CN113989138A - 一种脸部肌肤图像炎症提取并形成红区光谱的方法 - Google Patents
一种脸部肌肤图像炎症提取并形成红区光谱的方法 Download PDFInfo
- Publication number
- CN113989138A CN113989138A CN202111225524.7A CN202111225524A CN113989138A CN 113989138 A CN113989138 A CN 113989138A CN 202111225524 A CN202111225524 A CN 202111225524A CN 113989138 A CN113989138 A CN 113989138A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- inflammation
- value
- mask
- 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
- 206010061218 Inflammation Diseases 0.000 title claims abstract description 40
- 230000004054 inflammatory process Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000001815 facial effect Effects 0.000 title claims abstract description 29
- 238000001228 spectrum Methods 0.000 title claims abstract description 25
- 230000002708 enhancing effect Effects 0.000 claims abstract description 27
- 230000003321 amplification Effects 0.000 claims abstract description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 4
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 3
- 230000001131 transforming effect Effects 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 201000004624 Dermatitis Diseases 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 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
- 235000009566 rice Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20172—Image enhancement 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种脸部肌肤图像炎症提取并形成红区光谱的方法，包括以下步骤：获取脸部肌肤图像，利用曲线函数增强图像；再利用自动调和函数进行再次增强，进行图像颜色空间处理，得到炎症红区处理底图；针对底图的图像色彩空间变换得到mask图像，并进行特征放大；利用增强型CLAHE算法对mask图像去雾增强；对mask图像进行RGB颜色合成并再次增强；再次利用增强型CLAHE算法对RGB图像去雾增强；获得包含炎症红区光谱的图像。本方法针对现有的肌肤图像处理算法计算量大、运行耗时、识别率不高的问题，简化了图像处理技术，通过本方法对肌肤图片进行处理，获得炎症红区光谱图像，更为直观、精准的显示图像上的炎症情况。
Description
技术领域
本发明涉及一种形成红区光谱的方法，尤其涉及一种脸部肌肤图像炎症提取并形成红区光谱的方法。
背景技术
现如今，在对客户面部肌肤全面检查时，通常会拍照面部肌肤图像，然而，肉眼直接观察面部肌肤图像的限制性较大，难以辨识出那些用肉眼难以看到、及难以辨别的肌肤炎症问题。针对肌肤图像的处理技术的发展，将会对肌肤图像的识别具有重要意义。现有技术的肌肤炎症图像处理算法普遍存在计算量大、运行耗时、识别率不高的问题，因此，亟需提供一种简便图像处理技术，可更为直观、精准的显示肌肤图像上的炎症情况。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种脸部肌肤图像炎症提取并形成红区光谱的方法。
为了解决以上技术问题，本发明采用的技术方案是：一种脸部肌肤图像炎症提取并形成红区光谱的方法，包括以下步骤：
步骤一、在PL光下获取脸部肌肤图像，并利用曲线函数增强图像；
步骤二、利用曲线函数对图像增强后，再利用自动追随的自动调和函数对图像进行再次增强；并进行图像颜色空间处理，得到炎症红区处理底图；
步骤三、针对炎症红区处理底图，对图像色彩空间变换得到mask图像，并对mask图像进行特征放大处理；
步骤四、利用增强型CLAHE算法对mask图像去雾增强；
步骤五、对mask图像进行RGB颜色合成并进行再次增强；
步骤六、再次利用增强型CLAHE算法对RGB图像去雾增强；
步骤七、获得包含炎症红区光谱的图像。
进一步地，步骤一中，获取的肌肤图像为脸部肌肤PL图像，采用的曲线函数增强为贝塞尔三次样条插值曲线函数。
进一步地，利用贝塞尔三次样条插值曲线函数对图像进行两次增强，第一次贝塞尔三次样条插值曲线输入输出参数为[47,28,133,122]，第二次贝塞尔三次样条插值曲线输入输出参数为[45,27,140,146]。
进一步地，炎症红区处理底图获取的具体过程有：
(1)首先拷贝一份要处理的图像；
(2)对其中一份图像，把图像的RGB色彩空间转换成LAB色彩空间；
(3)对其中另一份，把图像的RGB色彩空间转换成HSV色彩空间；
(4)图像LAB转换为32位浮点数，并把值转换成0-1闭区间小数；
(5)图像HSV转换为32位浮点数，并把值转换成0-1闭区间小数；
(6)提取LAB图像的a通道图像，并对此图像进行自动追随的自动调和函数算法处理，图像增强结构记作MatA1；
(7)提取HSV图像的V通道图像，用MatV表示；
(8)新建一张空白图像Mat，与原图像大小相同；
(9)把Mat分割成HSV通道；H通道赋值为零，S通道赋值MatA，V通道赋值MatV；
(10)把三个通道值扩大255倍，并转换为8bit无符号类型数据；
(11)最终，利用自动追随的自动调和函数对图像增强，得到最终底盘图像，即炎症红区处理底图。
进一步地，确定自动调和函数的最优参数，分别记为max、min，根据此最优参数，利用自动追随的自动调和函数对a通道图像的增强处理，提取LAB的a通道图像记作MatA；对MatA图像的每一个像素值进行[0,1]范围内的对应压缩；对MatA图像上的每个像素进行循环；如果MatA的像素值小于min，此MatA的像素值为零；如果MatA的像素值大于max，此Mate的像素值为1；其余情况下MatA像素值为：
进一步地，步骤三中，mask图像的变换过程有：把图像在RGB模式下，分割成R通道、G通道、B通道图像；把图像在LAB模式下，分割成l通道、a通道、b通道；利用mask图像的数字变现的限定参数将图像色彩空间变换得到mask图像。
进一步地，对mask图像进行特征放大处理，采用如下公式：
gray＝-0.00009685×gray3+0.03784×gray2-2.673×gray+48.12
如果gray的计数值小于0，gray赋值为0；如果gray的计数值大于255，gray赋值为255；其余情况下，gray值不变，把所有gray值重新赋值给mask所对应的像素值。
进一步地，步骤五的具体过程为：(1)新建一张空白图像MatHSV，与原图大小相同；(2)把图像分割成H通道、S通道、V通道；(3)对mask图像所有像素点进行循环；(4)如果mask的像素值小于25时，H＝176，S＝30，V＝241；如果mask的像素值大于等于25时，H＝176，
(5)把图像MatHSV转换为RGB空间图像；(6)对RGB空间图像，再次特征增强；在RGB模式下，分别对R通道、G通道、B通道做增强；(7)其中，R通道的增强算法为：
R＝-0.00003566×R3+0.01467×R2-0.4392×R-6.082
如果R计算值小于0，R值取0；如果R计算值大于255，R值取255；
对G通道的增强算法为：
G＝-0.00003566×G3+0.01467×G2-0.4392×G-6.082
如果G的计算值小于0，G值取0；如果G的计算值大于255，G值取255；
对B通道的增强算法为：
B＝-0.00003566×B3+0.01467×B2-0.4392×B-6.082如果B的计算值小于0，B值取0；如果B的计算值大于255，B值取255；(8)对所有的像素值，R值、G值、B值做整数化处理。
本发明公开了一种脸部肌肤图像炎症提取并形成红区光谱的方法，针对现有的肌肤图像处理算法计算量大、运行耗时、识别率不高的问题，简化了图像处理技术，通过本方法对肌肤图片进行处理，可得到炎症红区光谱图像，进而可以更为直观、精准的显示肌肤图像上的炎症情况。
附图说明
图1为本发明的流程示意图。
图2为本发明具体实施的详细流程示意图。
图3为本发明实施例所采集的脸部肌肤PL图像。
图4为本发明实施例所获得的包含炎症红区光谱的图像。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明公开了一种脸部肌肤图像炎症提取并形成红区光谱的方法，具体包括如下处理步骤：
步骤一、在PL光下获取脸部肌肤图像，并利用曲线函数增强图像；
首先，获取的肌肤图像为特征比较明显的脸部肌肤PL图像，利用肌肤图像拍摄设备拍摄得到PL图像，如利用皮肤拍摄云镜或思图图像设备实现拍摄。
其次，在本步骤中，具体是利用贝塞尔三次样条插值曲线函数对图像进行增强，并且需要两次利用贝塞尔三次样条插值曲线函数对图像进行增强，第一次贝塞尔三次样条插值曲线输入输出参数为[47,28,133,122]；第二次贝塞尔三次样条插值曲线输入输出参数为[45,27,140,146]。
步骤二、利用曲线函数对图像增强后，再利用自动追随的自动调和函数对图像进行再次增强；并进行图像颜色空间处理，得到炎症红区处理底图；
首先，需确定自动调和函数的最优参数，在上千张特征比较明显的脸部肌肤PL图像中，人工挑选特征最好且最具代表性的图像样本，通过自动调和函数算法，记录存储此图像样本调和的最大值、最小值，分别记为max、min，max、min即为自动调和函数的最优参数。对于步骤一处理得到的增强图像样本，则均需根据此最优参数，进行a通道图像的增强处理。
以选取的最优参数min＝0.50196,max＝0.6549为例，进行说明；对增强图像进行32位浮点型转化，并提取LAB的a通道图像，记作MatA；对MatA图像的每一个像素值进行[0,1]范围内的对应压缩；对MatA图像上的每个像素进行循环；如果MatA的像素值小于min＝0.50196，此MatA的像素值为零；如果MatA的像素值大于max＝0.6549，此Mate的像素值为1；其余情况下MatA像素值为：
利用自动追随的自动调和函数对图像进行增强后，得到加强后的a通道图像，记作MatA1。
为得到得到处理好的炎症红区处理底图，需对图像颜色空间进行处理，具体有：(1)首先拷贝一份要处理的图像；(2)对其中一份图像，把图像的RGB色彩空间转换成LAB色彩空间；(3)对其中另一份，把图像的RGB色彩空间转换成HSV色彩空间；(4)图像LAB转换为32位浮点数，并把值转换成0-1闭区间小数；(5)图像HSV转换为32位浮点数，并把值转换成0-1闭区间小数；(6)提取LAB图像的a通道图像，并对此图像进行自动追随的自动调和函数算法处理，图像增强结构记作MatA1；(7)提取HSV图像的V通道图像，用MatV表示；(8)新建一张空白图像Mat，与原图像(原图像指的就是机器拍摄出来的原始图像)大小相同；(9)把Mat分割成HSV通道；H通道赋值为零，S通道赋值MatA，V通道赋值MatV；(10)把三个通道值扩大255倍，并转换为8bit无符号类型数据；(11)最终，利用自动追随的自动调和函数对图像增强，得到最终底盘图像，即炎症红区处理底图。经本步骤处理后，图像为红色增强的图像。
步骤三、针对炎症红区处理底图，对图像色彩空间变换得到mask图像，并对mask图像进行特征放大处理；首先，mask图像的变换过程具体有：把图像在RGB模式下，分割成R通道、G通道、B通道图像；把图像在LAB模式下，分割成l通道、a通道、b通道；利用mask图像的数字变现的限定参数将图像色彩空间变换得到mask图像。例如，云镜的限定参数为：
思图的限定参数为：
式中，a表示:a通道图像上点的像素值，G表示:G通道图像上点的像素值，B表示:B通道图像上点的像素值；同时限定参数公式计算所得值即为mask的像素值。
进一步地，对mask图像进行特征放大处理，图像mask的像素点用gray表示，其mask特征放大如公式所示：
gray＝-0.00009685×gray3+0.03784×gray2-2.673×gray+48.12
如果gray的计数值小于0，gray赋值为0，即gray＝0；如果gray的计数值大于255，gray赋值为255，即gray＝255；其余情况下，gray值不变，把所有gray值重新赋值给mask所对应的像素值。
步骤四、利用增强型CLAHE算法对mask图像去雾增强，经过CLAHE算法处理后的mask图像，变得更加清晰；
CLAHE算法即限制对比度直方图均衡(CLAHE)算法，在浮点数的平滑运算，数据范围在[0-1]之间；按照直方图均衡化算法计算分布，采用Karel Zuiderveld的源代码实现，基于自适应分块的直方图均衡化。直方图均衡化的实施方式如下：RGB三通道的直方图数据和亮度通道数据的混合有效范围[0,100]；取值为0为三通道按相同的直方图数据映射，100时为各通道单独校正；局部的直方图数据和全图的直方图数据的混合有效范围[0,100]；取值为0时为全图的CLHE，取值为100时为原始的CLAHE；裁切限幅的千分比取值范围[0,50]；被裁剪掉的部分会重新分配给每个色阶，为0时每一小块和标准的直方图均衡化，得到增强型CLAHE算法的mask图像。
步骤五、对mask图像进行RGB颜色合成并进行再次增强；包括如下过程：(1)新建一张空白图像MatHSV，与原图大小相同；(2)把图像分割成H通道、S通道、V通道；(3)对mask图像所有像素点进行循环；(4)如果mask的像素值小于25时，H＝176，S＝30，V＝241；如果mask的像素值大于等于25时，H＝176，
(5)把图像MatHSV转换为RGB空间图像；(6)对RGB空间图像，再次特征增强；在RGB模式下，分别对R通道、G通道、B通道做增强；(7)其中，R通道的增强算法为：
R＝-0.00003566×R3+0.01467×R2-0.4392×R-6.082
如果R计算值小于0，R值取0；如果R计算值大于255，R值取255；
对G通道的增强算法为：
G＝-0.00003566×G3+0.01467×G2-0.4392×G-6.082
如果G的计算值小于0，G值取0；如果G的计算值大于255，G值取255；
对B通道的增强算法为：
B＝-0.00003566×B3+0.01467×B2-0.4392×B-6.082
如果B的计算值小于0，B值取0；如果B的计算值大于255，B值取255；(8)对所有的像素值，R值、G值、B值做整数化处理。
步骤六、再次利用增强型CLAHE算法对RGB图像去雾增强；
在本步骤六与步骤四采用同样的增强型CLAHE算法，不相同的是，本步骤所处理的RGB图像是三维图像。
步骤七、获得包含炎症红区光谱的图像。
【实施例】
利用思图肌肤图像拍摄设备采集脸部肌肤PL图像，采集到的PL图像如图3所示，所拍摄的照片虽十分清晰，但难以直接且直观的展现出脸部炎症情况；利用本发明所公开的脸部肌肤图像炎症提取并形成红区光谱的方法对图3进行处理，最终得到如图4所示的包含炎症红区光谱的图像，图4的原始图像为泛红的图片(图中未呈现出来)，通过图4可以直观、清晰、精准的查看到肌肤图像上的炎症情况。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (8)
1.一种脸部肌肤图像炎症提取并形成红区光谱的方法，其特征在于：包括以下步骤：
步骤一、在PL光下获取脸部肌肤图像，并利用曲线函数增强图像；
步骤二、利用曲线函数对图像增强后，再利用自动追随的自动调和函数对图像进行再次增强；并进行图像颜色空间处理，得到炎症红区处理底图；
步骤三、针对炎症红区处理底图，对图像色彩空间变换得到mask图像，并对mask图像进行特征放大处理；
步骤四、利用增强型CLAHE算法对mask图像去雾增强；
步骤五、对mask图像进行RGB颜色合成并进行再次增强；
步骤六、再次利用增强型CLAHE算法对RGB图像去雾增强；
步骤七、获得包含炎症红区光谱的图像。
2.根据权利要求1所述的脸部肌肤图像炎症提取并形成红区光谱的方法，其特征在于：步骤一中，获取的肌肤图像为脸部肌肤PL图像，采用的曲线函数增强为贝塞尔三次样条插值曲线函数。
3.根据权利要求2所述的脸部肌肤图像炎症提取并形成红区光谱的方法，其特征在于：利用贝塞尔三次样条插值曲线函数对图像进行两次增强，第一次贝塞尔三次样条插值曲线输入输出参数为[47,28,133,122]，第二次贝塞尔三次样条插值曲线输入输出参数为[45,27,140,146]。
4.根据权利要求1所述的脸部肌肤图像炎症提取并形成红区光谱的方法，其特征在于：炎症红区处理底图获取的具体过程有：
(1)首先拷贝一份要处理的图像；
(2)对其中一份图像，把图像的RGB色彩空间转换成LAB色彩空间；
(3)对其中另一份，把图像的RGB色彩空间转换成HSV色彩空间；
(4)图像LAB转换为32位浮点数，并把值转换成0-1闭区间小数；
(5)图像HSV转换为32位浮点数，并把值转换成0-1闭区间小数；
(6)提取LAB图像的a通道图像，并对此图像进行自动追随的自动调和函数算法处理，图像增强结构记作MatA1；
(7)提取HSV图像的V通道图像，用MatV表示；
(8)新建一张空白图像Mat，与原图像大小相同；
(9)把Mat分割成HSV通道；H通道赋值为零，S通道赋值MatA，V通道赋值MatV；
(10)把三个通道值扩大255倍，并转换为8bit无符号类型数据；
(11)最终，利用自动追随的自动调和函数对图像增强，得到最终底盘图像，即炎症红区处理底图。
5.根据权利要求4所述的脸部肌肤图像炎症提取并形成红区光谱的方法，其特征在于：确定自动调和函数的最优参数，分别记为max、min，根据此最优参数，利用自动追随的自动调和函数对a通道图像的增强处理，提取LAB的a通道图像记作MatA；对MatA图像的每一个像素值进行[0,1]范围内的对应压缩；对MatA图像上的每个像素进行循环；如果MatA的像素值小于min，此MatA的像素值为零；如果MatA的像素值大于max，此Mate的像素值为1；其余情况下MatA像素值为：
6.根据权利要求1所述的脸部肌肤图像炎症提取并形成红区光谱的方法，其特征在于：步骤三中，mask图像的变换过程有：把图像在RGB模式下，分割成R通道、G通道、B通道图像；把图像在LAB模式下，分割成l通道、a通道、b通道；利用mask图像的数字变现的限定参数将图像色彩空间变换得到mask图像。
7.根据权利要求6所述的脸部肌肤图像炎症提取并形成红区光谱的方法，其特征在于：对mask图像进行特征放大处理，采用如下公式：
gray＝-0.00009685×gray3+0.03784×gray2-2.673×gray+48.12
如果gray的计数值小于0，gray赋值为0；如果gray的计数值大于255，gray赋值为255；其余情况下，gray值不变，把所有gray值重新赋值给mask所对应的像素值。
8.根据权利要求1所述的脸部肌肤图像炎症提取并形成红区光谱的方法，其特征在于：步骤五的具体过程为：(1)新建一张空白图像MatHSV，与原图大小相同；(2)把图像分割成H通道、S通道、V通道；(3)对mask图像所有像素点进行循环；(4)如果mask的像素值小于25时，H＝176，S＝30，V＝241；如果mask的像素值大于等于25时，H＝176，
(5)把图像MatHSV转换为RGB空间图像；(6)对RGB空间图像，再次特征增强；在RGB模式下，分别对R通道、G通道、B通道做增强；(7)其中，R通道的增强算法为：
R＝-0.00003566×R3+0.01467×R2-0.4392×R-6.082
如果R计算值小于0，R值取0；如果R计算值大于255，R值取255；
对G通道的增强算法为：
G＝-0.00003566×G3+0.01467×G2-0.4392×G-6.082
如果G的计算值小于0，G值取0；如果G的计算值大于255，G值取255；
对B通道的增强算法为：
B＝-0.00003566×B3+0.01467×B2-0.4392×B-6.082
如果B的计算值小于0，B值取0；如果B的计算值大于255，B值取255；(8)对所有的像素值，R值、G值、B值做整数化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225524.7A CN113989138A (zh) | 2021-10-21 | 2021-10-21 | 一种脸部肌肤图像炎症提取并形成红区光谱的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225524.7A CN113989138A (zh) | 2021-10-21 | 2021-10-21 | 一种脸部肌肤图像炎症提取并形成红区光谱的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113989138A true CN113989138A (zh) | 2022-01-28 |
Family
ID=79739846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111225524.7A Pending CN113989138A (zh) | 2021-10-21 | 2021-10-21 | 一种脸部肌肤图像炎症提取并形成红区光谱的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989138A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977464A (zh) * | 2023-07-10 | 2023-10-31 | 深圳伯德睿捷健康科技有限公司 | 人脸皮肤敏感度的检测方法、系统、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843475A (zh) * | 2009-03-26 | 2010-09-29 | 强生消费者公司 | 测定皮肤红斑的方法 |
| US20170318874A1 (en) * | 2013-06-28 | 2017-11-09 | James D. Lee | Methods and devices for protective filtration and delivery of respirable compounds |
| US20180228873A1 (en) * | 2015-07-20 | 2018-08-16 | Bengt I. Samuelsson Institute Of Life Science Research | Mussel adhesive protein product and applications thereof in suppression of skin inflammations |
| CN110363088A (zh) * | 2019-06-12 | 2019-10-22 | 南京理工大学 | 基于多特征融合的自适应皮肤炎症区域检测方法 |
-
2021
- 2021-10-21 CN CN202111225524.7A patent/CN113989138A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843475A (zh) * | 2009-03-26 | 2010-09-29 | 强生消费者公司 | 测定皮肤红斑的方法 |
| US20170318874A1 (en) * | 2013-06-28 | 2017-11-09 | James D. Lee | Methods and devices for protective filtration and delivery of respirable compounds |
| US20180228873A1 (en) * | 2015-07-20 | 2018-08-16 | Bengt I. Samuelsson Institute Of Life Science Research | Mussel adhesive protein product and applications thereof in suppression of skin inflammations |
| CN110363088A (zh) * | 2019-06-12 | 2019-10-22 | 南京理工大学 | 基于多特征融合的自适应皮肤炎症区域检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 范金龙: "腿静脉曲张红外图像特征提取的分割算法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 3, 15 March 2020 (2020-03-15), pages 062 - 244 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977464A (zh) * | 2023-07-10 | 2023-10-31 | 深圳伯德睿捷健康科技有限公司 | 人脸皮肤敏感度的检测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2400815C2 (ru) | Способ повышения качества цифрового фотоизображения | |
| US8115833B2 (en) | Image-acquisition apparatus | |
| JP6818463B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
| JP2000171304A (ja) | カラ―照明色温度の検出方法及び該装置 | |
| CN113822830B (zh) | 基于深度感知增强的多曝光图像融合方法 | |
| CN111105371B (zh) | 一种低对比度红外图像的增强方法 | |
| WO2019015553A1 (zh) | 图像色彩校正方法、装置、存储介质和计算机设备 | |
| CN111598812B (zh) | 一种基于rgb和hsv双颜色空间的图像去雾方法 | |
| CN110223253B (zh) | 一种基于图像增强的去雾方法 | |
| CN113989138A (zh) | 一种脸部肌肤图像炎症提取并形成红区光谱的方法 | |
| CN111563866A (zh) | 一种多源遥感图像融合方法 | |
| CN113824945A (zh) | 一种基于深度学习的快速自动白平衡和颜色矫正方法 | |
| CN111836103B (zh) | 基于数据分析的防遮挡处理系统 | |
| CN112465711A (zh) | 一种针对雾天环境下的降质图像增强方法 | |
| JP5203159B2 (ja) | 画像処理方法、画像処理システムおよび画像処理プログラム | |
| CN116630198A (zh) | 一种结合自适应伽马校正的多尺度融合水下图像增强方法 | |
| JP4742068B2 (ja) | 画像処理方法、画像処理システムおよび画像処理プログラム | |
| CN113989137A (zh) | 一种脸部肌肤图像色素沉着提取并形成棕区光谱的方法 | |
| CN112837248B (zh) | 一种视频流去噪方法及系统 | |
| CN103646382A (zh) | 一种烟叶病害的图像增强处理方法 | |
| CN115293989A (zh) | 一种综合MsRcR和自动色阶的图像增强方法 | |
| CN114494471A (zh) | 一种图像对比度增强方法及系统 | |
| CN109544466B (zh) | 一种基于引导滤波的彩色图像Retinex增强方法 | |
| JP2001078235A (ja) | 画像評価方法および画像評価装置 | |
| Hasan et al. | A Comprehensive Approach to Enhance Dark Image Implementing Image Processing Techniques |
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 |