转换模块,用于:
将待处理皮肤图像转换到LAB色彩空间,得到待处理图像对应的LAB图像。
在一种实施方式中,处理模块302具体用于:
将待处理皮肤图像对应的LAB图像基于各通道对应的卷积核进行双边滤波处理,直到差值图像中的像素的各通道的平均色彩值小于或等于各通道对应的色彩阈值,迭代结束,得到至少一个滤波后的图像;
其中,差值图像是根据滤波之前的图像和滤波之后的图像确定的。
图4为本公开一实施例中确定模块的示意图,如图4所示,在一种实施方式中,确定模块包括差值图像获取单元401和漫反射图像获取单元402;
差值图像获取单元401,用于:对于每次双边滤波处理,根据滤波之前的图像和滤波之后的图像得到差值图像,滤波之前的图像包括待处理皮肤图像对应的LAB图像;
漫反射图像获取单元402,用于:根据每次双边滤波处理得到的差值图像,得到待处理皮肤图像对应的漫反射图像。
在一种实施方式中,漫反射图像获取单元402,具体用于:
在差值图像的数量为一个的情况下,则将差值图像作为待处理皮肤图像对应的漫反射图像;
在差值图像的数量为至少两个的情况下,将至少两个差值图像中的各差值图像中的对应像素的色彩值进行累加,得到待处理皮肤图像对应的漫反射图像的各像素的色彩值。
在一种实施方式中,其中,至少一个皮肤基底层色素图像包括以下至少一项:
皮肤基底层红色素图像、皮肤基底层棕色素图像、皮肤基底层灰色素图像。
在一种实施方式中,获取模块301,具体用于:
响应于用户的图像获取指令,获取皮肤图像;
确定皮肤图像是否满足预设条件,若不满足预设条件,则生成语音提示信息并播放,将满足预设条件的皮肤图像作为待处理皮肤图像。
在一种实施方式中,皮肤图像处理装置还包括放大处理模块,用于:
响应于用户的图像放大指令,通过放大镜工具对图像放大指令对应的皮肤基底层色素图像进行放大处理。
图5为本公开一实施例中展示模块的示意图,如图5所示,在一种实施方式中,皮肤图像处理装置还包括展示模块,展示模块包括第一展示单元501和第二展示单元502;
第一展示单元501,用于:响应于用户的皮肤底层图像查看指令,通过多光谱图像对比工具将皮肤基底层色素图像处理成不同颜色光照条件下的图像,并将处理后图像的缩略图展示给用户;
第二展示单元502,用于:响应于用户的图像选择指令,将图像选择指令对应的颜色光照条件下的图像放大后展示给用户。
在一种实施方式中,深度学习模型是采用多组训练数据对初始神经网络模型进行训练得到的,每一组训练数据包括样本皮肤图像的漫反射图像、样本皮肤图像对应的样本皮肤基底色素图像。
本公开技术方案提供的皮肤图像处理装置,可以基于深度学习模型得到待处理皮肤图像对应的皮肤基底层色素图像,根据皮肤基底层色素图像了解皮肤基底层的色素特征,从而了解皮肤基底层的状态,不会增加额外的设备成本,使用方便快捷。
图6为本公开一实施例中皮肤图像处理装置的示意图。如图6所示,皮肤图像处理装置可以包括:
预配置模块601,用于针对LAB色彩空间中的L通道、A通道、B通道分别配置各通道对应的卷积核,其中,每个通道对应的卷积核包括时域卷积核和空域卷积核,不同通道对应的卷积核的大小不同;针对L通道、A通道、B通道分别配置各通道对应的色彩阈值。
获取模块602,用于获取待处理皮肤图像。
转换模块603,用于将待处理皮肤图像转换到LAB色彩空间,得到待处理图像对应的LAB图像。
处理模块604,用于将待处理皮肤图像对应的LAB图像进行双边滤波迭代处理,得到至少一个滤波后的图像。
确定模块605,用于根据待处理皮肤图像对应的LAB图像和至少一个滤波后的图像,确定待处理皮肤图像对应的漫反射图像。
输出模块606,用于将漫反射图像输入预先训练的深度学习模型,得到待处理皮肤图像对应的至少一个皮肤基底层色素图像,皮肤基底层色素图像用于展示皮肤基底层的色素特征。
本公开技术方案提供的皮肤图像处理装置,可以基于深度学习模型得到待处理皮肤图像对应的皮肤基底层色素图像,根据皮肤基底层色素图像了解皮肤基底层的色素特征,从而了解皮肤基底层的状态,不会增加额外的设备成本,使用方便快捷。
本公开实施例各装置中的各单元、模块或子模块的功能可以参见上述方法实施例中的对应描述,在此不再赘述。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如皮肤图像处理方法。例如,在一些实施例中,皮肤图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的皮肤图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行皮肤图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (20)
1.一种皮肤图像处理方法,所述方法包括:
获取待处理皮肤图像;
将所述待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像;
根据所述待处理皮肤图像和所述至少一个滤波后的图像,确定所述待处理皮肤图像对应的漫反射图像;
将所述漫反射图像输入预先训练的深度学习模型,得到所述待处理皮肤图像对应的至少一个皮肤基底层色素图像,所述皮肤基底层色素图像用于展示皮肤基底层的色素特征,所述深度学习模型的训练数据包括样本皮肤图像的漫反射图像、样本皮肤图像对应的样本皮肤基底色素图像;
其中,所述双边滤波迭代处理所使用的双边滤波器被配置有针对各通道对应的卷积核和色彩阈值,所述通道包括LAB色彩空间中的L通道、A通道和B通道,每个通道对应的卷积核包括时域卷积核和空域卷积核,不同通道对应的卷积核的大小不同;
所述双边滤波迭代处理包括至少一次双边滤波处理,所述将所述待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像,包括:
将所述待处理皮肤图像对应的LAB图像基于各通道对应的卷积核进行双边滤波处理,直到差值图像中的像素的各通道的平均色彩值小于或等于各通道对应的色彩阈值,迭代结束,得到至少一个滤波后的图像;
其中,所述差值图像是根据滤波之前的图像和滤波之后的图像确定的。
2.根据权利要求1所述的方法,其特征在于,其中,在所述将所述待处理皮肤图像进行双边滤波迭代处理之前,所述方法还包括:
将所述待处理皮肤图像转换到所述LAB色彩空间,得到所述待处理皮肤图像对应的LAB图像。
3.根据权利要求1所述的方法,其特征在于,其中,所述根据所述待处理皮肤图像和所述至少一个滤波后的图像,确定所述待处理皮肤图像对应的漫反射图像,包括:
对于每次双边滤波处理,根据滤波之前的图像和滤波之后的图像得到差值图像,所述滤波之前的图像包括所述待处理皮肤图像对应的LAB图像;
根据每次双边滤波处理得到的差值图像,得到所述待处理皮肤图像对应的漫反射图像。
4.根据权利要求3所述的方法,其特征在于,其中,所述根据每次双边滤波处理得到的差值图像,得到所述待处理皮肤图像对应的漫反射图像,包括:
在所述差值图像的数量为一个的情况下,则将所述差值图像作为所述待处理皮肤图像对应的漫反射图像;
在所述差值图像的数量为至少两个的情况下,将所述至少两个差值图像中的各差值图像中的对应像素的色彩值进行累加,得到所述待处理皮肤图像对应的漫反射图像的各像素的色彩值。
5.根据权利要求1-4任一项所述的方法,其特征在于,其中,所述至少一个皮肤基底层色素图像包括以下至少一项:
皮肤基底层红色素图像、皮肤基底层棕色素图像和皮肤基底层灰色素图像。
6.根据权利要求1-4任一项所述的方法,其特征在于,其中,所述获取待处理皮肤图像,包括:
响应于用户的图像获取指令,获取皮肤图像;
确定所述皮肤图像是否满足预设条件,若不满足预设条件,则生成语音提示信息并播放,将满足预设条件的皮肤图像作为所述待处理皮肤图像。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
响应于用户的图像放大指令,通过放大镜工具对所述图像放大指令对应的皮肤基底层色素图像进行放大处理。
8.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
响应于用户的皮肤底层图像查看指令,通过多光谱图像对比工具将所述皮肤基底层色素图像处理成不同颜色光照条件下的图像,并将处理后图像的缩略图展示给用户;
响应于用户的图像选择指令,将所述图像选择指令对应的颜色光照条件下的图像放大后展示给用户。
9.根据权利要求1-4任一项所述的方法,其特征在于,其中,所述深度学习模型是采用多组训练数据对初始神经网络模型进行训练得到的,每一组训练数据包括样本皮肤图像的漫反射图像、样本皮肤图像对应的样本皮肤基底色素图像。
10.一种皮肤图像处理装置,所述装置包括:
获取模块,用于获取待处理皮肤图像;
处理模块,用于将所述待处理皮肤图像进行双边滤波迭代处理,得到至少一个滤波后的图像;
确定模块,用于根据所述待处理皮肤图像和所述至少一个滤波后的图像,确定所述待处理皮肤图像对应的漫反射图像;
输出模块,用于将所述漫反射图像输入预先训练的深度学习模型,得到所述待处理皮肤图像对应的至少一个皮肤基底层色素图像,所述皮肤基底层色素图像用于展示皮肤基底层的色素特征,所述深度学习模型的训练数据包括样本皮肤图像的漫反射图像、样本皮肤图像对应的样本皮肤基底色素图像;
所述双边滤波迭代处理所使用的双边滤波器被配置有针对各通道对应的卷积核和色彩阈值,所述通道包括LAB色彩空间中的L通道、A通道和B通道,每个通道对应的卷积核包括时域卷积核和空域卷积核,不同通道对应的卷积核的大小不同;
所述处理模块具体用于:
将所述待处理皮肤图像对应的LAB图像基于各通道对应的卷积核进行双边滤波处理,直到差值图像中的像素的各通道的平均色彩值小于或等于各通道对应的色彩阈值,迭代结束,得到至少一个滤波后的图像;
其中,所述差值图像是根据滤波之前的图像和滤波之后的图像确定的。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括转换模块,用于:
将所述待处理皮肤图像转换到所述LAB色彩空间,得到所述待处理皮肤图像对应的LAB图像。
12.根据权利要求10所述的装置,其特征在于,所述确定模块包括差值图像获取单元和漫反射图像获取单元;
所述差值图像获取单元,用于:对于每次双边滤波处理,根据滤波之前的图像和滤波之后的图像得到差值图像,所述滤波之前的图像包括所述待处理皮肤图像对应的LAB图像;
所述漫反射图像获取单元,用于:根据每次双边滤波处理得到的差值图像,得到所述待处理皮肤图像对应的漫反射图像。
13.根据权利要求12所述的装置,其特征在于,所述漫反射图像获取单元,具体用于:
在所述差值图像的数量为一个的情况下,则将所述差值图像作为所述待处理皮肤图像对应的漫反射图像;
在所述差值图像的数量为至少两个的情况下,将所述至少两个差值图像中的各差值图像中的对应像素的色彩值进行累加,得到所述待处理皮肤图像对应的漫反射图像的各像素的色彩值。
14.根据权利要求10-13任一项所述的装置,其特征在于,其中所述至少一个皮肤基底层色素图像包括以下至少一项:
皮肤基底层红色素图像、皮肤基底层棕色素图像、皮肤基底层灰色素图像。
15.根据权利要求10-13任一项所述的装置,其特征在于,所述获取模块,具体用于:
响应于用户的图像获取指令,获取皮肤图像;
确定所述皮肤图像是否满足预设条件,若不满足预设条件,则生成语音提示信息并播放,将满足预设条件的皮肤图像作为所述待处理皮肤图像。
16.根据权利要求10-13任一项所述的装置,其特征在于,所述装置还包括放大处理模块,用于:
响应于用户的图像放大指令,通过放大镜工具对所述图像放大指令对应的皮肤基底层色素图像进行放大处理。
17.根据权利要求10-13任一项所述的装置,其特征在于,所述装置还包括展示模块,展示模块包括第一展示单元和第二展示单元;
第一展示单元,用于:响应于用户的皮肤底层图像查看指令,通过多光谱图像对比工具将所述皮肤基底层色素图像处理成不同颜色光照条件下的图像,并将处理后图像的缩略图展示给用户;
第二展示单元,用于:响应于用户的图像选择指令,将所述图像选择指令对应的颜色光照条件下的图像放大后展示给用户。
18.根据权利要求10-13任一项所述的装置,其特征在于,其中,所述深度学习模型是采用多组训练数据对初始神经网络模型进行训练得到的,每一组训练数据包括样本皮肤图像的漫反射图像、样本皮肤图像对应的样本皮肤基底色素图像。
19. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110524437.5A CN113222936B (zh) | 2021-05-13 | 2021-05-13 | 皮肤图像处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110524437.5A CN113222936B (zh) | 2021-05-13 | 2021-05-13 | 皮肤图像处理方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222936A CN113222936A (zh) | 2021-08-06 |
CN113222936B true CN113222936B (zh) | 2023-11-17 |
Family
ID=77095558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110524437.5A Active CN113222936B (zh) | 2021-05-13 | 2021-05-13 | 皮肤图像处理方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222936B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928889A (zh) * | 2005-09-07 | 2007-03-14 | 株式会社东芝 | 图像处理装置和方法 |
CN104125442A (zh) * | 2013-04-26 | 2014-10-29 | 索尼公司 | 图像处理方法、装置以及电子设备 |
JP2015047422A (ja) * | 2013-09-04 | 2015-03-16 | ポーラ化成工業株式会社 | 肌状態モデルの生成方法 |
CN109124575A (zh) * | 2018-06-26 | 2019-01-04 | 广州市美锐美容健康设备实业有限公司 | 多光谱面部皮肤图像获取装置及系统 |
CN112233061A (zh) * | 2020-09-07 | 2021-01-15 | 中国人民解放军海军军医大学第一附属医院 | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010093503A2 (en) * | 2007-01-05 | 2010-08-19 | Myskin, Inc. | Skin analysis methods |
WO2019094514A1 (en) * | 2017-11-07 | 2019-05-16 | Canfield Scientific, Incorporated | Enhancing pigmentation in dermoscopy images |
-
2021
- 2021-05-13 CN CN202110524437.5A patent/CN113222936B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928889A (zh) * | 2005-09-07 | 2007-03-14 | 株式会社东芝 | 图像处理装置和方法 |
CN104125442A (zh) * | 2013-04-26 | 2014-10-29 | 索尼公司 | 图像处理方法、装置以及电子设备 |
JP2015047422A (ja) * | 2013-09-04 | 2015-03-16 | ポーラ化成工業株式会社 | 肌状態モデルの生成方法 |
CN109124575A (zh) * | 2018-06-26 | 2019-01-04 | 广州市美锐美容健康设备实业有限公司 | 多光谱面部皮肤图像获取装置及系统 |
CN112233061A (zh) * | 2020-09-07 | 2021-01-15 | 中国人民解放军海军军医大学第一附属医院 | 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法 |
Non-Patent Citations (2)
Title |
---|
A survey of radar systems for medical applications;Stefano Pisa等;《IEEE Aerospace and Electronic Systems Magazine》;第31卷(第11期);全文 * |
基于保边滤波和肤色模型的人脸美颜技术研究与实现;王志强;苗翔宇;;无线互联科技(17);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113222936A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473141B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN106611429B (zh) | 检测皮肤区域的方法和检测皮肤区域的装置 | |
TWI717865B (zh) | 影像處理方法及裝置、電子設備、電腦可讀取的記錄媒體和電腦程式產品 | |
CN105243371B (zh) | 一种人脸美颜程度的检测方法、系统及拍摄终端 | |
CN106682632B (zh) | 用于处理人脸图像的方法和装置 | |
CN109272459A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN108337551B (zh) | 一种屏幕录制方法、存储介质及终端设备 | |
WO2018228310A1 (zh) | 图像处理方法、装置及终端 | |
CN112861885B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
TW202032425A (zh) | 圖像處理方法及裝置、電子設備和儲存介質 | |
KR20140035273A (ko) | 화상 처리장치, 화상 처리프로그램을 기록한 컴퓨터-리더블 기록매체, 및 화상 처리방법 | |
CN111819837A (zh) | 静态视频识别 | |
CN111814682A (zh) | 人脸活体检测方法及装置 | |
JP7176616B2 (ja) | 画像処理システム、画像処理装置、画像処理方法、及び画像処理プログラム | |
CN111444555A (zh) | 一种测温信息显示方法、装置及终端设备 | |
CN111429371A (zh) | 图像处理方法、装置及终端设备 | |
CN108629767B (zh) | 一种场景检测的方法、装置及移动终端 | |
WO2015010559A1 (en) | Devices, terminals and methods for image processing | |
CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
CN113222936B (zh) | 皮肤图像处理方法、装置、设备以及存储介质 | |
CN113705361A (zh) | 活体检测模型的方法、装置及电子设备 | |
CN113658065A (zh) | 图像降噪方法及装置、计算机可读介质和电子设备 | |
CN113034393A (zh) | 照片修复方法、装置、设备以及存储介质 | |
WO2023011280A1 (zh) | 图像噪声程度估计方法、装置、电子设备及存储介质 | |
CN110555799A (zh) | 用于处理视频的方法和装置 |
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 |