CN116342549A - 皮肤状态检测方法及装置 - Google Patents
皮肤状态检测方法及装置 Download PDFInfo
- Publication number
- CN116342549A CN116342549A CN202310322576.9A CN202310322576A CN116342549A CN 116342549 A CN116342549 A CN 116342549A CN 202310322576 A CN202310322576 A CN 202310322576A CN 116342549 A CN116342549 A CN 116342549A
- Authority
- CN
- China
- Prior art keywords
- region
- brightness
- map
- target
- calculating
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 144
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 238000005388 cross polarization Methods 0.000 claims abstract description 49
- 230000010287 polarization Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims description 53
- 230000001815 facial effect Effects 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 239000006185 dispersion Substances 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001795 light effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010801 machine learning Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30088—Skin; Dermal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Dermatology (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请提供一种皮肤状态检测方法及装置,涉及图像处理技术领域。该方法包括:获取待评估面部多个区域的平行偏振光亮度图和交叉偏振光亮度图;根据每个区域的交叉偏振光亮度图,计算每个区域的亮度分割阈值;根据亮度分割阈值,从每个区域的平行偏振光亮度图中提取每个区域的油光图,油光图包括:像素值大于或等于每个区域对应的亮度分割阈值的第一目标像素点;根据每个区域的油光图中第一目标像素点的数量,计算每个区域的油光评估参数;根据每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算每个区域的高光评估参数;根据多个区域的油光评估参数和高光评估参数,计算待评估面部的反光状态参数。本申请可以提高皮肤状态检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种皮肤状态检测方法及装置。
背景技术
反光状态参数是评估面部光泽度的直接信息,光泽度是评估皮肤状态的重要参数,有光泽的皮肤通常会以镜面反射的方式反射光线,而暗沉的皮肤则会散射光线。
现有的计算反光状态参数以表示光泽度的方案中,大多是基于白光图像或者其他单模图像计算的油光度来评估光泽度。
但是其结果受到光照和肤色的影响较大,例如肤色较白的人或者光照较亮的环境所计算的反光状态参数所表示的光泽度更好,导致结果受无关因素影响较大,准确性较差,鲁棒性不好。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种皮肤状态检测方法及装置,以便使得反光状态参数不受无关因素影响,提高皮肤状态检测的准确性。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种皮肤状态检测方法,所述方法包括:
获取待评估面部的多个区域的平行偏振光亮度图和交叉偏振光亮度图;
根据每个区域的交叉偏振光亮度图,计算所述每个区域对应的亮度分割阈值;
根据所述每个区域对应的亮度分割阈值,从所述每个区域的平行偏振光亮度图中提取所述每个区域的油光图,其中,所述每个区域的油光图包括:像素值大于或等于所述每个区域对应的亮度分割阈值的第一目标像素点;
根据所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光评估参数;
根据所述每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算所述每个区域的高光评估参数;
根据所述多个区域的油光评估参数和所述多个区域的高光评估参数,计算所述待评估面部的反光状态参数。
可选的,所述根据每个区域的交叉偏振光亮度图,计算所述每个区域对应的亮度分割阈值,包括:
根据所述每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定像素点数量最多的第一目标亮度值;
以所述每个区域的第一目标亮度值为起点,从所述每个区域的交叉偏振光亮度图中选择大于所述第一目标亮度值的N个第二目标亮度值,其中,N个第二目标亮度值依次增大;
若所述N个第二目标亮度值的平均亮度值大于或等于第一预设亮度阈值,以第一个第二目标亮度值为起点,从所述每个区域的交叉偏振光亮度图中选择大于所述第一个第二目标亮度值的N个第三目标亮度值,其中,N个第三目标亮度值依次增大;
若所述N个第三目标亮度值的平均亮度值小于第一预设亮度阈值,确定所述N个第三目标亮度值中的中间目标亮度值为所述每个区域对应的亮度分割阈值。
可选的,所述根据所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光评估参数,包括:
根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数。
可选的,所述根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数,包括:
根据所述每个区域的油光图中第一目标像素点的数量,和所述每个区域的平行偏振光亮度图中的像素点数量,计算所述每个区域的反光面积占比;
所述多个维度的油光评估参数包括:反光面积占比。
可选的,所述根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数,包括:
对所述每个区域的油光图中第一目标像素点进行连通域分析,确定所述每个区域的连通域数量;
根据所述每个区域的油光图中第一目标像素点的数量和所述每个区域的连通域数量,计算所述每个区域的油光平均尺寸;
所述多个维度的油光评估参数还包括:油光平均尺寸。
可选的,所述根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数,包括:
对所述每个区域的油光图中第一目标像素点进行聚类,确定所述每个区域的油光图中第一目标像素点的离散度;
根据所述离散度和所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光分布范围;
所述多个维度的油光评估参数还包括:油光分布范围。
可选的,所述根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数,包括:
根据第二预设亮度阈值,确定所述每个区域的油光图中第一目标像素点中亮度值满足所述第二预设亮度阈值的第二目标像素点的数量;
根据所述第二目标像素点的数量和所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的过曝参数;
所述多个维度的油光评估参数还包括:过曝参数。
可选的,所述根据所述每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算所述每个区域的高光评估参数,包括:
根据所述每个区域的平行偏振光亮度图中各个像素点的亮度值,计算每个区域的平行偏振光亮度图中的最高亮度值;
以所述最高亮度值的像素点为中心像素点,在所述平行偏振光亮度图的多个方向上确定多个像素点;
计算所述中心像素点分别与所述多个方向的多个像素点中相邻像素点之间的亮度值之差;
根据多个亮度值之差的和,确定所述高光评估参数。
可选的,所述方法还包括:
根据所述多个区域的交叉偏振光亮度图的亮度分割阈值,计算面部油光阈值;
根据所述每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定所述每个区域中预设像素点数量的第四目标亮度值;
根据所述多个区域的第四目标亮度值,计算面部暗沉亮度阈值;
根据所述面部油光阈值对所述待评估面部的平行偏振光图像对应的面部平行偏振光亮度图进行亮度分割,生成面部油光图;
根据所述面部油光阈值、所述面部暗沉亮度阈值和多个预设颜色值,将所述面部油光图转换为面部色彩图;
对所述面部色彩图和所述待评估面部的平行偏振光图像进行融合,生成所述待评估面部的面部油光效果图。
第二方面,本申请实施例还提供一种皮肤状态检测装置,所述装置包括:
亮度图获取模块,用于获取待评估面部的多个区域的平行偏振光亮度图和交叉偏振光亮度图;
分割阈值计算模块,用于根据每个区域的交叉偏振光亮度图,计算所述每个区域对应的亮度分割阈值;
油光图提取模块,用于根据所述每个区域对应的亮度分割阈值,从所述每个区域的平行偏振光亮度图中提取所述每个区域的油光图,其中,所述每个区域的油光图包括:像素值大于或等于所述每个区域对应的亮度分割阈值的第一目标像素点;
油光评估参数计算模块,用于根据所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光评估参数;
高光评估参数计算模块,用于根据所述每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算所述每个区域的高光评估参数;
反光状态参数计算模块,用于根据所述多个区域的油光评估参数和所述多个区域的高光评估参数,计算所述待评估面部的反光状态参数。
可选的,所述分割阈值计算模块,包括:
第一目标亮度值确定单元,用于根据所述每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定像素点数量最多的第一目标亮度值;
第二目标亮度值确定单元,用于以所述每个区域的第一目标亮度值为起点,从所述每个区域的交叉偏振光亮度图中选择大于所述第一目标亮度值的N个第二目标亮度值,其中,N个第二目标亮度值依次增大;
第三目标亮度值确定单元,用于若所述N个第二目标亮度值的平均亮度值大于或等于第一预设亮度阈值,以第一个第二目标亮度值为起点,从所述每个区域的交叉偏振光亮度图中选择大于所述第一个第二目标亮度值的N个第三目标亮度值,其中,N个第三目标亮度值依次增大;
分割阈值计算单元,用于若所述N个第三目标亮度值的平均亮度值小于第一预设亮度阈值,确定所述N个第三目标亮度值中的中间目标亮度值为所述每个区域对应的亮度分割阈值。
可选的,所述油光评估参数计算模块,具体用于根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数。
可选的,所述油光评估参数计算模块,包括:
反光面积占比计算单元,用于根据所述每个区域的油光图中第一目标像素点的数量,和所述每个区域的平行偏振光亮度图中的像素点数量,计算所述每个区域的反光面积占比;
所述多个维度的油光评估参数包括:反光面积占比。
可选的,所述油光评估参数计算模块,包括:
连通域分析单元,用于对所述每个区域的油光图中第一目标像素点进行连通域分析,确定所述每个区域的连通域数量;
油光平均尺寸计算单元,用于根据所述每个区域的油光图中第一目标像素点的数量和所述每个区域的连通域数量,计算所述每个区域的油光平均尺寸;
所述多个维度的油光评估参数还包括:油光平均尺寸。
可选的,所述油光评估参数计算模块,包括:
离散度计算单元,用于对所述每个区域的油光图中第一目标像素点进行聚类,确定所述每个区域的油光图中第一目标像素点的离散度;
油光分布范围计算单元,用于根据所述离散度和所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光分布范围;
所述多个维度的油光评估参数还包括:油光分布范围。
可选的,所述油光评估参数计算模块,包括:
阈值判断单元,用于根据第二预设亮度阈值,确定所述每个区域的油光图中第一目标像素点中亮度值满足所述第二预设亮度阈值的第二目标像素点的数量;
过曝参数计算单元,用于根据所述第二目标像素点的数量和所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的过曝参数;
所述多个维度的油光评估参数还包括:过曝参数。
可选的,所述高光评估参数计算模块,包括:
最高亮度值计算单元,用于根据所述每个区域的平行偏振光亮度图中各个像素点的亮度值,计算每个区域的平行偏振光亮度图中的最高亮度值;
多方向像素点确定单元,用于以所述最高亮度值的像素点为中心像素点,在所述平行偏振光亮度图的多个方向上确定多个像素点;
亮度值之差计算单元,用于计算所述中心像素点以及所述多个方向的多个像素点中相邻像素点之间的亮度值之差;
高光评估参数计算单元,用于根据多个亮度值之差的和,确定所述高光评估参数。
可选的,所述装置还包括:
面部油光阈值计算模块,用于根据所述多个区域的交叉偏振光亮度图的亮度分割阈值,计算面部油光阈值;
第四目标亮度值计算模块,用于根据所述每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定所述每个区域中预设像素点数量的第四目标亮度值;
面部暗沉亮度阈值计算模块,用于根据所述多个区域的第四目标亮度值,计算面部暗沉亮度阈值;
面部油光图生成模块,用于根据所述面部油光阈值对所述待评估面部的平行偏振光图像对应的面部平行偏振光亮度图进行亮度分割,生成面部油光图;
色彩转换模块,用于根据所述面部油光阈值、所述面部暗沉亮度阈值和多个预设颜色值,将所述面部油光图转换为面部色彩图;
融合模块,用于对所述面部色彩图和所述待评估面部的平行偏振光图像进行融合,生成所述待评估面部的面部油光效果图。
第三方面,本申请实施例还提供一种皮肤状态检测设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的程序指令,当皮肤状态检测设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述程序指令,以执行如第一方面任一所述的皮肤状态检测方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如第一方面任一所述的皮肤状态检测方法的步骤。
本申请的有益效果是:
本申请提供一种皮肤状态检测方法及装置,一方面,与单模态图像受到光照环境和肤色影响较大导致准确度低、鲁棒性差相比,本申请通过多模态的平行偏振光亮度图和交叉偏振光亮度图,计算面部油光评估参数和面部高光评估参数,以根据面部油光评估参数和面部高光评估参数计算面部的反光状态参数可以更准确地评估皮肤的光泽度;另一方面与机器学习之类的方法相比,由于机器学习需要收集大量的数据并进行人工标注,且人工标注光泽度也具有主观性,其训练结果也不能客观反应皮肤的真实光泽度,本申请与机器学习相比,不需要耗费太多的人力、物力和时间进行数据收集和人工标注,且可以更客观地根据反光状态参数评估面部光泽度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的皮肤状态检测方法的流程示意图一;
图2为本申请实施例提供的皮肤状态检测方法的流程示意图二;
图3为本申请实施例提供的交叉偏振光亮度图对应的亮度分布直方图;
图4为本申请实施例提供的皮肤状态检测方法的流程示意图三;
图5为本申请实施例提供的皮肤状态检测方法的流程示意图四;
图6为本申请实施例提供的皮肤状态检测方法的流程示意图五;
图7为本申请实施例提供的皮肤状态检测方法的流程示意图六;
图8为本申请实施例提供的高光评估参数的示意图;
图9为本申请实施例提供的皮肤状态检测方法的流程示意图七;
图10为本申请实施例提供的皮肤状态检测装置的结构示意图;
图11为本申请实施例提供的皮肤状态检测设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。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。
此外,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
在对本申请提供的皮肤状态检测方法及装置进行说明之前,先对该皮肤状态检测方法及装置所应用的皮肤状态检测设备进行介绍。
本申请实施例提供的皮肤状态检测设备,也可以被称之为皮肤状态检测仪,可以由光源设备、图像采集模块和图像分析模块构成。
在一些实施例中,图像采集模块和图像分析模块可以分别由两个独立的设备即摄像设备和计算机设备构成,摄像设备和计算机设备通信连接,光源设备为待评估面部分别提供平行偏振光和交叉偏振光,摄像设备用于采集待评估面部的平行偏振光图像和交叉偏振光图像,并将平行偏振光图像和交叉偏振光图像发送给计算机设备,计算机设备执行本申请实施例的皮肤状态检测方法,根据平行偏振光图像和交叉偏振光图像对待评估面部的反光状态进行检测。
在一些实施例中,光源设备、图像采集模块和图像分析模块可以由集成有摄像功能和图像分析功能的智能终端构成,可以通过智能终端的显示界面的发光模式提供平行偏振光和交叉偏振光,智能终端的摄像模块用于采集待评估面部的平行偏振光图像和交叉偏振光图像,并将平行偏振光图像和交叉偏振光图像发送给智能终端的处理器,处理器执行本申请实施例的皮肤状态检测方法,根据平行偏振光图像和交叉偏振光图像对待评估面部的反光状态进行检测。
基于上述实施例提供的皮肤状态检测设备,本申请实施例提供一种皮肤状态检测方法。
请参考图1,为本申请实施例提供的皮肤状态检测方法的流程示意图一,如图1所示,该方法可以包括:
S101:获取待评估面部的多个区域的平行偏振光亮度图和交叉偏振光亮度图。
本实施例中,平行偏振光源可以强化镜面反射,弱化漫反射,由于皮肤表层因为表层油脂使得镜面反射效果显著,因此,可以采用平行偏振光源获取待评估面部的平行偏振光亮度图,以便通过平行偏振光亮度图检测待评估面部的皮肤表层问题,而不受深层的漫反射干扰,可以更好地观察皮肤表面的油光情况。
交叉偏振光源可以强化漫反射,消除镜面反射,可以采用交叉偏振光源获取待评估面部的交叉偏振光亮度图,过滤皮肤表面的镜面反射光干扰,以便通过交叉偏正亮度图观察皮肤深层次的漫反射光。
在一种可能的实现方式中,上述S101获取待评估面部的多个区域的平行偏振光亮度图和交叉偏振光亮度图的过程可以包括:
获取待评估面部的平行偏振光图像Ip和交叉偏振光图像Ic,通过特征提取分别在平行偏振光图像Ip和交叉偏振光图像Ic确定人脸关键点坐标;采用皮肤掩膜转换算法将平行偏振光图像Ip和交叉偏振光图像Ic分别转换为平行偏振光掩膜图和交叉偏振光掩膜图。
根据人脸关键点坐标和平行偏振光掩膜图,从平行偏振光图像Ip中获取多个区域的平行偏振光图像Rpi,根据人脸关键点坐标和交叉偏振光掩膜图,从交叉偏振光图像Ic中获取多个区域的交叉偏振光图像Rci。其中,多个区域可以包括:额头区域、左脸颊区域和右脸颊区域。
对多个区域的平行偏振光图像Rpi和多个区域的交叉偏振光图像Rci的像素值进行亮度转换,得到多个区域的平行偏振光亮度图Lpi和多个区域的交叉偏振光亮度图Lci。
示例的,可以通过分别获取多个区域的平行偏振光图像Rpi和多个区域的交叉偏振光图像Rci的像素点在Lab颜色空间的L通道的亮度值,得到多个区域的平行偏振光亮度图Lpi和多个区域的交叉偏振光亮度图Lci。
在一些实施例中,除了可以根据Lab颜色空间的L通道的亮度值获取亮度图外,还可以通过HSL颜色空间的L通道的亮度值、GRAY颜色空间的灰度通道的灰度值、YCbCrC颜色空间的Y通道的亮度值获取亮度图。
S102:根据每个区域的交叉偏振光亮度图,计算每个区域对应的亮度分割阈值。
本实施例中,对每个区域的交叉偏振光亮度图Lci中各个像素点的亮度值进行统计,确定每个区域的交叉偏振光亮度图Lci中的亮度值分布结果,根据每个区域的交叉偏振光亮度图Lci中的亮度值分布结果,计算每个区域对应的亮度分割阈值Pci。
S103:根据每个区域对应的亮度分割阈值,从每个区域的平行偏振光亮度图中提取每个区域的油光图,其中,每个区域的油光图包括:像素值大于或等于每个区域对应的亮度分割阈值的第一目标像素点。
本实施例中,由于平行偏振光可以强化镜面反射,以便更好地观察皮肤表面的油光情况,而交叉偏振光会弱化镜面反射,因此,以每个区域的交叉偏振光亮度图Lci对应的亮度分割阈值Pci对每个区域的平行偏振光亮度图Lpi进行亮度分割,可以从每个区域的平行偏振光亮度图Lpi确定亮度值比交叉偏振光亮度图Lci的亮度值还高的像素点,得到油光情况显著的像素点。
具体的,根据每个区域对应的亮度分割阈值Pci,对每个区域的平行偏振光亮度图Lpi进行亮度分割,具体的,亮度分割方式为:将每个区域的平行偏振光亮度图Lpi中亮度值小于亮度分割阈值Pci的像素点的像素值置为0,保留亮度值大于或等于亮度分割阈值Pci的像素点的像素值,得到每个区域的油光图Ypi,其中,亮度值大于或等于亮度分割阈值Pci的像素点为每个区域的油光图Ypi中的第一目标像素点。
S104:根据每个区域的油光图中第一目标像素点的数量,计算每个区域的油光评估参数。
本实施例中,每个区域的油光图Ypi中第一目标像素点对应的是该区域中油光情况显著的像素点,根据每个区域的油光图Ypi中第一目标像素点的数量,采用预设的油光评估算法,计算每个区域的油光评估参数Foil。
S105:根据每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算每个区域的高光评估参数。
本实施例中,皮肤的反光状态除了与皮肤的出油情况有关外,还与皮肤的细腻光滑程度有关,皮肤越细腻光滑,各个像素点之间的亮度变化越小,皮肤的反光状态越好,光泽度越高;皮肤越粗糙不平整,各个像素点之间的亮度变化越大,皮肤的反光状态越差,光泽度越低。因此,可以计算每个区域的平行偏振光亮度图Lpi中像素点之间的亮度差值,根据像素点之间的亮度差值,计算每个区域的高光评估参数Fhl,以高光评估参数Fhl表示皮肤的细腻光滑程度。
S106:根据多个区域的油光评估参数和多个区域的高光评估参数,计算待评估面部的反光状态参数。
本实施中,采用上述S102-S105的步骤,得到多个区域的油光评估参数Foil和多个区域的高光评估参数Fhl,对多个区域的油光评估参数Foil进行加权平均,得到面部油光评估参数,对多个区域的高光评估参数Fhl进行加权平均,得到面部高光评估参数;根据面部油光评估参数和面部高光评估参数,可以计算待评估面部的反光状态参数。
以下结合图2对上述计算每个区域的亮度分割阈值的一种可能的实现方式进行说明。
请参考图2,为本申请实施例提供的皮肤状态检测方法的流程示意图二,如图2所示,上述S102根据每个区域的交叉偏振光图像,计算每个区域对应的亮度分割阈值的过程,可以包括:
S121:根据每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定像素点数量最多的第一目标亮度值。
S122:以每个区域的第一目标亮度值为起点,从每个区域的交叉偏振光亮度图中选择大于第一目标亮度值的N个第二目标亮度值,其中,N个第二目标亮度值依次增大。
S123:若N个第二目标亮度值的平均亮度值大于或等于第一预设亮度阈值,以第一个目标亮度值为起点,从每个区域的交叉偏振光亮度图中选择大于第一个第二目标亮度值的N个第三目标亮度值,其中,N个第三目标亮度值依次增大。
S124:若N个第三目标亮度值的平均亮度值小于第一预设亮度阈值,确定N个第二目标亮度值中的中间目标亮度值为每个区域对应的亮度分割阈值。
本实施例中,对每个区域的交叉偏振光亮度图Lci中各个像素点的亮度值进行统计,确定亮度值相同的像素点数量,根据各个亮度值对应的像素点数量,确定像素点数量最多的第一目标亮度值。
以每个区域的第一目标亮度值为起点,从每个区域的交叉偏振光亮度图Lci中选择大于第一目标亮度值的N个第二目标亮度值,N个第二目标亮度值依次增大,计算N个第二目标亮度值的平均亮度值,判断平均亮度值是否小于第一预设亮度阈值T1,若平均亮度值大于第一预设亮度阈值T1,再以第一个第二目标亮度值为起点,从每个区域的交叉偏振光亮度图Lci中选择大于第一个第二目标亮度值的N个第三目标亮度值,判断平均亮度值是否小于第一预设亮度阈值,若平均亮度值大于第一预设亮度阈值T1,则循环上述过程,不断选择N个目标亮度值计算平均值,直至N个目标亮度值的平均值小于第一预设亮度阈值T1,则以N个目标亮度值中的中间目标亮度值为每个区域的亮度分割阈值Pci。
在一些实施例中,对每个区域的交叉偏振光亮度图Lci中各个像素点的亮度值进行统计,生成每个区域的交叉偏振光亮度图Lci对应的亮度分布直方图。
示例的,请参考图3,为本申请实施例提供的交叉偏振光亮度图对应的亮度分布直方图,如图3所示,横坐标为每个区域的交叉偏振光亮度图Lci中各个像素点的亮度值分布,纵坐标为不同亮度值对应的像素点个数,从每个区域的亮度分布直方图中,可以确定峰值对应的纵坐标为最多像素点数量,峰值对应的横坐标为像素点数量最多的第一目标亮度值。
设置一个1*N大小的滑动窗口,以峰值的横坐标Hmax对应的第一目标亮度值为起点,向右选择N个目标亮度值计算均值,若N个目标亮度值大于或等于第一预设亮度阈值T1,则滑动窗口继续向右滑动,不断计算滑动窗口内的N个目标亮度值的均值,若滑动窗口内的N个目标亮度值的均值小于第一预设亮度阈值T1,确定滑动窗口的中点位置对应的目标亮度值为亮度分割阈值。
在一种可能的实现方式中,上述S104根据每个区域的油光图中第一目标像素点的数量,计算每个区域的油光评估参数,可以包括:
根据每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算每个区域在多个维度的油光评估参数。
本实施例中,为了更准确地对面部油光情况进行评估,可以从多个维度计算可以表征面部油光情况的多个油光评估参数,其中,多个维度的油光评估参数分别采用多个油光评估算法进行计算。具体的,分别采用多个油光评估算法对每个区域的油光图中第一目标像素点的数量进行计算,得到每个区域在多个维度的油光评估参数。
以下结合多个实施例及附图对根据每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算每个区域在多个维度的油光评估参数的多种可能的实现方式进行说明。
在第一种可能的实现方式中,上述根据每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算每个区域在多个维度的油光评估参数,可以包括:
根据每个区域的油光图中第一目标像素点的数量,和每个区域的平行偏振光亮度图中的像素点数量,计算每个区域的反光面积占比;多个维度的油光评估参数包括:反光面积占比。
本实施例中,每个区域的油光图Ypi中包括像素值为0的像素点和亮度值大于或等于亮度分割阈值Pci的第一目标像素点,以每个区域的油光图Ypi中第一目标像素点的数量表示每个区域的平行偏振光亮度图Lpi的反光面积,以每个区域的平行偏振光亮度图Lpi中所有像素点的数量作为每个区域的总面积,根据第一目标像素点的数量和所有像素点数量的之比,确定每个区域的反光面积占比。
在一些实施例中,以每个区域的油光图Ypi中第一目标像素点的数量表示每个区域的平行偏振光图像Rpi的反光面积,以每个区域的平行偏振光图像Rpi中所有像素点的数量作为每个区域的总面积,根据第一目标像素点的数量和所有像素点数量的之比,确定每个区域的反光面积占比。
示例的,反光面积占比S1=(Ypi中第一目标像素点的数量)/(Rpi中所有像素点的数量)。
在其他实施例中,每个区域的油光图Ypi中包括像素值为0的像素点和亮度值大于或等于亮度分割阈值Pci的第一目标像素点,可以对每个区域的油光图Ypi进行二值化,得到二值化图像,根据二值化图像中的非零像素点数量表示反光面积。
在第二种可能的实现方式中,请参考图4,为本申请实施例提供的皮肤状态检测方法的流程示意图三,如图4所示,上述根据每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算每个区域在多个维度的油光评估参数,可以包括:
S141:对每个区域的油光图中第一目标像素点进行连通域分析,确定每个区域的连通域数量。
S142:根据每个区域的油光图中第一目标像素点的数量和每个区域的连通域数量,计算每个区域的油光平均尺寸;多个维度的油光评估参数还包括:油光平均尺寸。
本实施例中,对每个区域的油光图Ypi进行二值化,得到二值化图像,采用预设的连通域分析方法对二值化图像进行连通域分析,确定二值化图像中的连通域数量npi,根据每个区域的油光图Ypi中第一目标像素点的数量和连通域数量npi,计算油光点的平均大小。
示例的,油光平均尺寸S2=(Ypi中第一目标像素点的数量)/npi。
在第三种可能的实现方式中,请参考图5,为本申请实施例提供的皮肤状态检测方法的流程示意图四,如图5所示,上述根据每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算每个区域在多个维度的油光评估参数,可以包括:
S143:对每个区域的油光图中第一目标像素点进行聚类,确定每个区域的油光图中第一目标像素点的离散度。
S144:根据离散度和每个区域的油光图中第一目标像素点的数量,计算每个区域的油光分布范围;多个维度的油光评估参数还包括:油光分布范围。
本实施例中,对每个区域的油光图Ypi进行二值化,得到二值化图像,采用预设聚类算法对二值化图像中非零像素点进行聚类,确定聚类中心,根据所有第一目标像素点与聚类中心的欧式聚类,确定每个区域的油光图Ypi中第一目标像素点的离散度。
根据第一目标像素点的离散度和每个区域的反光面积,计算每个区域的油光分布范围,油光分布范围用于反应油光分布的离散度Di,在反光面积固定的情况下,离散度越大的区域,油光分布越广,皮肤油光情况越严重。
在一些实施例中,用簇心数目K=1的K-means距离算法迭代聚类二值化图像中非零像素点的聚类中心,计算所有第一目标像素点与距离中心的欧式距离的平方和作为离散度。
示例的,油光分布范围S3=Di/(Ypi中第一目标像素点的数量)。
在第四种可能的实现方式中,请参考图6,为本申请实施例提供的皮肤状态检测方法的流程示意图五,如图6所示,上述根据每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算每个区域在多个维度的油光评估参数,可以包括:
S145:根据第二预设亮度阈值,确定每个区域的油光图中第一目标像素点中亮度值满足第二预设亮度阈值的第二目标像素点的数量;
S146:根据第二目标像素点的数量和每个区域的油光图中第一目标像素点的数量,计算每个区域的过曝参数;多个维度的油光评估参数还包括:过曝参数。
本实施例中,设置第二预设亮度阈值,确定亮度值大于或等于第二预设亮度阈值的像素点为过曝像素点,具体的,根据每个区域的油光图Ypi中第一目标像素点的亮度值,确定第一目标像素点中亮度值大于或等于第二预设亮度阈值的像素点为第二目标像素点,根据第二目标像素点的数量表示每个区域的平行偏振光亮度图Lpi的过曝面积,根据每个区域的过曝面积和反光面积,计算每个区域的过曝参数,即过曝面积占比。
示例的,第二预设亮度阈值可以为255,则确定亮度值等于255的像素点为第二目标像素点,过曝参数S4=(Ypi中第二目标像素点的数量)/(Ypi中第一目标像素点的数量)。
需要说明的是,Lab颜色空间中L通道的取值范围[0,100],若第二预设亮度阈值的取值范围在[0,255]的范围内,则需要将每个区域的油光图Ypi中第一目标像素点的亮度值乘以2.55之后,再与第二预设亮度阈值进行比较。
基于上述实施例提供的油光评估参数计算方式,多个维度的油光评估参数包括:反光面积占比S1、油光平均尺寸S2、油光分布范围S3和过曝参数S4中的至少两个,每个区域的油光评估总参数为多个维度的油光评估参数的加权和。
示例的,若多个维度的油光评估参数包括:反光面积占比S1、油光平均尺寸S2、油光分布范围S3和过曝参数S4,则每个区域的油光评估总参数Foil=α1*S1+α2*S2+α3*S3+α4*S4,其中,αi为人为设定的超参数。
以下结合实施例及附图对上述计算每个区域的高光评估参数的一种可能的实现方式进行说明。
请参考图7,为本申请实施例提供的皮肤状态检测方法的流程示意图六,如图7所示,上述S105根据每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算每个区域的高光评估参数的过程,可以包括:
S151:根据每个区域的平行偏振光亮度图中各个像素点的亮度值,计算每个区域的平行偏振光亮度图中的最高亮度值。
S152:以最高亮度值的像素点为中心像素点,在平行偏振光亮度图的多个方向上确定多个像素点。
S153:计算中心像素点以及多个方向的多个像素点中相邻像素点之间的亮度值之差。
S154:根据多个亮度值之差的和,确定高光评估参数。
本实施例中,为了确定面部区域的平滑度/光滑度,可以对各个像素点之间的亮度变化进行计算,具体的,根据每个区域的平行偏振光亮度图Lpi中的各个像素点的亮度值,确定最高亮度值,以最高亮度值对应的像素点为原点,以每个区域在多个方向上的边界为终点,在原点和每个方向上的终点之间确定多个像素点,计算原点以及多个像素点中相邻点之间的亮度值之差作为亮度扩散过程中的梯度变化,根据多个方向上的所有亮度值之差的和,确定高光评估参数。
在一些实施例中,请参考图8,为本申请实施例提供的高光评估参数的示意图,如图8所示,原点Oi为每个区域的最高亮度值对应的像素点,以原点Oi作为起点,以Δangle作为角度间隔生成多条延伸至每个区域的边界的射线,射线数量Nangle=360/Δangle,在每一条射线上从原点Oi开始向每个区域的边界每间隔Δd的距离计算一次亮度值之差Dnk,根据所有射线对应的亮度值之差的和,计算高光评估参数Fhl。
示例的,高光评估参数αhl为放缩系数,其中,亮度值之差的和越大,表示各个像素点之间的亮度变化越大,高光评估参数Fhl越小,皮肤的反光状态越差,光泽度越低;亮度值之差的和越小,表示各个像素点之间的亮度变化越小,高光评估参数Fhl越大,皮肤的反光状态越好,光泽度越高。
在一种可能的实现方式中,在计算高光评估参数之前,可以采用平滑算子对每个区域的平行偏振光亮度图Lpi进行滤波,之后采用极值法或者混合高斯模型(GMM)等算法确定每个区域中亮度值最高的像素点。其中,平滑算子例如可以为高斯滤波、均值滤波或中值滤波等算子。
上述实施例提供的皮肤状态检测方法,一方面,与单模态图像受到光照环境和肤色影响较大导致准确度低、鲁棒性差相比,本申请通过多模态的平行偏振光亮度图和交叉偏振光亮度图,计算面部油光评估参数和面部高光评估参数,以根据面部油光评估参数和面部高光评估参数计算面部的反光状态参数可以更准确地评估皮肤的光泽度;另一方面与机器学习之类的方法相比,由于机器学习需要收集大量的数据并进行人工标注,且人工标注光泽度也具有主观性,其训练结果也不能客观反应皮肤的真实光泽度,本申请与机器学习相比,不需要耗费太多的人力、物力和时间进行数据收集和人工标注,且可以更客观地根据反光状态参数评估面部光泽度。
在一种可能的实现方式中,请参考图9,为本申请实施例提供的皮肤状态检测方法的流程示意图七,如图9所示,该方法还可以包括:
S201:根据多个区域的交叉偏振光亮度图的亮度分割阈值,计算面部油光阈值。
本实施例中,为了对待评估面部的油光状态进行可视化,需要采用面部统一分割阈值对多个区域的油光进行分割,面部统一分割阈值包括:面部油光阈值Po_face和面部暗沉亮度阈值Pd_face,其中,面部油光阈值Po_face大于面部暗沉亮度阈值Pd_face。
具体的,可以采用上述S121-S124的步骤计算得到多个区域的交叉偏振光亮度图对应的亮度分割阈值,可以对多个亮度分割阈值进行平均值计算,其平均值作为面部油光阈值Po_face,或者确定多个亮度分割阈值中的最大亮度分割阈值作为面部油光阈值Po_face。
S202:根据每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定每个区域中预设像素点数量的第四目标亮度值。
本实施例中,第四目标亮度值可以为每个区域的交叉偏振光亮度图中亮度较低的亮度值,用于表示暗沉情况,根据每个区域的交叉偏振光亮度图中各个像素点的亮度值分布情况,确定具有相同亮度值的像素点数量,确定像素点数量为预设像素点数量的亮度值为第四目标亮度值,以第四目标亮度值作为每个区域的暗沉分割阈值,其中,第四目标亮度值小于第一目标亮度值。
S203:根据多个区域的第四目标亮度值,计算面部暗沉亮度阈值。
本实施例中,对多个区域的第四目标亮度值即多个暗沉分割阈值进行平均值计算,其平均值作为面部暗沉亮度阈值Pd_face,或者确定多个暗沉分割阈值中的最小暗沉分割阈值作为面部暗沉亮度阈值Pd_face。
在一些实施例中,如图3所示,根据每个区域的亮度分布直方图中的最高点Mmax,位于最高点Mmax左侧且纵坐标为Mmin的点对应的横坐标为Hmin,根据各个区域的Hmin中的最小值作为面部暗沉亮度阈值Pd_face。
示例的,Mmin=β*Mmax,β为可调节参数,取值范围为[0,1],其中,在β为0.1时,面部油光的可视化效果最好。
S204:根据面部油光阈值对待评估面部的平行偏振光图像对应的面部平行偏振光亮度图进行亮度分割,生成面部油光图。
本实施例中,对待评估面部的平行偏振光图像Ip的像素值进行亮度转换,得到面部平行偏振光亮度图,根据面部油光阈值Po_face对面部平行偏振光亮度图进行亮度分割,生成面部油光图,亮度分割方式可以参考上述S103,在此不做赘述。
在一些实施例中,为了更好地呈现油光效果,可以先从平行偏振光图像Ip中提取皮肤区域,将五官例如眉毛、眼睛、嘴巴等区域进行过滤,只针对皮肤区域进行亮度分割,生成包括皮肤区域的面部油光图。
S205:根据面部油光阈值、面部暗沉亮度阈值和多个预设颜色值,将面部油光图转换为面部色彩图。
本实施例中,以面部油光阈值Po_face和面部暗沉亮度阈值Pd_face作为面部油光图中第一目标像素点的亮度值对应的亮度插值点,设置与面部油光阈值Po_face和面部暗沉亮度阈值Pd_face分别对应的RGB颜色值作为色彩插值点,根据面部油光图中各个像素点的亮度值,确定各个像素点对应的亮度插值点,并确定与亮度插值点对应的色彩插值点,根据色彩插值点的颜色值,将各个像素点的亮度值转换为颜色值,以将面部油光图转换为面部色彩图Icmap。
示例的,亮度插值点为[0,面部油光阈值Po_face,面部暗沉亮度阈值Pd_face,255],色彩插值点为[C1,C2,C3,C4],若亮度值在0和面部油光阈值Po_face之间,则亮度插值点0和面部油光阈值Po_face对应的色彩插值点为C1和C2,根据C1和C2对应的RGB颜色,将亮度值转换为RGB颜色。
S206:对面部色彩图和待评估面部的平行偏振光图像进行融合,生成待评估面部的面部油光效果图。
本实施例中,根据面部色彩图Icmap中各个区域在待评估面部的平行偏振光图像Ip中对应的位置,在平行光偏振图像Ip的各个区域分别与对应区域的面部色彩图Icmap进行加权融合,生成待评估面部的面部油光效果图Ivis。
示例的,融合公式可以为:Ivis=ρIp+(1-ρ)Icmap,ρ为自定义权重。
上述实施例提供的皮肤状态检测方法,通过计算面部油光阈值和面部暗沉亮度阈值作为亮度插值点,并设置与亮度插值点对应的颜色插值点,将面部油光图转换为面部色彩图,以将平行偏振光图像和面部色彩图进行融合,从而实现面部油光情况的可视化。
在上述方法实施例的基础上,本申请实施例还提供一种皮肤状态检测装置。请参考图10,为本申请实施例提供的皮肤状态检测装置的结构示意图,如图10所示,该装置可以包括:
亮度图获取模块10,用于获取待评估面部的多个区域的平行偏振光亮度图和交叉偏振光亮度图;
分割阈值计算模块20,用于根据每个区域的交叉偏振光亮度图,计算每个区域对应的亮度分割阈值;
油光图提取模块30,用于根据每个区域对应的亮度分割阈值,从每个区域的平行偏振光亮度图中提取每个区域的油光图,其中,每个区域的油光图包括:像素值大于或等于每个区域对应的亮度分割阈值的第一目标像素点;
油光评估参数计算模块40,用于根据每个区域的油光图中第一目标像素点的数量,计算每个区域的油光评估参数;
高光评估参数计算模块50,用于根据每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算每个区域的高光评估参数;
反光状态参数计算模块60,用于根据多个区域的油光评估参数和多个区域的高光评估参数,计算待评估面部的反光状态参数。
可选的,分割阈值计算模块20,包括:
第一目标亮度值确定单元,用于根据每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定像素点数量最多的第一目标亮度值;
第二目标亮度值确定单元,用于以每个区域的第一目标亮度值为起点,从每个区域的交叉偏振光亮度图中选择大于第一目标亮度值的N个第二目标亮度值,其中,N个第二目标亮度值依次增大;
第三目标亮度值确定单元,用于若N个第二目标亮度值的平均亮度值大于或等于第一预设亮度阈值,以第一个目标亮度值为起点,从每个区域的交叉偏振光亮度图中选择大于第一个第二目标亮度值的N个第三目标亮度值,其中,N个第三目标亮度值依次增大;
分割阈值计算单元,用于若N个第三目标亮度值的平均亮度值小于第一预设亮度阈值,确定N个第三目标亮度值中的中间目标亮度值为每个区域对应的亮度分割阈值。
可选的,油光评估参数计算模块40,具体用于根据每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算每个区域在多个维度的油光评估参数。
可选的,油光评估参数计算模块40,包括:
反光面积占比计算单元,用于根据每个区域的油光图中第一目标像素点的数量,和每个区域的平行偏振光亮度图中的像素点数量,计算每个区域的反光面积占比;
多个维度的油光评估参数包括:反光面积占比。
可选的,油光评估参数计算模块40,包括:
连通域分析单元,用于对每个区域的油光图中第一目标像素点进行连通域分析,确定每个区域的连通域数量;
油光平均尺寸计算单元,用于根据每个区域的油光图中第一目标像素点的数量和每个区域的连通域数量,计算每个区域的油光平均尺寸;
多个维度的油光评估参数还包括:油光平均尺寸。
可选的,油光评估参数计算模块40,包括:
离散度计算单元,用于对每个区域的油光图中第一目标像素点进行聚类,确定每个区域的油光图中第一目标像素点的离散度;
油光分布范围计算单元,用于根据离散度和每个区域的油光图中第一目标像素点的数量,计算每个区域的油光分布范围;
多个维度的油光评估参数还包括:油光分布范围。
可选的,油光评估参数计算模块40,包括:
阈值判断单元,用于根据第二预设亮度阈值,确定每个区域的油光图中第一目标像素点中亮度值满足第二预设亮度阈值的第二目标像素点的数量;
过曝参数计算单元,用于根据第二目标像素点的数量和每个区域的油光图中第一目标像素点的数量,计算每个区域的过曝参数;
多个维度的油光评估参数还包括:过曝参数。
可选的,高光评估参数计算模块50,包括:
最高亮度值计算单元,用于根据每个区域的平行偏振光亮度图中各个像素点的亮度值,计算每个区域的平行偏振光亮度图中的最高亮度值;
多方向像素点确定单元,用于以最高亮度值的像素点为中心像素点,在平行偏振光亮度图的多个方向上确定多个像素点;
亮度值之差计算单元,用于计算中心像素点以及多个方向的多个像素点中相邻像素点之间的亮度值之差;
高光评估参数计算单元,用于根据多个亮度值之差的和,确定高光评估参数。
可选的,该装置还可以包括:
面部油光阈值计算模块,用于根据多个区域的交叉偏振光亮度图的亮度分割阈值,计算面部油光阈值;
第四目标亮度值计算模块,用于根据每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定每个区域中预设像素点数量的第四目标亮度值;
面部暗沉亮度阈值计算模块,用于根据多个区域的第四目标亮度值,计算面部暗沉亮度阈值;
面部油光图生成模块,用于根据面部油光阈值对待评估面部的平行偏振光图像对应的面部平行偏振光亮度图进行亮度分割,生成面部油光图;
色彩转换模块,用于根据面部油光阈值、面部暗沉亮度阈值和多个预设颜色值,将面部油光图转换为面部色彩图;
融合模块,用于对面部色彩图和待评估面部的平行偏振光图像进行融合,生成待评估面部的面部油光效果图。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
请参考图11,为本申请实施例提供的皮肤状态检测设备的示意图,如图11所示,该皮肤状态检测设备100包括:处理器101、存储介质102和总线。
存储介质102存储有处理器101可执行的程序指令,当皮肤状态检测设备100运行时,处理器101与存储介质102之间通过总线通信,处理器101执行程序指令,以执行上述方法实施例。具体实现方式和技术效果类似,这里不再赘述。
可选地,本发明还提供一种计算机可读存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种皮肤状态检测方法,其特征在于,所述方法包括:
获取待评估面部的多个区域的平行偏振光亮度图和交叉偏振光亮度图;
根据每个区域的交叉偏振光亮度图,计算所述每个区域对应的亮度分割阈值;
根据所述每个区域对应的亮度分割阈值,从所述每个区域的平行偏振光亮度图中提取所述每个区域的油光图,其中,所述每个区域的油光图包括:像素值大于或等于所述每个区域对应的亮度分割阈值的第一目标像素点;
根据所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光评估参数;
根据所述每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算所述每个区域的高光评估参数;
根据所述多个区域的油光评估参数和所述多个区域的高光评估参数,计算所述待评估面部的反光状态参数。
2.如权利要求1所述的方法,其特征在于,所述根据每个区域的交叉偏振光亮度图,计算所述每个区域对应的亮度分割阈值,包括:
根据所述每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定像素点数量最多的第一目标亮度值;
以所述每个区域的第一目标亮度值为起点,从所述每个区域的交叉偏振光亮度图中选择大于所述第一目标亮度值的N个第二目标亮度值,其中,N个第二目标亮度值依次增大;
若所述N个第二目标亮度值的平均亮度值大于或等于第一预设亮度阈值,以第一个第二目标亮度值为起点,从所述每个区域的交叉偏振光亮度图中选择大于所述第一个第二目标亮度值的N个第三目标亮度值,其中,N个第三目标亮度值依次增大;
若所述N个第三目标亮度值的平均亮度值小于第一预设亮度阈值,确定所述N个第三目标亮度值中的中间目标亮度值为所述每个区域对应的亮度分割阈值。
3.如权利要求1所述的方法,其特征在于,所述根据所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光评估参数,包括:
根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数。
4.如权利要求3所述的方法,其特征在于,所述根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数,包括:
根据所述每个区域的油光图中第一目标像素点的数量,和所述每个区域的平行偏振光亮度图中的像素点数量,计算所述每个区域的反光面积占比;
所述多个维度的油光评估参数包括:反光面积占比。
5.如权利要求3所述的方法,其特征在于,所述根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数,包括:
对所述每个区域的油光图中第一目标像素点进行连通域分析,确定所述每个区域的连通域数量;
根据所述每个区域的油光图中第一目标像素点的数量和所述每个区域的连通域数量,计算所述每个区域的油光平均尺寸;
所述多个维度的油光评估参数还包括:油光平均尺寸。
6.如权利要求3所述的方法,其特征在于,所述根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数,包括:
对所述每个区域的油光图中第一目标像素点进行聚类,确定所述每个区域的油光图中第一目标像素点的离散度;
根据所述离散度和所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光分布范围;
所述多个维度的油光评估参数还包括:油光分布范围。
7.如权利要求3所述的方法,其特征在于,所述根据所述每个区域的油光图中第一目标像素点的数量,分别采用多个油光评估算法,计算所述每个区域在多个维度的油光评估参数,包括:
根据第二预设亮度阈值,确定所述每个区域的油光图中第一目标像素点中亮度值满足所述第二预设亮度阈值的第二目标像素点的数量;
根据所述第二目标像素点的数量和所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的过曝参数;
所述多个维度的油光评估参数还包括:过曝参数。
8.如权利要求1所述的方法,其特征在于,所述根据所述每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算所述每个区域的高光评估参数,包括:
根据所述每个区域的平行偏振光亮度图中各个像素点的亮度值,计算每个区域的平行偏振光亮度图中的最高亮度值;
以所述最高亮度值的像素点为中心像素点,在所述平行偏振光亮度图的多个方向上确定多个像素点;
计算所述中心像素点以及所述多个方向的多个像素点中相邻像素点之间的亮度值之差;
根据多个亮度值之差的和,确定所述高光评估参数。
9.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述多个区域的交叉偏振光亮度图的亮度分割阈值,计算面部油光阈值;
根据所述每个区域的交叉偏振光亮度图中各个像素点的亮度值,确定所述每个区域中预设像素点数量的第四目标亮度值;
根据所述多个区域的第四目标亮度值,计算面部暗沉亮度阈值;
根据所述面部油光阈值对所述待评估面部的平行偏振光图像对应的面部平行偏振光亮度图进行亮度分割,生成面部油光图;
根据所述面部油光阈值、所述面部暗沉亮度阈值和多个预设颜色值,将所述面部油光图转换为面部色彩图;
对所述面部色彩图和所述待评估面部的平行偏振光图像进行融合,生成所述待评估面部的面部油光效果图。
10.一种皮肤状态检测装置,其特征在于,所述装置包括:
亮度图获取模块,用于获取待评估面部的多个区域的平行偏振光亮度图和交叉偏振光亮度图;
分割阈值计算模块,用于根据每个区域的交叉偏振光亮度图,计算所述每个区域对应的亮度分割阈值;
油光图提取模块,用于根据所述每个区域对应的亮度分割阈值,从所述每个区域的平行偏振光亮度图中提取所述每个区域的油光图,其中,所述每个区域的油光图包括:像素值大于或等于所述每个区域对应的亮度分割阈值的第一目标像素点;
油光评估参数计算模块,用于根据所述每个区域的油光图中第一目标像素点的数量,计算所述每个区域的油光评估参数;
高光评估参数计算模块,用于根据所述每个区域的平行偏振光亮度图中像素点之间的亮度差值,计算所述每个区域的高光评估参数;
反光状态参数计算模块,用于根据所述多个区域的油光评估参数和所述多个区域的高光评估参数,计算所述待评估面部的反光状态参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310322576.9A CN116342549A (zh) | 2023-03-29 | 2023-03-29 | 皮肤状态检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310322576.9A CN116342549A (zh) | 2023-03-29 | 2023-03-29 | 皮肤状态检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342549A true CN116342549A (zh) | 2023-06-27 |
Family
ID=86880325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310322576.9A Pending CN116342549A (zh) | 2023-03-29 | 2023-03-29 | 皮肤状态检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342549A (zh) |
-
2023
- 2023-03-29 CN CN202310322576.9A patent/CN116342549A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Efficient illuminant estimation for color constancy using grey pixels | |
Tang et al. | Learning a blind measure of perceptual image quality | |
CN108197546B (zh) | 人脸识别中光照处理方法、装置、计算机设备及存储介质 | |
Beigpour et al. | Multi-illuminant estimation with conditional random fields | |
Riess et al. | Scene illumination as an indicator of image manipulation | |
US8577170B2 (en) | Shadow detection in a single image | |
Li et al. | A multi-scale fusion scheme based on haze-relevant features for single image dehazing | |
CN109671046B (zh) | 利用皮肤图像分析皮肤水分的方法及装置 | |
US8542917B2 (en) | System and method for identifying complex tokens in an image | |
WO2010065087A1 (en) | Solver for image segregation | |
US8559714B2 (en) | Post processing for improved generation of intrinsic images | |
CN114004834B (zh) | 一种图像处理中的雾天情况分析方法、设备及装置 | |
Fu et al. | Multi-feature-based bilinear CNN for single image dehazing | |
Luo et al. | Saliency-based geometry measurement for image fusion performance | |
Jiang et al. | Blind quality evaluator of tone-mapped HDR and multi-exposure fused images for electronic display | |
US8913829B2 (en) | Automatic processing scale estimation for use in an image process | |
CN111738984B (zh) | 基于分水岭和种子填充的皮肤图像斑点评估方法及系统 | |
Erener et al. | A methodology for land use change detection of high resolution pan images based on texture analysis | |
CN101056350A (zh) | 基于色调模式的检测多种篡改的数字图像取证方法 | |
WO2007004864A1 (en) | Method and apparatus for visual object recognition | |
Zaouali et al. | Objective evaluation of multidirectional fabric wrinkling using image analysis | |
US8428352B1 (en) | Post processing for improved generation of intrinsic images | |
CN116342549A (zh) | 皮肤状态检测方法及装置 | |
Patuano | Measuring naturalness and complexity using the fractal dimensions of landscape photographs | |
US8553979B2 (en) | Post processing for improved generation of intrinsic images |
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 |