CN114004809A - 皮肤图像处理方法、装置、电子设备和介质 - Google Patents
皮肤图像处理方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114004809A CN114004809A CN202111279502.9A CN202111279502A CN114004809A CN 114004809 A CN114004809 A CN 114004809A CN 202111279502 A CN202111279502 A CN 202111279502A CN 114004809 A CN114004809 A CN 114004809A
- Authority
- CN
- China
- Prior art keywords
- image
- bottom layer
- images
- skin
- training
- 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
Images
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
- 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
- G06T2207/20—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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (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、介质和产品,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域。皮肤图像处理方法包括:对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像;基于至少一个滤波后的图像,得到镜面反射图像,其中,镜面反射图像包括皮肤的表层信息;基于原始皮肤图像和镜面反射图像,得到漫反射图像,其中,漫反射图像包括皮肤的肌底层信息;处理漫反射图像,得到至少一个肌底层图像,其中,至少一个肌底层图像表征了皮肤肌底层的色素特征。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,更具体地,涉及一种皮肤图像处理方法、装置、电子设备、介质和程序产品。
背景技术
皮肤的肌底层信息可以体现皮肤的深层信息。相关技术获取皮肤肌底层信息的成本较高。
发明内容
本公开提供了一种皮肤图像处理方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种皮肤图像处理方法,包括:对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像;基于所述至少一个滤波后的图像,得到镜面反射图像,其中,所述镜面反射图像包括皮肤的表层信息;基于所述原始皮肤图像和所述镜面反射图像,得到漫反射图像,其中,所述漫反射图像包括皮肤的肌底层信息;处理所述漫反射图像,得到至少一个肌底层图像,其中,所述至少一个肌底层图像表征了皮肤肌底层的色素特征。
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:第一处理模块、第一获得模块、第二获得模块以及第二处理模块。第一处理模块,用于对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像;第一获得模块,用于基于所述至少一个滤波后的图像,得到镜面反射图像,其中,所述镜面反射图像包括皮肤的表层信息;第二获得模块,用于基于所述原始皮肤图像和所述镜面反射图像,得到漫反射图像,其中,所述漫反射图像包括皮肤的肌底层信息;第二处理模块,用于处理所述漫反射图像,得到至少一个肌底层图像,其中,所述至少一个肌底层图像表征了皮肤肌底层的色素特征。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和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上述的皮肤图像处理方法。
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,所述计算机指令用于使所述计算机执行上述的皮肤图像处理方法。
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,所述计算机程序在被处理器执行时实现上述的皮肤图像处理方法。
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示意性示出了根据本公开一实施例的皮肤图像处理方法和装置的应用场景;
图2示意性示出了根据本公开一实施例的皮肤图像处理方法的流程图;
图3示意性示出了根据本公开一实施例的皮肤图像处理方法的原理图;
图4示意性示出了根据本公开一实施例的皮肤图像处理的系统图;
图5示意性示出了根据本公开一实施例的皮肤图像处理装置的框图;以及
图6是用来实现本公开实施例的用于执行皮肤图像处理的电子设备的框图。
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。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
相关技术中的电子设备通常难以基于采集的图像获取皮肤肌底层信息。因此,相关技术通常通过专业设备获取皮肤肌底层信息,导致成本较高。有鉴于此,本公开实施例提供的电子设备能够获取皮肤肌底层信息,降低了成本。
本公开的实施例提供了一种皮肤图像处理方法,包括:对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像,基于至少一个滤波后的图像,得到镜面反射图像,镜面反射图像包括皮肤的表层信息。然后,基于原始皮肤图像和镜面反射图像,得到漫反射图像,漫反射图像包括皮肤的肌底层信息。接下来处理漫反射图像,得到至少一个肌底层图像,至少一个肌底层图像表征了皮肤肌底层的色素特征。
图1示意性示出了根据本公开一实施例的皮肤图像处理方法和装置的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的应用场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,本公开的应用场景100例如包括为用户110和电子设备120。
示例性地,电子设备120例如包括智能手机、计算机等。电子设备120具有图像采集功能和图像处理功能。
例如,电子设备120可以采集用户的图像,然后对采集的图像进行处理,得到用户皮肤的肌底层信息,便于用户基于肌底层信息得知皮肤状态。皮肤可以包括用户的面部皮肤。
本公开实施例提供了一种皮肤图像处理方法,下面结合图1的应用场景,参考图2~图4来描述根据本公开示例性实施方式的皮肤图像处理方法。
图2示意性示出了根据本公开一实施例的皮肤图像处理方法的流程图。
如图2所示,本公开实施例的皮肤图像处理方法200例如可以包括操作S210~操作S240。
在操作S210,对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像。
在操作S220,基于至少一个滤波后的图像,得到镜面反射图像,镜面反射图像包括皮肤的表层信息。
在操作S230,基于原始皮肤图像和镜面反射图像,得到漫反射图像,漫反射图像包括皮肤的肌底层信息。
在操作S240,处理漫反射图像,得到至少一个肌底层图像,至少一个肌底层图像表征了皮肤肌底层的色素特征。
示例性地,原始皮肤图像可以是通过电子设备采集的图像,该原始皮肤图像可以是RGB图像。在针对皮肤进行图像采集时,由于皮肤存在反光情况,导致获取的原始皮肤图像存在反光情况,导致原始皮肤图像中皮肤的肌底层的信息不明显。
因此,可以对原始皮肤图像进行滤波,得到滤波后的图像,然后基于滤波后的图像得到镜面反射图像,该镜面反射图像例如包括了皮肤的表层信息,皮肤的表层信息包含了皮肤的反光信息。换言之,通过滤波方式从原始皮肤图像中提取具有反光信息的镜面反射图像。
在得到镜面反射图像之后,可以基于镜面反射图像处理原始皮肤图像,以便去除原始皮肤图像中的皮肤表层信息,得到包含皮肤肌底层信息的漫反射图像。然后,对漫反射图像进行处理,得到表征皮肤肌底层的色素特征的肌底层图像。用户可以基于肌底层图像得知深层的皮肤状态。
根据本公开的实施例,通过对原始皮肤图像进行滤波处理得到镜面反射图像,然后基于镜面反射图像处理原始皮肤图像得到包括肌底层信息的漫反射图像,并基于漫反射图像确定肌底层图像。可见,本公开的实施例无需通过专业设备即可获得肌底层信息,降低了肌底层信息的获取成本。
图3示意性示出了根据本公开一实施例的皮肤图像处理方法的原理图。
如图3所示,确定原始皮肤图像310在第一色彩空间的多个分量图像321、322、323,然后利用双边滤波器分别对多个分量图像321、322、323进行滤波,得到与多个分量图像321、322、323一一对应的多个滤波后的图像331、332、333。
例如,原始皮肤图像310为RGB空间的图像,将原始皮肤图像310转换至第一色彩空间中,第一色彩空间例如包括LAB空间,并将L通道、A通道、B通道对应的图像作为多个分量图像321、322、323。例如,将L通道对应的图像作为分量图像321,将A通道对应的图像作为分量图像322,将B通道对应的图像作为分量图像323。
例如,双边滤波器针对不同的分量图像配置相应的卷积核。例如不同分量图像对应的卷积核的大小不同,例如,针对分量图像321配置11×11的卷积核,针对分量图像322配置3×3的卷积核,针对分量图像323配置5×5的卷积核。其中,卷积核例如包括时域卷积核和空域卷积核。针对不同的分量图像配置不同的卷积核,提高了滤波效果。
另外,为了确定双边滤波器迭代处理的迭代结束条件,可以针对不同的分量图像,配置各分量图像对应的色彩阈值。
例如,分量图像321对应的色彩阈值为0.08,分量图像322对应的色彩阈值为0.05,分量图像322对应的色彩阈值为0.03。
在一种实施方式中,利用双边滤波针对每个分量图像进行滤波处理包括进行至少一次双边滤波处理,得到该分量图像对应的滤波后的图像。
以分量图像321为例,基于分量图像321对应的卷积核进行滤波得到差值图像,差值图像是基于分量图像321和滤波后的图像之间的像素差值得到的。如果差值图像中的平均色彩值小于或等于分量图像321对应的色彩阈值,迭代结束,并将第一次滤波得到的图像作为与分量图像321对应的滤波后的图像331。
如果差值图像中的平均色彩值大于分量图像321对应的色彩阈值,利用分量图像321对应的卷积核对第一次滤波得到的图像进行再次滤波,得到第二次滤波后的图像。然后,基于第二次滤波后的图像和第一次滤波后的图像之间的像素差值得到差值图像,如果差值图像中的平均色彩值小于或等于分量图像321对应的色彩阈值,迭代结束,并将第二次滤波后的图像作为与分量图像321对应的滤波后的图像331。如果差值图像中的平均色彩值大于分量图像321对应的色彩阈值,则对第二次滤波得到的图像继续滤波。
在得到滤波后的图像331、332、333之后,将滤波后的图像331、332、333进行合并得到镜面反射图像340。例如,将滤波后的图像331、332、333中对应像素的像素值相加,得到镜面反射图像340。
在得到镜面反射图像340之后,可以利用光学反射原理得到漫反射图像350。例如,基于原始皮肤图像310的像素值和镜面反射图像340的像素值之间的差值,确定漫反射图像350。例如,将原始皮肤图像310中像素值减去镜面反射图像340中对应的像素值,从而得到漫反射图像350。
根据本公开的实施例,处理原始皮肤图像得到镜面反射图像之后,基于镜面反射图像得到漫反射图像,提高了漫反射图像的准确性,使得漫反射图像包含的肌底层信息更加准确和明显。
在得到漫反射图像350之后,可以对漫反射图像350进行处理得到肌底层图像361、362、363。肌底层图像361、362、363例如包括肌底层红色素图像、肌底层棕色素图像、肌底层灰色素图像。肌底层红色素图像例如能够体现皮肤泛红情况,肌底层棕色素图像例如能够体现色斑色素分布情况,肌底层灰色素图像例如能够体现皮肤纹理扩展与平整度。
图4示意性示出了根据本公开一实施例的皮肤图像处理的系统图。
如图4所示,本公开实施例的系统400包括训练样本标签生成模块410和模型训练模块420。
根据本公开的实施例,在通过上述方法得到漫反射图像之后,可以将漫反射图像输入至经训练的深度学习模型中,得到至少一个肌底层图像。深度学习模型包括但不仅限于卷积神经网络模型。
示例性地,深度学习模型是利用多个训练样本训练得到的,多个训练样本中的每个训练样本包括漫反射训练图像和与漫反射训练图像对应的至少一个肌底层训练图像,至少一个肌底层训练图像例如包括肌底层红色素图像、肌底层棕色素图像、肌底层灰色素图像。
在标签生成模块410,例如利用光学反射原理处理原始皮肤样本图像得到镜面反射样本图像和漫反射训练图像,具体参见上文提及的皮肤图像处理方法。在得到漫反射训练图像之后,通过目标处理方式处理漫反射训练图像,得到与漫反射训练图像对应的至少一个肌底层训练图像,至少一个肌底层训练图像例如包括肌底层红色素图像、肌底层棕色素图像、肌底层灰色素图像。目标处理方式例如包括通过物理光照模型对漫反射图像进行处理。具体过程如下描述。
对漫反射训练图像进行处理,得到当前图像例如包括:确定漫反射训练图像在第二色彩空间的多个子图像,第二色彩空间例如RGB空间,多个子图像例如包括针对R通道的子图像、针对G通道的子图像、针对B通道的子图像;针对R通道的子图像的像素值表示为img_detail_r,针对G通道的子图像的像素值表示为img_detail_g、针对B通道的子图像的像素值表示为img_detail_b,通过以下公式(1)对多个子图像进行融合处理得到多个融合图像MI、HI、BI。
然后,将多个融合图像MI、HI、BI进行合并,得到当前图像。例如,将多个融合图像MI、HI、BI对应的像素值相加,得到当前图像。
将当前图像中的像素值进行平均,得到第一像素综合值。
接下来,与漫反射训练图像进行类似的处理,确定当前图像在第二色彩空间的多个子图像,基于多个子图像和第一像素综合值,得到至少一个肌底层训练图像。
与漫反射训练图像类似,例如,参照公式(1),对当前图像在RGB空间的多个子图像进行融合处理,得到多个融合图像MI、HI、BI;将多个融合图像MI、HI、BI进行合并,得到合并后的图像,例如,将多个融合图像MI、HI、BI对应的像素值相加得到合并后的图像。基于合并后的图像的像素值,得到第二像素综合值,例如将合并后的图像中的像素值进行平均,得到第二像素综合值。然后,判断第二像素综合值和第一像素综合值之间的差值是否小于阈值,阈值例如为0.005。如果第二像素综合值和第一像素综合值之间的差值小于阈值,将处理当前图像得到的多个融合图像确定为多个肌底层训练图像。如果第二像素综合值和第一像素综合值之间的差值大于或等于阈值,则将合并后的图像继续作为当前图像,重复执行上述操作。
在确定多个肌底层训练图像之后,将多个肌底层训练图像作为漫反射训练图像的标签,以便训练深度学习模型。
针对模型训练模块420,将漫反射训练图像输入至深度学习模型中进行训练,得到输出结果,基于标签调整输出结果并进行反向传输,从而训练得到深度学习模型。深度学习模型包括但不仅限于卷积神经网络模型。
根据本公开的实施例,通过上述公式(1)进行迭代计算得到肌底层训练图像,从而得到用于训练深度学习模型的训练样本,相比于通过专业设备获取肌底层训练图像,本公开实施例降低了训练样本的获取成本。
在另一示例中,可以通过电子设备进行皮肤图像处理,电子设备例如包括智能手机。
示例性地,用户使用智能手机拍摄面部皮肤图像作为原始皮肤图像。例如,用户可以在语音引导下随意调整拍摄的远近、光照、角度、遮挡等信息,但是不能走出拍摄画面。
在获得原始皮肤图像之后,手机可以通过上文提及的皮肤图像处理方法对原始皮肤图像进行处理,得到多个肌底层图像。
用户可以选择查看皮肤表层信息或皮肤肌底层信息。皮肤表层信息例如包括皱纹、毛孔、黑头、色斑、黑痣、痘痘、眼袋、黑眼圈等多项指标,皮肤表层信息例如可以通过直接对原始皮肤图像进行处理得到。皮肤肌底层信息可以通过查看多个肌底层图像得到,肌底层信息例如包括纹理扩张与平整度、色斑色素分布、泛红情况等等。
另外,用户可以使用小型放大镜工具,针对皮肤局部的图像拉近镜头和放大图像,以查看某条皱纹的生长纹路或某个毛孔的粗大程度。
在得到多个肌底层图像之后,可以将多个肌底层图像展示给用户,以便用户可以基于多个肌底层图像了解皮肤肌底层信息。另外,手机还可以自动根据多个肌底层图像预测用户皮肤可能出现的问题,并及时提示用户。手机还可以基于历史的肌底层图像,得到用户皮肤日常变化信息,同时追踪针对皮肤治疗的某项治疗方案的治疗效果。
图5示意性示出了根据本公开一实施例的皮肤图像处理装置的框图。
如图5所示,本公开实施例的皮肤图像处理装置500例如包括第一处理模块510、第一获得模块520、第二获得模块530和第二处理模块540。
第一处理模块510可以用于对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像。根据本公开实施例,第一处理模块510例如可以执行上文参考图2描述的操作S210,在此不再赘述。
第一获得模块520可以用于基于至少一个滤波后的图像,得到镜面反射图像,其中,镜面反射图像包括皮肤的表层信息。根据本公开实施例,第一获得模块520例如可以执行上文参考图2描述的操作S220,在此不再赘述。
第二获得模块530可以用于基于原始皮肤图像和镜面反射图像,得到漫反射图像,其中,漫反射图像包括皮肤的肌底层信息。根据本公开实施例,第二获得模块530例如可以执行上文参考图2描述的操作S230,在此不再赘述。
第二处理模块540可以用于处理漫反射图像,得到至少一个肌底层图像,其中,至少一个肌底层图像表征了皮肤肌底层的色素特征。根据本公开实施例,第二处理模块540例如可以执行上文参考图2描述的操作S240,在此不再赘述。
根据本公开的实施例,第二获得模块530用于:基于原始皮肤图像的像素值和镜面反射图像的像素值之间的差值,确定漫反射图像。
根据本公开的实施例,第一处理模块510包括:确定子模块和滤波子模块。确定子模块,用于确定原始皮肤图像在第一色彩空间的多个分量图像;滤波子模块,用于利用双边滤波器分别对多个分量图像进行滤波,得到与多个分量图像一一对应的多个滤波后的图像,其中,双边滤波器针对不同的分量图像配置相应的卷积核。
根据本公开的实施例,第一获得模块520用于:将至少一个滤波后的图像进行合并,得到镜面反射图像。
根据本公开的实施例,第二处理模块540用于:将漫反射图像输入至深度学习模型中,得到至少一个肌底层图像,其中,深度学习模型是利用多个训练样本训练得到的,多个训练样本中的每个训练样本包括漫反射训练图像和与漫反射训练图像对应的至少一个肌底层训练图像。
根据本公开的实施例,与漫反射训练图像对应的至少一个肌底层训练图像是通过目标处理方式得到的;目标处理方式包括:对漫反射训练图像进行处理,得到当前图像;基于当前图像的像素值,得到第一像素综合值;确定当前图像在第二色彩空间的多个子图像;基于多个子图像和第一像素综合值,得到至少一个肌底层训练图像。
根据本公开的实施例,基于多个子图像和第一像素综合值,得到至少一个肌底层训练图像包括:对多个子图像进行融合处理,得到多个融合图像;将多个融合图像进行合并,得到合并后的图像;基于合并后的图像的像素值,得到第二像素综合值;响应于第二像素综合值和第一像素综合值之间的差值小于阈值,将多个融合图像确定为多个肌底层训练图像。
根据本公开的实施例,至少一个肌底层图像包括以下至少一个:肌底层红色素图像、肌底层棕色素图像、肌底层灰色素图像。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
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6是用来实现本公开实施例的用于执行皮肤图像处理的电子设备的框图。
图6示出了可以用来实施本公开实施例的示例电子设备600的示意性框图。电子设备600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/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601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601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、现场可编程门阵列(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皮肤图像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。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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 (19)
1.一种皮肤图像处理方法,包括:
对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像;
基于所述至少一个滤波后的图像,得到镜面反射图像,其中,所述镜面反射图像包括皮肤的表层信息;
基于所述原始皮肤图像和所述镜面反射图像,得到漫反射图像,其中,所述漫反射图像包括皮肤的肌底层信息;以及
处理所述漫反射图像,得到至少一个肌底层图像,其中,所述至少一个肌底层图像表征了皮肤肌底层的色素特征。
2.根据权利要求1所述的方法,其中,所述基于所述原始皮肤图像和所述镜面反射图像,得到漫反射图像包括:
基于所述原始皮肤图像的像素值和所述镜面反射图像的像素值之间的差值,确定所述漫反射图像。
3.根据权利要求1所述的方法,其中,所述对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像包括:
确定所述原始皮肤图像在第一色彩空间的多个分量图像;以及
利用双边滤波器分别对所述多个分量图像进行滤波,得到与所述多个分量图像一一对应的多个滤波后的图像,
其中,所述双边滤波器针对不同的分量图像配置相应的卷积核。
4.根据权利要求1所述的方法,其中,所述基于所述至少一个滤波后的图像,得到镜面反射图像包括:
将所述至少一个滤波后的图像进行合并,得到所述镜面反射图像。
5.根据权利要求1-4中任意一项所述的方法,其中,所述处理所述漫反射图像,得到至少一个肌底层图像包括:
将所述漫反射图像输入至深度学习模型中,得到至少一个肌底层图像,
其中,所述深度学习模型是利用多个训练样本训练得到的,所述多个训练样本中的每个训练样本包括漫反射训练图像和与所述漫反射训练图像对应的至少一个肌底层训练图像。
6.根据权利要求5所述的方法,其中,与所述漫反射训练图像对应的至少一个肌底层训练图像是通过目标处理方式得到的;
所述目标处理方式包括:
对所述漫反射训练图像进行处理,得到当前图像;
基于所述当前图像的像素值,得到第一像素综合值;
确定所述当前图像在第二色彩空间的多个子图像;以及
基于所述多个子图像和所述第一像素综合值,得到所述至少一个肌底层训练图像。
7.根据权利要求6所述的方法,其中,所述基于所述多个子图像和所述第一像素综合值,得到所述至少一个肌底层训练图像包括:
对所述多个子图像进行融合处理,得到多个融合图像;
将所述多个融合图像进行合并,得到合并后的图像;
基于合并后的图像的像素值,得到第二像素综合值;以及
响应于所述第二像素综合值和所述第一像素综合值之间的差值小于阈值,将所述多个融合图像确定为多个肌底层训练图像。
8.根据权利要求1-7中任意一项所述的方法,其中,所述至少一个肌底层图像包括以下至少一个:
肌底层红色素图像、肌底层棕色素图像、肌底层灰色素图像。
9.一种皮肤图像处理装置,包括:
第一处理模块,用于对原始皮肤图像进行滤波处理,得到至少一个滤波后的图像;
第一获得模块,用于基于所述至少一个滤波后的图像,得到镜面反射图像,其中,所述镜面反射图像包括皮肤的表层信息;
第二获得模块,用于基于所述原始皮肤图像和所述镜面反射图像,得到漫反射图像,其中,所述漫反射图像包括皮肤的肌底层信息;以及
第二处理模块,用于处理所述漫反射图像,得到至少一个肌底层图像,其中,所述至少一个肌底层图像表征了皮肤肌底层的色素特征。
10.根据权利要求9所述的装置,其中,所述第二获得模块用于:
基于所述原始皮肤图像的像素值和所述镜面反射图像的像素值之间的差值,确定所述漫反射图像。
11.根据权利要求9所述的装置,其中,所述第一处理模块包括:
确定子模块,用于确定所述原始皮肤图像在第一色彩空间的多个分量图像;以及
滤波子模块,用于利用双边滤波器分别对所述多个分量图像进行滤波,得到与所述多个分量图像一一对应的多个滤波后的图像,
其中,所述双边滤波器针对不同的分量图像配置相应的卷积核。
12.根据权利要求9所述的装置,其中,所述第一获得模块用于:
将所述至少一个滤波后的图像进行合并,得到所述镜面反射图像。
13.根据权利要求9-12中任意一项所述的装置,其中,所述第二处理模块用于:
将所述漫反射图像输入至深度学习模型中,得到至少一个肌底层图像,
其中,所述深度学习模型是利用多个训练样本训练得到的,所述多个训练样本中的每个训练样本包括漫反射训练图像和与所述漫反射训练图像对应的至少一个肌底层训练图像。
14.根据权利要求13所述的装置,其中,与所述漫反射训练图像对应的至少一个肌底层训练图像是通过目标处理方式得到的;
所述目标处理方式包括:
对所述漫反射训练图像进行处理,得到当前图像;
基于所述当前图像的像素值,得到第一像素综合值;
确定所述当前图像在第二色彩空间的多个子图像;以及
基于所述多个子图像和所述第一像素综合值,得到所述至少一个肌底层训练图像。
15.根据权利要求14所述的装置,其中,所述基于所述多个子图像和所述第一像素综合值,得到所述至少一个肌底层训练图像包括:
对所述多个子图像进行融合处理,得到多个融合图像;
将所述多个融合图像进行合并,得到合并后的图像;
基于合并后的图像的像素值,得到第二像素综合值;以及
响应于所述第二像素综合值和所述第一像素综合值之间的差值小于阈值,将所述多个融合图像确定为多个肌底层训练图像。
16.根据权利要求9-15中任意一项所述的装置,其中,所述至少一个肌底层图像包括以下至少一个:
肌底层红色素图像、肌底层棕色素图像、肌底层灰色素图像。
17.一种电子设备,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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111279502.9A CN114004809A (zh) | 2021-10-29 | 2021-10-29 | 皮肤图像处理方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111279502.9A CN114004809A (zh) | 2021-10-29 | 2021-10-29 | 皮肤图像处理方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004809A true CN114004809A (zh) | 2022-02-01 |
Family
ID=79925893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111279502.9A Pending CN114004809A (zh) | 2021-10-29 | 2021-10-29 | 皮肤图像处理方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989509A (zh) * | 2021-12-27 | 2022-01-28 | 衡水学院 | 基于图像识别的农作物虫害检测方法、检测系统及设备 |
-
2021
- 2021-10-29 CN CN202111279502.9A patent/CN114004809A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989509A (zh) * | 2021-12-27 | 2022-01-28 | 衡水学院 | 基于图像识别的农作物虫害检测方法、检测系统及设备 |
CN113989509B (zh) * | 2021-12-27 | 2022-03-04 | 衡水学院 | 基于图像识别的农作物虫害检测方法、检测系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229296B (zh) | 人脸皮肤属性识别方法和装置、电子设备、存储介质 | |
Pu et al. | A fractional-order variational framework for retinex: fractional-order partial differential equation-based formulation for multi-scale nonlocal contrast enhancement with texture preserving | |
CN107622240B (zh) | 人脸检测方法和装置 | |
WO2019137038A1 (zh) | 注视点确定方法、对比度调节方法及对比度调节装置、虚拟现实设备及存储介质 | |
CN110930296B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN107622504B (zh) | 用于处理图片的方法和装置 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN111368717B (zh) | 视线确定方法、装置、电子设备和计算机可读存储介质 | |
WO2023160312A1 (zh) | 基于自监督学习的行人重识别方法、装置、设备及存储介质 | |
US10810462B2 (en) | Object detection with adaptive channel features | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN111833369A (zh) | 一种矾花图像处理方法、系统、介质及电子设备 | |
CN113177451A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN112991218A (zh) | 图像处理的方法、装置、设备以及存储介质 | |
CN114511041A (zh) | 模型训练方法、图像处理方法、装置、设备和存储介质 | |
CN111862040A (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
CN114004809A (zh) | 皮肤图像处理方法、装置、电子设备和介质 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
CN113516697A (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN113487473A (zh) | 一种添加图像水印的方法、装置、电子设备及存储介质 | |
CN115205163B (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
CN108491820B (zh) | 图像中肢体表示信息的识别方法、装置及设备、存储介质 | |
CN114882313B (zh) | 生成图像标注信息的方法、装置、电子设备及存储介质 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 |
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 |