CN116152270B - 图像处理方法、装置、设备和介质 - Google Patents
图像处理方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116152270B CN116152270B CN202211419504.8A CN202211419504A CN116152270B CN 116152270 B CN116152270 B CN 116152270B CN 202211419504 A CN202211419504 A CN 202211419504A CN 116152270 B CN116152270 B CN 116152270B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- candidate
- area
- value
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 242
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000003153 chemical reaction reagent Substances 0.000 claims description 90
- 239000003795 chemical substances by application Substances 0.000 claims description 58
- 238000013139 quantization Methods 0.000 claims description 36
- 238000003709 image segmentation Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 29
- PVNIIMVLHYAWGP-UHFFFAOYSA-N Niacin Chemical compound OC(=O)C1=CC=CN=C1 PVNIIMVLHYAWGP-UHFFFAOYSA-N 0.000 description 28
- 239000000126 substance Substances 0.000 description 26
- 229960003512 nicotinic acid Drugs 0.000 description 23
- 235000001968 nicotinic acid Nutrition 0.000 description 23
- 239000011664 nicotinic acid Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 239000013566 allergen Substances 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 206010020751 Hypersensitivity Diseases 0.000 description 6
- 238000005286 illumination Methods 0.000 description 5
- 208000030961 allergic reaction Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011010 flushing procedure Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003340 mental effect Effects 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000000172 allergic effect Effects 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 208000035285 Allergic Seasonal Rhinitis Diseases 0.000 description 1
- 206010012442 Dermatitis contact Diseases 0.000 description 1
- 206010048908 Seasonal allergy Diseases 0.000 description 1
- 206010040914 Skin reaction Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000010247 contact dermatitis Diseases 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229960003444 immunosuppressant agent Drugs 0.000 description 1
- 230000001861 immunosuppressant effect Effects 0.000 description 1
- 239000003018 immunosuppressive agent Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000041 non-steroidal anti-inflammatory agent Substances 0.000 description 1
- 229940021182 non-steroidal anti-inflammatory drug Drugs 0.000 description 1
- 238000002161 passivation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 201000004338 pollen allergy Diseases 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035483 skin reaction Effects 0.000 description 1
- 231100000430 skin reaction Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 235000019156 vitamin B Nutrition 0.000 description 1
- 239000011720 vitamin B Substances 0.000 description 1
Classifications
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供一种图像处理方法、装置、设备和介质,该方法包括:获取预先采集的目标图像,所述目标图像中包括目标对象,从所述目标图像中划分出包含所述目标对象皮肤的图像区域,作为目标区域;针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,并将所得到的分割结果作为该候选取值对应的候选分割结果;针对每个候选分割结果,预测该候选分割结果的准确度;根据所预测出的各候选分割结果的准确度,从各候选分割结果中选择出所述目标区域的目标分割结果;根据所述目标分割结果确定量化值,所述量化值用于表征所述目标对象皮肤的发红程度。该方案可以提高对皮肤发红程度的评估准确性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种图像处理方法、装置、设备和介质。
背景技术
在日常生活中,有些人在接触某些特定物质时,皮肤会产生发红反应,而且不同的人对于同一特定物质,所产生的皮肤发红反应也有强弱之分。
研究发现,接触某些特定物质后,受试者皮肤的发红程度与受试者自身的体质或受试者所表现出的在某些疾病方面的健康程度之间存在相关性,利用这种现象,通过评估皮肤发红程度,在临床上可以达到基于评估结果对受试者的体质或在某些疾病方面的健康程度进行评估的目的。
例如以特定物质为过敏原(如花粉)为例,受试者在接触过敏原之后,皮肤越红,则说明受试者对该过敏原的过敏反应则可能越强烈。又例如以特征物质为烟酸试剂为例,受试者在接触烟酸试剂之后,皮肤发红颜色越红,则往往被试者在心理活动方面的健康程度越健康。
目前,临床上通常是直接在受试者皮肤上斑贴特定物质,在特定物质与受试者皮肤接触指定时长并产生反应后,再由观察员目测发红的皮肤区域,结合其个人经验来评估皮肤发红程度。
但是,临床上使用的这种目测评估的方式是依赖观察员的主观经验判断,观察员对于皮肤泛红程度的判别上有可能存在偏差,容易造成评估结果的不准确。
发明内容
本申请提供一种图像处理方法、装置、设备和介质,用于解决现有通过目测评估皮肤泛红程度,评估不准确的问题。
本说明书采用下述技术方案:
本申请实施例提供一种图像处理方法,包括:
获取预先采集的目标图像,所述目标图像中包括目标对象;从所述目标图像中划分出包含所述目标对象皮肤的图像区域,作为目标区域;针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,并将所得到的分割结果作为该候选取值对应的候选分割结果;针对每个候选分割结果,预测该候选分割结果的准确度;根据所预测出的各候选分割结果的准确度,从各候选分割结果中选择出所述目标区域的目标分割结果;根据所述目标分割结果确定量化值,所述量化值用于表征所述目标对象皮肤的发红程度。
可选的,所述预先采集目标图像,包括:
在目标对象的皮肤与指定试剂发生反应后,采集包含所述目标对象的图像,作为目标图像;
所述从所述目标图像中划分出包含所述目标对象皮肤的图像区域,包括:
从所述目标图像中划分出包含接触所述指定试剂后的皮肤区域的图像区域。
可选的,所述目标图像中还包括有定位标签;
所述从所述目标图像中划分出包含接触所述指定试剂后的皮肤区域的图像区域,包括:
确定所述定位标签在所述目标图像中所处的标签位置;
根据所述定位标签和接触过指定试剂的皮肤区域之间预先确定的位置关系,以及所述标签位置,从所述目标图像中划分出包含接触指定试剂后的皮肤区域的图像区域。
可选的,所述指定试剂包括至少两个;
所述在目标对象的皮肤与指定试剂发生反应后,采集包含所述目标对象的图像,包括:
在目标对象的不同皮肤区域分别与各指定试剂发生反应后,采集包含接触各指定试剂后的皮肤区域的图像;
所述从所述目标图像中划分出包含接触所述指定试剂后的皮肤区域的图像区域,包括:
针对每个指定试剂,从所述目标图像中划分出包含接触该指定试剂后的皮肤区域的图像区域;
所述针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,包括:
针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域;
根据所述目标分割结果确定量化值,包括:
根据所选择出的各目标区域的目标分割结果,确定量化值。
可选的,所述预先采集目标图像,包括:
所述目标对象的皮肤与指定试剂发生反应后的每个指定时刻,采集包含接触所述指定试剂后的皮肤区域的图像,作为该指定时刻对应的目标图像;
所述从所述目标图像中划分出包含所述目标对象皮肤的图像区域,包括:
针对在每个指定时刻采集到的目标图像,从该目标图像中划分出包含接触过指定试剂后的皮肤区域的图像区域;
所述针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,包括:
针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域;
根据所述目标分割结果确定量化值,包括:
根据所选择出的各目标区域的目标分割结果,确定量化值。
可选的,分割所述目标区域,包括:
将所述目标区域分割为特征区域和非特征区域;
所述预测该候选分割结果的准确度,包括:
根据该候选分割结果中特征区域的聚集程度,和/或,该候选分割结果与相邻候选分割结果中特征区域的差异程度,预测该候选分割结果的准确度,其中,所述相邻候选分割结果为该候选分割结果对应的候选取值的相邻候选取值对应的候选分割结果。
可选的,所述指定试剂包括至少两个;
所述目标对象的皮肤与指定试剂发生反应后的每个指定时刻,采集包含接触所述指定试剂后的皮肤区域的图像,包括:
在所述目标对象的不同皮肤区域分别与各指定试剂发生反应后的每个指定时刻,采集包含接触各指定试剂后的皮肤区域的图像;
所述从所述目标图像中划分出包含所述目标对象皮肤的图像区域,包括:
针对每个指定试剂,从该张目标图像中划分出包含接触过该指定试剂的皮肤区域的图像区域;
所述从各候选分割结果中选择出所述目标区域的目标分割结果,包括:
确定各候选分割结果分别对应的节点,并构建基于各节点的有向图,其中,每个节点表征该节点对应的候选分割结果的准确度,所述有向图中还包括自每个前一时刻的节点至每个后一时刻的节点的若干个有向边;
根据所预测出的各候选分割结果的准确度,在所述有向图中搜索出目标路径,将所述目标路径经过的节点作为目标分割结果。
可选的,所述在所述有向图中搜索出目标路径,包括:
针对所述有向图中的每个有向边,根据该有向边所连接的两节点对应的候选分割结果之间的差异程度,确定该有向边的权重值;
根据各有向边的权重值和各节点所表征的候选分割结果的准确度,在所述有向图中搜索出目标路径。
可选的,所述分割所述目标区域,包括:
将所述目标区域分割为特征区域和非特征区域;
根据所述目标分割结果确定量化值,包括:
根据所述特征区域的泛红程度,和/或,特征区域的面积,确定出所述量化值。
本申请另一实施例提供一种图像处理装置,包括:
图像获取模块,用于获取预先采集的目标图像,所述目标图像中包括目标对象;区域划分模块,用于从所述目标图像中划分出包含所述目标对象皮肤的图像区域,作为目标区域;图像分割模块,用于针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,并将所得到的分割结果作为该候选取值对应的候选分割结果;准确度预测模块,用于针对每个候选分割结果,预测该候选分割结果的准确度;结果确定模块,用于根据所预测出的各候选分割结果的准确度,从各候选分割结果中选择出所述目标区域的目标分割结果;量化值确定模块,用于根据所述目标分割结果确定量化值,所述量化值用于表征所述目标对象皮肤的发红程度。
本申请再一实施例提供一种电子设备,包括:处理器,与所述处理器通信连接的存储器以及收发机;所述存储器存储计算机执行指令;所述收发机,用于在所述处理器的控制下收发数据;所述处理器执行所述存储器存储的计算机执行指令,以实现如上述的方法。
本申请又一实施例提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本申请实施例提供的图像处理方法、装置、设备和介质,通过从预先采集的目标图像中划分出目标对象皮肤的图像区域,作为目标区域,以若干个候选取值作为阈值分割该目标区域,得到每个候选取值对应的候选分割结果,并基于每个候选取值对应的候选分割结果的准确度,选择出目标分割结果,以此确定出表征目标对象皮肤发红程度的量化值,基于量化值可以更加准确的评估出皮肤泛红程度,提高评估准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理;
图1为本申请实施例提供的图像采集的场景示意图;
图2为本申请实施例提供的图像处理方法的流程示意图;
图3为本申请实施例提供的目标区域的示意图;
图4为本申请实施例提供的目标区域的分割示意图;
图5为本申请另一实施例提供的目标区域的分割示意图;
图6为本申请又一实施例提供的目标区域的分割示意图;
图7为本申请又一实施例提供的目标区域的分割示意图;
图8为本申请实施例提供的特征区域的示意图;
图9为本申请实施例提供的有向图;
图10为本申请实施例提供的图像处理装置的结构示意图;
图11为本申请实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本说明书中所有物质接触、采集图像、获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应的受试者或装置所有者给予授权的情况下进行的。
在日常生活中,人们在各种场景下与某些物质接触后,可能引起皮肤发红,而不同的人在接触到同种、相同剂量的物质时,皮肤发红的程度却有强弱之分。
近年来,越来越多的研究发现,接触某些特定物质后皮肤的发红程度与受试者自身的体质或受试者所表现出的在某些疾病方面的健康程度之间存在相关性,因此,临床上也可以通过观察受试者接触某些特征物质之后皮肤的发红程度,为评估受试者体质或在某些疾病方面的健康程度提供可参考的生理性指标。
举例而言,接触过过敏原之后人的皮肤的发红程度能够反映出其对该过敏原的过敏反应的强烈程度,接触过过敏原的皮肤越红,则其对该过敏原的过敏反应可能越强烈,因此,临床上可以通过评估发红程度来判断过敏反应的强烈程度。
可以看出,通过上述方式来评估受试者体质时,评估指标的准确性受所观察出的皮肤发红程度的准确性的影响,若观测出的皮肤发红程度不准,则对受试者体质的评估也很难得出准确结果。为此就需要给皮肤发红程度赋予准确的评估结果。
目前对皮肤发红程度的评估一般是由观察员观察发红区域,然后结合自身经验来给出评估结果,这种方法掺杂的主观因素过多,针对同一块发红皮肤,不同的观察员所给出的评估结果可能会不同,导致评估结果准确度较低,而且实际上观察员给出的评估结果还很模糊,例如“轻微发红”、“中度发红”和“严重发红”,评估结果的粒度粗。
为了解决上面人工评估不准的问题,在现有技术中还有另外一种方法,通过采集皮肤发红区域的图像,并以某一图像变量的一种指定值为阈值分割该图像,例如,采用统计中的2倍标准差计算分割阈值进行阈值分割包含皮肤发红区域的RGB图像得到图像中的发红区域与发红程度值。
但是,采用上述方法发红区域识别的方式受光照条件影响较大,明暗阴影都会直接对结果造成很大的影响,且简单的阈值计算方式缺乏了一定的灵活性,肤色的变化可能会导致结果的偏差,且受试者可能长期需要保持同一个位置与姿势来提升准确度。
针对上述问题,本专利提供了一种可以量化皮肤发红程度方案,该方案能够准确的评估出皮肤发红程度。
示例性的,在本申请中,特定物质可以为过敏原(例如花粉)或者烟酸试剂,当特定物质为过敏原时,过敏人群在接触到过敏原之后(例如斑贴花粉),皮肤就会出现发红的情况,而且其皮肤越红,表示其过敏症状越强烈。而当特定物质为烟酸试剂时(烟酸是一种水溶性B族维生素,接触皮肤时会引起局部皮肤潮红,在临床上烟酸皮肤反应钝化可以作为诸如精神分裂症等影响精神活动健康的精神方面疾病的内表型特征),临床上通过在受试者皮肤上贴敷烟酸试剂,在烟酸试剂与皮肤充分接触并反应之后,可以观察所引起的皮肤发红程度,皮肤发红程度越淡,则表征受试者精神活动的健康程度越低,反之,皮肤发红程度越强,则说明受试者精神活动的健康程度越高。
需要说明的的,本申请实施例以下以特定物质为烟酸试剂为例进行说明,当然,若在执行本申请实施例提供的方法前,受试者所接触到的东西是其它的特定物质(例如过敏原)时,本申请实施例提供的皮肤发红程度的量化方法也可以用来为评估过敏程度提供生理性指标。可以看出,本申请实施例提供的方法仅用来量化出皮肤发红程度,得到量化后的评估结果,评估结果后续具体用于反映何种信息,取决于被试者在接触特定物质之前的具体行为。例如花粉过敏的受试者接触花粉导致了其出现皮肤发红的情况时,本方法所量化出的该受试者的皮肤发红程度,则用于评估该受试者对划分的过敏程度。也即,评估结果具体用于反映该人的何种信息,本申请不做限制。
在接触某一类型的特定物质之后,受试者皮肤发红的程度可能受多种原因影响,为了尽可能地排除与所要获知的信息无关的干扰,本说明书一实施例中,可以在评估前,预先判断所要评估的受试者是否存在其他影响皮肤发红程度的因素。举例而言,当指定物质为烟酸试剂时,可以先问询受试者是否有接触性皮炎,以及是否在两周内服用过非甾体抗炎药以及免疫抑制剂,若不存在上述影响皮肤发红程度的情况,则可基于本说明书提供的图像处理方法评估受试者的皮肤发红程度,以避免影响所得到的评估结果在反映受试者精神活动健康程度的准确性。
下面,通过具体实施例对本申请的技术方案进行详细说明。需要说明的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请实施例提供的图像处理方法的流程示意图,该方法可以应用于具有图像处理功能的电子设备(例如皮肤发红程度评估设备)中。以电子设备作为执行主体为例,该方法具体可以包括如下步骤:
步骤S101,获取预先采集的目标图像。其中,目标图像中包括目标对象。
在本实施中,实施该方法的执行主体为电子设备,示例性的,电子设备具体可以是计算机设备、移动终端、个人笔记本等。其中,预先采集的目标图像可以是事先由图像采集设备对目标对象进行图像采集得到的,本申请电子设备通过与图像采集设备通信来获取到该目标图像。另外,也可以通过本申请电子设备自带的图像采集设备对目标对象进行图像采集,得到目标图像并预先存储到电子设备的存储单元,当需要进行皮肤发红程度的量化评估时,从该存储单元获取该目标图像。
其中,不同的目标对象对应的目标图像不相同,在存储到存储单元时,需要进行关联存储,例如对目标对象D1进行图像采集得到的目标图像D11,在存储该目标图像D11时,可以以目标对象D1作为键,该目标图像D11作为值,通过键值对的形式进行关联存储。
其中,采集目标图像的时间节点应当是目标对象在接触特定物质后,采集目标图像的时间节点可以是目标对象皮肤接触烟酸第一时刻之后、第二时刻之前的任意时刻,以确保所采集到的目标图像中,接触烟酸试剂的皮肤已与特定物质充分反应,并避免特定物质所引起的反应可能已消退。以特定物质为烟酸试剂为例,第一时刻可以是1分钟、2分钟、3分钟等,第二时刻可以为10分钟、15分钟、20分钟等。
示例性的,目标对象可以是上述的受试者,目标图像中除了包括有目标对象之外,还可以包括其他物体或人(可视为图像中的背景)。又或者,当目标图像中只包括有目标对象时,目标图像可以包括有目标对象的全部身体部位(例如手臂、脸部、腿部、胸部等区域),也可以只包括目标对象的部分身体部位。其中,该部分身体部位皮肤不一定接触过特定物质,但目标对象身体上至少存在一个身体部位接触过特定物质,导致该部分身体部位可以存在有发红的皮肤区域(例如在评估烟酸试剂引起的皮肤发红程度时,该部分身体部位可以是受试者的手臂部位)。
其中,皮肤发红的区域不受限制,可以是目标对象的手臂、脸部、腿部、胸部等区域。造成目标对象皮肤发红的因素可以是上述的特定物质,例如烟酸试剂或者过敏原等等各种情况,本实施例在此只做解释说明,不限制造成目标对象皮肤发红的因素。
另外,目标图像的数量也不受限制,目标图像的数量可以是一张也可以是多张。本实施例中以一张目标图像为例。在其他实施方式中,当目标图像的数量为多张时,则每张目标图像可以包括有在不同时刻和/或不同光照强度下的目标对象。
步骤S102,从目标图像中划分出包含目标对象皮肤的图像区域,作为目标区域。
需要说明的是,本实施例中,目标图像中可能包括有目标对象皮肤的图像区域之外的其他图像区域,这些其他图像区域在本实施例方案中的用处不大,为了避免这些其他图像区域的干扰,并且减少图像处理工作量,提高图像处理效率,故而单独将目标区域从目标图像中划分出来。
在本实施例中,目标对象皮肤可以是目标对象身体上的任一部位的皮肤,例如手臂皮肤、脸部皮肤、腿部皮肤、胸部皮肤、背部皮肤中的至少一种。在一张目标图像中,可能包括有一个目标区域。在对划分得到目标区域时,可以采用以下三种方法中的任一种:
方法一:识别出目标图像中的皮肤区域和非皮肤区域,将识别出的皮肤区域划分出来作为目标区域。
方法二:识别出目标图像中的皮肤区域,并进一步识别出该皮肤区域中的皮肤发红区域,作为目标区域。
方法三:在目标区域中找到位置特定的某一皮肤区域,作为目标区域。
通过上述三种方法分别划分得到的目标区域可能不一定相同,示例性的,以方法三为例,位置特定的某一皮肤区域可以是目标区域中任意一块皮肤区域,其具体位置不限制。但是在需要定位出该目标区域的具体位置时,可以通过定位标签来定位。
示例性的,以方法一为例,在从目标图像中划分出目标区域的过程中,目标图像中部分图像区域可能不是目标对象皮肤,例如当目标对象的手臂佩戴有袖套并对目标对象的手臂进行图像采集得到目标图像时,此时佩戴有袖套的区域不能被视为目标对象皮肤,即不能作为目标区域。故而从目标图像中划分出目标区域时,可以基于任一现有的机器视觉识别哪些图像区域为皮肤区域,以此划分得到目标区域。
步骤S103,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割目标区域,并将所得到的分割结果作为该候选取值对应的候选分割结果。
在本实施例中,图像变量可以是灰度值、饱和度值、明度值等,示例性的,还可以是色彩空间中某一通道值,例如以色彩空间为RGB色彩模式为例,图像变量可以是R颜色通道值。又例如以色彩空间为HSV颜色模型为例,图像变量可以是HSV颜色模型中H方向上的值,再例如图像变量为YCrCb空间中的Cr方向上的值,等等。
其中,图像变量可以取值为不同的候选取值,图像变量在取值为不同的候选取值时,对目标区域进行分割得到的分割结果可能不相同。其中,可按照从小到大的方向,从搜索范围内依次选取出若干个不同的候选取值(候选取值可以取值为正整数),然后对每张目标图像中的目标区域进行阈值分割。
其中,对目标区域进行阈值分割是指分割出目标区域中的特征区域和非特征区域。图像分割是图像处理到图像分析的关键步骤,图像分割方法具体可以包括有基于阈值的分割方法和基于区域的分割方法等等。
示例性的,基于阈值的分割方法即选取一个候选取值作为阈值,将图像中该图像变量的数值大于该阈值的像素点分割出来作为特征区域,或者将图像中该图像变量的数值小于或等于该阈值的像素点分割出来作为特征区域,然后,将图像中除了特征区域之外的其它区域则作为非特征区域。
为方便描述,本说明书以下实施例中实施例中,仅示例性的,将显示有发红程度较高的皮肤的像素点和未显示有发红程度较高的皮肤的像素点分别分割为特征区域和非特征区域为目标,以通过下述任一方式得到用于量化皮肤发红程度的量化值。
举例而言,当图像变量是RGB色彩空间中的是R颜色通道值时,可以设定将R取值大于候选取值的像素点作为特征区域中的像素点。又例如以图像变量是色彩空间为HSV颜色模型中的H方向上的值为例,可以设定将H取值大于候选取值的像素点作为特征区域中的像素点,再例如图像变量为YCrCb空间中的Cr方向上的值时,可以设定将Cr取值大于候选取值的像素点作为特征区域中的像素点。
需要说明的是,本说明书一实施例中,当图像变量是色彩空间为HSV颜色模型中的H方向上的值时,通常认为H的取值越接近0的像素点所表现出的颜色越红,但是,当图像变量H的取值范围[Hmin,Hmax]均大于0时,则以设定将H取值大于候选取值的像素点作为特征区域中的像素点,而相应的,当图像变量H的取值范围[Hmin,Hmax]均小于0时,也可以设定将H取值小于候选取值的像素点作为特征区域中的像素点,可以理解的,如何根据候选阈值确定特征区域和非特征区域的方式多种多样,本说明书实施例不再过多赘述。
为便于描述,以下实施例中以图像变量为色彩空间为HSV颜色模型中的H方向上的值,并且图像变量H的取值范围[Hmin,Hmax]均大于0为例进行说明。
在其他实施例中,在像素点的粒度上对目标区域进行分割得到分割结果之后,还可以对像素点做聚合处理,例如根据欧式距离,将邻近像素点进行聚合得到特征区域或非特征区域。
在其他实施例中,在对目标区域进行分割之后,还可以做区域连通处理,例如根据图像处理中的区域连通算法,将分割出一些相邻的小的特征区域连通,得到一个完整的特征区域,或者将分割出的一些相邻的小的非特征区域连通,得到一个完整的非特征区域,以此尽量减少在分割过程中出现的噪音。
步骤S104,针对每个候选分割结果,预测该候选分割结果的准确度。
在本实施例中,可以对候选分割结果进行打分。其中,打分分数可以通过一套预设的规则性算法计算得到,具体的,不同的候选分割结果可能存在差异,基于各个候选分割结果之间的差异,可以对各个候选分割结果进行打分,得到每个候选分割结果的准确度。
示例性的,以取值为候选取值H1的图像变量,对目标区域进行分割得到候选分割结果J1,而以取值为候选取值H2的图像变量,对目标区域进行分割得到候选分割结果J2,以取值为候选取值H3的图像变量,对目标区域进行分割得到候选分割结果J3,其中,H1、H2和H3为相邻取值,则可以基于J1、J2和J3之间的差异度来确定J1、J2和J3的准确度。
另外,还可以预先设置标准分割结果,基于每个候选分割结果与标准分割结果之间的差异度,来为每个候选分割结果打分,例如候选分割结果与标准分割结果的差异越大,则候选分割结果的准确度越低。
在本说明书的一些实施例中,如果特征区域中所包含的红色越多,并且非特征区域中所包含的红色越少,则该候选分割结果的准确度越高。
步骤S105,根据所预测出的各候选分割结果的准确度,从各候选分割结果中选择出目标区域的目标分割结果。
以图像变量为HSV颜色空间里的H方向为例,图像变量的取值指定可以有一个搜索范围[Hmin,Hmax],候选取值是从搜索范围中选取得到的,不同的候选取值对应的候选分割结果不相同,需要选取出目标最优阈值,该目标最优阈值对应的候选分割结果即为目标分割结果。
在本实施例中,候选分割结果的准确度越高,则其作为目标分割结果的可能性越大,具体的,以目标图像为一张,其包括有至少一个目标区域为例,通过若干个候选取值作为阈值分割该目标区域,得到每个候选取值对应的候选分割结果之后,可以选取候选分割结果中准确度最高的作为目标分割结果。
步骤S106,根据目标分割结果确定量化值。其中,量化值用于表征目标对象皮肤的发红程度。
在本实施例中,基于阈值的分割方法是选取一个候选取值作为阈值,将图像中图像变量大于该阈值的像素点分割出来作为特征区域,而图像中除了特征区域之外的其它区域则作为非特征区域。目标分割结果则是以取值为目标最优阈值的图像变量为阈值,对目标区域进行分割得到的分割结果,同理,该目标分割结果中也包括有特征区域和/或非特征区域。
其中,可以基于特征区域的面积大小来确定出量化值,特征区域的面积越大,则对应的量化值越大。示例性的,可以建立面积与量化值之间的对应关系,例如设置如下的对应关系:当特征区域的面积为0时,则对应的量化值为0,当特征区域的面积小于预设面积阈值时,对应的量化值为1,当特征区域的面积等于预设面积阈值时,对应的量化值为2,当特征区域的面积大于预设面积阈值时,对应的量化值为3。当然,以上仅为示例,本说明书实施例并不限定如何设定特征区域和量化值之间具体的对应关系。
本申请实施例通过对目标区域的皮肤发红程度进行量化,确定出量化值,得到的评估结果更加准确,而且整个过程不需要观察员基于个人经验主观判断,进一步提高了评估的准确性。
在另一些实施例中,在得到候选分割结果之后,可以采用膨胀腐蚀算法对候选分割结果进行调整修正以进一步提高候选分割结果的准确性。在采用膨胀腐蚀算法时,具体可以先使用开操作,先腐蚀后膨胀。
在一些实施例中,在预先采集目标图像时,具体可以通过如下步骤实现:在目标对象的皮肤与指定试剂发生反应后,采集包含目标对象的图像,作为目标图像。另外,在从目标图像中划分出包含目标对象皮肤的图像区域时,具体可以通过如下步骤实现:从目标图像中划分出包含接触指定试剂后的皮肤区域的图像区域。
在本实施例中,指定试剂可以是能够引起目标对象皮肤发红的试剂,示例性的,指定试剂可以是烟酸试剂,其中,不同的烟酸试剂中烟酸的浓度可以不相同,由此引起目标对象皮肤发红程度也可能不同。
示例性的,图2为本申请实施例提供的图像采集的场景示意图,可以取受试者身体的不同部位作为反应区域,与指定试剂接触,其中,指定试剂可以是烟酸试剂,后续不再解释说明。如图2所示,可以取受试者的手臂部位作为反应区域,在手腕和臂弯处分别贴上定位标签21,然后再在定位标签21之间贴上贴片22(贴片包含有可引起受试者发生皮肤发红反应的指定试剂,例如烟酸试剂),等待贴片22与受试者皮肤接触反应一段时间(例如1分钟或2分钟或3分钟)后揭下贴片22,揭下贴片22之后可以对受试者的皮肤进行图像采集,得到目标图像。其中,采集得到的目标图像中包括有目标区域,在本申请中一实施例中,目标区域是指采集得到的目标图像中定位出可能包含皮肤发红区域的图像区域。另外,在目标区域中还有可能存在有未发红的皮肤区域,这一部分皮肤区域可视为基准皮肤。
在本实施例中,在采集目标图像时,可以直接使用图像采集设备对目标对象进行图像采集以得到目标图像。示例性的,可以对上述图2中受试者的手臂区域进行图像采集,得到目标图像,如此目标图像中就包括有定位标签21和原贴片22覆盖过的手臂区域,其中,贴片22与受试者皮肤接触反应一段时间(例如1分钟或2分钟或3分钟)后会被揭下,不存在于目标图像中。
示例性的,在对上述图2中受试者的手臂区域进行图像采集得到的目标图像时,图2的手臂上包括有多个贴片22,则可以将每个贴片22所覆盖的皮肤作为一个待采集区域,然后采集包含所有待采集区域的图像,作为目标图像,如此目标图像中就包括有同一身体部位(即手臂)的不同位置。
在本实施例中,目标图像中可以包含有目标对象所有身体部位的皮肤图像,也可以只包括有目标对象中目标身体部位的皮肤图像,且该目标身体部位的皮肤与烟酸试剂接触并发生反应过。
示例性的,除了在上述图2中受试者的手臂进行图像采集得到目标图像之外,还可以将受试者的脸部、腿部、胸部、背部等区域作为待采集区域,例如在受试者的脸部贴上贴片,在贴片与受试者脸部皮肤接触反应一段时间(例如1分钟或2分钟或3分钟)后揭下,可以对受试者脸部皮肤进行图像采集,如此也可以得到目标图像。
进一步的,该目标身体部位不同位置处的皮肤可能均与烟酸试剂接触并发生反应过,此时目标图像中可以包括有该目标身体部位不同位置处的皮肤图像。示例性的,可参考图2,图2中受试者的手臂(可视为目标身体部位)上的不同位置处贴有4个贴片22,在4个贴片22与皮肤发生反应并撕下后,可以对4个贴片22所接触的皮肤区域进行图像采集,得到的目标图像中就包括有4个贴片22所接触的皮肤区域,在对目标图像进行划分时,可以将每一个贴片22所接触过的皮肤区域划分出来,由此得到四个目标区域。
其中,4个贴片22中可以包含有指定试剂,且各个贴片22所包含的指定试剂的浓度可以各不相同,由此各贴片22所引发的皮肤发红程度也不相同。
在本实施例中,继续参考图2,图2中包括有多个贴片22,每个贴片22所接触的皮肤区域可以划分得到一个目标区域。在另一些实施方式中,为了使得评估结果更加准确,目标区域的范围可以更大,即在指定试剂与皮肤接触的区域的基础上,通过预设放大系数来进行放大,例如继续以图2为例,图2中每个贴片22与皮肤接触,可以选取贴片22以及贴片22周围的皮肤区域,作为目标区域。
示例性的,在另一些实施方式中,以目标图像为图2中受试者手臂的图像为例,在从目标图像中划分出目标区域时,具体可以根据原贴片22(在贴片22与皮肤接触一段时间之后,贴片22从皮肤上撕下来)所处的位置来确定目标区域。在图2中贴片22的形状为圆形,(其中,贴片22的形状仅仅是一种示例,在实际应用中,贴片22的形状不受限制,另外,定位标签21的形状也不受限制,例如其可以是矩形(例如长宽比为2:1)),可以取该圆形所覆盖的皮肤区域以及其周边区域作为目标区域。示例性的,可以取该圆形的中心,作为目标区域的中心,然后以圆形的边长的两倍作为目标区域的边长,得到目标区域,作为目标区域。
示例性的,以手臂皮肤作为目标对象皮肤为例,图3为本申请实施例提供的目标区域的示意图,如图3所示,在揭下贴片22并对目标对象的手臂进行拍摄得到目标图像后,通过从目标图像中划分得到目标区域(包括贴片22与皮肤接触过的区域、贴片22周围的皮肤区域)。目标区域中可能存在有皮肤未发红区域31和皮肤发红区域32,其中,皮肤未发红区域31的皮肤是基准肤色。进一步的,随着时间的推移,原皮肤发红区域32可能变大,变为当前皮肤发红区域33。即在不同时刻下拍摄得到的目标图像中,目标区域所显示的信息可能发生变化,即图3中的前一时刻的目标区域A变随着时间的推移,变化为了后一时刻的目标区域B。
本申请实施例通过采集目标对象的图像作为目标图像,图像采集过程不受场景约束,目标图像的获取更加便捷,同时采集得到目标图像之后,只需从目标图像中划分出与指定试剂接触的皮肤区域作为目标区域,区域划分过程也简单便捷,可有效缩短图像采集和图像处理所花费的时间,提高效率。
进一步的,在上述实施例的基础上,在另一些实施例中,上述目标图像中可以包括有定位标签,在划分出包含接触指定试剂后的皮肤区域的图像区域时,具体可以通过如下步骤实现:确定定位标签在目标图像中所处的标签位置;根据定位标签和接触过指定试剂的皮肤区域之间预先确定的位置关系,以及标签位置,从目标图像中划分出包含接触指定试剂后的皮肤区域的图像区域。
示例性的,预先可以采用下述方式之一确定定位标签和接触过指定试剂的皮肤区域在目标图像中的相对位置关系:
第一种:定位标签和每个贴片之间的位置关系可以是预先设定的标准位置关系,此时,可以直接根据图像采集设备的内外参数,以及上述标准位置关系,计算得到确定目标图像中定位标签和接触过指定试剂的皮肤区域(即贴片覆盖过的区域)之间的位置关系,并根据所识别出的定位标签在目标图像中的位置确定出接触过指定试剂的皮肤区域在目标图像中的位置。
第二中:还可以在定位标签和贴片尚未离开皮肤的时候,采集定位图像,确定定位图像中定位标签和接触过指定试剂的皮肤区域(即贴片覆盖过的区域)之间的位置关系,并根据所识别出的定位标签在目标图像中的位置确定出接触过指定试剂的皮肤区域在目标图像汇总的位置。
当然,还可以采用其他任一现有的方式确定定位标签和接触过指定试剂的皮肤区域在目标图像中的相对位置关系,本说明书实施例对此不作限制。
在本实施例中,继续参考图2,在采集目标图像时,可以对图2中的整个手臂进行图像采集,如此得到的目标图像中就包括了定位标签21。同时,在图像采集之前,可以先设定定位标签21与指定试剂(以图2中的贴片22为例)的位置关系,当贴片22与手臂皮肤接触并发生反应之后,贴片22会被撕下,此时再进行图像采集,得到目标图像(由于贴片22被撕下,目标图像中不会有贴片22),故而基于定位标签21和接触过指定试剂(以贴片22为例)的皮肤区域之间预先确定的位置关系,以及标签位置,就可以确定出目标图像中哪些区域曾经接触过指定试剂,从而划分出目标区域。其中,定位标签21的数量不受限制,定位标签21所处的位置也不受限制,定位标签21与指定试剂(以贴片22为例)之间的位置关系可预设配置。
本申请实施例通过在目标对象上设置定位标签,并且预先配置定位标签与接触过指定试剂的皮肤区域之间的位置关系,同时在进行目标图像采集时采集该定位标签,如此可以基于目标图像中定位标签的位置,快速的确定出目标图像中接触过指定试剂的皮肤区域,由此实现目标区域的精准定位和快速划分,并且通过定位标签,可以补偿由于受试者手部运动翻转造成的手部图像在图像整体中的旋转和平移,对皮肤发红程度量化结果带来的负面影响,同时提升受试体验,不需要在采样过程中保持手臂位置姿态不变,可以做小幅度的活动,也能够保证最终评估结果的准确性。
在上述实施例的基础上,在另一些实施例中,若上述指定试剂的数量为两个以上,则在目标对象的皮肤与指定试剂发生反应后,采集包含目标对象的图像,具体可以通过如下步骤实现:在目标对象的不同皮肤区域分别与各指定试剂发生反应后,采集包含接触各指定试剂后的皮肤区域的图像。
对应的,在从目标图像中划分出包含接触指定试剂后的皮肤区域的图像区域,具体可以通过如下步骤实现:针对每个指定试剂,从目标图像中划分出包括接触该指定试剂后的皮肤区域的图像区域。
对应的,上述步骤S103中“针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割目标区域”,具体可以通过如下步骤实现:针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域。
对应的,上述步骤206具体可以通过如下步骤实现:根据所选择出的各目标区域的目标分割结果,确定量化值。
在本实施例中,当目标图像只有一张且目标图像中包括有多个目标区域,在对每一个目标区域进行分割时,可以选择不同的候选取值作为图像变量,对每一个目标区域进行分割。示例性的,继续以图2为例,目标区域可以包括有四个(以第一目标区域、第二目标区域、第三目标区域和第四目标区域进行区分),每个目标区域为图2中与一个贴片22接触过的皮肤区域,其中,在对第一目标区域进行分割时,图像变量的候选取值可以为[H1,H5],在对第二目标区域进行分割时,图像变量的候选取值可以为[H2,H4],在对第三目标区域进行分割时,图像变量的候选取值可以为[H2,H4],在对第四目标区域进行分割时,图像变量的候选取值可以为[H3,H5],其中,H1、H2、H3、H4和H5可以是搜索范围[Hmin,Hmax]中的取值。
在本实施例中,继续以图2中贴片22作为指定试剂为例,贴片22的数量为四个,每个贴片22分别贴在受试者手臂的不同位置处并与受试者手臂皮肤发生反应之后,每个贴片22会被从受试者手臂上撕下。在目标图像采集过程中,可以直接采集该目标身体部位(即以图2中手臂为例)的整体图像作为目标图像,则目标图像中除了会包含有接触各个指定试剂后的皮肤区域,还有有其他区域(例如手腕、臂弯处的定位标签21)。
示例性的,也可以只采集该目标身体部位(即手臂)中与指定试剂分别接触后的皮肤区域的图像(即各个贴片22原所处的位置处的图像),作为目标图像。
在本实施例中,当存在有至少两个指定试剂(即贴片22)时,可以为每一个指定试剂(即贴片22)配置一个定位标签21来定位与该指定试剂接触过的皮肤区域,即当采集的目标图像为该目标身体部位(即手臂)的整体图像时,由于此时目标图像中会包含定位标签21,故可以基于每个定位标签21在目标图像中的位置,快速的在目标图像中确定出与每个指定试剂接触过的皮肤区域,实现目标区域的快速划分。
在本实施例中,当存在至少两个指定试剂(即贴片22)时,目标区域的数量也对应的为至少两个,每个目标区域可以选取不同的候选取值,以取值为该候选取值的图像变量为阈值,对每个目标区域进行分割。示例性的,参考图3,目标区域可以包括目标区域A和目标区域B。针对目标区域A,可以选取候选取值[H1,H3]作为图像变量的取值,以图像变量为阈值分割目标区域A,得到每个候选取值对应的候选分割结果(包括候选取值H1、候选取值H2和候选取值H3对应的候选分割结果);针对目标区域B,可以选取候选取值[H4,H5作为图像变量的取值,以图像变量为阈值分割目标区域B,得到每个候选取值对应的候选分割结果(包括候选取值H4和候选取值H5对应的候选分割结果)。
在本实施例中,目标分割结果可能有多个,例如以一张目标图像为例,若其中包含有多个目标区域,则每个目标区域都对应有一个目标分割结果,通过综合每个目标区域对应的目标分割结果,确定出每个目标区域的量化值,然后根据每个目标区域的量化值和四分法规则中的量化指标之间的对应关系,确定每个目标区域的量化指标,然后确定出每个目标区域的量化指标的权重,进行加权求和之后得到总的综合量化值。
示例性的,可以选取出候选取值H2对应的候选分割结果作为目标区域A的目标分割结果,选取H4对应的候选分割结果作为目标区域B的目标分割结果。通过综合两个目标区域的目标分割结果,确定总的综合量化值。
具体的,在确定量化值时,可以基于目标区域A的目标分割结果中特征区域的面积确定目标区域A的量化值,基于目标区域B的目标分割结果中特征区域的面积确定目标区域B的量化值,综合目标区域A的量化值和目标区域B的量化值,确定出总的量化值。示例性的,可以配置各目标区域的量化值的权重系数,通过各目标区域的量化值进行加权求和,得到总的量化值。
在本实施例中,以取值为该候选取值的图像变量为阈值,分割目标区域时,可以将色彩空间的某一个方向作为阈值指标,例如色彩空间可以是HSV颜色空间(又称为六角锥体模型),HSV颜色空间的三个方向分别是色调(H)、饱和度(S)和明度(V)。在本实施例中,可以选择H方向作为目标方向。示例性的,在另一些实施方式中,预设色彩空间还可以是YCrCb颜色空间(又称优化彩色视频信号),YCrCb颜色空间中的颜色参数分别是亮度信号Y和色度信号U、V,其中,目标方向可以是cr方向,Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。在其他实施方式中,预设色彩空间还可以是RGB色彩空间,其对应的目标方向为R方向。
其中,针对每个目标区域,确定出搜索范围可以是[Hmin,Hmax],即图像变量的取值范围可以是[Hmin,Hmax],其中,图像变量的取值越大,则体现出的为皮肤发红区域越不红。示例性的,以下为Hmin和Hmax的计算公式:
上式中,表示基准皮肤H的均值,σ表示基准皮肤H的标准差,k为常数(例如1)。
其中,按照从小到大的方向,可以从搜索范围中依次选取每一个候选取值,以取值为该候选取值的图像变量采用阈值分割算法将目标图像中的目标区域分割为特征区域和非特征区域,作为该候选取值对应的分割结果。
需要说明的是,基准皮肤即该目标区域中未发红的皮肤,受光照强度、光线照射角度等因素的影响,不同的目标区域中基准皮肤在HSV颜色模型中的H值可能不相同,由此每个目标区域对应的搜索范围[Hmin,Hmax]不相同。
本申请实施例可以配置多个指定试剂且不同的指定试剂的试剂浓度可以各不相同,由此可以丰富目标图像中的目标区域,使得各个目标区域的发红程度均不相同,提高目标区域的多样性,避免评估过程中采用单一图像样本造成评估结果的不准确,进一步提高评估的准确性。
在另一些实施例中,预先采集目标图像可以包括通过如下步骤实现:目标对象的皮肤与指定试剂发生反应后的每个指定时刻,采集包含接触指定试剂后的皮肤区域的图像,作为该指定时刻对应的目标图像。
对应的,从目标图像中划分出包含目标对象皮肤的图像区域,包括:针对在每个指定时刻采集到的目标图像,从该目标图像中划分出包含接触过指定试剂后的皮肤区域的图像区域;
对应的,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割目标区域,包括:针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域;
对应的,根据目标分割结果确定量化值,包括:根据所选择出的各目标区域的目标分割结果,确定量化值。
在本实施例中,在采集目标图像时,可以每间隔固定时长(例如30秒),对目标对象进行一次图像采集,得到若干张目标图像。同时,在每一张目标图像采集过程中,可以采集目标对象的不同身体部位的图像,或者采集目标对象同一个身体部位不同位置处的图像,即每一张目标图像中可以包括有目标对象多个身体部位或者同一身体部位不同位置。
在本实施例中,指定时刻可以是每间隔30秒作为一个指定时刻,可以设置预设时长20分钟,在目标对象的皮肤与指定试剂发生反应后的20分钟内,每个指定时刻都对目标对象进行图像采集,得到该指定时刻对应的目标图像。其中,每个指定时刻对应的目标图像中至少包含有与接触指定试剂后的皮肤区域,由此可以采集到40张目标图像。
在本实施例中,在对每一张目标图像进行阈值分割时,图像变量的取值也可以不相同。示例性的,图4为本申请实施例提供的目标区域的分割示意图,如图4所示,在对图3中的前一时刻的目标区域A进行分割之后,得到了特征区域41(即皮肤发红区域)和非特征区域42(即皮肤未发红区域)。
图5为本申请另一实施例提供的目标区域的分割示意图,如图5所示,图5为对图3中后一时刻的目标区域B进行阈值分割得到的分割结果,通过对目标区域进行分割之后,得到了特征区域51和非特征区域52。其中,若以候选取值Hmin作为图像变量为例,通过对图3中两个不同时刻的目标区域(即目标区域A和目标区域B)进行分割,分别得到了图4和图5所示的分割结果。由此也可以见到,以取值为同一个候选取值的图像变量作为阈值对不同时刻的目标图像中的目标区域进行分割得到的候选分割结果也不相同。
示例性的,图6为本申请又一实施例提供的目标区域的分割示意图,如图6所示,以候选取值Hmax作为图像变量为例,通过对图3中的后一个时刻的目标区域B进行分割后,得到的特征区域为61和非特征区域62。通过对比图5和图6可以发现,在同一时刻的目标图像中,对同一目标区域进行阈值分割时,图像变量的取值不同,分割得到的分割结果也不相同。
在本实施例中,以取值为该候选取值的图像变量为阈值,分割每张目标图像中的目标区域时,可以将色彩空间的某一个方向作为阈值指标,例如色彩空间可以是HSV颜色空间(又称为六角锥体模型),HSV颜色空间的三个方向分别是色调(H)、饱和度(S)和明度(V)。在本实施例中,可以选择H方向作为目标方向。示例性的,在另一些实施方式中,预设色彩空间还可以是YCrCb颜色空间(又称优化彩色视频信号),YCrCb颜色空间中的颜色参数分别是亮度信号Y和色度信号U、V,其中,目标方向可以是cr方向,Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。在其他实施方式中,预设色彩空间还可以是RGB色彩空间,其对应的目标方向为R方向。
其中,针对每个目标区域,确定出搜索范围可以是[Hmin,Hmax],即图像变量的取值范围可以是[Hmin,Hmax],其中,图像变量的取值越大,则体现出的为皮肤发红区域越不红。示例性的,可以通过以下计算公式计算得到Hmin和Hmax:
上式中,表示基准皮肤H的均值,σ表示基准皮肤H的标准差,k为常数(例如1)。
其中,按照从小到大的方向,可以从搜索范围中依次选取每一个候选取值,以取值为该候选取值的图像变量采用阈值分割算法将目标图像中的目标区域分割为特征区域和非特征区域,作为该候选取值对应的分割结果。
在本实施例中,基准皮肤即每张目标图像的目标区域中未发红的皮肤,在每个指定时刻对目标对象进行图像采集得到目标图像时,目标对象可以处于不同的光照强度下,由此采集得到的每张目标图像中基准皮肤在色彩空间中的H值可能不相同,由此在每张目标图像中的每个目标区域对应的搜索范围[Hmin,Hmax]不相同。即每个目标区域可以选取不同的候选取值,以取值为该候选取值的图像变量为阈值,对每个目标区域进行分割。
示例性的,继续参考图3,目标区域可以包括目标区域A和目标区域B,目标区域A为从前一指定时刻采集得到的目标图像中划分得到的,目标区域B为从后一指定时刻采集得到的目标图像中划分得到的。针对目标区域A,可以选取候选取值[H1,H3]作为图像变量的取值,以图像变量为阈值分割目标区域A,得到每个候选取值对应的候选分割结果(包括候选取值H1、候选取值H2和候选取值H3对应的候选分割结果);针对目标区域B,可以选取候选取值[H4,H5]作为图像变量的取值,以图像变量为阈值分割目标区域B,得到每个候选取值对应的候选分割结果(包括候选取值H4和候选取值H5对应的候选分割结果)。
其中,可以选取出H2对应的候选分割结果作为目标区域A的目标分割结果,选取H4对应的候选分割结果作为目标区域B的目标分割结果。通过综合两个目标区域的目标分割结果,确定量化值。
具体的,在确定量化值时,可以基于目标区域A的目标分割结果中特征区域的面积确定目标区域A的量化值,基于目标区域B的目标分割结果中特征区域的面积确定目标区域B的量化值,综合目标区域A的量化值和目标区域B的量化值,确定出总的量化值。示例性的,可以配置各目标区域的量化值的权重系数,通过各目标区域的量化值进行加权求和,得到总的量化值。
本申请实施例通过采集每个指定时刻的目标图像,并基于每个指定时刻的目标图像来确定总的量化值,能够排除时间因素的干扰,避免在不同时刻下由于光照强度等情况的影响导致结果不准确,可进一步提高评估结果的准确性。
在上述实施例的基础上,在另一些实施例中,上述在分割目标区域时,以取值为候选取值的图像变量为阈值,将目标区域分割为特征区域和非特征区域。对应的,在预测候选分割结果的准确度时,可以通过如下步骤实现:根据该候选分割结果中特征区域的聚集程度,和/或,该候选分割结果与相邻候选分割结果中特征区域的差异程度,预测该候选分割结果的准确度,其中,相邻候选分割结果为该候选分割结果对应的候选取值的相邻候选取值对应的候选分割结果。
其中,所确定出的该候选分割结果中特征区域的聚集程度越高,则所预测出的该候选分割结果的准确度则可以越高,而另一方面,该候选分割结果与相邻候选分割结果中特征区域的差异程度越小,则预测该候选分割结果的准确度可以越高。
在本实施例中,对目标区域进行分割得到的分割结果中包括有特征区域和/或非特征区域,其中,特征区域是指皮肤发红区域,非特征区域是指皮肤未发红区域。
在本实施例中,在对目标区域进行分割得到特征区域和非特征区域时,特征区域的面积可能会很小,例如以图2中的贴片21所接触的皮肤区域为例,特征区域的面积可能会小于贴片21所接触的皮肤区域的面积。这可能是由于受试者对指定试剂的反应较弱,皮肤发红面积小。示例性的,图7为本申请又一实施例提供的目标区域的分割示意图,如图7所示,通过阈值分割目标区域71,得到特征区域73(即皮肤发红区域),可以发现特征区域73小于贴片所接触的皮肤区域72。
在本实施例中,以取值为某一个候选取值的图像变量为阈值,对某一个指定时刻t的目标图像中的目标区域进行分割时,分割出的特征区域可能不是相连通的,比如互相间隔分散在不同的位置,分割出来的特征区域越聚集,则该候选分割结果的准确度越高。
另外,在本实施例中,可以把某一候选分割结果中的所有特征区域共同求中心,以该中心为圆心构建约为特征区域面积大小的圆,以特征区域落在圆内的面积占比为指标,将该指标与该候选取值相邻的另一候选取值分割得到的特征区域的面积对比,如果差值越大,则该候选取值的候选分割结果的得分越低。其中,置信度是以上述特征区域落在圆内的面积占比作为基础值,然后再将上述得分作为波动值,通过基础值与波动值求和得到该候选取值的候选分割结果的置信度。
示例性的,图8为本申请实施例提供的特征区域的示意图,如图8所示,某一候选分割结果81中的所有特征区域(即图8中填充区域)可能不是连通在一起的,以阈值H1对目标区域进行分割得到的候选分割结果中特征区域在圆内的面积(即图8中圆形虚线所框出的填充区域)占比为M1,以阈值H2对目标区域进行分割得到的分割结果中特征区域的面积为M2,如果M1与M2的差值越大,则阈值H1对应的候选分割结果的得分越低,置信度也越低。
本申请实施例通过确定出每个候选分割结果的准确度,基于每个候选分割结果的准确度,可以实现对若干个候选分割结果的筛选,选择出最优的目标分割结果来确定出量化值,进一步提高对皮肤发红程度的评估准确性。
进一步的,在上述实施例的基础上,在一些实施例中,若指定试剂包括有两个,目标对象的皮肤与指定试剂发生反应后的每个指定时刻,采集包含接触指定试剂后的皮肤区域的图像,包括:在目标对象的不同皮肤区域分别与各指定试剂发生反应后的每个指定时刻,采集包含接触各指定试剂后的皮肤区域的图像;
对应的,从目标图像中划分出包含目标对象皮肤的图像区域,包括:针对每个指定试剂,从该张目标图像中划分出包含接触过该指定试剂的皮肤区域的图像区域;
对应的,从各候选分割结果中选择出目标区域的目标分割结果,包括:确定各候选分割结果分别对应的节点,并构建基于各节点的有向图,其中,每个节点表征该节点对应的候选分割结果的准确度,有向图中还包括自每个前一时刻的节点至每个后一时刻的节点的若干个有向边;根据所预测出的各候选分割结果的准确度,在有向图中搜索出目标路径,将目标路径经过的节点作为目标分割结果。
在本实施例中,目标对象的皮肤可以同时与多个指定试剂接触并发生反应。示例性的,以上述图2为例,受试者的手臂上同时与4个贴片22(即指定试剂)接触并发生反应。其中,在发生反应一段时间(例如2分钟)之后,可以撕下贴片22,并每个指定时刻(例如每经过30秒)采集接触过贴片22的皮肤区域的图像,作为在该指定时刻的目标图像。
其中,在目标图像包括有多张且每张目标图像中包括有与指定试剂接触过的皮肤区域时,此时每个与指定试剂接触过的皮肤区域均可以作为一个目标区域,即图2中受试者手臂上有4个与贴片22接触过的皮肤区域,则在每个指定时刻的目标图像中有4个目标区域。
在本实施例中,当目标图像存在有多张且每一张目标图像中均包括有多个目标区域时,此时,在对每一张目标图像中的每一个目标区域进行阈值分割时,图像变量的取值也可以不相同。
在本实施例中,示例性的,图9为本申请实施例提供的有向图,如图9所示,以不同的指定时刻对节点进行分组,例如t-1时刻包括有节点a,b,c。每个节点表征该节点对应的候选分割结果的准确度。例如以t-1时刻为例,在t-1时刻拍摄得到目标图像P1,可以从搜索范围[Hmin,Hmax]中选取出三个候选取值,以取值为这三个候选取值的图像变量为阈值分别对目标图像P1的某个目标区域进行分割,得到对应的三个候选分割结果(其中,三个候选分割结果的置信度可以分别作为t-1时刻中三个节点a,b,c)。在图9中,不同指定时刻下的节点和相邻时刻的节点之间通过有向的连接线连接,作为有向边。示例性的,在构建有向图时,置信度低于置信度阈值的候选分割结果可以筛除掉,即置信度较低的分割结果无法形成对应的节点。
其中,在有向图中搜索出目标路径时可以基于前一指定时刻的节点与后一指定时刻的节点之间置信度的差值,确定出目标路径。具体的,若t+1时刻与t时刻之间,节点i与节点e之间的置信度的差值最小,则选取出有向边“e-i”,若t时刻与t-1时刻之间,节点e与节点a的置信度的差值最小,则选取出有向边“a-e”,通过有向边“e-i”和有向边“a-e”,形成目标路径。示例性的,在确定目标路径的过程中,可以采用动态规划算法实现自动化求解,进一步提高目标路径的求解效率。
本申请实施例通过构建有向图,能够直观的通过搜索有向图中的目标路径,快速的确定出目标分割结果,提高目标分割结果的确定效率,提高对目标对象皮肤发红程度的评估效率。
进一步的,在上述实施例的基础上,在另一些实施例中,上述确定出目标路径具体可以通过如下步骤实现:针对有向图中的每个有向边,根据该有向边所连接的两节点对应的候选分割结果之间的差异程度,确定该有向边的权重值;根据各有向边的权重值和各节点所表征的候选分割结果的准确度,在有向图中搜索出目标路径。
在本实施例中,每条有向边可以配置一个权重值k,具体的,可以根据有向边所连接的两节点对应的候选分割结果中特征区域的面积差异大小,确定该有向边的权重值。其中,若以有向边中当前指定时刻的节点对应的候选分割结果中特征区域的面积相对于有向边中前一指定时刻的节点对应的候选分割结果中特征区域的面积变小,和/或,特征区域的发红程度变弱或变淡,则确定出的该有向边的权重值越小。
示例性的,继续参考上述图8,候选取值H1对t-1时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果并生成对应的节点a,另外,候选取值H1对应的候选分割结果中的特征区域的面积和/或颜色值(即发红程度)可以取值为a1,候选取值H4对t时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果并生成对应的节点d,候选取值H4对应的候选分割结果中的特征区域的面积和/或颜色值可以取值为d1。通过计算d1与a1差值delta=d1-a1,权重值k的表达式可以为:
上式中,a,c对应的是惩罚项比例(a<0,c>0),最终k小于0,b为增益比例,b>0,即对下降与过快的增长进行抑制,x1为预设值。
在本实施例中,在选取目标路径时,可以选择自起始时刻至终止时刻,有向边的权重值与有向边中所包含的节点所表征的置信度之和最大的路径,作为目标路径。示例性的,以三个指定时刻t-1,t和t+1为例,每一个指定时刻都有对应的节点,按照时间先后顺序,需要在t-1至t时刻之间的节点中选择出第一有向边,以及在t时刻至t+1时刻之间的节点中选取出第二有向边,将第一有向边的权重值、第二有向边的权重值、第一有向边包含的节点所表征的置信度、第二有向边中包含的节点的置信度求和,搜索出和值最大的构成目标路径。
继续参考图9,可以选取候选取值H1对t-1时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果,然后生成对应的节点a;选取候选取值H2对t-1时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果,生成对应的节点b;选取候选取值H3对t-1时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果,生成对应的节点c;选取候选取值H4对t时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果,生成对应的节点d;选取候选取值H5对t时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果,生成对应的节点e;选取候选取值H6对t+1时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果,生成对应的节点f,选取候选取值H7对t+1时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果,生成对应的节点g;选取候选取值H9对t+1时刻拍摄得到的目标图像中的某一特征区域进行分割,得到对应的候选分割结果,生成对应的节点i。
示例性的,选取节点a至节点d之间的有向边作为第一有向边,选取节点d到节点i之间的有向边作为第二有向边,最终构建得到的目标路径为“a-d-i”,其中包括有节点a,节点d和节点i,目标路径中的第一有向边的权重值、第二有向边的权重值、节点a所表征的置信度、节点b所表征的置信度、节点c所表征的置信度的和值为有向图所有路径中和值最大的。
本申请实施例通过配置每条有向边的权重值,基于每条有向边的权重值和每个节点所表征的置信度的和值,搜索出和值最大的路径作为目标路径,可以提高目标分割结果的准确度,基于准确的目标分割结果实现对皮肤发红程度的量化,提高皮肤发红程度的评估结果。
在另一些实施例中,目标区域被分割为特征区域和非特征区域,可以根据特征区域的发红程度和/或,特征区域的面积,确定量化值。
在本实施例中,可以基于特征区域的面积,确定目标区域的发红量化值,然后根据发红量化值和四分法规则中的量化指标之间的对应关系,确定每个目标区域的量化指标,然后根据与每个目标区域接触的指定试剂的试剂浓度,为每个目标区域的量化指标进行加权并求和,得到最终的量化值。
在本实施例中,也可以基于特征区域的发红程度,确定量化值。具体的,特征区域的颜色越红,则该目标区域的发红量化值越大,然后根据发红量化值和四分法规则中的量化指标之间的对应关系,确定每个目标区域的量化指标,然后根据与每个目标区域接触的指定试剂的试剂浓度,为每个目标区域的量化指标进行加权并求和,得到最终的量化值。
其中,当在每个指定时刻对目标对象进行图像采集得到多张目标图像时,可以在多张目标图像中获取若干张采样图像,基于每张采样图像中目标区域的目标分割结果,确定出最终的量化值。示例性的,例如在20分钟内,每隔30秒对目标对象进行一次图像采集得到40张目标图像时,可以选取在5分钟、10分钟、15分钟和20分钟这四个时刻点采集得到的目标图像,然后获取这四个时刻的目标图像中各目标区域的目标分割结果,基于所有目标分割结果,确定最终的量化值。
本申请实施例通过获取量化值来量化皮肤发红程度,避免了目测法中人为主观评测发红程度不准确的问题,能够更细粒度地表现皮肤发红反应程度,也即提高了量化的准确性。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图10为本申请实施例提供的图像处理装置的结构示意图,该图像处理装置可以集成在计算机设备上,也可以独立于计算机设备且与计算机设备协同实现本方案。如图10所示,该图像处理装置1000包括图像获取模块1010、区域划分模块1020、图像分割模块1030、准确度预测模块1040和结果确定模块1050和量化值确定模块1060。其中,图像获取模块1010用于获取预先采集的目标图像,目标图像中包括目标对象;区域划分模块1020用于从目标图像中划分出包含目标对象皮肤的图像区域,作为目标区域;图像分割模块1030用于针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割目标区域,并将所得到的分割结果作为该候选取值对应的候选分割结果;准确度预测模块1040用于针对每个候选分割结果,预测该候选分割结果的准确度;结果确定模块1050用于根据所预测出的各候选分割结果的准确度,从各候选分割结果中选择出目标区域的目标分割结果;量化值确定模块1060用于根据目标分割结果确定量化值,量化值用于表征目标对象皮肤的发红程度。
可选的,上述图像处理装置还可以包括图像采集模块,具体可以用于在目标对象的皮肤与指定试剂发生反应后,采集包含目标对象的图像,作为目标图像。对应的区域划分模块具体可以用于:从目标图像中划分出包含接触指定试剂后的皮肤区域的图像区域。
可选的,若目标图像中还包括有定位标签,则上述区域划分模块具体可以用于:确定定位标签在目标图像中所处的标签位置;根据定位标签和接触过指定试剂的皮肤区域之间预先确定的位置关系,以及标签位置,从目标图像中划分出包含接触指定试剂后的皮肤区域的图像区域。
可选的,若指定试剂包括有至少两个,则图像采集模块具体可以用于:在目标对象的不同皮肤区域分别与各指定试剂发生反应后,采集包含接触各指定试剂后的皮肤区域的图像。对应的,区域划分模块具体可以用于:针对每个指定试剂,从目标图像中划分出包括接触该指定试剂后的皮肤区域的图像区域。对应的,图像分割模块具体可以用于:针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域。对应的,量化值确定模块具体可以用于:根据所选择出的各目标区域的目标分割结果,确定量化值。
可选的,图像采集模块具体可以用于:目标对象的皮肤与指定试剂发生反应后的每个指定时刻,采集包含接触指定试剂后的皮肤区域的图像,作为该指定时刻对应的目标图像。对应的,区域划分模块具体可以用于:针对在每个指定时刻采集到的目标图像,从该目标图像中划分出包含接触过指定试剂后的皮肤区域的图像区域。对应的,图像分割模块具体可以用于:针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域。对应的,量化值确定模块具体可以用于:根据所选择出的各目标区域的目标分割结果,确定量化值。
可选的,上述图像分割模块具体可以用于:将目标区域分割为特征区域和非特征区域。对应的,准确度预测模块具体可以用于:根据该候选分割结果中特征区域的聚集程度,和/或,该候选分割结果与相邻候选分割结果中特征区域的差异程度,预测该候选分割结果的准确度,其中,相邻候选分割结果为该候选分割结果对应的候选取值的相邻候选取值对应的候选分割结果。
可选的,若指定试剂包括有至少两个,则图像采集模块具体可以用于:在目标对象的不同皮肤区域分别与各指定试剂发生反应后的每个指定时刻,采集包含接触各指定试剂后的皮肤区域的图像。对应的,图像分割模块具体可以用于:针对每个指定试剂,从该张目标图像中划分出包含接触过该指定试剂的皮肤区域的图像区域。结果确定模块具体可以用于:确定各候选分割结果分别对应的节点,并构建基于各节点的有向图,其中,每个节点表征该节点对应的候选分割结果的准确度,有向图中还包括自每个前一时刻的节点至每个后一时刻的节点的若干个有向边;根据所预测出的各候选分割结果的准确度,在有向图中搜索出目标路径,将目标路径经过的节点作为目标分割结果。
可选的,结果确定模块具体可以用于:针对有向图中的每个有向边,根据该有向边所连接的两节点对应的候选分割结果之间的差异程度,确定该有向边的权重值;根据各有向边的权重值和各节点所表征的候选分割结果的准确度,在有向图中搜索出目标路径。
可选的,图像分割模块具体可以用于:将目标区域分割为特征区域和非特征区域。量化值确定模块具体可以用于:根据特征区域的发红程度,和/或,特征区域的面积,确定出量化值。
本申请实施例提供的装置,可用于执行上述所示实施例中的方法,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,区域分割模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上区域分割模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图11为本申请实施例提供的电子设备的结构示意图。如图11所示,该电子设备1100包括:至少一个处理器1110、存储器1120、总线1130、通信接口1140,其中,通信接口1140可以连接收发机。存储器1120存储计算机执行指令;收发机用于在处理器1110的控制下收发数据;
其中:处理器1110、通信接口1140以及存储器1120通过总线1130完成相互间的通信。通信接口,用于与其它设备进行通信。该通信接口包括用于进行数据传输的通信接口以及用于进行人机交互的显示界面或者操作界面等。处理器1120用于执行计算机执行指令,具体可以执行上述实施例中所描述的方法中的相关步骤。处理器可能是中央处理器,或者是特定集成电路(Application Specific Integrated Circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。存储器1120用于存放计算机执行指令。存储器可能包含高速RAM存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器。
本实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机指令,当电子设备的至少一个处理器执行该计算机指令时,电子设备执行上述的各种实施方式提供的图像处理方法。
本实施例还提供一种计算机程序产品,该程序产品包括计算机指令,该计算机指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该计算机指令,至少一个处理器执行该计算机指令使得电子设备实施上述的各种实施方式提供的图像处理方法。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系;在公式中,字符“/”,表示前后关联对象是一种“相除”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中,a,b,c可以是单个,也可以是多个。
可以理解的是,在本申请实施例中涉及的各种数字编号仅为描述方便进行的区分,并不用来限制本申请的实施例的范围。在本申请的实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请的实施例的实施过程构成任何限定。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (11)
1.一种图像处理方法,其特征在于,包括:
获取预先采集的目标图像,所述目标图像中包括目标对象;
从所述目标图像中划分出包含所述目标对象皮肤的图像区域,作为目标区域;
针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,并将所得到的分割结果作为该候选取值对应的候选分割结果;
针对每个候选分割结果,预测该候选分割结果的准确度;
根据所预测出的各候选分割结果的准确度,从各候选分割结果中选择出所述目标区域的目标分割结果;
根据所述目标分割结果确定量化值,所述量化值用于表征所述目标对象皮肤的发红程度;
预先采集目标图像,包括:
所述目标对象的皮肤与指定试剂发生反应后的每个指定时刻,采集包含接触所述指定试剂后的皮肤区域的图像,作为该指定时刻对应的目标图像;
所述从所述目标图像中划分出包含所述目标对象皮肤的图像区域,包括:
针对在每个指定时刻采集到的目标图像,从该目标图像中划分出包含接触过指定试剂后的皮肤区域的图像区域;
所述针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,包括:
针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域;
根据所述目标分割结果确定量化值,包括:
根据所选择出的各目标区域的目标分割结果,确定量化值;
所述从各候选分割结果中选择出所述目标区域的目标分割结果,包括:
确定各候选分割结果分别对应的节点,并构建基于各节点的有向图,其中,每个节点表征该节点对应的候选分割结果的准确度,所述有向图中还包括自每个前一时刻的节点至每个后一时刻的节点的若干个有向边;
根据所预测出的各候选分割结果的准确度,在所述有向图中搜索出目标路径,将所述目标路径经过的节点作为目标分割结果。
2.根据权利要求1所述的方法,其特征在于,预先采集目标图像,包括:
在目标对象的皮肤与指定试剂发生反应后,采集包含所述目标对象的图像,作为目标图像;
所述从所述目标图像中划分出包含所述目标对象皮肤的图像区域,包括:
从所述目标图像中划分出包含接触所述指定试剂后的皮肤区域的图像区域。
3.根据权利要求2所述的方法,其特征在于,所述目标图像中还包括有定位标签;
所述从所述目标图像中划分出包含接触所述指定试剂后的皮肤区域的图像区域,包括:
确定所述定位标签在所述目标图像中所处的标签位置;
根据所述定位标签和接触过指定试剂的皮肤区域之间预先确定的位置关系,以及所述标签位置,从所述目标图像中划分出包含接触指定试剂后的皮肤区域的图像区域。
4.根据权利要求2所述的方法,其特征在于,所述指定试剂包括至少两个;
所述在目标对象的皮肤与指定试剂发生反应后,采集包含所述目标对象的图像,包括:
在目标对象的不同皮肤区域分别与各指定试剂发生反应后,采集包含接触各指定试剂后的皮肤区域的图像;
所述从所述目标图像中划分出包含接触所述指定试剂后的皮肤区域的图像区域,包括:
针对每个指定试剂,从所述目标图像中划分出包含接触该指定试剂后的皮肤区域的图像区域;
所述针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,包括:
针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域;
根据所述目标分割结果确定量化值,包括:
根据所选择出的各目标区域的目标分割结果,确定量化值。
5.根据权利要求1-4中任一项所述的方法,其特征在于,分割所述目标区域,包括:
将所述目标区域分割为特征区域和非特征区域;
所述预测该候选分割结果的准确度,包括:
根据该候选分割结果中特征区域的聚集程度,和/或,该候选分割结果与相邻候选分割结果中特征区域的差异程度,预测该候选分割结果的准确度,其中,所述相邻候选分割结果为该候选分割结果对应的候选取值的相邻候选取值对应的候选分割结果。
6.根据权利要求1所述的方法,其特征在于,所述指定试剂包括至少两个;
所述目标对象的皮肤与指定试剂发生反应后的每个指定时刻,采集包含接触所述指定试剂后的皮肤区域的图像,包括:
在所述目标对象的不同皮肤区域分别与各指定试剂发生反应后的每个指定时刻,采集包含接触各指定试剂后的皮肤区域的图像;
所述从所述目标图像中划分出包含所述目标对象皮肤的图像区域,包括:
针对每个指定试剂,从该张目标图像中划分出包含接触过该指定试剂的皮肤区域的图像区域。
7.根据权利要求6所述的方法,其特征在于,所述在所述有向图中搜索出目标路径,包括:
针对所述有向图中的每个有向边,根据该有向边所连接的两节点对应的候选分割结果之间的差异程度,确定该有向边的权重值;
根据各有向边的权重值和各节点所表征的候选分割结果的准确度,在所述有向图中搜索出目标路径。
8.根据权利要求1-4、6-7中任一项所述的方法,其特征在于,所述分割所述目标区域,包括:
将所述目标区域分割为特征区域和非特征区域;
根据所述目标分割结果确定量化值,包括:
根据所述特征区域的泛红程度,和/或,特征区域的面积,确定出所述量化值。
9.一种图像处理装置,其特征在于,包括:
图像获取模块,用于获取预先采集的目标图像,所述目标图像中包括目标对象;
区域划分模块,用于从所述目标图像中划分出包含所述目标对象皮肤的图像区域,作为目标区域;
图像分割模块,用于针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割所述目标区域,并将所得到的分割结果作为该候选取值对应的候选分割结果;
准确度预测模块,用于针对每个候选分割结果,预测该候选分割结果的准确度;
结果确定模块,用于根据所预测出的各候选分割结果的准确度,从各候选分割结果中选择出所述目标区域的目标分割结果;
量化值确定模块,用于根据所述目标分割结果确定量化值,所述量化值用于表征所述目标对象皮肤的发红程度;
所述图像获取模块,具体用于所述目标对象的皮肤与指定试剂发生反应后的每个指定时刻,采集包含接触所述指定试剂后的皮肤区域的图像,作为该指定时刻对应的目标图像;
所述区域划分模块,具体用于针对在每个指定时刻采集到的目标图像,从该目标图像中划分出包含接触过指定试剂后的皮肤区域的图像区域;
所述图像分割模块,具体用于针对每个目标区域,针对预先指定的图像变量的每个候选取值,以取值为该候选取值的图像变量为阈值,分割该目标区域;
所述量化值确定模块,具体用于根据所选择出的各目标区域的目标分割结果,确定量化值;
所述结果确定模块,具体用于确定各候选分割结果分别对应的节点,并构建基于各节点的有向图,其中,每个节点表征该节点对应的候选分割结果的准确度,所述有向图中还包括自每个前一时刻的节点至每个后一时刻的节点的若干个有向边;根据所预测出的各候选分割结果的准确度,在所述有向图中搜索出目标路径,将所述目标路径经过的节点作为目标分割结果。
10.一种电子设备,其特征在于,包括:处理器,与所述处理器通信连接的存储器以及收发机;
所述存储器存储计算机执行指令;
所述收发机,用于在所述处理器的控制下收发数据;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419504.8A CN116152270B (zh) | 2022-11-14 | 2022-11-14 | 图像处理方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419504.8A CN116152270B (zh) | 2022-11-14 | 2022-11-14 | 图像处理方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152270A CN116152270A (zh) | 2023-05-23 |
CN116152270B true CN116152270B (zh) | 2024-01-26 |
Family
ID=86357155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211419504.8A Active CN116152270B (zh) | 2022-11-14 | 2022-11-14 | 图像处理方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152270B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524196B (zh) * | 2023-06-21 | 2023-09-01 | 南方电网数字平台科技(广东)有限公司 | 一种基于图像识别技术的输电线智能检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201513455D0 (en) * | 2015-07-30 | 2015-09-16 | Emerald Medical Applic Ltd | Image processing system and method |
CN109447981A (zh) * | 2018-11-12 | 2019-03-08 | 平安科技(深圳)有限公司 | 图像识别方法及相关产品 |
WO2022147090A1 (en) * | 2020-12-31 | 2022-07-07 | Orlucent, Inc. | Systems and methods for assessing tissue remodeling |
WO2022214985A1 (en) * | 2021-04-07 | 2022-10-13 | Inpeco SA | Device to support dermatological diagnosis |
-
2022
- 2022-11-14 CN CN202211419504.8A patent/CN116152270B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201513455D0 (en) * | 2015-07-30 | 2015-09-16 | Emerald Medical Applic Ltd | Image processing system and method |
CN109447981A (zh) * | 2018-11-12 | 2019-03-08 | 平安科技(深圳)有限公司 | 图像识别方法及相关产品 |
WO2022147090A1 (en) * | 2020-12-31 | 2022-07-07 | Orlucent, Inc. | Systems and methods for assessing tissue remodeling |
WO2022214985A1 (en) * | 2021-04-07 | 2022-10-13 | Inpeco SA | Device to support dermatological diagnosis |
Non-Patent Citations (4)
Title |
---|
Multilevel Thresholding for segmentation of pigmented skin lesions;Jawad Humayun等;《2011 IEEE International Conference on Imaging Systems and Techniques》;310-314 * |
Skin segmentation using multiple thresholding;Francesca Gasparini等;《SPIE》;第6061卷;60610F-1 - 60610F-8 * |
基于肤色模型与颜色空间的目标识别算法;张杜娟;《国外电子测量技术》;第28卷(第10期);54-58 * |
基于颜色分割和多特征融合的交通标志检测;卢盛荣;刘礼锋;李翠华;;厦门大学学报(自然科学版);第50卷(第04期);41-45 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152270A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dias et al. | Retinal image quality assessment using generic image quality indicators | |
US11298018B2 (en) | Calculating conjunctival redness | |
Odstrcilik et al. | Retinal vessel segmentation by improved matched filtering: evaluation on a new high‐resolution fundus image database | |
JP6265588B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
Serener et al. | Dry and wet age-related macular degeneration classification using oct images and deep learning | |
Binder et al. | Epiluminescence microscopy-based classification of pigmented skin lesions using computerized image analysis and an artificial neural network | |
AU2014271202B2 (en) | A system and method for remote medical diagnosis | |
WO2021139471A1 (zh) | 一种健康状态检测方法、设备和计算机存储介质 | |
Kolář et al. | Detection of glaucomatous eye via color fundus images using fractal dimensions | |
Van Den Noort et al. | Deep learning enables automatic quantitative assessment of puborectalis muscle and urogenital hiatus in plane of minimal hiatal dimensions | |
Davis et al. | Vision-based, real-time retinal image quality assessment | |
CN116152270B (zh) | 图像处理方法、装置、设备和介质 | |
CN113749642B (zh) | 量化皮肤潮红反应程度的方法、系统、介质及终端 | |
Ghosal et al. | sHEMO: Smartphone spectroscopy for blood hemoglobin level monitoring in smart anemia-care | |
CN111814768B (zh) | 基于ai复合模型的图像识别方法、装置、介质和设备 | |
CN110072470A (zh) | 用于估计排卵日期的方法和设备 | |
TW202023467A (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
Guo et al. | Emfn: Enhanced multi-feature fusion network for hard exudate detection in fundus images | |
Chakraborty et al. | Chronic wound characterization using bayesian classifier under telemedicine framework | |
US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
Udrea et al. | Real-time acquisition of quality verified nonstandardized color images for skin lesions risk assessment—A preliminary study | |
Yoneda et al. | Hyperemia analysis software for assessment of conjunctival hyperemia severity | |
Li et al. | A Deep-Learning-Enabled Monitoring System for Ocular Redness Assessment | |
Monroy et al. | Automated chronic wounds medical assessment and tracking framework based on deep learning | |
Heyi et al. | Development of a retinal image segmentation algorithm for the identifying prevalence markers of diabetic retinopathy using a neural network |
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 |