CN114742784A - 皮肤图像红血丝标记方法、评价方法及其系统 - Google Patents
皮肤图像红血丝标记方法、评价方法及其系统 Download PDFInfo
- Publication number
- CN114742784A CN114742784A CN202210346387.0A CN202210346387A CN114742784A CN 114742784 A CN114742784 A CN 114742784A CN 202210346387 A CN202210346387 A CN 202210346387A CN 114742784 A CN114742784 A CN 114742784A
- Authority
- CN
- China
- Prior art keywords
- red blood
- gray
- value
- skin image
- 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
- 210000004369 blood Anatomy 0.000 title claims abstract description 188
- 239000008280 blood Substances 0.000 title claims abstract description 188
- 238000011156 evaluation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000006870 function Effects 0.000 claims abstract description 89
- 210000003743 erythrocyte Anatomy 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 4
- 230000037311 normal skin Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 210000003491 skin Anatomy 0.000 description 107
- 238000004364 calculation method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 206010015150 Erythema Diseases 0.000 description 5
- 239000002537 cosmetic Substances 0.000 description 5
- 102000001554 Hemoglobins Human genes 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000003796 beauty Effects 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 2
- 210000004207 dermis Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010006784 Burning sensation Diseases 0.000 description 1
- 206010033733 Papule Diseases 0.000 description 1
- 206010043189 Telangiectasia Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000005808 skin problem Effects 0.000 description 1
- 208000009056 telangiectasis Diseases 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种皮肤图像红血丝标记方法、评价方法及其系统。该标记方法包括以下步骤：S1：获取彩色的皮肤图像，并对皮肤图像的进行灰度化预处理，得到G分量图；S2：针对G分量图中的灰度值，基于灰度值概率密度函数，获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差；S3：基于红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差，对G分量图中的红血丝进行标记。本发明所提供的皮肤图像红血丝标记方法、评价方法的准确度高，可靠性高。
Description
技术领域
本发明涉及一种皮肤图像红血丝标记方法，同时涉及相应的皮肤图像红血丝评价方法及其检测系统，属于皮肤图像处理技术领域。
背景技术
红血丝，学名为面部毛细血管扩张，源于毛细血管壁脆性强，血管不均匀扩张破裂导致皮肤泛红，毛细血管肉眼可见；表现为皮肤上存在红紫色斑点，多呈线状、树枝状、蜘蛛状、星状、点状、丘疹状形态，直径普遍小于0.5毫米。红血丝影响患者的日常生活，患者面部对温度、光照敏感，通常有灼热感；同时红血丝影响患者美观，对患者造成一定的心理负担。
随着生活水平日益提高，人们对美容及护肤愈加注重。近年来，化妆品质量性能不断提高、医学美容产业技术不断发展，对化妆品功效进行评价、对医学美容中皮肤红血丝问题进行检测诊断尤为重要。目前，化妆品功效评价及医学美容诊断主要通过生物化学、细胞生物学、临床评价等多种方法进行测试分析。其中，对红血丝的检测，普遍通过临床医师的视觉诊断，缺少大量样本间的定量分析，受医师的主观影响，评价的客观性不足。皮肤专业测量仪器设备虽然精度较高，但使用成本较大。
发明内容
本发明所要解决的首要技术问题在于提供一种皮肤图像红血丝标记方法。
本发明所要解决的另一技术问题在于提供一种皮肤图像红血丝评价方法。
本发明所要解决的又一技术问题在于提供一种皮肤图像红血丝检测系统。
为了实现上述目的，本发明采用以下的技术方案：
根据本发明实施例的第一方面，提供一种皮肤图像红血丝标记方法，包括以下步骤：
S1：获取彩色的皮肤图像，并对皮肤图像的进行灰度化预处理，得到G分量图；
S2：针对所述G分量图中的灰度值，基于灰度值概率密度函数，获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差；
S3：基于所述红血丝部分的灰度值的概率密度函数的期望值和方差，以及所述正常部分的灰度值的概率密度函数的期望值和方差，对所述G分量图中的红血丝进行标记。
其中较优地，所述获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差，包括以下步骤：
S21：对所述G分量图建立概率模型，所述红血丝部分和所述正常部分的概率分布同为高斯分布；
S22：基于所述概率模型，利用曲线拟合得到所述灰度值概率密度函数的红血丝部分的灰度值的概率密度函数的期望值估计值和方差估计值，以及正常部分的灰度值的概率密度函数的期望值估计值和方差估计值。
其中较优地，在所述步骤S3之前还包括对G分量图中的灰度值进行红血丝特征增强的步骤。
其中较优地，所述对G分量图中的灰度值进行红血丝特征增强的步骤，包括以下步骤：
在获得所述红血丝部分的灰度值的概率密度函数的期望值和方差，以及所述正常部分的灰度值的概率密度函数的期望值和方差后，以红血丝对应的灰度区间μ1±2σ1作为分割界限，对皮肤图像进行分割；
将分割后的灰度值由区间μ1±2σ1线性拉伸到0至255，以提高图像的对比度，
其中，G分量图中的红血丝部分的灰度值的概率密度函数f1(x)的期望值为μ1，方差为
根据本发明实施例的第二方面，提供一种皮肤图像红血丝评价方法，包括以下步骤：
利用上述的皮肤图像红血丝标记方法，对所述G分量图中的红血丝进行标记；
对正常部分和红血丝部分的灰度值进行标准化，使得不同皮肤图像的正常部分具有相同的灰度值期望及方差；
根据标准化后的正常部分的灰度值期望及方差及标准化后的红血丝部分的灰度值期望及方差，计算红血丝显著程度评价指标；
根据红血丝显著程度评价指标，计算红血丝评价值，对皮肤图像进行评价。
其中较优地，所述对所述G分量图中的红血丝进行标记的步骤，还包括对G分量图中的灰度值进行红血丝特征增强的步骤：
在获得所述红血丝部分的灰度值的概率密度函数的期望值和方差，以及所述正常部分的灰度值的概率密度函数的期望值和方差后，以红血丝对应的灰度区间μ1±2σ1作为分割界限，对皮肤图像进行分割；
将分割后的灰度值由区间μ1±2σ1线性拉伸到0至255，以提高图像的对比度；
其中，其中，G分量图中的红血丝部分的灰度值的概率密度函数f1(x)的期望值为μ1，方差为
其中较优地，所述对正常部分和红血丝部分的灰度值进行标准化，是对灰度值进行线性变换。
其中较优地，所述红血丝显著程度评价指标是红血丝部分的灰度值与正常皮肤的灰度值分布的对比；其中，红血丝部分的灰度值越偏离正常部分的灰度值，红血丝越严重。
根据本发明实施例的第三方面，提供一种皮肤图像红血丝检测系统，包括：
采集模块，用于以标准的拍摄参数对皮肤进行拍照，以获得预定像素大小的原始皮肤图像；
图像处理模块，用于对所述采集模块提供的原始皮肤图像，执行如前述的皮肤图像红血丝标记方法或皮肤图像红血丝评价方法；
显示模块，用于显示标记或评价结果。
与现有技术相比较，本发明基于双高斯拟合法，应用数字图像处理技术，结合概率论与数理统计理论，对红血丝图像的像素灰度值分布特征进行了实验分析；对红血丝部分的特征增强、识别标记及量化评价功能进行了算法实现。经实验证明，本发明具有以下的技术效果：(1)在交叉偏振光照射下，含红血丝特征的面部皮肤图像的G分量中红血丝特征较为明显，且红血丝的灰度值范围相比图像的灰度均值更低；(2)图像灰度值的概率分布形式近似服从双高斯分布。像素分辨率在1400*1400及以上时，对图像灰度值的频率分布直方图进行双高斯拟合，可对图像的概率分布参数进行有效估计；(3)提出的红血丝检测算法对皮肤图像中的红血丝进行特征增强、识别标记的效果显著；算法计算的评价值对皮肤图像中红血丝严重程度的量化评价准确度较高。
附图说明
图1为本发明第一实施例至第三实施例提供的皮肤图像红血丝标记方法的流程图；
图2A为原始皮肤图像的彩色原图；
图2B为图2A的灰度化处理后的R分量图；
图2C为图2A的灰度化处理后的G分量图；
图2D为图2A的灰度化处理后的B分量图；
图3A为G分量图的示意图；
图3B为对图3A进行图像分割后灰度值在0～39的分割范围示意图；
图3C为对图3A进行图像分割后灰度值在40～52的分割范围示意图；
图3D为对图3A进行图像分割后灰度值在53～255的分割范围示意图；
图4为灰度图的灰度直方图呈现双峰特征示意图；
图5A为由一组皮肤图像中的红血丝部分的灰度值数据拟合得到的双高斯拟合曲线及参数估计值示例；
图5B为由另一组皮肤图像中的红血丝部分的灰度值数据拟合得到的双高斯拟合曲线及参数估计值示例；
图6为本发明第四实施例和第五实施例提供的皮肤图像红血丝标记方法的流程图；
图7A为原始皮肤图像中的红血丝部分的示意图；
图7B为对图7A中红血丝部分的特征增强效果示意图；
图7C为对图7B中红血丝部分的标记效果示意图；
图8为验证效果中的专家评价值-计算评价值散点图；
图9为本发明所提供的皮肤图像红血丝检测系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步的详细说明。
本发明的基本思路在于：在交叉偏振光照射下，含红血丝特征的面部皮肤图像的G分量中红血丝特征较为明显，而且红血丝的灰度值范围相比图像的灰度均值更低。在此基础上，本发明基于双高斯拟合法，对含红血丝特征的皮肤图像进行灰度值分布的特征分析，并提出对图像中红血丝部分进行特征增强、识别标记及量化评价的皮肤图像红血丝标记方法。
<第一实施例>
如图1所示，本实施例提供的皮肤图像红血丝标记方法包括以下步骤。
S1：获取彩色的皮肤图像，并对皮肤图像的进行灰度化预处理。
由于彩色图像的每个像素由RGB三个分量组成，如图2A所示。因此，通过分离图像中的RGB分量,可将原始图像分成三个分量图像，其中，图2B显示R分量图；图2C显示G分量图；图2D显示B分量图。
因为皮肤在绿光波段中的肤色反射率受到真皮层中血色素的影响，所以皮肤图像G分量的灰度值可反映真皮层中血色素的含量及分布。在交叉偏振光照射下，皮肤红血丝图像在R、B分量下无明显特征，在G分量下特征显著，这点通过图2B、图2C、图2D的对比可以看出。因此，本发明采用原始图像中每个像素的G分量作为该像素的灰度值，对图像进行灰度化，得到灰度图。
S2：对预处理后的G分量图中的灰度值，基于灰度值概率密度函数，获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差。
众所周知，血色素对绿光波段有额外吸收作用，所以血色素含量较高的区域对绿光的反射率较低，因此经过预处理得到的G分量图中，红血丝部分较正常部分的灰度应更深。在此，假设原始图像中除红血丝以外特征不明显(即，原始的皮肤图像中没有其他可能影响灰度G分量的皮肤问题)，图像可分为正常部分和红血丝部分。
为证实在G分量灰度值中，红血丝部分的灰度值较正常部分更低，发明人进行了实验。具体的实验过程如下：
1)对原始图像中红血丝部分的像素进行目测标记。
2)对G分量灰度值按特定灰度阈值进行图像分割，并提取在各个阈值范围内的像素。
如图3A～图3D所示，本实施例中将G分量图的灰度阈值设定为0～39、40～52、53～255。相应地，将G分量图(图3A)中各个像素根据该像素的灰度值进行分割，分割范围分别是：灰度值为0～39的像素(图3B)的分割范围、灰度值为40～52的分割范围、灰度值为53～255的分割范围。然后，提取在各个阈值范围内的像素。
3)将提取的像素与标记的红血丝像素进行位置匹配。
图3B～图3D用其中一幅图像示意性显示了分割提取效果。由图可见，像素位置匹配成功的像素的灰度值，普遍比G分量图全部像素的灰度均值低10～20，由此证实了G分量灰度值中红血丝部分的颜色，比正常部分更深，灰度值更小。前述低10～20是多幅图像的大致估计结果，实际灰度值差异因图像质量而不同，位置匹配只是为了验证红血丝部分的灰度值更低。
基于G分量图具有前述特点，因此G分量灰度值的灰度直方图呈现双峰特征(这两个峰值区域具有不同的灰度均值及方差)，如图4所示。图4中的虚线框内的峰值区域，具有更小的灰度值，对应的是皮肤图像中的红血丝部分；虚线框内右侧的峰值区域，对应皮肤图像中的正常部分。因此，可以利用此特点对皮肤图像的红血丝部分进行识别和标记。
基于上述说明，下面介绍对预处理后的G分量图进行双高斯拟合的具体步骤：
S21：对图中各像素的G分量灰度值建立概率模型
在图像处理技术中，一幅图像中的每个像素的灰度值可视为随机变量，服从特定的概率分布。在本发明的实施例中，将图像分为红血丝部分及正常部分，假定同一部分的像素灰度值服从独立分布，对整幅图像的各像素的G分量灰度值建立概率模型。
图像拍摄时，设备所获取的灰度光学信号为连续值。数字化存储时，对光信号进行了离散化处理，导致存储的数据为离散值。考虑到其信号值的连续性，在本发明的实施例中，将灰度值的概率分布形式按连续型随机变量处理，取值范围为[0,256)。将灰度值区间[0,256)按组距为1(d＝1)分为256组(n＝0,1,…,255)，各组的区间边界按左闭右开，区间[n,n+1)对应离散灰度值n。
由于皮肤图像受到皮肤状态、光照强度等大量环境因素的综合影响，故在本发明中假定影响因素之间相互独立，且每个影响因素不对图像的灰度值产生支配性影响，则图像的灰度值应满足中心极限定理，近似服从正态分布。
皮肤的红血丝部分或者正常部分(单独分析)，依据中心极限定理，两部分的灰度值的概率分布同为高斯分布。其中红血丝部分相比正常部分更为敏感，受到环境温度等一些额外因素的影响，因此两部分具有不同的期望μ与方差σ2。即，G分量图中的红血丝部分的灰度值的概率密度函数f1(x)的期望值为μ1，方差为
G分量图中的正常部分的灰度值的概率密度函数f2(x)的期望值为μ2，方差为
红血丝部分的灰度值的概率密度函数由下述式(1)表示，正常部分的灰度值的概率密度函数由下述式(2)表示。
式中，x1表示红血丝部分各个像素的灰度值；x2表示正常部分各个像素的灰度值。
合并考虑整幅图像时，额外引入参数红血丝部分概率p，表示事件“选取图像中一个像素点时，该像素点属于红血丝部分”的发生概率。则整幅皮肤图像的各像素的灰度值的概率密度函数f(x)可由式(3)表示：
f(x)＝pf1(x)+(1-p)f2(x) 式(3)
其中，x为一幅皮肤图像中的各个像素的灰度值，p为该皮肤图像的所有像素中，红血丝部分的像素的数量占比的期望值。
S22：基于概率模型，利用曲线拟合得到灰度值概率密度函数的参数估计值。
频率分布直方图反映样本的频率分布规律。当样本容量趋于无穷时，随机变量的频率分布即为其概率分布。因此若满足样本容量足够大，可对频率分布直方图进行曲线拟合，从而对形式已知的概率分布进行参数估计。
本发明实施例所处理的原始皮肤图像的像素分辨率为1400*1400，每幅原始图像的样本容量足够大，可将皮肤图像灰度值的频率分布近似为其概率分布。同时灰度值的概率密度函数形式已知为双高斯分布，可利用由整幅图像中所有像素点所构成的样本总体，对其概率密度函数进行参数估计。
对灰度值频率分布直方图中的离散点进行双高斯曲线拟合，拟合公式见式(4)：
根据曲线拟合得到的参数a1、a2、b1、b2、c1、c2，可解出灰度值概率密度函数的参数估计值，见式(5)：
其中，
表示红血丝部分概率p的估计值；
表示红血丝部分的灰度值的概率密度函数f1(x)的期望值μ1的估计值；
为红血丝部分的灰度值的概率密度函数f1(x)的方差为σ1的估计值；
表示正常部分的灰度值的概率密度函数f2(x)的期望值μ2估计值；
表示正常部分的灰度值的概率密度函数f2(x)的方差σ2的估计值。
为便于符号表示，后文用参数符号同时表示参数及参数的估计值；为便于观察曲线拟合效果，直方图用散点形式表示。频率分布直方图、双高斯拟合曲线及概率密度函数的参数估计值(期望值、方差和红血丝部分的像素的数量占比期望值)如图5A和图5B所示。图5A和图5B分别表示了由一组皮肤图像中的红血丝部分的灰度值数据拟合得到的双高斯拟合曲线，进一步得到参数估计值。
S3：基于获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差，对G分量图中的红血丝进行标记。
红血丝部分与正常部分的灰度值分布区间普遍存在重叠现象。为保证标记准确率足够高，对红血丝部分依据灰度值进行标记时，应满足正常部分的灰度值在灰度值分割区间内的置信度较低。为此，阈值区间下限采用μ1-2σ1，上限则采用min{μ1+2σ1,μ2-2σ2}。对原图像中灰度值在该阈值区间内的像素标记为黑(灰度值为0)，在阈值区间外的像素标记为白(灰度值为255)，从而对皮肤图像中红血丝部分进行有效标记。基于标记出来的图像，可以对红血丝部分的皮肤进行美容、化妆或治疗等操作。
<第二实施例>
本实施例所提供的另一种皮肤图像红血丝标记方法，包括以下步骤：
S1：获取彩色的皮肤图像，并对皮肤图像的进行灰度化预处理。
这一步骤与第一实施例相同，在此不赘述。
S2A：对预处理后的G分量图中的灰度值，基于灰度值概率密度函数，获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差。
在此，获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差，可以是根据经验值直接获得；也可以是，通过数据采集，以神经网络深度学习的方式，以获得红血丝部分的概率密度函数的参数估计值(期望值、方差)以及正常部分的概率密度函数的参数估计值(期望值、方差)。可以理解，还可以采用其他方法来计算红血丝部分的概率密度函数的期望值和方差以及正常部分的概率密度函数的期望值和方差。
S3：基于获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差，对G分量图中的红血丝进行标记。
基于步骤S2A获得的红血丝部分的概率密度函数的期望值和方差以及正常部分的概率密度函数的期望值和方差，设定阈值，以阈值区间下限采用μ1-2σ1，上限则采用min{μ1+2σ1,μ2-2σ2}。对原图像中灰度值在该阈值区间内的像素标记为黑(灰度值为0)，在阈值区间外的像素标记为白(灰度值为255)，从而对皮肤图像中红血丝部分进行有效标记。
<第三实施例>
如图1所示，本实施例提供的皮肤图像红血丝评价方法，包括以下步骤：
S1：获取彩色的皮肤图像，并对皮肤图像的进行灰度化预处理。
S2：对预处理后的G分量图中的灰度值，基于灰度值概率密度函数，获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差。
S3：基于获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差，对G分量图中的红血丝进行标记。
上述步骤，可以采用第一实施例或第二实施例的皮肤图像红血丝标记方法，对G分量图中的红血丝进行标记。
S4：对正常部分和红血丝部分的灰度值进行标准化
受个体肤色、拍摄环境等因素的影响，正常皮肤的灰度值分布在不同的图像中存在差异。因此进行量化评价前，需先对皮肤图像的灰度值进行标准化处理，对灰度值进行线性变换，使得不同皮肤图像的正常部分具有相同的灰度值期望及方差。标准化后G分量图的灰度值的概率密度函数见式(6)：
fst(x)＝αf(α(x+β))＝αpf1(α(x1+β))+α(I-p)f2(α(x2+β))
＝pfr+(1-p)fn 式(6)
其中α、β为变换系数，根据经验值设定；fr为标准化后的红血丝部分的灰度值的概率密度函数(也记为fr(x1))，fn为标准化后的正常部分的灰度值的概率密度函数(也记为fn(x2))，如式(7)所示：
其中μn、
为标准化后正常部分的灰度值期望及方差；μr、
为标准化后红血丝部分的灰度值期望及方差。其中正常部分的灰度值期望μn以及方差σn为经验值。μr、σr的计算公式见式(8)：
S5：根据标准化后的正常部分的灰度值期望及方差及标准化后的红血丝部分的灰度值期望及方差，计算红血丝显著程度评价指标。
皮肤图像标准化后，像素点属于红血丝部分的发生概率仍为p，体现皮肤图像中红血丝区域的面积大小；红血丝部分的灰度期望值μr，体现皮肤图像中红血丝部分的灰度深浅；红血丝部分的灰度标准差σr，体现皮肤图像中红血丝部分的灰度分布范围。
其中p、μr从一定角度定量地反映了皮肤的红血丝严重程度，分别用于量化评价的红血丝面积、红血丝深度的指标。对于σr，由于受到正常部分的灰度值分布的干扰，红血丝部分的灰度值分布不能直接反映红血丝的严重程度，需与正常皮肤的灰度值分布进行对比。红血丝部分的灰度值越偏离正常部分的灰度值，则表明红血丝越严重。在此引入灰度显著性函数k(x)，由式(9)所示：
灰度显著性函数反映了皮肤图像中红血丝部分的一个灰度值x与μn的接近程度，随着灰度值x由低到高逐渐接近μn，k(x)的值按指数衰减。当x分别为μn-2σn、μn时，k值为1、0.5，对应皮肤正常部分像素的灰度值大于x的置信度98％、50％。
将灰度显著性函数k(x)作为皮肤图像中红血丝部分每个像素的灰度值在评价红血丝严重程度时的积分权重，对标准化后的概率密度函数中的红血丝部分进行积分，得到红血丝显著程度评价指标K。由式(7)知，红血丝部分的灰度值主要分布在μr±2σr。令μr±2σr为积分区间，对灰度显著性评价指标K进行近似计算，计算公式见式(10)：
S6：根据红血丝显著程度评价指标，计算红血丝评价值，对皮肤图像进行评价。
在本实施例中，选择5幅具有不同程度的红血丝特征的皮肤图像作为参照组。让三位专家对参照组的每幅图像的红血丝状态进行主观评价(百分制，评价结果取均值以减小评定误差)，得到红血丝的专家评价值。p、μr、K分别作为每幅图像中红血丝的面积、深度、红血丝显著程度评价指标，通过算法计算得出。参照组图像见图7，每幅图像的参数估计值、评价指标计算值、专家评价值见表1。
表1参考组图像的参数估计值、评价指标计算值、专家评价值
结合评价指标计算值，对专家评价值进行多元线性回归，回归方程见式(11)：
Calculated Evaluation＝a1p+a2μr+a3K+a4 式(11)
使用最小二乘法进行回归参数估计，得出最终的计算评价函数。回归参数a1、a2、a3、a4的计算结果分别为：33.0537、-3.1564、13.1156、243.0869。
由此，通过计算评价函数(式11)，对于皮肤图像中的红血丝部分的各个像素进行标记后，可以直接计算得到红血丝评价值(Calculated Evaluation)，以对皮肤图像进行评价。
<第四实施例>
如前述，由于皮肤图像拍摄环境、拍摄参数等原因，皮肤图像质量不统一。因此，本实施例中在对红血丝进行标记之前，增加了红血丝特征增强步骤，以提高红血丝标记的准确度和适用广泛性。
如图6所示，本实施例提供的皮肤图像红血丝标记方法，包括以下步骤：
S1：获取彩色的皮肤图像，并对皮肤图像的进行灰度化预处理。
S2：对预处理后的G分量图中的灰度值，基于灰度值概率密度函数，获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差。
上述步骤，可以采用第一实施例或第二实施例的皮肤图像红血丝标记方法中的方法，在此不赘述。
S2B：对G分量图中的灰度值进行红血丝特征增强。
在上述步骤中，分别得到皮肤图像中红血丝部分及正常部分的灰度值的概率密度函数的μ1、σ1、μ2、σ2后，通过阈值法进行图像分割，将红血丝部分从整幅图像中进行分离。已知对于正态分布X～N(μ，σ)，置信区间μ±2σ的置信度为95％。因此，由式(1)、式(2)可知，红血丝部分的灰度值主要分布在μ1±2σ1；正常部分的灰度值主要分布在μ2±2σ2。在上述灰度值分布范围的基础上对皮肤图像进行红血丝特征增强与红血丝标记处理。
以红血丝对应的灰度区间μ1±2σ1作为分割界限，对皮肤图像进行分割。将分割后的灰度值由区间μ1±2σ1线性拉伸到0至255，提高图像的对比度，从而对皮肤图像的红血丝进行特征增强，其效果如图7所示。
S3：基于获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差，对G分量图中的红血丝进行标记。
<第五实施例>
如图6～图7所示，在第三实施例的基础上，本实施例提供的皮肤图像红血丝评价方法，针对图像质量不足的皮肤图像，还可以增加红血丝特征增强步骤。该步骤的操作，与第四实施例中的步骤S2B类似，在此不赘述。
下面，结合具体的实验数据介绍本发明的实测效果。
选择228幅具有红血丝特征的皮肤图像作为检验组，对评价函数进行结果可靠性检验。
先让三位专家以参照组图像及对应评价值为参考标准，对检测组的每幅图像的红血丝状态进行主观评价，得到专家评价值；再对每幅图像采用第五实施例的方法，根据评价函数计算得到红血丝评价值(Calculated Evaluation)，作为红血丝得分。检验组的部分图像对应的评价指标及评价值见表2。
表2检验组图像(部分)的评价指标计算值、专家评价值及计算评价值
| 编号 | p | μ<sub>r</sub> | K | 专家评价值 | 计算评价值 |
| 019 | 0.444 | 72.81 | 0.601 | 18.8 | 35.8 |
| 035 | 0.517 | 70.84 | 0.725 | 25.6 | 46.1 |
| 067 | 0.334 | 73.24 | 0.577 | 27.1 | 30.5 |
| 080 | 0.641 | 70.50 | 0.870 | 39.6 | 53.2 |
| 124 | 0.469 | 73.10 | 0.624 | 40.0 | 36.0 |
| 141 | 0.11 | 61.79 | 0.278 | 65.9 | 55.4 |
| 163 | 0.533 | 67.72 | 0.956 | 54.2 | 59.5 |
| 196 | 0.122 | 66.38 | 0.256 | 47.8 | 40.9 |
| 202 | 0.406 | 68.55 | 0.615 | 58.8 | 48.2 |
将计算评价值与专家评价值进行回归分析，验证算法的可靠性。计算评价值与专家评价值的相关分析如图8所示，相关系数计算结果为0.8742，一致性较好；归一化后的残差标准误差为0.0861，准确度较高。由此可见，本发明所提供的皮肤图像红血丝标记方法、评价方法的准确度高，可靠性高。
如图9所示，本发明还提供一种皮肤图像红血丝检测系统，其包括采集模块、图像处理模块及显示模块。其中，采集模块可以由高清摄像头实现，用于以标准的拍摄参数对皮肤进行拍照，以获得预定像素大小的原始皮肤图像。图像处理模块可以由单片机或微控制器系统实现。该图像处理模块与采集模块连接，用于对采集模块提供的原始皮肤图像，按照前述第一实施例至第五实施例中的皮肤图像红血丝标记方法或皮肤图像红血丝评价方法，进行图像处理。显示模块可以由LCD或OLED显示屏实现，用于连接图像处理模块，从而显示标记或评价结果。
上面对本发明所提供的皮肤图像红血丝标记方法、评价方法及其系统进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。
Claims (10)
1.一种皮肤图像红血丝标记方法，其特征在于包括以下步骤：
S1：获取彩色的皮肤图像，并对皮肤图像的进行灰度化预处理，得到G分量图；
S2：针对所述G分量图中的灰度值，基于灰度值概率密度函数，获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差；
S3：基于所述红血丝部分的灰度值的概率密度函数的期望值和方差，以及所述正常部分的灰度值的概率密度函数的期望值和方差，对所述G分量图中的红血丝进行标记。
2.如权利要求1所述的皮肤图像红血丝标记方法，其特征在于所述获得红血丝部分的灰度值的概率密度函数的期望值和方差，以及正常部分的灰度值的概率密度函数的期望值和方差，包括以下步骤：
S21：对所述G分量图中各像素的G分量灰度值建立概率模型，所述红血丝部分和所述正常部分的概率分布同为高斯分布；
S22：基于所述概率模型，利用曲线拟合得到所述灰度值概率密度函数的红血丝部分的灰度值的概率密度函数的期望值估计值和方差估计值，以及正常部分的灰度值的概率密度函数的期望值估计值和方差估计值。
3.如权利要求1或2所述的皮肤图像红血丝标记方法，其特征在于在所述步骤S3之前还包括对G分量图中的灰度值进行红血丝特征增强的步骤。
4.如权利要求3所述的皮肤图像红血丝标记方法，其特征在于所述对G分量图中的灰度值进行红血丝特征增强的步骤，包括以下步骤：
在获得所述红血丝部分的灰度值的概率密度函数的期望值和方差，以及所述正常部分的灰度值的概率密度函数的期望值和方差后，以红血丝对应的灰度区间μ1±2σ1作为分割界限，对皮肤图像进行分割；
将分割后的灰度值由区间μ1±2σ1线性拉伸到0至255，以提高图像的对比度，
其中，G分量图中的红血丝部分的灰度值的概率密度函数f1(x)的期望值为μ1，方差为
5.一种皮肤图像红血丝评价方法，其特征在于包括以下步骤：
S4：利用如权利要求1或2所述的皮肤图像红血丝标记方法，对所述G分量图中的红血丝进行标记；
S5：对正常部分和红血丝部分的灰度值进行标准化，使得不同皮肤图像的正常部分具有相同的灰度值期望及方差；
S6：根据标准化后的正常部分的灰度值期望及方差及标准化后的红血丝部分的灰度值期望及方差，计算红血丝显著程度评价指标；
S7：根据红血丝显著程度评价指标，计算红血丝评价值，对皮肤图像进行评价。
6.如权利要求5所述的皮肤图像红血丝评价方法，其特征在于所述对所述G分量图中的红血丝进行标记的步骤，还包括对G分量图中的灰度值进行红血丝特征增强的步骤：
在获得所述红血丝部分的灰度值的概率密度函数的期望值和方差，以及所述正常部分的灰度值的概率密度函数的期望值和方差后，以红血丝对应的灰度区间μ1±2σ1作为分割界限，对皮肤图像进行分割；
将分割后的灰度值由区间μ1±2σ1线性拉伸到0至255，以提高图像的对比度；
其中，其中，G分量图中的红血丝部分的灰度值的概率密度函数f1(x)的期望值为μ1，方差为
7.如权利要求6所述的皮肤图像红血丝评价方法，其特征在于：
所述对正常部分和红血丝部分的灰度值进行标准化是指对灰度值进行线性变换。
8.如权利要求7所述的皮肤图像红血丝评价方法，其特征在于：
所述红血丝显著程度评价指标，是红血丝部分的灰度值与正常皮肤的灰度值分布的对比；其中，红血丝部分的灰度值越偏离正常部分的灰度值，红血丝越严重。
9.一种皮肤图像红血丝检测系统，其特征在于包括采集模块、图像处理模块及显示模块；其中，
采集模块，用于以标准的拍摄参数对皮肤进行拍照，以获得预定像素大小的原始皮肤图像；
图像处理模块，分别连接所述采集模块和所述显示模块，用于对所述采集模块提供的原始皮肤图像，执行权利要求1～4中任意一项所述的皮肤图像红血丝标记方法；
显示模块，用于显示标记或评价结果。
10.如权利要求9所述的皮肤图像红血丝检测系统，其特征在于：
所述图像处理模块，进一步执行权利要求5～9中任意一项所述的皮肤图像红血丝评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346387.0A CN114742784A (zh) | 2022-03-31 | 2022-03-31 | 皮肤图像红血丝标记方法、评价方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346387.0A CN114742784A (zh) | 2022-03-31 | 2022-03-31 | 皮肤图像红血丝标记方法、评价方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114742784A true CN114742784A (zh) | 2022-07-12 |
Family
ID=82279988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210346387.0A Pending CN114742784A (zh) | 2022-03-31 | 2022-03-31 | 皮肤图像红血丝标记方法、评价方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114742784A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104243820A (zh) * | 2014-09-03 | 2014-12-24 | 奇瑞汽车股份有限公司 | 一种确定图像边界的方法及装置 |
| JP2015205222A (ja) * | 2015-08-20 | 2015-11-19 | 花王株式会社 | 体表評価方法および体表評価装置 |
| CN105551041A (zh) * | 2015-12-15 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 普适的血管分割方法及系统 |
| 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 |
| CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学（武汉） | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
| WO2020177126A1 (zh) * | 2019-03-07 | 2020-09-10 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
| CN112396061A (zh) * | 2020-11-25 | 2021-02-23 | 福州大学 | 基于目标灰度倾向加权的Otsu目标检测方法 |
| CN114202522A (zh) * | 2021-12-09 | 2022-03-18 | 林丹柯 | 红血丝非接触测量方法、存储介质及处理器 |
-
2022
- 2022-03-31 CN CN202210346387.0A patent/CN114742784A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104243820A (zh) * | 2014-09-03 | 2014-12-24 | 奇瑞汽车股份有限公司 | 一种确定图像边界的方法及装置 |
| JP2015205222A (ja) * | 2015-08-20 | 2015-11-19 | 花王株式会社 | 体表評価方法および体表評価装置 |
| CN105551041A (zh) * | 2015-12-15 | 2016-05-04 | 中国科学院深圳先进技术研究院 | 普适的血管分割方法及系统 |
| WO2020177126A1 (zh) * | 2019-03-07 | 2020-09-10 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
| 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 |
| CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学（武汉） | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
| CN112396061A (zh) * | 2020-11-25 | 2021-02-23 | 福州大学 | 基于目标灰度倾向加权的Otsu目标检测方法 |
| CN114202522A (zh) * | 2021-12-09 | 2022-03-18 | 林丹柯 | 红血丝非接触测量方法、存储介质及处理器 |
Non-Patent Citations (2)
| Title |
|---|
| ĈADÍK, MARTIN: "Perceptual evaluation of color‐to‐grayscale image conversions", COMPUTER GRAPHICS FORUM. VOL. 27. NO. 7. OXFORD, UK: BLACKWELL PUBLISHING LTD, 31 December 2008 (2008-12-31), pages 1 - 10 * |
| 赵洁等: "双源CT冠状动脉三维分割算法的研究", 生物医学工程研究, 21 October 2016 (2016-10-21), pages 197 - 201 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9317761B2 (en) | Method and an apparatus for determining vein patterns from a colour image | |
| EP2357612A2 (en) | Method for quantifying and imaging features of a tumor | |
| CN111967465A (zh) | 肿瘤细胞含量评估方法、系统、计算机设备及存储介质 | |
| CN110265119A (zh) | 骨龄评估与身高预测模型、其系统及其预测方法 | |
| Pugazhenthi et al. | Skin disease detection and classification | |
| Barbosa et al. | Towards automatic quantification of the epicardial fat in non-contrasted CT images | |
| Dimauro et al. | Anaemia detection based on sclera and blood vessel colour estimation | |
| CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
| CN113344894A (zh) | 眼底豹纹斑特征提取及特征指数确定的方法和装置 | |
| Hani et al. | Haemoglobin distribution in ulcers for healing assessment | |
| Rahmat et al. | Automated color classification of urine dipstick image in urine examination | |
| Krishnapriya et al. | Analysis of manual and automated skin tone assignments | |
| Zuñiga et al. | Grape maturity estimation based on seed images and neural networks | |
| Moon et al. | Age‐dependent skin texture analysis and evaluation using mobile camera image | |
| Kesarwani et al. | Non-invasive anaemia detection by examining palm pallor: A smartphone-based approach | |
| Barata et al. | 1 Toward a Robust Analysis of Dermoscopy Images Acquired under Different | |
| CN112881303A (zh) | 一种基于高光谱成像技术的血糖浓度检测方法 | |
| Banu et al. | Objective erythema assessment of Psoriasis lesions for Psoriasis Area and Severity Index (PASI) evaluation | |
| US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
| CN114742784A (zh) | 皮肤图像红血丝标记方法、评价方法及其系统 | |
| Marcal et al. | Evaluation of the Menzies method potential for automatic dermoscopic image analysis. | |
| CN115381405A (zh) | 一种用于鲜红斑痣的检测系统 | |
| Khurshid et al. | Image processing to quantitate hemoglobin level for diagnostic support | |
| CN115797246A (zh) | 病理图像质量评估、调节方法和系统、电子设备、介质 | |
| Ibraheem | Linear and Quadratic Classifier to Detection of Skin Lesions" Epicutaneus" |
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 |