CN113536871A - 图像预处理方法、面部皮肤年龄估计方法及电子设备 - Google Patents
图像预处理方法、面部皮肤年龄估计方法及电子设备 Download PDFInfo
- Publication number
- CN113536871A CN113536871A CN202010719106.2A CN202010719106A CN113536871A CN 113536871 A CN113536871 A CN 113536871A CN 202010719106 A CN202010719106 A CN 202010719106A CN 113536871 A CN113536871 A CN 113536871A
- Authority
- CN
- China
- Prior art keywords
- image
- facial
- input
- color mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000001815 facial effect Effects 0.000 title claims abstract description 35
- 238000007781 pre-processing Methods 0.000 title claims description 8
- 238000002407 reforming Methods 0.000 claims abstract description 5
- 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 claims description 38
- 102000001554 Hemoglobins Human genes 0.000 claims description 19
- 108010054147 Hemoglobins Proteins 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000037303 wrinkles Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000862 absorption spectrum Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 210000001061 forehead Anatomy 0.000 claims description 2
- 210000004373 mandible Anatomy 0.000 claims description 2
- 238000007665 sagging Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract 1
- 210000003491 skin Anatomy 0.000 description 26
- 238000010586 diagram Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010015995 Eyelid ptosis Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 210000004207 dermis Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 210000003128 head Anatomy 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000019612 pigmentation Effects 0.000 description 1
- 201000003004 ptosis Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036548 skin texture Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V40/174—Facial expression recognition
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例涉及一种皮肤年龄检测方法及电子设备。该方法包括:对面部图像进行重整和对齐处理;将所述面部图像和参考图像从RGB色彩模式转换为CIELab色彩模式;以所述参考图像为基础,分别对所述面部图像的亮度部分和色彩部分进行调整;将所述调整后的面部图像从CIELab色彩模式恢复为RGB色彩模式;在所述面部图像的兴趣区域中,分析确定若干用于衡量皮肤状况的衡量指标;根据所述衡量指标,估算所述面部图像的皮肤年龄。
Description
【技术领域】
本发明涉及图像处理技术领域,尤其涉及一种图像预处理方法、面部皮肤年龄估计方法及电子设备。
【背景技术】
皮肤状态的评估结果对于皮肤护理和治疗非常重要。由于细小的变化也会造成显著的错误以及不一致。因此,用于进行评估的面部图像需要使用高质量以及特殊设计的照相机,在可控制的环境条件下(如面部与照相机之间的距离、头部姿势角度,周围环境的色彩和亮度)拍摄获得。
评估对面部图像的严格要求带来了许多的不便。用户需要进行预约或者自行前往具有专业设备(如VISIA)的机构才能进行评估。
用户也可以根据如何拍摄获得可用的面部图像的指引,自行拍摄获取图像而不前往特定的机构。但是,在一个不受控或者开放的环境下,难以保证面部与照相机的距离,光照情况等能够在每一次采集的图像中保持不变。
【发明内容】
本发明实施例提供以下技术方案:一种图像预处理方法。其包括:
重整输入图像;接收参考图像;将所述输入图像和所述参考图像从RGB色彩模式转换为CIELab色彩模式;以所述参考图像为基础,分别对所述输入图像的亮度部分和色彩部分进行调整;将所述调整后的输入图像从CIELab色彩模式恢复为RGB色彩模式。
本发明实施例还提供以下技术方案:一种面部皮肤年龄估计方法。其包括:对面部图像进行重整和对齐处理;将所述面部图像和参考图像从RGB色彩模式转换为CIELab色彩模式;以所述参考图像为基础,分别对所述面部图像的亮度部分和色彩部分进行调整;将所述调整后的面部图像从CIELab色彩模式恢复为RGB色彩模式;在所述面部图像的兴趣区域中,分析确定若干用于衡量皮肤状况的衡量指标;根据所述衡量指标,估算所述面部图像的皮肤年龄。
本发明实施例还提供以下技术方案:一种电子设备。所述电子设备包括:存储器,通信模块以及与所述存储器耦合的处理器;所述存储器存储有可被所述处理器执行的计算机程序指令,其中,当所述计算机程序指令被所述处理器执行时,以使所述处理器通过所述通信模块执行如上所述的面部皮肤年龄估计方法。
【附图说明】
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明实施例提供的输入图像预处理方法的方法流程图;
图2为本发明实施例提供的调整亮度部分和色彩部分的工作流程图;
图3为本发明实施例提供的皱纹数量与年龄之间的相关性的示意图;
图4为本发明实施例提供的简化的皮肤反射模型的示意图;
图5为本发明实施例提供的计算黑色素和血红蛋白浓度的方法流程图;
图6为本发明实施例提供的黑色素和血红蛋白在400nm到1000nm之间的吸收光谱及其在RGB数字相机中的光谱响应情况的示意图;
图7为本发明实施例提供的图像信号在由黑色素和血红蛋白两种主要成分组合的色彩平面上的投影的示意图;
图8为本发明实施例提供的定位预处理图像中的皱纹的方法流程图;
图9为本发明实施例提供的皮肤年龄估计方法的应用场景的示意图。
【具体实施方式】
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限制本发明。
本发明实施例提供了一种图像预处理方法、该预处理方法可以有效的降低由外部环境造成的影响。如图1所示,该图像预处理方法可以包括如下步骤:
110、图像处理系统接收参考图像和输入图像。
该图像处理系统可以由任何合适类型的,具有逻辑运算能力的电子设备所实现。参考图像是预先设置的,在标准环境下拍摄的图像。输入图像可以由任何类型的终端设备,如智能手机,在开放的环境下拍摄获得。
120、图像处理系统重整所述输入图像。
具有不同尺寸和分辨率的输入图像需要重整为标准的尺寸以进行后续的图像处理。
130、图像处理系统将所述输入图像和参考图像从RGB色彩模式转换为CIELab色彩模式。
RGB色彩模式是一种颜色标准。其通过红色(R),绿色(G)以及蓝色(B)三部分的叠加和比例来表示所有的颜色。
CIELab色彩模式(CIELAB)是另一种由CIE(Commissioninternationaleclairage)组织确立的颜色标准,也被称为L*a*b模式。CIELab色彩模式由亮度(L)部分,a部分以及b部分组成。其中,亮度部分表示了图像的亮度,a部分和b部分是色彩部分。
140、图像处理系统以所述参考图像为基础,分别对所述输入图像的亮度部分和色彩部分进行调整。
在CIELab色彩模式中,输入图像的亮度部分和色彩部分可以根据参考图像定义的标准进行调整,从而避免开放环境的影响。
150、图像处理系统将所述调整后的输入图像从CIELab色彩模式恢复为RGB色彩模式。
为了进一步的处理,需要将调整后的输入图像重新回复为RGB色彩模式。不同色彩模式之间的转换方法为本领域技术人员所熟知。
如图2所示,对于输入图像的调整包括两个主要的步骤。其中一个是调整输入图像的亮度部分。另一个是调整输入图像的色彩部分。
输入图像的亮度部分需要被分割为输入细节层和输入模糊层,用以进行亮度部分的调整。
在一些实施例中,可以使用具有保持边缘的特性的最小加权二乘滤波器对亮度部分进行平滑处理,从而获得模糊层。然后,基于模糊层而获得对应的细节层。
相对应地,从参考图像的亮度部分中提取获得参考模糊层。
根据所述参考模糊层,可以对输入模拟层进行转换,以使所述输入图像的亮度接近于所述参考图像。
在一些实施例中,所述参考模糊层可以通过导向滤波器进行滤波,从而整合所述输入图像和参考头像。所述导向滤波器由所述输入模糊层引导。最后,将调整后的输入模糊层和输入细节层结合,生成调整后的亮度部分。
以参考图像的色彩部分为基准,对输入图像的色彩部分进行标准化处理,从而完成对色彩部分的调整。
如上所述的,a部分和b部分是颜色色度分量。由此,以参考图像为基准的统计和色彩校正可以在a部分和b部分中分别进行。
调整后的色彩部分和转换后的亮度部分可以结合形成预处理后的输入图像。当该预处理后的输入图像是通过便携式电子设备拍摄获得的面部图像时,可以进一步用于估计皮肤年龄。
电子设备需要在所述面部图像的兴趣区域中,分析确定若干用于衡量皮肤状况的衡量指标,以完成对皮肤年龄的评估。
具体可以使用任何合适的衡量指标。不同的衡量指标可以用于判断面部皮肤年龄多个不同方面的表现,需要在不同的区域进行分析。
最终,电子设备可以根据衡量指标的值,估计面部图像的皮肤年龄。
在一些实施例中,所述皮肤年龄估计方法具体包括如下步骤:
首先,在年龄组别与衡量指标的均值之间的相关性建模结果中,获得基准。
其次,将所述面部图像的衡量指标与所述基准进行比较。
最后,根据所述面部图像的衡量指标与所述基准的比较结果,确定所述面部图像对应的年龄组别。
如图3所示,坐标轴的横坐标为年龄,坐标轴的纵坐标为衡量指标的值(如皱纹数量)。所述基准是由多条直线形成的区域。所述直线表示了衡量指标与年龄组别之间的线性关系。
在一些实施例中,所述衡量指标包括:黑色素浓度、血红蛋白浓度、皱纹数量以及下垂程度。以下对每种衡量指标进行详细描述。
黑色素浓度和血红蛋白浓度可以用于检测面部图像的棕色斑点和红色区域(brownspotsandredareas)。换言之,在黑色素浓度和血红蛋白浓度高于预设的阈值时,可以确定该面部图像的区域为棕色斑点和红色区域。
在一些实施例中,所述面部图像除嘴部和下巴以外的区域均为分析所述黑色素浓度和血红蛋白浓度的兴趣区域。
如图4所示的,当入射光被皮肤反射时,其光强度会因如下所述的衰减因素而下降。其中一种衰减因素来自于与皮肤表面粗糙程度相关的朗博反射(Lambertianreflection)而引起的衰减。其他的衰减因素来自于穿过皮肤时,主要分布于真皮和表皮的色素沉着、黑色素以及血红蛋白的吸收而引起的衰减。
对于每一种颜色要素(如红色、绿色或者蓝色)来说,其在数码相机传感器拍摄的输入图像中的某个像素i上对应的值可以通过如下算式(1)表示:
其中,表示与颜色要素n(如红色、绿色或者蓝色)对应的值,λ表示波长,表示数码相机的光谱灵敏度,Ei(λ)表示亮度部分的光谱能量分布,εmel(λ),εhem(λ),分别表示黑色素和血红蛋白的浓度及吸收光谱,γi表示皮肤表面的粗糙度因子,用于代表在法向方向上发生的朗博反射(Lambertianreflection)的反射情况。
通常的,可以假定入射光在局部区域是相同的,而且光谱灵敏度函数在整个相机传感器上都是相同的。
根据入射光的强度,可以估算黑色素和血红蛋白的浓度,并且可以应用窄带假设(narrowbandassumption),结合RGB相机的特性,从而可以使用德尔塔函数来模拟相机传感器的光谱灵敏度函数。
如图5所示,可以通过如下步骤估计每个像素中的黑色素和血红蛋白浓度。
510、分别对所述面部图像的红色部分、绿色部分以及蓝色部分进行负对数处理(negative-logarithm),获得对应的处理结果log R、log G以及log B。
550、通过如下算式(2)计算像素点的黑色素浓度和血红蛋白浓度。
图6示出了黑色素以及血红蛋白在400nm到1000nm之间的吸收光谱及其在RGB数字相机中的光谱响应情况。
图7示出了图像信号在由黑色素和血红蛋白两种主要成分组合的皮肤色彩平面上的投影的示意图。
560、根据预设的阈值,确定像素是否属于棕色斑点和红色区域。
该预设的阈值是一个经验性数值,可以由技术人员根据实际使用情况而设定。
分析皱纹数量的兴趣区域为所述面部图像的额头、眉间线以及眼睛下方区域。
在一些实施例中,在皮肤纹理中,不易察觉的非连续曲线可以通过加博滤波器(Gaborfilter)标记以突显。这些不易察觉的非连续曲线通常是由皱纹引起的。
这样的,在加博滤波器响应的图像位点中皱纹的曲线形状可以结合几何约束和图像形态学进行定位。
如图8所示,在预处理后的面部图像中,可以通过如下步骤定位皱纹:
810、通过计算截面部分中的最大曲率,提取每个皱纹的中心位置。
820、根据在所述中心位置周围的相邻像素,检测所述中心位置是否为噪声点。
例如,当所述中心位置具有相对小的值,但所述相邻像素的值较大时,当前的中心位置应该加入到需要连接线段的连接点中。但是,如果所述中心位置的值较大,但所述相邻像素的值较小时,该中心位置应该被归类为需剔除的噪声点。
830、剔除噪声点并连接每个经过检测的中心位置。
840、标记连接线段中的皱纹并移除不符合标准的连接线段。例如,不符合标准的连接线段可以是孤立的连接线段,太短的连接线段或者连接线段的偏心率小于0.95。
分析所述下垂情况的兴趣区域包括所述面部图像的眼睛下方、鼻唇沟、嘴角以及下颌线。
该下垂情况可以由下垂分数量来衡量,并且通过在图像分类任务中常用的卷积神经网络模型(CNN)来分析获得。
在一些实施例中,可以针对性设置卷积神经网络模型并通过下垂数据库来进行训练。所述下垂数据库包括多个下垂样本图像,每个下垂样本图像均由专家标记对应的下垂分数。
这样的,训练后的卷积神经网络,识别所述面部图像在上述兴趣区域的下垂分数。
本发明实施例还提供了一种电子设备。该电子设备可以包括主设备90的全部功能模块,也可以包括副设备91的全部功能模块,或者是主设备90和副设备91的全部功能模块,以使所述电子设备可以用以作为所述主设备或者副设备。
如图9所示,皮肤年龄估计方法的应用场景包括服务器端90以及用户端91。
其中,所述用户端91可以是任何类型的终端(如智能手机、手提电脑或者个人电脑)。其与服务器端90连接,用于随时上传面部图像并接收皮肤年龄评估结果。
所述服务器端90由一个或者多个电子设备9组成。该电子设备9可以包括:处理器(processor)901以及存储器(memory)902。
其中,存储器902作为一个非易失性计算机可读存储介质,用于存储非易失性软件、非易失性计算机可执行程序及功能模块。
所述存储器902存储的计算机程序指令可被所述处理器901调用。在所述处理器901调用所述计算机程序指令时,以使所述处理器901执行如上方法实施例中公开的皮肤年龄估算方法。
在一些实施例中,存储在服务器端90的数据和计算机程序指令可以进行调整以提升皮肤年龄估计结果的准确性。例如,所述基准可以在数据采集过程中进行调整。
本领域技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的示例性的皮肤年龄评估方法的各个步骤,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。
本领域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。所述的计算机软件可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种图像预处理方法,其特征在于,包括:
重整输入图像;
接收参考图像;
将所述输入图像和所述参考图像从RGB色彩模式转换为CIELab色彩模式;
以所述参考图像为基础,分别对所述输入图像的亮度部分和色彩部分进行调整;
将所述调整后的输入图像从CIELab色彩模式恢复为RGB色彩模式。
2.根据权利要求1所述的方法,其特征在于,以所述参考图像为基础,对所述输入图像的亮度部分进行调整,具体包括:
将所述输入图像的亮度部分分割为输入细节层和输入模糊层;
从所述参考图像的亮度部分中提取参考模糊层;
根据所述参考模糊层,转换所述输入模糊层;
将所述转换后的输入模糊层和所述输入细节层结合,生成调整后的亮度部分。
3.根据权利要求2所述的方法,其特征在于,以所述参考图像为基础,对所述输入图像的色彩部分进行调整,具体包括:
根据所述参考图像的色彩部分,对所述输入图像的色彩部分进行标准化。
4.一种面部皮肤年龄估计方法,其特征在于,包括:
对面部图像进行重整和对齐处理;
将所述面部图像和参考图像从RGB色彩模式转换为CIELab色彩模式;
以所述参考图像为基础,分别对所述面部图像的亮度部分和色彩部分进行调整;
将所述调整后的面部图像从CIELab色彩模式恢复为RGB色彩模式;
在所述面部图像的兴趣区域中,分析确定若干用于衡量皮肤状况的衡量指标;
根据所述衡量指标,估算所述面部图像的皮肤年龄。
5.根据权利要求4所述的方法,其特征在于,所述根据所述衡量指标,估算所述面部图像的皮肤年龄,具体包括:
在年龄组别与衡量指标的均值之间的相关性建模结果中,获得基准;
将所述面部图像的衡量指标与所述基准进行比较;
根据所述面部图像的衡量指标与所述基准的比较结果,确定所述面部图像对应的年龄组别。
6.根据权利要求4所述的方法,其特征在于,所述衡量指标包括:黑色素浓度、血红蛋白浓度、皱纹数量以及下垂程度。
7.根据权利要求6所述的方法,其特征在于,所述面部图像除嘴部和下巴以外的区域均为所述黑色素浓度和血红蛋白浓度对应的兴趣区域。
8.根据权利要求7所述的方法,其特征在于,在所述面部图像的兴趣区域中,分析确定所述黑色素浓度和血红蛋白浓度,具体包括:
分别对所述面部图像的红色部分、绿色部分以及蓝色部分进行负对数处理;
分别对所述面部图像的红色部分、绿色部分以及蓝色部分进行均值滤波;
计算所述面部图像的红色部分的负对数处理结果与均值滤波结果之间的差异;
计算所述面部图像的绿色部分的负对数处理结果与均值滤波结果之间的差异;
计算所述面部图像的蓝色部分的负对数处理结果与均值滤波结果之间的差异;
根据所述黑色素和血红蛋白浓度的吸收光谱,以及所述红色部分、绿色部分以及蓝色部分在负对数处理结果与均值滤波结果上的差异,计算获得所述黑色素浓度和血红蛋白浓度。
9.根据权利要求6所述的方法,其特征在于,所述在所述面部图像的兴趣区域中,分析确定若干用于衡量皮肤状况的衡量指标,具体包括:
通过加博滤波器,标记在所述面部图像的额头、眉间线以及眼睛下方区域中不易察觉的非连续曲线;
在所述面部图像中的所述不易察觉的非连续曲线中,定位皱纹的曲线形状。
10.根据权利要求6所述的方法,其特征在于,所述在所述面部图像的兴趣区域中,分析确定若干用于衡量皮肤状况的衡量指标,具体包括:
通过下垂数据库,训练卷积神经网络,所述下垂数据库包括多个下垂样本图像,每个下垂样本图像均由专家标记对应的下垂分数;
使用所述训练后的卷积神经网络,识别所述面部图像的眼睛下方、鼻唇沟、嘴角以及下颌线的,用于表示下垂程度的所述下垂分数。
11.根据权利要求4-10任一项所述的方法,其特征在于,所述面部图像由便携式设备采集获得。
12.一种电子设备,其特征在于,所述电子设备包括:存储器,通信模块以及与所述存储器耦合的处理器;
所述存储器存储有可被所述处理器执行的计算机程序指令,其中,当所述计算机程序指令被所述处理器执行时,以使所述处理器通过所述通信模块执行如权利要求4-11任一项所述的面部皮肤年龄估计方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
HK22020006081.6 | 2020-04-17 | ||
HK22020006081 | 2020-04-17 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113536871A true CN113536871A (zh) | 2021-10-22 |
Family
ID=72470214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010719106.2A Pending CN113536871A (zh) | 2020-04-17 | 2020-07-23 | 图像预处理方法、面部皮肤年龄估计方法及电子设备 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP3896609A1 (zh) |
KR (1) | KR20210128912A (zh) |
CN (1) | CN113536871A (zh) |
SG (1) | SG10202010033YA (zh) |
TW (1) | TWI759994B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888540A (zh) * | 2021-12-06 | 2022-01-04 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015015793A1 (ja) * | 2013-07-31 | 2015-02-05 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 肌分析方法、肌分析装置および肌分析装置の制御方法 |
US10579860B2 (en) * | 2016-06-06 | 2020-03-03 | Samsung Electronics Co., Ltd. | Learning model for salient facial region detection |
JP6872742B2 (ja) * | 2016-06-30 | 2021-05-19 | 学校法人明治大学 | 顔画像処理システム、顔画像処理方法及び顔画像処理プログラム |
-
2020
- 2020-07-23 CN CN202010719106.2A patent/CN113536871A/zh active Pending
- 2020-09-09 EP EP20195367.6A patent/EP3896609A1/en not_active Withdrawn
- 2020-10-09 SG SG10202010033YA patent/SG10202010033YA/en unknown
- 2020-12-08 TW TW109143161A patent/TWI759994B/zh active
-
2021
- 2021-03-30 KR KR1020210040814A patent/KR20210128912A/ko not_active Application Discontinuation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888540A (zh) * | 2021-12-06 | 2022-01-04 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和系统 |
CN113888540B (zh) * | 2021-12-06 | 2022-03-18 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和系统 |
WO2023126013A3 (zh) * | 2021-12-06 | 2023-09-21 | 深圳市海谱纳米光学科技有限公司 | 一种用于人脸皮肤成分图像的分离方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
SG10202010033YA (en) | 2021-11-29 |
TWI759994B (zh) | 2022-04-01 |
EP3896609A1 (en) | 2021-10-20 |
KR20210128912A (ko) | 2021-10-27 |
TW202141963A (zh) | 2021-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197546B (zh) | 人脸识别中光照处理方法、装置、计算机设备及存储介质 | |
US9750326B2 (en) | Transparency evaluation device, transparency evaluation method and transparency evaluation program | |
US7590284B2 (en) | Pupil color estimating device | |
US8855412B2 (en) | Systems, methods, and apparatus for image processing, for color classification, and for skin color detection | |
US8548257B2 (en) | Distinguishing between faces and non-faces | |
US7522768B2 (en) | Capture and systematic use of expert color analysis | |
JP4214420B2 (ja) | 瞳色補正装置およびプログラム | |
EP2131697B1 (en) | Method and system for recommending a product based upon skin color estimated from an image | |
KR100922653B1 (ko) | 눈동자색 보정 장치 및 기록 매체 | |
US8331666B2 (en) | Automatic red eye artifact reduction for images | |
US20070058858A1 (en) | Method and system for recommending a product based upon skin color estimated from an image | |
TWI759994B (zh) | 圖像預處理方法、面部皮膚年齡估計方法及電子設備 | |
WO2021218696A1 (zh) | 肤色检测方法、装置、终端和存储介质 | |
US20220061659A1 (en) | System and method for finding an area of an eye from a facial image | |
US10818012B1 (en) | Method for facial skin age estimating and electronic device | |
US10909351B2 (en) | Method of improving image analysis | |
US20220309713A1 (en) | Image processing apparatus, image processing method, and storage medium | |
CN111259683A (zh) | 皮肤检测方法及图像处理装置 | |
CN116959074A (zh) | 一种基于多光谱成像的人体皮肤检测方法及装置 | |
CN114663417A (zh) | 敏感预测模型的训练方法、人脸图像处理方法及设备 | |
Arif et al. | An efficient system for recognition of human face in different expressions by some measured features of the face using laplacian operator | |
WO2008108771A1 (en) | Capture and systematic use of expert color analysis |
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 |