CN113989884A - 基于脸部肌肤图像紫外深层及浅层色斑的识别方法 - Google Patents
基于脸部肌肤图像紫外深层及浅层色斑的识别方法 Download PDFInfo
- Publication number
- CN113989884A CN113989884A CN202111225525.1A CN202111225525A CN113989884A CN 113989884 A CN113989884 A CN 113989884A CN 202111225525 A CN202111225525 A CN 202111225525A CN 113989884 A CN113989884 A CN 113989884A
- Authority
- CN
- China
- Prior art keywords
- mask
- value
- image
- gray
- deep
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000001815 facial effect Effects 0.000 title claims abstract description 30
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002194 synthesizing effect Effects 0.000 abstract description 2
- 239000003086 colorant Substances 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method 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
-
- 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
- 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
- G06T2207/20172—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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于脸部肌肤图像紫外深层及浅层色斑的识别方法，包括以下步骤：获取面部肌肤图像，对图像mask灰度化同时获取图像RGB通道值；结合G通道值和B通道值给mask值赋值；对赋值后的mask灰度图像进行gamma变换和卷积操作；对步骤三处理后的mask灰度图像进行寻优增强处理；将增强后的增强特征值赋值给灰度mask图像像素点，通过RGB颜色合成得到具有深层色斑及浅层色斑的光谱图像。本发明能够有效提取识别出客户面部肌肤上的浅层色斑以及不易察觉的深层色斑，有利于美容医师及皮肤科医生在治疗脸部肌肤过程中，能够提供更加准确的诊断效果。并且在识别过程中计算量小，能够短时快速地得到图像结果。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于脸部肌肤图像紫外深层及浅层色斑的识别方法。
背景技术
在医院的皮肤科室以及医疗美容行业中，对客户面部肌肤进行全面检查时，通常在UV光下拍摄面部肌肤色斑图像以供参考，然而技术限制所致识别率不高，使图像中存在肉眼难以看到的以及难以辨别的肌肤深层色斑，常导致在治疗过程中容易出现治疗不彻底、不根治、色斑复发等问题的出现。并且现有的识别色斑计算方法存在计算量大、运行耗时等问题，难以在实际应用过程中提供可靠的参考。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于脸部肌肤图像紫外深层及浅层色斑的识别方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于脸部肌肤图像紫外深层及浅层色斑的识别方法，包括以下步骤：
步骤一、获取面部肌肤图像，对图像mask灰度化同时获取图像RGB通道值；
步骤二、结合G通道值和B通道值给mask值赋值；
步骤三、对赋值后的mask灰度图像进行gamma变换和卷积操作；
步骤四、对步骤三处理后的mask灰度图像进行寻优增强处理；
步骤五、将增强后的增强特征值赋值给灰度mask图像像素点，通过RGB颜色合成得到具有深层色斑及浅层色斑的光谱图像。
进一步地，步骤二中给mask值赋值的方法如公式①所示，分别取G通道值和B通道值各一半赋值给mask值；
mask值＝(像素点G通道值+像素点B通道值)×0.5。 公式①
进一步地，步骤三中gamma变换的gamma参数，对于深层色斑gamma取值0.6，对于浅层色斑gamma取值0.5；并且经gamma变换后的图像像素值用mask_ga表示，并向下取整数。
进一步地，步骤三中卷积操作的卷积核参数，对于深层色斑卷积核参数为100(0.0001)，对于浅层色斑卷积核参数为300(0.00001111)；并且经卷积操作后的图像像素值用mask_co表示，并向下取整数。
进一步地，步骤四中寻优增强处理方法为：
步骤1、设定图像mask_co像素点值变量为matMean；图像mask_ga像素点值变量为maskGray；
步骤2、对于深层色斑，通过比较maskGray与matMean的大小，重新为maskGray赋值；对于浅层色斑，通过比较mask_co与mask_ga的大小，重新为mask赋值；
步骤3、对重新赋值后的maskGray和mask分别按照公式⑥和公式⑦进行增强寻优处理：
mask＝0-0.000004401×mask_co3+0.0034311×mask_co2+0.3439×mask_co+1.519。 公式⑦
进一步地，上述步骤2中对于深层色斑的比较方法如下，其中n＝2.8；
如果maskGray的值小于等于matMean的值，
则maskGray＝matMean-(n+1)×(matMean-maskGray)；公式②
其中，如果maskGray小于零，此时maskGray＝0；如果maskGray大于等于255，此时maskGray＝255；
如果maskGray的大于matMean的值，
则maskGray＝matMean+(n+1)×(matMean-maskGray)；公式③
其中，如果maskGray小于零，此时maskGray＝0；如果maskGray大于等于255，此时maskGray＝255。
进一步地，上述步骤2中对于浅层色斑的比较方法如下；
如果像素点mask_ga的值小于等于像素点mask_co的值，则新的mask在此点值如公式④所示：
mask＝mask_co-(mask_co-mask_ga)×(mask_co-mask_ga)×0.64×0.15-0.8×(mask_co-mask_ga)公式④
其中，如果上式的值小于零，此时mask取值为0；
像素点mask_ga的值大于像素点mask_co的值，则新的mask在此点值如公式⑤所示：
mask＝mask_co+(mask_co-mask_ga)×(mask_co-mask_ga)×0.64×0.15-0.8×(mask_co-mask_ga)公式⑤
其中，如果上式的值小于零，此时mask取值为0。
进一步地，步骤五中，把mask图像的单通道图像，扩展成RGB的三通道图像，其中R通道、G通道、B通道的所有像素值赋值为mask图像所对应的像素值，最后形成一张新的深层色斑及浅层色斑光谱图像。
进一步地，步骤五中对于最后得到的紫外深层色斑光谱，再经过贝塞尔三次样条插值曲线对其增强，样条曲线插值的输入输出值为：[73,44,212,187]。
图像mask灰度化：对面部肌肤图像(是三通道彩图)灰度处理后(彩色图像变成灰度图像)，此灰度图像的名称为mask。
贝塞尔三次样条插值：就是一种对图像变亮或者变暗，使图像对比度提高或者降低的一种图像处理算法
gamma变换：也称幂律变换，是常用的灰度变换，是一种简单的图像增强算法。取值范围是[0,1](包括0，包括1)。
本发明基于脸部肌肤图像深层色斑及浅层色斑提取并形成紫外深层色斑光谱及浅层色斑光谱的识别方法，如图2-图4所示，本发明相比现有技术能够有效提取识别出客户面部肌肤上的浅层色斑以及不易察觉的深层色斑，有利于美容医师及皮肤科医生在治疗脸部肌肤过程中，能够提供更加准确的诊断效果。并且在识别过程中计算量小，能够短时快速地得到图像结果。
附图说明
图1为本发明的方法流程图。
图2为现有方法在UV光下拍摄得到的面部肌肤图像。
图3为经本发明得到的浅层色斑光谱面部肌肤图像。
图4为经本发明得到的紫外深层色斑光谱面部肌肤图像。
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。
如图1所示，一种基于脸部肌肤图像紫外深层及浅层色斑的识别方法，包括以下步骤：
步骤一、获取UV光面部肌肤图像，并拷贝一份图像。对其中一张面部肌肤图像进行mask灰度化，另一张图像在RGB模式下，分别R、G、B三通道处理，得到图像每一点像素在R通道、G通道、B通道的值。
mask灰度化图像为本公司研发的云镜、思图医疗设备，在UV光下，拍摄出的图片图像进行灰度化。RGB模式为根据本公司研发的云镜、思图医疗设备，在UV光下，拍摄出的图片图像分别RGB三通道分离。
步骤二、结合G通道值和B通道值给mask值赋值；如公式①所示，分别取G通道值和B通道值各一半赋值给mask相应位置的像素点的值；
mask值＝(像素点G通道值+像素点B通道值)×0.5。公式①
步骤三、对赋值后的mask灰度图像进行gamma变换和卷积操作；并且根据深层色斑与浅层色斑选取不同的gamma参数和卷积核参数。
Gamma变换的方法是：对新的mask图像上每一点的像素值“归一化、预补偿、反归一化”操作，gamma变换的gamma参数，对于深层色斑gamma取值0.6，对于浅层色斑gamma取值0.5；并且经gamma变换后的图像像素值用mask_ga表示，并向下取整数。
卷积操作的卷积核参数，对于深层色斑卷积核参数为100乘以100的0.0001，即100(0.0001)，对于浅层色斑卷积核参数为300乘以300的0.00001111，即300(0.00001111)；并且经卷积操作后的图像像素值用mask_co表示，并向下取整数。
步骤四、对步骤三处理后的mask灰度图像的每个像素值进行寻优增强处理方法如下，其中n＝2.8(浅层色斑n＝0.8)。
步骤1、设定图像mask_co像素点值变量为matMean；图像mask_ga像素点值变量为maskGray；
步骤2、对于深层色斑：
分类一、如果maskGray的值小于等于matMean的值，则通过公式②对maskGray进行赋值：
maskGray＝matMean-(n+1)×(matMean-maskGray)；公式②
其中，如果初始maskGray小于零，此时对maskGray赋值0；如果初始maskGray大于等于255，此时对maskGray赋值255。
分类二、如果maskGray的大于matMean的值，则通过公式③对maskGray进行赋值：
maskGray＝matMean+(n+1)×(matMean-maskGray)； 公式③
其中，如果初始maskGray小于零，此时赋值后的maskGray＝0；如果初始maskGray大于等于255，此时赋值后的maskGray＝255。
对于浅层色斑：
分类一、如果像素点mask_ga的值小于等于像素点mask_co的值，则新的mask在此点值如公式④所示：
mask＝mask_co-(mask_co-mask_ga)×(mask_co-mask_ga)×0.64×0.15-0.8×(mask_co-mask_ga)公式④
其中，如果上式的值小于零，此时为mask赋值为0；
分类二、像素点mask_ga的值大于像素点mask_co的值，则新的mask在此点值如公式⑤所示：
mask＝mask_co+(mask_co-mask_ga)×(mask_co-mask_ga)×0.64×0.15-0.8×(mask_co-mask_ga)公式⑤
其中，如果上式的值小于零，此时为mask赋值为0。
步骤3、对重新赋值后的maskGray和mask分别按照公式⑥和公式⑦进行二次增强寻优处理。
mask＝0-0.000004401×mask_co 3+0.0034311×mask_co2+0.3439×mask_co+1.519。 公式⑦
上述增强处理后的增强值是适应武汉博视电子有限公司云镜思图等系统的UV光拍摄图片的特征增强值，并且是武汉博视电子有限公司云镜思图设备等相机特定参数下的特征增强值。
步骤五、对步骤四处理后的图像进行RGB颜色合成，得到紫外深层色斑光谱以及绿色浅层色斑光谱。
具体的，把mask图像的单通道图像，扩展成RGB的三通道图像，其中R通道、G通道、B通道的所有像素值赋值为mask图像所对应的像素值。对于浅层色斑在特征处合成分层的绿色形成浅层色斑光谱。
对于深层色斑在特征处合成分层的黑色形成紫外深层色斑光谱。
对于RGB黑色光谱图像，再经过贝塞尔三次样条插值曲线对其增强，样条曲线插值的输入输出值为：[73,44,212,187]，最终得到紫外深层色斑光谱。
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 (9)
1.一种基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：包括以下步骤：
步骤一、获取面部肌肤图像，对图像mask灰度化同时获取图像RGB通道值；
步骤二、结合G通道值和B通道值给mask值赋值；
步骤三、对赋值后的mask灰度图像进行gamma变换和卷积操作；
步骤四、对步骤三处理后的mask灰度图像进行寻优增强处理；
步骤五、将增强后的增强特征值赋值给灰度mask图像像素点，通过RGB颜色合成得到具有深层色斑及浅层色斑的光谱图像。
2.如权利要求1所述的基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：步骤二中给mask值赋值的方法如公式①所示，分别取G通道值和B通道值各一半赋值给mask值；
mask值＝(像素点G通道值+像素点B通道值)×0.5。 公式①
3.如权利要求2所述的基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：步骤三中gamma变换的gamma参数，对于深层色斑gamma取值0.6，对于浅层色斑gamma取值0.5；并且经gamma变换后的图像像素值用mask_ga表示，并向下取整数。
4.如权利要求3所述的基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：步骤三中卷积操作的卷积核参数，对于深层色斑卷积核参数为100(0.0001)，对于浅层色斑卷积核参数为300(0.00001111)；并且经卷积操作后的图像像素值用mask_co表示，并向下取整数。
5.如权利要求4所述的基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：步骤四中寻优增强处理方法为：
步骤1、设定图像mask_co像素点值变量为matMean；图像mask_ga像素点值变量为maskGray；
步骤2、对于深层色斑，通过比较maskGray与matMean的大小，重新为maskGray赋值；对于浅层色斑，通过比较mask_co与mask_ga的大小，重新为mask赋值；
步骤3、对重新赋值后的maskGray和mask分别按照公式⑥和公式⑦进行增强寻优处理：
mask＝0-0.000004401×mask_co3+0.003431×mask_co2+0.3439×mask_co+1.519。 公式⑦
6.如权利要求5所述的基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：上述步骤2中对于深层色斑的比较方法如下，其中n＝2.8；
如果maskGray的值小于等于matMean的值，
则maskGray＝matMean-(n+1)×(matMean-maskGray)； 公式②
其中，如果maskGray小于零，此时maskGray＝0；如果maskGray大于等于255，此时maskGray＝255；
如果maskGray的大于matMean的值，
则maskGray＝matMean+(n+1)×(matMean-maskGray)； 公式③
其中，如果maskGray小于零，此时maskGray＝0；如果maskGray大于等于255，此时maskGray＝255。
7.如权利要求6所述的基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：上述步骤2中对于浅层色斑的比较方法如下；
如果像素点mask_ga的值小于等于像素点mask_co的值，则新的mask在此点值如公式④所示：
mask＝mask_co-(mask_co-mask_ga)×(mask_co-mask_ga)×0.64×0.15-0.8×(mask_co-mask_ga) 公式④
其中，如果上式的值小于零，此时mask取值为0；
像素点mask_ga的值大于像素点mask_co的值，则新的mask在此点值如公式⑤所示：
mask＝mask_co+(mask_co-mask_ga)×(mask_co-mask_ga)×0.64×0.15-0.8×(mask_co-mask_ga) 公式⑤
其中，如果上式的值小于零，此时mask取值为0。
8.如权利要求7所述的基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：步骤五中，把mask图像的单通道图像，扩展成RGB的三通道图像，其中R通道、G通道、B通道的所有像素值赋值为mask图像所对应的像素值，最后形成一张新的深层色斑及浅层色斑光谱图像。
9.如权利要求8所述的基于脸部肌肤图像紫外深层及浅层色斑的识别方法，其特征在于：步骤五中对于最后得到的紫外深层色斑光谱，再经过贝塞尔三次样条插值曲线对其增强，样条曲线插值的输入输出值为：[73,44,212,187]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225525.1A CN113989884B (zh) | 2021-10-21 | 2021-10-21 | 基于脸部肌肤图像紫外深层及浅层色斑的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111225525.1A CN113989884B (zh) | 2021-10-21 | 2021-10-21 | 基于脸部肌肤图像紫外深层及浅层色斑的识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113989884A true CN113989884A (zh) | 2022-01-28 |
| CN113989884B CN113989884B (zh) | 2024-05-14 |
Family
ID=79739850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111225525.1A Active CN113989884B (zh) | 2021-10-21 | 2021-10-21 | 基于脸部肌肤图像紫外深层及浅层色斑的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113989884B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008293325A (ja) * | 2007-05-25 | 2008-12-04 | Noritsu Koki Co Ltd | 顔画像解析システム |
| US20180018505A1 (en) * | 2015-10-26 | 2018-01-18 | Tencent Technology (Shenzhen) Company Limited | Method for detecting skin region and apparatus for detecting skin region |
| 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 |
| CN111311514A (zh) * | 2020-02-11 | 2020-06-19 | 上海成运医疗器械股份有限公司 | 用于医用内窥镜的图像处理方法及图像处理装置 |
| CN111738934A (zh) * | 2020-05-15 | 2020-10-02 | 西安工程大学 | 基于mtcnn的红眼自动修复方法 |
| CN113382276A (zh) * | 2021-06-09 | 2021-09-10 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种图片处理方法及系统 |
-
2021
- 2021-10-21 CN CN202111225525.1A patent/CN113989884B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008293325A (ja) * | 2007-05-25 | 2008-12-04 | Noritsu Koki Co Ltd | 顔画像解析システム |
| US20180018505A1 (en) * | 2015-10-26 | 2018-01-18 | Tencent Technology (Shenzhen) Company Limited | Method for detecting skin region and apparatus for detecting skin region |
| 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 |
| CN111311514A (zh) * | 2020-02-11 | 2020-06-19 | 上海成运医疗器械股份有限公司 | 用于医用内窥镜的图像处理方法及图像处理装置 |
| CN111738934A (zh) * | 2020-05-15 | 2020-10-02 | 西安工程大学 | 基于mtcnn的红眼自动修复方法 |
| CN113382276A (zh) * | 2021-06-09 | 2021-09-10 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种图片处理方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| WEI REN TAN: "A Fusion Approach for Efficient Human Skin Detection", 《WEI REN TAN》, 18 October 2011 (2011-10-18) * |
| 储霞;吴效明;黄岳山;: "一种基于人脸皮肤图像的色斑检测算法", 微计算机信息, no. 21, 25 July 2009 (2009-07-25) * |
| 孙银辉: "色素性皮肤病图像预处理与内容检索研究", 《硕士电子期刊》, 15 February 2017 (2017-02-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113989884B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deb et al. | Shadow detection and removal based on YCbCr color space | |
| Raffei et al. | A low lighting or contrast ratio visible iris recognition using iso-contrast limited adaptive histogram equalization | |
| CN102592141A (zh) | 一种对动态图像中人脸遮挡的方法 | |
| Wang et al. | Weak‐Light Image Enhancement Method Based on Adaptive Local Gamma Transform and Color Compensation | |
| CN106384354A (zh) | 基于slic算法的超像素分割方法 | |
| CN108154490A (zh) | 基于改进模糊集理论的高压输电线路绝缘子图像增强方法 | |
| CN117191716B (zh) | 基于人工智能的磁性印刷品质量实时检测方法 | |
| TWI628601B (zh) | 人臉影像處理方法及其系統 | |
| JP2016086347A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
| CN113129300A (zh) | 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质 | |
| CN103996179B (zh) | 一种基于单尺度Retinex的快速实时图像增强方法 | |
| CN112991236B (zh) | 一种基于模板的图像增强方法及装置 | |
| Manders et al. | Robust hand tracking using a skin tone and depth joint probability model | |
| CN113989884A (zh) | 基于脸部肌肤图像紫外深层及浅层色斑的识别方法 | |
| US7263241B2 (en) | Region based illumination-normalization method and system | |
| CN113947535A (zh) | 一种基于光照分量优化的低照度图像增强方法 | |
| 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 | |
| CN115456886A (zh) | 一种基于深度学习和光照模型的航空遥感影像阴影去除方法 | |
| Menotti et al. | Fast hue-preserving histogram equalization methods for color image contrast enhancement | |
| KR101796551B1 (ko) | 가변조명에 강인한 깊이정보 고속 산출방법 및 시스템 | |
| JP2007243987A (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 | |
| Abdullah et al. | Evaluation of the performance of kirsch and robinson methods on different color spaces | |
| CN108564534A (zh) | 一种基于检索的图像对比度调整方法 | |
| 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 | |
| Reddy et al. | Guided image filtering for image enhancement |
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 |