CN117242482A - 用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法 - Google Patents

用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法 Download PDF

Info

Publication number
CN117242482A
CN117242482A CN202280028561.5A CN202280028561A CN117242482A CN 117242482 A CN117242482 A CN 117242482A CN 202280028561 A CN202280028561 A CN 202280028561A CN 117242482 A CN117242482 A CN 117242482A
Authority
CN
China
Prior art keywords
scalp
user
image
classification
region
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
Application number
CN202280028561.5A
Other languages
English (en)
Inventor
S·彭亚尼
V·R·帕达拉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Procter and Gamble Co
Original Assignee
Procter and Gamble Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Procter and Gamble Co filed Critical Procter and Gamble Co
Publication of CN117242482A publication Critical patent/CN117242482A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0833—Tracking
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

描述了用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法。用户的数字图像在成像应用程序(app)处接收，并且包括用户的头皮的头皮区域的至少一部分的像素数据。通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据进行训练的基于头皮的学习模型分析图像，以确定用户的头皮区域的至少一个图像分类。该成像app基于至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。

Description

用于分析用户的头皮的头皮区域的像素数据以生成一个或多 个用户特定头皮分类的数字成像和学习系统及方法
技术领域
本公开整体涉及数字成像和学习系统及方法，并且更具体地涉及用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法。
背景技术
一般而言，人类头发和皮肤的多种内源性因素(诸如皮脂和汗液)对用户的头皮的整体健康具有现实世界的影响，该整体健康可包括头皮皮肤健康(例如，白色皮脂残留物、头皮皮肤裂纹/细纹)和毛囊/头发健康(例如，痤疮、头皮堵塞物(plug))。附加的外源性因素(诸如风、湿度和/或各种头发相关产品的使用)也可影响用户的头皮的健康。此外，用户对头皮相关问题的感知通常不反映此类潜在的内源性因素和/或外源性因素。
因此，考虑到内源性因素和/或外源性因素的数量以及头皮和头发类型的复杂性，尤其是当跨不同用户考虑时，会出现问题，这些不同用户中的每一者可与不同人口统计、种族和人种相关。这在各种人类头皮状况和特性的诊断和治疗中产生问题。例如，现有技术方法(包括个人消费产品试验在内)可能是耗时的或容易出错的(并且可能是负面的)。除此之外，用户可尝试通过各种产品或技术进行经验性实验，但没有实现令人满意的结果和/或导致可能的负面副作用，从而影响他或她的头皮的健康或另外的视觉外观。
出于前述原因，需要用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法。
发明内容
一般而言，如本文所述，描述了用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统。此类数字成像和学习系统提供了一种基于数字成像和人工智能(AI)的解决方案，用于克服在识别和处理影响人类头皮的健康的各种内源性因素和/或外源性因素或属性中的困难所引起的问题。
如本文所述的数字成像和学习系统允许用户将特定用户图像提交到成像服务器(例如，包括其一个或多个处理器)或另外的计算设备(例如，诸如本地在用户的移动设备上)，其中该成像服务器或用户计算设备实现或执行通过潜在10,000个(或更多个)图像的像素数据训练的基于人工智能的基于头皮的学习模型，这些图像描绘相应个体的头皮的头皮区域。基于头皮的学习模型可基于用户的头皮区域的图像分类来生成至少一个用户特定头皮分类，该至少一个用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。例如，用户的头皮的头皮区域的至少一部分可包括指示特定用户的头皮皮肤区域或毛囊区域的白色皮脂、发炎、痤疮、头皮堵塞物和/或其他属性/状况的像素或像素数据。在一些实施方案中，可经由计算机网络将用户特定头皮分类(和/或产品特定头皮分类)传输到用户的用户计算设备，以呈现在显示屏上。在其他实施方案中，没有发生用户的特定图像到成像服务器的传输，其中用户特定头皮分类(和/或产品特定头皮分类)可替代地由在用户的移动设备上本地执行和/或实现的基于头皮的学习模型生成，并且由移动设备的处理器呈现在移动设备的显示屏上。在各种实施方案中，此类呈现可包括用于寻址像素数据中的特征的图形表示、覆盖、注释等。
更具体地讲，如本文所述，公开了一种数字成像和学习系统。该数字成像和学习系统被配置为分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类。数字成像和学习系统可包括一个或多个处理器以及成像应用程序(app)，该成像app包括被配置为在一个或多个处理器上执行的计算指令。数字成像和学习系统还可包括基于头皮的学习模型，该基于头皮的学习模型能够由成像app访问，并且通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据进行训练。基于头皮的学习模型可被配置为输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类。更进一步地，在各种实施方案中，成像app的计算指令在由一个或多个处理器执行时可使得该一个或多个处理器接收用户的图像。图像可包括如由成像设备捕获的数字图像。该图像可包括用户的头皮的头皮区域的至少一部分的像素数据。成像app的计算指令在由一个或多个处理器执行时还可使得该一个或多个处理器通过基于头皮的学习模型分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类。该至少一个图像分类可选自基于头皮的学习模型的一个或多个图像分类。成像app的计算指令在由一个或多个处理器执行时还可使得该一个或多个处理器基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
除此之外，如本文所述，公开了用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习方法。数字成像和学习方法包括在成像应用程序(app)处接收用户的图像，该成像app在一个或多个处理器上执行。图像可为如由成像设备捕获的数字图像。除此之外，图像可包括用户的头皮的头皮区域的至少一部分的像素数据。数字成像和学习方法还可包括通过能够由成像app访问的基于头皮的学习模型来分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类。该至少一个图像分类可选自基于头皮的学习模型的一个或多个图像分类。除此之外，可通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据来训练基于头皮的学习模型。更进一步地，基于头皮的学习模型能够可操作以输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类。数字成像和学习方法还包括通过成像app基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
进一步地，如本文所述，公开了一种有形非暂态计算机可读介质，其存储用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的指令。该指令在由一个或多个处理器执行时可使得该一个或多个处理器在成像应用程序(app)处接收用户的图像。图像可包括如由成像设备捕获的数字图像。该图像可包括用户的头皮的头皮区域的至少一部分的像素数据。指令在由一个或多个处理器执行时还可使得该一个或多个处理器通过能够由成像app访问的基于头皮的学习模型分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类。该至少一个图像分类可选自基于头皮的学习模型的一个或多个图像分类。可通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据来训练基于头皮的学习模型。除此之外，基于头皮的学习模型能够可操作以输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类。指令在由一个或多个处理器执行时还可使得该一个或多个处理器通过成像app基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
根据上文以及本文的公开内容，本公开包括计算机功能的改进或对其他技术的改进，至少因为本公开描述了例如成像服务器或另外的计算设备(例如，用户计算机设备)得到改进，其中成像服务器或计算设备的智能或预测能力通过经训练(例如，机器学习训练)的基于头皮的学习模型来增强。在成像服务器或计算设备上执行的基于头皮的学习模型能够基于其他个体的像素数据更准确地识别用户特定头皮皮肤或毛囊区域特征、用户的头皮区域的图像分类和/或用户特定头皮分类中的一者或多者，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。也就是说，本公开描述了计算机本身的运行或“任何其他技术或技术领域”的改进，因为成像服务器或用户计算设备通过多个训练图像(例如，10,000个训练图像和相关像素数据作为特征数据)来增强以准确地预测、检测或确定用户特定图像(诸如新提供的客户图像)的像素数据。这比现有技术有所改进，至少因为现有系统缺乏此类预测或分类功能，并且根本无法准确地分析用户特定图像以输出预测结果，以寻址像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
出于类似的原因，本公开涉及对其他技术或技术领域的改进，至少因为本公开描述或介绍了对头皮皮肤/毛囊护理领域和头皮护理/毛囊产品领域的计算设备的改进，由此在成像设备或计算设备上执行的经训练的基于头皮的学习模型改进了头皮皮肤和毛囊区域护理领域，以及其化学配方和头皮分类，通过对用户或个体图像的基于数字和/或人工智能的分析来输出预测结果，以寻址在像素数据内可识别的至少一个特征的用户特定像素数据，该像素数据包括用户的头皮的头皮区域的至少一部分。
除此之外，本公开涉及对其他技术或技术领域的改进，至少因为本公开描述或介绍了对头皮皮肤/毛囊护理领域和头皮护理/毛囊产品领域中的计算设备的改进，由此在成像设备或计算设备上执行的经训练的基于头皮的学习模型改进了底层计算机设备(例如，成像服务器和/或用户计算设备)，其中此类计算机设备通过给定机器学习网络架构的配置、调整或适应而更有效。例如，在一些实施方案中，可通过减少计算资源来使用更少的机器资源(例如，处理周期或存储器存储装置)，这是通过减少分析图像所需的机器学习网络架构，包括通过减小深度、宽度、图像尺寸或其他基于机器学习的维度要求。此类减小会释放潜在计算系统的计算资源，由此使其更有效。
更进一步地，本公开涉及对其他技术或技术领域的改进，至少因为本公开描述或介绍了对安全性领域中计算设备的改进，其中对用户的图像进行预处理(例如，裁剪或以其他方式修改)以限定用户的提取或描绘的头皮区域，而不描绘用户的个人可识别信息(PII)。例如，本文所述的基于头皮的学习模型可使用用户的图像的简单裁剪或编辑部分，这消除了通过计算机网络传输用户的私人照片的需要(其中此类图像可能容易被第三方截获)。此类特征提供了安全性改进，即，其中PII(例如，面部特征)的移除提供了优于现有系统的改进，因为裁剪或编辑的图像，尤其是可通过网络(例如，互联网)传输的图像在不包括用户的PII信息的情况下更安全。因此，本文所述的系统和方法在不需要此类非基本信息的情况下操作，这提供了超过先前系统的改进，例如安全性改进。除此之外，至少在一些实施方案中，裁剪图像的使用允许底层系统存储和/或处理较小数据大小的图像，这导致底层系统作为整体性能提高，因为较小数据大小的图像需要较少的存储存储器和/或处理资源来存储、处理和/或由底层计算机系统以其他方式操作。
除此之外，本公开包括通过或通过使用特定机器(例如，成像设备)来应用权利要求元素中的某些权利要求元素，该特定机器捕获图像，这些图像用于训练基于头皮的学习模型并且用于确定与用户的头皮区域的一个或多个特征相对应的图像分类。
除此之外，本公开包括除本领域中众所周知的、常规的、常规活动之外的特定特征，或者添加将权利要求限制到特定有用应用程序的非常规步骤，例如，分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类。
通过以举例说明的方式示出和描述的优选实施方案的以下描述，优点对于本领域的普通技术人员而言将变得更加显而易见。如将认识到的，本发明的实施方案可具有其他和不同的实施方案，并且它们的细节能够在各个方面进行修改。因此，附图和描述应被视为实质上是示例性的而非限制性的。
附图说明
下文所述的附图描绘了本文所公开的系统和方法的各个方面。应当理解，每个附图描绘了所公开的系统和方法的特定方面的实施方案，并且每个附图旨在与其可能的实施方案保持一致。此外，在可能的情况下，以下描述提及了以下附图中包括的附图标号，其中多个附图中所示的特征部用一致的附图标号进行表示。
在当前讨论的附图中示出了布置，然而，应当理解，本实施方案不限于所示的精确布置和工具，其中：
图1示出了根据本文公开的各种实施方案的被配置为分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的示例性数字成像和学习系统。
图2示出了根据本文公开的各种实施方案的可用于训练和/或实现基于头皮的学习模型的示例性图像及其相关像素数据。
图3示出了根据本文公开的各种实施方案的具有与相应个体的头皮皮肤区域或毛囊区域的特征相对应的图像分类的一组示例性头皮图像。
图4示出了根据本文公开的各种实施方案的用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习方法。
图5示出了根据本文公开的各种实施方案的在用户计算设备的显示屏上呈现的示例性用户界面。
附图仅出于说明的目的描绘了优选的实施方案。在不脱离本文所述的本发明的原理的情况下，可以采用本文所示的系统和方法的替代实施方案。
具体实施方式
图1示出了根据本文公开的各种实施方案的被配置为分析用户的头皮的头皮区域的图像(例如，图像202a、202b和/或202c中的任一者或多者)的像素数据以生成一个或多个用户特定头皮分类的示例性数字成像和学习系统100。一般而言，如本文所提及的，用户的头皮的头皮区域可指给定用户的头皮的正面头皮区域、背面头皮区域、侧面头皮区域、顶部头皮区域、整个头皮区域、部分头皮区域或自定义头皮区域(例如，自定义视角区域)中的一者或多者。在图1的示例性实施方案中，数字成像和学习系统100包括服务器102，该服务器可包括一个或多个计算机服务器。在各种实施方案中，服务器102包括多个服务器，该多个服务器可包括作为服务器群的一部分的多个、冗余或复制的服务器。在另外的实施方案中，服务器102可被实现为基于云的服务器，诸如基于云的计算平台。例如，成像服务器102可以是任何一个或多个基于云的平台，诸如MICROSOFT AZURE、AMAZON AWS等。服务器102可包括一个或多个处理器104以及一个或多个计算机存储器106。在各种实施方案中，服务器102在本文中可被称为“成像服务器”。
存储器106可包括一种或多种形式的易失性和/或非易失性、固定和/或可移动存储器，诸如只读存储器(ROM)、电子可编程只读存储器(EPROM)、随机存取存储器(RAM)、可擦除电子可编程只读存储器(EEPROM)和/或其他硬盘驱动器、闪存存储器、MicroSD卡等。存储器106可存储能够促进如本文所讨论的功能、应用程序、方法或其他软件的操作系统(OS)(例如，Microsoft Windows、Linux、UNIX等)。存储器106还可存储基于头皮的学习模型108，该基于头皮的学习模型可为基于人工智能的模型，诸如在各种图像(例如，图像202a、202b和/或202c)上训练的机器学习模型，如本文所述。附加地或另选地，基于头皮的学习模型108还可存储在数据库105中，该数据库能够由成像服务器102访问或以其他方式通信地耦接到成像服务器。此外，存储器106还可存储机器可读指令，包括一个或多个应用程序(例如，如本文所述的成像应用程序)、一个或多个软件组件和/或一个或多个应用程序编程接口(API)中的任一者，其可被实现以促进或执行这些特征，功能或本文所述的其他公开内容，诸如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的任何方法、过程、元件或限制。例如，应用程序、软件组件或API中的至少一些可为、可包括基于成像的机器学习模型或组件(诸如基于头皮的学习模型108)或另外为其一部分，其中每一者可被配置为促进本文所讨论的其各种功能。应当理解，可设想由处理器104执行的一个或多个其他应用程序。
处理器104可经由计算机总线连接到存储器106，该计算机总线负责向和从处理器104和存储器106传输电子数据、数据分组或其他电子信号，以便实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
处理器104可经由计算机总线与存储器106接口以执行操作系统(OS)。一个或多个处理器104还可经由计算机总线与存储器106交接，以创建、读取、更新、删除或以其他方式访问存储在存储器106和/或数据库104(例如，关系数据库，诸如Oracle、DB2、MySQL或基于NoSQL的数据库，诸如MongoDB)中的数据或与该数据进行交互。存储在存储器106和/或数据库105中的数据可包括在本文描述的数据或信息的任一者的全部或部分，包括例如训练图像和/或用户图像(例如，包括图像202a、202b和/或202c中的任一者或多者；头皮图像(例如，302l、302m、302h、312l、312m、312h、322l、322m和322h)；和/或用户的其他图像和/或信息，包括人口统计、年龄、种族、皮肤类型、头发类型、头发造型等或如本文中另外描述的。
成像服务器102还可包括通信组件，该通信组件被配置为经由一个或多个外部/网络端口将数据传送(例如，发送和接收)到一个或多个网络或本地终端诸如本文所述的计算机网络120和/或终端109(用于呈现或可视化)。在一些实施方案中，成像服务器102可包括客户端-服务器平台技术，诸如ASP.NET、Java J2EE、Ruby on Rails、Node.js、web服务或在线API，其响应于接收并响应于电子请求。成像服务器102可以实现客户端-服务器平台技术，该技术可经由计算机总线与存储器106(包括存储在其中的应用程序、组件、API、数据等)和/或数据库105进行交互，以实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
在各种实施方案中，成像服务器102可包括根据IEEE标准、3GPP标准或其他标准起作用并且可用于经由连接到计算机网络120的外部/网络端口接收和传输数据的一个或多个收发器(例如，WWAN、WLAN和/或WPAN收发器)，或者与该一个或多个收发器进行交互。在一些实施方案中，计算机网络120可包括专用网络或局域网(LAN)。附加地或另选地，计算机网络120可包括公共网络，诸如互联网。
成像服务器102还可包括或实现操作者界面，该操作者界面被配置为向管理员或操作者呈现信息和/或从管理员或操作者接收输入。如图1所示，操作者界面可提供显示屏(例如，经由终端109)。成像服务器102还可提供I/O组件(例如，端口、电容式或电阻式触敏输入面板、按键、按钮、灯、LED)，该I/O组件可经由成像服务器102直接访问或附接到配给服务器，或者可经由终端109间接访问或附接到终端。根据一些实施方案，管理员或操作者可经由终端109访问服务器102以查看信息，作出改变，输入训练数据或图像，开始训练基于头发的学习模型108和/或执行其他功能。
如本文所述，在一些实施方案中，成像服务器102可执行如本文所讨论的作为“云”网络的一部分的功能，或者可以其他方式与云内的其他硬件或软件组件通信以发送、检索或以其他方式分析本文所述的数据或信息。
一般来讲，计算机程序或基于计算机的产品、应用程序或代码(例如，模型诸如AI模型，或本文所述的其他计算指令)可存储在计算机可用存储介质或其中体现有此类计算机可读程序代码或计算机指令的有形非暂态计算机可读介质(例如，标准随机存取存储器(RAM)、光盘、通用串行总线(USB)驱动器等)上，其中计算机可读程序代码或计算机指令可被安装或以其他方式适配成由(例如，与存储器106中的相应操作系统结合工作的)处理器104执行以促进、实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。就这一点而言，程序代码可以任何期望的程序语言实施，并且可以被实施为机器代码、汇编代码、字节代码、可解释源代码等(例如，经由Golang、Python、C、C++、C#、Objective-C、Java、Scala、ActionScript、JavaScript、HTML、CSS、XML等)。
如图1所示，成像服务器102经由计算机网络120经由基站111b和112b通信地连接到一个或多个用户计算设备111c1-111c3和/或112c1-112c4。在一些实施方案中，基站111b和112b可包括蜂窝基站诸如蜂窝塔，从而基于各种移动电话标准(包括NMT、GSM、CDMA、UMMTS、LTE、5G等)中的任一者或多者经由无线通信121与一个或多个用户计算设备111c1-111c3和112c1-112c4进行通信。附加地或另选地，基站111b和112b可包括路由器、无线交换机或基于各种无线标准中的任一个或多个无线标准经由无线通信122与一个或多个用户计算设备111c1-111c3和112c1-112c4通信的其他此类无线连接点，作为非限制性示例，该无线标准包括IEEE802.11a/b/c/g(WIFI)、BLUETOOTH标准等。
一个或多个用户计算设备111c1-111c3和/或112c1-112c4中的任一者可包括用于访问成像服务器102和/或与该成像服务器通信的移动设备和/或客户端设备。此类移动设备可包括一个或多个移动处理器和/或成像设备，该成像设备用于捕获图像，诸如如本文所述的图像(例如，图像202a、202b和/或202c中的任一者或多者)。在各种实施方案中，用户计算设备111c1-111c3和/或112c1-112c3可包括移动电话(例如，蜂窝电话)、平板设备、个人数据助理(PDA)等，作为非限制性示例，包括APPLE iPhone或iPad设备或基于GOOGLEANDROID的移动电话或平板电脑。
在附加的实施方案中，用户计算设备112c4可以是用户可以用来捕获用户的头皮的详细图像的便携式显微镜设备。具体地讲，便携式显微镜设备112c4可包括被配置为在用户的头皮的头皮区域以近似微观水平捕获图像(例如，图像202a、202b和/或202c中的任一者或多者)的显微相机。例如，与用户计算设备111c1-111c3和112c1-112c3中的任一者不同，便携式显微镜设备112c4可以在保持与用户的头皮的物理接触的同时捕获用户的头皮的详细的、高放大率(例如，对于60倍至200倍放大率的2兆像素)图像。作为特定示例，便携式显微镜设备112c4可以是由ARAM HUVIS开发的API 202HAIR SCALP ANALYSISDEVICE。在某些实施方案中，便携式显微镜设备112c4还可包括被配置为向用户显示捕获的图像和/或图像分析的结果的显示器或用户界面。
附加地或另选地，便携式显微镜设备112c4可以经由WiFi连接、蓝牙连接和/或任何其他合适的无线连接通信地耦接到用户计算设备112c1(例如，用户的移动电话)，并且便携式显微镜设备112c4可以与各种操作平台(例如，Windows、iOS、Android等)兼容。因此，便携式显微镜设备112c4可以向用户计算设备112c1传输捕获的图像以用于分析和/或向用户显示。此外，便携式显微镜设备112c4可以被配置为捕获用户的头皮的高质量视频，并且可以将用户的头皮的高质量视频流式传输到便携式显微镜设备112c4的显示器和/或通信地耦接的用户计算设备112c1(例如，用户的移动电话)。在某些附加的实施方案中，便携式显微镜设备112c4和通信连接的用户计算设备112c1中的每一者的部件可以被并入单个设备中。
在附加的实施方案中，用户计算设备111c1-111c3和/或112c1-112c3可包括零售计算设备。零售计算设备可包括以与移动设备相同或类似的方式配置的用户计算机设备(例如，如本文针对用户计算设备111c1-111c3所述)，包括具有处理器和存储器，以用于实现基于头皮的学习模型108或与基于头皮的学习模型通信(例如，经由服务器102)，如本文所述。附加地或另选地，零售计算设备可位于、安装或以其他方式定位在零售环境内，以允许零售环境的用户和/或顾客在零售环境内现场利用数字成像和学习系统及方法。例如，零售计算设备可安装在售货亭内以供用户访问。然后，用户可将图像(例如，从用户移动设备)上传或传递到售货亭以实现本文所述的数字成像和学习系统及方法。附加地或另选地，售货亭可配置有相机以允许用户拍摄他或她自己的新图像(例如，在授权的情况下以私人方式)，以供上传和传递。在此类实施方案中，用户或消费者他或她自己将能够使用零售计算设备接收如本文所述的用户特定电子头皮分类和/或已将该用户特定电子头皮分类呈现在零售计算设备的显示屏上。
附加地或另选地，零售计算设备可为由零售环境的雇员或其他人员携带的用于在现场与用户或消费者交互的移动设备(如本文所述的)。在此类实施方案中，用户或消费者可能够经由零售计算设备(例如，通过将图像从用户的移动设备传递到零售计算设备或通过由零售计算设备的相机捕获新图像)与零售环境的雇员或其他人员交互，以接收如本文所述的用户特定电子头皮分类和/或已将该用户特定电子头皮分类呈现在零售计算设备的显示屏上。
在各种实施方案中，一个或多个用户计算设备111c1-111c3和/或112c1-112c4可实现或执行操作系统(OS)或移动平台，诸如Apple的iOS和/或Google的Android操作系统。一个或多个用户计算设备111c1-111c3和/或112c1-112c4中的任一者可包括用于存储、实现或执行计算指令或代码(例如，移动应用程序或家庭或个人助理应用程序)的一个或多个处理器和/或一个或多个存储器，如本文的各种实施方案中所述。如图1所示，如本文所述的基于头皮的学习模型108和/或成像应用程序或至少其部分也可被本地存储在用户计算设备(例如，用户计算设备111c1)的存储器上。
用户计算设备111c1-111c3和/或112c1-112c4可包括无线收发器以向基站111b和/或112b传输无线通信121和/或122并从该基站接收无线通信。在各种实施方案中，基于像素的图像(例如，图像202a、202b和/或202c)可经由计算机网络120传输到成像服务器102以用于如本文所述的模型(例如，基于头皮的学习模型108)的训练和/或成像分析。
此外，一个或多个用户计算设备111c1-111c3和/或112c1-112c4可包括用于捕获或拍摄数字图像和/或帧(例如，其可以是图像202a、202b和/或202c中的任一者或多者)的成像设备和/或数字摄像机。每个数字图像可包括用于训练或实现如本文所述的模型(诸如AI或机器学习模型)的像素数据。例如，例如用户计算设备111c1-111c3和/或112c1-112c4中的任一者的成像设备和/或数字摄像机可被配置为拍摄、捕获或以其他方式生成数字图像(例如，基于像素的图像202a、202b和/或202c)，并且至少在一些实施方案中，可将此类图像存储在相应用户计算设备的存储器中。另外地或另选地，此类数字图像也可被传输到和/或存储在服务器102的存储器106和/或数据库105上。
更进一步地，一个或多个用户计算机设备111c1-111c3和/或112c1-112c4中的每一者可包括用于显示图形、图像、文本、产品头皮分类、数据、像素、特征和/或如本文所述的其他此类可视化或信息的显示屏。在各种实施方案中，可从成像服务器102接收图形、图像、文本、产品头皮分类、数据、像素、特征和/或其他此类可视化或信息，以用于在用户计算机设备111c1-111c3和/或112c1-112c4中的任一者或多者的显示屏上显示。附加地或另选地，用户计算机设备可包括、实现、访问、呈现或以其他方式至少部分地暴露界面或引导用户界面(GUI)以用于在其显示屏上显示文本和/或图像。
在一些实施方案中，在服务器(例如，服务器102)处和/或移动设备(例如，移动设备111c1)处执行的计算指令和/或应用程序可通信地连接用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类，如本文所述。例如，服务器102的一个或多个处理器(例如，处理器104)可经由计算机网络(例如，计算机网络120)通信地耦接到移动设备。在此类实施方案中，成像app可包括被配置为在服务器(例如，服务器102)的一个或多个处理器上执行的服务器app部分以及被配置为在移动设备(例如，一个或多个用户计算设备111c1-111c3和/或112c1-112c3中的任一者)和/或独立成像设备(例如，用户计算设备112c4)的一个或多个处理器上执行的移动app部分。在此类实施方案中，服务器app部分被配置为与移动app部分通信。服务器app部分或移动app部分可各自被配置为实现或部分地实现以下各项中的一项或多项：(1)接收由成像设备捕获的图像；(2)确定用户的头皮的图像分类；(3)生成用户特定头皮分类；以及/或者(4)向移动app部分传输一个用户特定头皮分类。
图2示出了根据本文公开的各种实施方案的可用于训练和/或实现基于头皮的学习模型的示例性图像202a及其相关像素数据。在各种实施方案中，如图1所示，图像202a可为由用户(例如，用户202au)捕获的图像。图像202a(以及分别是用户202bu和用户202cu的图像202b和/或202c)可经由计算机网络120传输到服务器102，如针对图1所示。应当理解，此类图像可由用户自己捕获，或者附加地或另选地由代表用户使用和/或传输此类图像的其他人(诸如零售商等)捕获。
更一般地，数字图像(诸如示例性图像202a、202b和202c)可在成像服务器102处收集或汇总，并可通过基于头皮的学习模型(例如，AI模型，诸如本文所述的机器学习成像模型)分析和/或用于训练。这些图像中的每一者可包括相应图像内的像素数据(例如，RGB数据)，该像素数据包括特征数据，并且对应于相应用户的头皮区域。像素数据可由用户计算设备(例如，一个或多个用户计算机设备111c1-111c3和/或112c1-112c4)中的一者的成像设备捕获。
关于本文所述的数字图像，像素数据(例如，图2的像素数据202ap)包括图像内的数据的单个点或正方形，其中每个点或正方形表示图像内的单个像素(例如，像素202ap1、像素202ap2和像素202ap3中的每一者)。每个像素可位于图像内的特定位置处。此外，每个像素可具有特定颜色(或缺少该特定颜色)。像素颜色可通过与给定像素相关联的颜色格式和相关通道数据来确定。例如，流行的颜色格式是1976CIELAB(本文也称为“CIE L*-a*-b*”或简称为“L*a*b*”颜色格式)颜色格式，其被配置为模拟人类对颜色的感知。即，L*a*b*颜色格式被设计成使得表示L*a*b*颜色格式的三个值中的数值变化的量(例如，L*、a*和b*)大致对应于人类视觉上感知的相同变化量。这种颜色形式是有利的，例如，因为L*a*b*色域(例如，作为颜色格式的一部分包括的颜色的完整子集)包括红色(R)、绿色(G)和蓝色(B)(统称为RGB)以及青色(C)、品红色(M)、黄色(Y)和黑色(K)(统称为CMYK)颜色格式的色域。
在L*a*b*颜色格式中，颜色被视为三维空间中的点，如由三维坐标系(L*、a*、b*)限定的，其中L*数据、a*数据和b*数据中的每一者可对应于单独的颜色通道，并且因此可被称为通道数据。在该三维坐标系中，L*轴描述了颜色的亮度(辉度)，其中值为0(黑色)至100(白色)。a*轴描述颜色的绿色或红色比率，其中正a*值(+a*)指示红色色调，而负a*值(-a*)指示绿色色调。b*轴描述颜色的蓝色或黄色比率，其中正b*值(+b*)指示黄色色调，而负b*值(-b*)指示蓝色色调。通常，对应于a*轴和b*轴的值可以是无限的，使得a*轴和b*轴可包括任何合适的数值以表达轴边界。然而，a*轴和b*轴通常可包括范围从约150至-150的下边界和上边界。因此，以这种方式，每个像素颜色值可被表示为L*、a*和b*值的三元组，以为给定像素产生最终颜色。
作为另一示例，流行的颜色格式包括具有红色、绿色和蓝色通道的红-绿-蓝(RGB)格式。也就是说，在RGB格式中，像素的数据由三个数字RGB分量(红色、绿色、蓝色)表示，其可被称为通道数据，以操纵图像内的像素区域的颜色。在一些实施方案中，三个RGB分量可表示为每个像素的三个8位数字。三个8位字节(针对RGB中的每一者有一个字节)可用于生成24位颜色。每个8位RGB分量可具有256个可能值，范围从0到255(即，在基础2二进制系统中，8位字节可包含在0到255范围内的256个数字值中的一者)。这个通道数据(R、G和B)可被分配可用于设置像素颜色的0到255的值。例如，三个值如(250，165，0)(意味着(红色＝250，绿色＝165，蓝色＝0))可表示一个橙色像素。作为另一示例，(红色＝255，绿色＝255，蓝色＝0)意味着各自完全饱和(255是8位可为的明亮)的红色和绿色，没有蓝色(零)，其中所得颜色为黄色。作为又一示例，颜色黑色具有RGB值(红色＝0，绿色＝0，蓝色＝0)并且白色具有RGB值(红色＝255，绿色＝255，蓝色＝255)。灰色的性质为具有相等或类似RGB值，例如(红色＝220，绿色＝220，蓝色＝220)是浅灰色(近似白色)，并且(红色＝40，绿色＝40，蓝色＝40)深灰色(近似黑色)。
以此方式，三个RGB值的复合为给定像素产生最终颜色。关于24位RGB颜色图像，使用3个字节来定义颜色，可能存在256个红色阴影和256个绿色阴影及256个蓝色阴影。这为24位RGB颜色图像提供256×256×256，即1670万个可能的组合或颜色。因此，像素的RGB数据值指示红色、绿色和蓝色像素中的每一者组成的颜色或光的程度。三种颜色和其强度水平在该图像像素处组合，即在显示屏上的该像素位置处，以在该位置处用该颜色照亮显示屏。然而，应理解，具有更少或更多位的其他位大小，例如10位，可用于产生更少或更多的总体颜色和范围。
作为整体，以网格图案(例如，像素数据202ap)定位在一起的各个像素形成数字图像或其一部分。单个数字图像可包括数千或数百万个像素。图像可以多种格式(诸如JPEG、TIFF、PNG和GIF)捕获、生成、存储和/或传输，。这些格式使用像素来存储或表示图像。
参考图2，示例性图像202a示出了用户或个体的头皮区域。更具体地讲，图像202a包括像素数据，包括限定用户或个体的头皮的头皮区域的像素数据202ap。像素数据202ap包括多个像素，包括像素202ap1、像素202ap2和像素202ap3。在示例性图像202a中，像素202ap1、像素202ap2和像素202ap3中的每一者各自代表与头皮区域的图像分类相对应的头皮皮肤区域或毛囊区域的特征。一般而言，在各种实施方案中，用户的头皮皮肤区域或毛囊区域的特征可包括以下各项中的一项或多项：(1)白色皮脂残留物；(2)头皮皮肤的一条或多条细纹；(3)头皮皮肤的一条或多条裂纹；(4)一个或多个头皮堵塞物；和/或(5)头皮痤疮。这些特征中的每一者可根据或以其他方式基于数字图像(例如，图像202a)中的一个或多个像素来确定。例如，关于图像202a，像素202ap1、202ap2和202ap3中的每一者可为定位于用户的头皮的头皮区域中的像素数据202ap内的相对浅的像素(例如，具有相对高的L*值的像素)和/或相对黄的像素(例如，具有相对高或正的b*值的像素)。像素202ap1、202ap2和202ap3中的每一者可由较深和/或较蓝(例如，相对负的或较低的b*值)像素环绕，从而指示像素202ap1、202ap2和202ap3中的每一者表示由图像202a中的像素202ap1、202ap2和202ap3中的每一者表示的位置处的头皮堵塞物。因此，图像202a可以接收将所表示的头皮区域分类为在用户的头皮上具有一个或多个头皮堵塞物的头皮堵塞物图像分类。
除了像素202ap1、202ap2和202ap3之外，像素数据202ap包括各种其他像素，该各种其他像素包括用户的头皮的剩余部分，包括可被分析和/或用于训练模型的各种其他头皮区域和/或头皮皮肤区域或毛囊区域的部分，以及/或者通过使用已经训练的模型进行分析，诸如本文所述的基于头皮的学习模型108。例如，像素数据202ap还包括表示与各种图像分类相对应的头皮皮肤区域或毛囊区域的特征的像素，包括但不限于：(1)白色残留物图像分类(例如，基于像素数据202ap内的一或多个像素的相对亮度(例如，白度或L*值))；(2)头皮堵塞物图像分类(例如，如针对像素202ap1、202ap2和202ap3中的每一者所描述)；和/或(3)头皮痤疮图像分类(例如，基于像素数据202ap内的一或多个像素的红度(例如，a*值))和如图2中所示的其他分类和/或特征。
数字图像(诸如训练图像、由用户提交的图像或另外的数字图像(例如，图像202a、202b和/或202c中的任一者))可以是或可包括裁剪图像。一般而言，裁剪图像是具有从原始捕获的图像移除、删除或隐藏的一个或多个像素的图像。例如，参考图2，图像202a表示原始图像。裁剪部分202ac1表示图像202a的第一裁剪部分，该第一裁剪部分移除用户的头皮的可能不包括可容易识别的头皮皮肤区域特征或毛囊区域特征的部分(在裁剪部分202ac1之外)。作为另一示例，裁剪部分202ac2表示图像202a的第二裁剪部分，该第二裁剪部分移除图像的可不包括与裁剪部分202ac2中所包括的特征一样可容易识别的头皮皮肤区域特征或毛囊区域特征的部分(在裁剪部分202ac2之外)，并且可因此作为训练数据不太有用。在各种实施方案中，分析和/或使用裁剪图像用于训练产生基于头皮的学习模型的改进的准确度。它还改进了底层计算机系统的效率和性能，因为此类系统处理、存储和/或传输较小尺寸的数字图像。
应当理解，图2的图像202a的公开内容相同或类似地应用于本文所述的其他数字图像，包括例如图像202b和202c，其中此类图像还包括如本文所述可被分析和/或用于训练一个或多个模型的像素。
除此之外，如本文所述的用户的头皮的头皮区域的数字图像可描绘各种头皮皮肤区域特征和毛囊区域特征，该各种头皮皮肤区域特征和毛囊区域特征可用于跨具有各种不同头皮皮肤区域特征和毛囊区域特征的各种不同用户训练基于头皮的学习模型。例如，如针对图像202a、202b和202c所示，这些图像的用户的头皮区域包括能够通过相应图像的像素数据识别的用户的头皮的头皮皮肤区域特征和毛囊区域特征。这些头皮皮肤区域特征和毛囊区域特征包括例如一个或多个头皮堵塞物(例如，如图像202a中所描绘)、白色皮脂残留物和头皮皮肤的一条或多条细纹/裂纹(例如，如图像202b中所描绘)以及头皮痤疮(例如，如图像202c中所描绘)。
在各种实施方案中，无论是用作描述个体的训练图像还是用作描述用户或个体以供分析和/或头皮分类的图像，数字图像(例如，图像202a、202b和202c)都可包括描绘相应个体或用户中的每一者的头皮区域的多个角度或视角。多个角度或视角可包括不同视图、位置、用户和/或背景的接近度、照明条件或用户在给定图像中所处的另外的环境。例如，图3包括头皮图像(例如，3021、302m、302h、3121、312m、312h、3221、322m和322h)，该头皮图像描绘相应个体和/或用户的头皮区域并且使用不同照明条件(例如，可见光、UV)来捕获。更具体地讲，图3示出了根据本文所公开的各种实施方案的具有与相应个体的头皮皮肤区域和/或毛囊区域的特征相对应的图像分类(例如，300a、300b和300c)的头皮图像(3021、302m、302h、312l、312m、312h、3221、322m和322h)的示例性集合300。此类图像可用于训练基于头皮的学习模型，或用于分析和/或用户特定头皮分类，如本文所述。
如图3所示，头皮图像(3021、302m、302h、312l、312m、312h、322l、322m和322h)可包括头皮裁剪图像，即，已被裁剪以包括用户或个体的头皮部分的图像(例如，如本文针对图像202a的裁剪部分202ac2所述)。在一些实施方案中，数字图像(诸如训练图像和/或由用户或以其他方式提供的图像(例如，图像202a、202b和/或202c中的任一者))可为或可包括描绘头皮皮肤区域和/或毛囊区域的裁剪图像，其中至少一个或多个特征被移除。附加地或另选地，图像可作为裁剪图像或另外地包括用户的提取或描绘的头皮区域而不描绘用户的个人可识别信息(PII)的裁剪图像来发送。此类特征提供了安全性改进，即，其中PII的移除提供了优于现有系统的改进，因为裁剪或编辑的图像，尤其是可通过网络(例如，互联网)传输的图像在不包括用户的PII信息的情况下更安全。重要的是，本文描述的系统和方法可在不需要此类非基本信息的情况下操作，这提供了优于常规系统的改进，例如，安全性和性能改进。
此外，尽管图3可描绘和描述裁剪图像，然而，应当理解，其他图像类型，包括但不限于原始的、未裁剪的图像(例如，原始图像202a)和/或其他类型/大小的裁剪图像(例如，图像202a的裁剪部分202ac1)，也可被使用或替换。
参考图3，图像集302的图像中的每一者被分类、分配或以其他方式识别为具有白色残留物图像分类300a。“白色残留物”图像分类指示用户的头皮皮肤或毛囊区域具有特征(例如，在给定图像的像素数据内可识别)，指示例如皮脂溢性皮炎、头皮屑和/或用户的头皮的头皮皮肤区域或毛囊区域上的其他白色鳞屑、鳞片或痂。确定给定图像被分类为白色残留物图像分类可包括分析使用白光照明源来捕获的图像(及其相关像素数据)。应当理解，附加地或另选地，可使用任何合适的照明源，并且也可分析用户的头皮的一个头皮区域或多于一个头皮区域的多于一个图像以确定白色残留物图像分类。
本文所述的分类中的每一者(包括与头皮皮肤区域和毛囊区域的一个或多个特征相对应的分类)还可包括子分类或给定分类的不同程度的给定特征(例如，白色残留物、头皮堵塞物、头皮痤疮等)。例如，关于图像集302，头皮图像302l已被分类、分配或以其他方式识别为具有“低白色残留物”(具有白色残留物的对应于1的等级或值)的子分类或程度，指示如根据相应像素数据(例如，作为图像区域302la的一部分而包括的像素数据的L*值)确定的头皮图像302l指示用户的头皮上的低白色残留物或无白色残留物，如头皮图像302l中所描绘。类似地，头皮图像302m已被分类、分配或以其他方式识别为具有“中度白色残留物”(具有白色残留物的对应于2的等级或值)的子分类或程度，指示如根据相应像素数据(例如，作为共同参考为“302ma”的图像区域的一部分而包括的像素数据的L*值)确定的头皮图像302m指示用户的头皮上的中等量白色残留物，如头皮图像302m中所描绘。最后，头皮图像302h已被分类、分配或以其他方式识别为具有“高白色残留物”(具有白色残留物的对应于3的等级或值)的子分类或程度，指示如根据相应像素数据(例如，作为共同参考为“302ha”的图像区域的一部分而包括的像素数据的L*值)确定的头皮图像302h指示用户的头皮上的高量白色残留物，如头皮图像302h中所描绘。图像集302的图像中的每一者可通过它们的指示特定分类(例如，白色残留物图像分类)和相关子分类或程度的相应特征训练或再训练基于头皮的学习模型(例如，基于头皮的学习模型108)，以便使得基于头皮的学习模型在检测、确定或预测提供给基于头皮的学习模型的图像(例如，用户图像202a、202b和/或202c)中的分类和/或基于白色残留物的特征(以及在各种实施方案中，这些基于白色残留物的特征的程度)时更准确。
进一步参考图3，图像集312的图像中的每一者已被分类、分配或以其他方式识别为具有头皮堵塞物图像分类300b。“头皮堵塞物”图像分类指示用户的头皮皮肤区域或毛囊区域具有特征(例如，在给定图像的像素数据内可识别)，指示用户的头皮的头皮皮肤区域或毛囊区域上的头皮堵塞物(例如，过量皮脂沉积物)。确定给定图像被分类为头皮堵塞物图像分类可包括分析使用紫外(UV)照明源来捕获的图像(及其相关像素数据，例如，图像202a的像素202ap1-3)以捕获自体荧光材料(例如，头皮堵塞物)。例如，如果使用UV照明源捕获图像，则在用户的头皮的头皮区域的所捕获图像中，头皮堵塞物可显现微黄色(例如，头皮像素可具有正b*值)。应当理解，附加地或另选地，可使用其他合适的照明源，并且也可分析用户的头皮的一个头皮区域或多于一个头皮区域的多于一个图像以确定头皮堵塞物图像分类。
关于图像集312，头皮图像3121已被分类、分配或以其他方式识别为具有“低头皮堵塞物”(具有头皮堵塞物的对应于1的等级或值)的子分类或程度，指示如根据相应像素数据确定的头皮图像312l指示用户的头皮上的低头皮堵塞物或无头皮堵塞物，如头皮图像312l中所描绘。类似地，头皮图像312m已被分类、分配或以其他方式识别为具有“中度头皮堵塞物”(具有头皮堵塞物的对应于2的等级或值)的子分类或程度，指示如根据相应像素数据(例如，作为共同参考为“312ma”的图像区域的一部分而包括的像素数据的b*值)确定的头皮图像312m指示用户的头皮上的中等量头皮堵塞物，如头皮图像312m中所描绘。最后，头皮图像312h已被分类、分配或以其他方式识别为具有“高头皮堵塞物”(具有头皮堵塞物的对应于3的等级或值)的子分类或程度，指示如根据相应像素数据(例如，作为共同参考为“312ha”的图像区域的一部分而包括的像素数据的b*值)确定的头皮图像312h指示用户的头皮上的高量头皮堵塞物，如头皮图像312h中所描绘。图像集312的图像中的每一者可通过它们的指示特定分类(例如，头皮堵塞物图像分类)和相关子分类或程度的相应特征训练或再训练基于头皮的学习模型(例如，基于头皮的学习模型108)，以便使得基于头皮的学习模型在检测、确定或预测提供给基于头皮的学习模型的图像(例如，用户图像202a、202b和/或202c)中的分类和/或基于头皮堵塞物的特征(以及在各种实施方案中，这些基于头皮堵塞物的特征的程度)时更准确。
继续参考图3，图像集322的图像已被分类、分配或以其他方式识别为具有头皮痤疮图像分类300c。“头皮痤疮”图像分类指示用户的头皮皮肤区域或毛囊区域具有特征(例如，在给定图像的像素数据内可识别)，指示用户的头皮的头皮皮肤区域或毛囊区域上的头皮痤疮。确定给定图像被分类为头皮痤疮图像分类可包括分析使用UV照明源来捕获的图像(及其相关像素数据)以捕获自体荧光材料(例如，头皮痤疮)。例如，如果使用UV照明源捕获图像，则在用户的头皮的头皮区域的所捕获图像中，头皮痤疮可显现微红色(例如，头皮痤疮像素可具有正a*值)。应当理解，附加地或另选地，可使用其他合适的照明源，并且也可分析用户的头皮的一个头皮区域或多于一个头皮区域的多于一个图像以确定头皮堵塞物图像分类。
关于图像集322，头皮图像322l已被分类、分配或以其他方式识别为具有“低头皮痤疮”(具有头皮痤疮的对应于1的等级或值)的子分类或程度，指示如根据相应像素数据确定的头皮图像322l指示用户的头皮上的低头皮痤疮或无头皮痤疮，如头皮图像322l中所描绘。类似地，头皮图像322m已被分类、分配或以其他方式识别为具有“中度头皮痤疮”(具有头皮痤疮的对应于2的等级或值)的子分类或程度，指示如根据相应像素数据(例如，作为共同参考为“322ma”的图像区域的一部分而包括的像素数据的a*值)确定的头皮图像322m指示用户的头皮上的中等量头皮痤疮，如头皮图像322m中所描绘。最后，头皮图像322h已被分类、分配或以其他方式识别为具有“高头皮痤疮”(具有头皮痤疮的对应于3的等级或值)的子分类或程度，指示如根据相应像素数据(例如，作为共同参考为“322ha”的图像区域的一部分而包括的像素数据的a*值)确定的头皮图像322h指示用户的头皮上的高量头皮痤疮，如头皮图像322h中所描绘。图像集322的图像中的每一者可通过它们的指示特定分类(例如，头皮痤疮图像分类)和相关子分类或程度的相应特征训练或再训练基于头皮的学习模型(例如，基于头皮的学习模型108)，以便使得基于头皮的学习模型在检测、确定或预测提供给基于头皮的学习模型的图像(例如，用户图像202a、202b和/或202c)中的分类和/或基于头皮痤疮的特征(以及在各种实施方案中，这些基于头皮痤疮的特征的程度)时更准确。
虽然图3示出了针对图像特征的三个图像分类，包括白色残留物、头皮堵塞物和头皮痤疮，但是应当理解，文本类似地设想了附加的分类(例如，诸如头皮皮肤裂纹/细纹)。除此之外，可一起使用各种分类，其中可将单个图像分类为具有多个图像分类或通过多个图像分类以其他方式识别。例如，在各种实施方案中，计算指令还可使得(例如，服务器102和/或用户计算设备的)一个或多个处理器通过基于头皮的学习模型来分析由成像设备捕获的图像，以确定如从基于头皮的学习模型的一个或多个图像分类中选择的用户的头皮区域的第二图像分类。如本文所述，用户特定头皮分类还可基于用户的头皮区域的第二图像分类。第三图像分类、第四图像分类等也可以为给定的图像分配和/或用于给定的图像。
图4示出了根据本文所公开的各种实施方案的用于分析以下图像的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习方法400：图像(例如，图像202a、202b和/或202c中的任一者)；和/或用户的头皮的头皮区域的头皮图像(3021、302m、302h、312l、312m、312h、3221、322m和322h)。如与方法400一起使用并且更一般地如本文所述，图像是由成像设备(例如，用户计算设备111c1的成像设备)捕获的基于像素的图像。在一些实施方案中，图像可包括或是指使用数字摄像机收集的多个图像，诸如多个图像(例如，帧)。帧构成限定运动的连续图像，并且可构成电影、视频等。
在框402处，方法400包括在成像应用程序(app)处接收用户的图像，该成像app在一个或多个处理器(例如，服务器102的一个或多个处理器104和/或计算机用户设备(诸如移动设备)的处理器)上执行。图像可包括如由成像设备(例如，用户计算设备111c1或112c4的成像设备)捕获的数字图像。该图像可包括用户的头皮的头皮区域的至少一部分的像素数据。具体地，在某些方面，用户的头皮的头皮区域可包括以下项中的至少一者：(i)额部头皮区域、(ii)中部头皮区域、(iii)自定义头皮区域和/或其他合适的头皮区域或它们的组合。
在某些方面中，一个或多个处理器可包括移动设备的处理器，该移动设备可包括手持式设备(例如，用户计算设备111c1)或便携式显微镜(例如，便携式显微镜设备112c4)中的至少一者。因此，在这些方面中，成像设备可包括移动设备的数字相机。例如，根据本文描述的方法400的动作，如果成像设备是便携式显微镜(例如，便携式显微镜设备112c4)，则用户可以使用便携式显微镜的相机来捕获用户的头皮区域的图像，并且便携式显微镜可以使用便携式显微镜的一个或多个处理器来处理/分析所捕获的图像和/或可以向连接的移动设备(例如，用户计算设备112c1)传输所捕获的图像以用于处理/分析。
在框404处，方法400包括通过能够由成像app访问的基于头皮的学习模型(基于头皮的学习模型108)来分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类。该至少一个图像分类选自基于头皮的学习模型的一个或多个图像分类(例如，白色残留物图像分类300a、头皮堵塞物图像分类300b和/或头皮痤疮图像分类300c中的任一者或多者)。
通过以下图像的像素数据来训练如本文在各种实施方案中所提及的基于头皮的学习模型(例如，基于头皮的学习模型108)：多个训练图像(例如，图像202a、202b和/或202c中的任一者；背面头皮图像(302l、302m、302h、3121、312m、312h、322l、322m和/或322h)；和/或正面头皮图像(352l、352m、352h、362l、362m、362h、372l、372m和/或372h)，从而描绘了相应个体的头皮的头皮区域。基于头皮的学习模型被配置为或者可以其他方式操作以输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类。在各种实施方案中，多个训练图像中的一个或多个训练图像或用户的至少一个图像各自包括描绘具有头皮皮肤特征或毛囊特征的单个实例的头皮的至少一个裁剪图像。此外，在各种实施方案中，多个训练图像中的一个或多个训练图像或用户的至少一个图像包括描绘相应个体或用户的头皮区域的多个角度或视角。
在各种实施方案中，由基于头皮的学习模型(例如，基于头皮的学习模型108)确定的一个或多个图像分类可包括(1)白色残留物图像分类、(2)头皮堵塞物图像分类和/或(3)头皮痤疮图像分类中的一者或多者。在各种实施方案中，用户的头皮区域包括头皮皮肤，该头皮皮肤具有在像素数据内可识别的一个或多个头皮皮肤特征，并且一个或多个头皮皮肤特征可包括以下各项中的一项或多项：(1)白色皮脂残留物；(2)头皮皮肤的一条或多条细纹；和/或(3)头皮皮肤的一条或多条裂纹。在各种实施方案中，用户的头皮区域包括毛囊区域，该毛囊区域具有在像素数据内可识别的一个或多个毛囊特征，并且一个或多个毛囊特征可包括以下各项中的一项或多项：(1)一个或多个头皮堵塞物；和/或(2)头皮痤疮。
在各种实施方案中，基于头皮的学习模型(例如，基于头皮的学习模型108)是通过至少一个人工智能(AI)算法训练的基于AI的模型。基于头皮的学习模型108的训练涉及用于配置基于头皮的学习模型108的权重的训练图像的图像分析，以及用于预测和/或分类未来图像的其底层算法(例如，机器学习或人工智能算法)。例如，在本文的各种实施方案中，基于头皮的学习模型108的生成涉及通过多个个体的多个训练图像来训练基于头皮的学习模型108，其中训练图像中的每一者包括像素数据并且描绘相应个体的头皮的头皮区域。在一些实施方案中，服务器或基于云的计算平台(例如，成像服务器102)的一个或多个处理器可经由计算机网络(例如，计算机网络120)接收多个个体的多个训练图像。在此类实施方案中，服务器和/或基于云的计算平台可通过多个训练图像的像素数据来训练基于头皮的学习模型。
在各种实施方案中，可使用监督或无监督的机器学习程序或算法来训练如本文所述的机器学习成像模型(例如，基于头皮的学习模型108)。机器学习程序或算法可采用神经网络，该神经网络可以是卷积神经网络、深度学习神经网络、或组合学习模块或程序，其学习在特定感兴趣区域中的两个或更多个特征或特征数据集(例如，像素数据)。机器学习程序或算法还可包括自然语言处理、语义分析、自动推理、回归分析、支持向量机(SVM)分析、决策树分析、随机森林分析、K最近邻分析、朴素初贝叶斯分析、聚类、增强学习和/或其他机器学习算法和/或技术。在一些实施方案中，基于人工智能和/或机器学习的算法可被包括为在成像服务器102上执行的库或分组。例如，库可包括基于TENSORFLOW的库、PYTORCH库和/或SCIKIT-LEARN Python库。
机器学习可涉及识别和辨识现有数据中的图案(诸如识别如本文所述的图像的像素数据中的头皮皮肤、毛囊区域的特征和/或其他头皮相关特征)，以便促进对后续数据进行预测或识别(诸如在新图像的新像素数据上使用模型以便确定或生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分)。
可基于示例性数据(例如，“训练数据”和相关像素数据)输入或数据(其可被称为“特征”和“标签”)来创建和训练机器学习模型(诸如本文针对一些实施方案所述的基于头皮的学习模型)以便对新输入(诸如测试水平或生产水平数据或输入)进行有效且可靠的预测。在监督机器学习中，在服务器、计算设备或另外的处理器上操作的机器学习程序可被设置有示例性输入(例如，“特征”)及其相关联的或观察到的输出(例如，“标签”)，以便例如通过跨各种特征类别确定权重或其他度量和/或将权重或其他度量分配给模型来使机器学习程序或算法确定或发现将此类输入(例如，“特征”)映射到输出(例如，“标签”)的规则、关系、模式或另外的机器学习“模型”。然后，此类规则、关系或另外的模型可被提供作为后续输入以便使在服务器、计算设备或另外的处理器上执行的模型基于所发现的规则、关系或模型来预测预期输出。
在无监督机器学习中，可能要求服务器、计算设备或另外的处理器在未标记的示例性输入中找到其自身的结构，其中例如多个训练迭代由服务器、计算设备或另外的处理器执行以训练多个模型生成，直到生成了令人满意的模型，例如在被给予测试水平或生产水平数据或输入时提供足够预测准确度的模型。
监督学习和/或无监督机器学习还可包括重新训练模型、重新学习模型、或通过新的或不同的信息以其他方式更新模型，该信息可包括随时间推移接收、摄入、生成或以其他方式使用的信息。本文的公开内容可使用此类监督或无监督机器学习技术中的一者或两者。
在各种实施方案中，基于头皮的学习模型(例如，基于头皮的学习模型108)可通过以下图像的像素数据由一个或多个处理器(例如，服务器102的一个或多个处理器104和/或计算机用户设备(诸如移动设备)的处理器)来训练：多个训练图像(例如，图像202a、202b和/或202c中的任一者)；和/或头皮图像(3021、302m、302h、312l、312m、312h、3221、322m和/或322h)。在各种实施方案中，基于头皮的学习模型(例如，基于头皮的学习模型108)被配置为针对多个训练图像中的每一者输出头皮皮肤区域或毛囊区域的一个或多个特征。在这些实施方案中，头皮皮肤区域或毛囊区域的一个或多个特征可基于在相应训练图像中表示的相应个体的一个或多个用户人口统计和/或人种而不同，例如，如通常与不同种族、基因组和/或与此类人口统计和/或人种相关联的地理位置相关联或以其他方式自然发生。更进一步地，基于头皮的学习模型(例如，基于头皮的学习模型108)可以基于相应个体的人种和/或人口统计值来生成在相应训练图像中表示的每个相应个体的用户特定头皮分类。
在各种实施方案中，图像分析可包括在描绘相应个体的头皮的头皮区域的图像的像素数据上训练基于机器学习的模型(例如，基于头皮的学习模型108)。附加地或另选地，图像分析可包括使用如先前训练的机器学习成像模型，以基于个体的一个或多个图像的像素数据(例如，包括它们的L*、a*和b*值)来确定用户的头皮区域的图像分类。可经由分析给定图像的各个像素的各种L*a*b*值来训练模型的权重。例如，深色或低L*值(例如，L*值小于50的像素)可指示图像中存在头发或存在头皮细纹/裂纹的区域。同样，稍浅的L*值(例如，L*值大于50的像素)可指示在用户的头皮上存在白色残留物。更进一步地，高/低a*值可以指示包含更多/更少头皮痤疮的头皮的区域，并且高/低b*值可以指示包含更多/更少头皮堵塞物的头皮的区域。同时，当具有头皮色调L*a*b*值的像素被定位在给定图像内或以其他方式被具有头皮/头发色调颜色的一组像素包围时，则基于头皮的学习模型(例如，基于头皮的学习模型108)可确定如在给定图像内所识别的用户的头皮区域的图像分类。以此方式，10,000个训练图像的像素数据(例如，详细描述相应个体的头皮的头皮区域)可用于训练或使用机器学习成像模型来确定用户的头皮区域的图像分类。
在各种实施方案中，基于头皮的学习模型108可为包括多个模型或子模型的整体模型，该多个模型或子模型被配置为一起操作。例如，在一些实施方案中，可训练每个头皮模型以识别或预测给定图像的图像分类，其中每个头皮模型可输出或确定图像的分类，使得可通过一个或多个图像分类对给定图像进行识别、分配、确定或分类。即，基于头皮的学习模型108可包括被配置为确定白色残留物图像分类的第一头皮模型、被配置为确定头皮堵塞物图像分类的第二头皮模型、被配置为确定头皮痤疮图像分类的第三头皮模型和/或被配置为确定任何合适的附加图像分类的任何其他合适的头皮模型或它们的组合。在这些实施方案中，如本文进一步论述，用户特定头皮分类可基于针对用户的头皮区域的给定图像确定的图像分类中的每一者。
继续以上示例，作为整体模型的一部分被包括的每个头皮模型可以具有包括Efficient Net架构的网络架构。一般而言，EfficientNet是包括缩放算法的卷积神经网络(CNN)架构，该缩放算法使用复合系数来统一地缩放图像的所有维度(例如，数字图像的深度、宽度、分辨率)。也就是说，Efficient Net缩放算法通过一组固定缩放系数统一地缩放模型的网络值(例如，模型的权重值)，诸如模型的宽度值、深度值和分辨率值。可调整系数以适应给定网络架构的效率，且因此适应底层计算系统(例如，成像服务器102和/或用户计算设备(例如111c1))的效率或影响。例如，为了将计算资源(如底层计算系统所使用的)减少2N，可将网络架构的深度减少αN，可将其宽度减少βN，并且可将其图像尺寸减少γN，其中α、β和γ中的每一者是应用于网络架构的恒定系数，并且可例如通过网格搜索或查看原始模型来确定。
在各种实施方案中，(例如，作为整体模型的一部分的模型中的任一者的)Efficient Net架构可使用复合系数φ以原则方式统一地缩放网络宽度、深度和分辨率中的每一者。在此类实施方案中，可基于图像尺寸使用复合缩放，其中例如较大图像可能需要模型的网络具有更多层以增加感受野并且具有更多通道(例如，像素的L*a*b*通道)，以捕获包括更多像素的较大图像内的细粒度图案。
在任何情况下，头皮模型可以提供头皮皮肤区域属性和/或毛囊区域属性(例如，白色残留物、头皮堵塞物和头皮痤疮)的多类分类(例如，整体模型)。在该示例中，可以通过数百个头皮图像(例如，图像3021、302m、302h、3121、312m、312h、3221、322m和/或322h)来训练整体模型。此外，在训练之后，头皮模型中的每一者可在识别每一对应属性/特征时实现高准确度。例如，当识别、分类、确定和/或分配白色残留物图像分类时，白色残留物头皮模型可以实现大约77％的准确度。当识别、分类、确定和/或分配头皮堵塞物图像分类时，头皮堵塞物头皮模型可以实现大约70％的准确度。当识别、分类、确定和/或分配头皮痤疮图像分类时，头皮痤疮头皮模型可以实现大约79％的准确度。
尽管现有示例使用Efficient Net模型和架构，但是应当理解，可以使用其他AI模型架构和/或类型(诸如其他类型的CNN架构)来代替Efficient Net架构。除此之外，虽然示出了整体模型或多类模型，但是应当理解，可以使用一个或多个模型，包括基于单个AI模型的单个模型，诸如单个Efficient Net神经网络架构或其他AI算法。
在框406处，方法400包括通过成像app基于用户的头皮区域的图像分类来生成至少一个用户特定头皮分类。生成或设计用户特定头皮分类以寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。在各种实施方案中，成像app的计算指令在由一个或多个处理器执行时可使得该一个或多个处理器生成如基于用户特定头皮分类确定的头皮质量代码，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。这些头皮质量代码可包括基于LAP的代码、美容代码和/或任何其他合适代码。例如，在这些实施方案中，用户特定头皮分类可包括对应于与作为基于头皮的学习模型(例如，基于头皮的学习模型108)的部分分析的每一特征/属性相关联的相应分数/值的平均值/和值。
为了说明，如果用户接收到针对白色残留物图像分类、头皮堵塞物图像分类和/或头皮痤疮图像分类中的每一者的低分数(例如，针对每一图像分类为1)，则用户可接收“良好”或“健康”的用户特定头皮分类。相反，如果用户接收到针对白色残留物图像分类、头皮堵塞物图像分类和/或头皮痤疮图像分类中的每一者的高分数(例如，针对每一图像分类为3)，则用户可接收“不良”或“不健康”的用户特定头皮分类。
在各种实施方案中，成像app的计算指令还可使得一个或多个处理器记录用户的如由成像设备在第一时间捕获的图像，以用于跟踪用户的头皮区域随时间推移的改变。计算指令还可使得一个或多个处理器将用户的图像记录在通信地耦接到一个或多个处理器的一个或多个存储器中。此外，计算指令可使得一个或多个处理器接收用户的由成像设备在第二时间捕获的第二图像。该第二图像可包括用户的头皮的头皮区域的至少一部分的像素数据。计算指令还可使得一个或多个处理器通过基于头皮的学习模型来分析由成像设备捕获的第二图像，以在第二时间确定如从基于头皮的学习模型的一个或多个图像分类中选择的用户的头皮区域的第二图像分类。计算指令还可使得一个或多个处理器基于用户的头皮区域的图像和第二图像的比较或分类或第二分类的比较，生成关于在第二图像的像素数据内可识别的至少一个特征的新用户特定头皮分类，该像素数据包括用户的头皮的头皮区域的至少一部分。
在各种实施方案中，被配置为执行包括成像app的计算指令的一个或多个处理器可包括服务器的服务器处理器。服务器可以经由计算机网络通信地耦接到计算设备，并且成像app可包括被配置为在服务器的一个或多个处理器上执行的服务器app部分以及被配置为在计算设备的一个或多个处理器上执行的计算设备app部分。服务器app部分可被配置为与计算设备app部分通信，并且服务器app部分可被配置为实现以下各项中的一项或多项：(1)接收由成像设备捕获的图像；(2)确定用户的头皮区域的至少一个图像分类；(3)生成用户特定头皮分类；或者(4)向计算设备app部分传输用户特定推荐。
参考图4，在可选的框408处，方法400包括通过成像app，将基于用户特定头皮分类的至少一个用户特定头皮推荐呈现在计算设备(例如，用户计算设备111c1)的显示屏上。在各种实施方案中，至少一个用户特定头皮推荐与指令一起显示在计算设备的显示屏上，该指令用于处理在像素数据中可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
用户特定头皮推荐可由用户计算设备(例如，用户计算设备111c1)和/或由服务器(例如，成像服务器102)生成。例如，在一些实施方案中，如本文针对图1所述，成像服务器102可分析远离用户计算设备的用户图像，以确定用户的头皮区域的图像分类和/或用户特定头皮推荐，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。例如，在此类实施方案中，成像服务器或基于云的计算平台(例如，成像服务器102)跨计算机网络120接收至少一个图像，该至少一个图像包括用户的头皮的头皮区域的至少一部分的像素数据。然后，服务器或基于云的计算平台可执行基于头皮的学习模型(例如，基于头皮的学习模型108)，并且基于该基于头皮的学习模型(例如，基于头皮的学习模型108)的输出生成用户特定头皮推荐。然后，服务器或基于云的计算平台可经由计算机网络(例如，计算机网络120)向用户计算设备传输用户特定头皮推荐，以呈现在用户计算设备的显示屏上。例如，并且在各种实施方案中，可在接收到具有用户的头皮的头皮区域的图像期间或之后实时或接近实时地在用户计算设备的显示屏上呈现至少一个用户特定头皮推荐。
例如，在各种实施方案中，用户特定头皮推荐可包括特定于用户的推荐清洗频率。该推荐清洗频率可包括清洗次数、一天、一周等内的一次或多次清洗次数或周期、关于如何清洗的建议等。此外，在各种实施方案中，用户特定头皮推荐可包括例如显示在用户计算设备(例如，用户计算设备111c1)的显示屏上的文本推荐、基于视觉/图像的推荐和/或用户的头皮的头皮区域的至少一部分的虚拟渲染。此类头皮分类可包括用户的头皮的图形表示，如通过与用户特定属性(例如，白色残留物、头皮堵塞物、头皮痤疮等)相对应的一个或多个图形或文本呈现所注释的。
此外，在包括新用户特定头皮分类的实施方案中，一个或多个处理器(例如，成像服务器102和/或用户计算设备，诸如用户计算设备111c1)可将新用户特定头皮分类和/或新用户特定头皮推荐呈现在计算设备的显示屏上。例如，如果新用户特定分类指示用户的头皮健康已在第一图像捕获与第二图像捕获之间的时间中进行改进，则一个或多个处理器可突出显示或以其他方式指示第二图像内的改进的特定区域(例如，先前在第一图像内识别为包括白色残留物、头皮堵塞物和/或头皮痤疮的特定区域)，并且新用户特定头皮分类可指示“改进”和/或任何合适指示。此外，一个或多个处理器可以呈现新用户特定头皮推荐，该新用户特定头皮推荐包括基于新用户特定头皮分类来改进用户的头皮健康的推荐。
在附加的实施方案中，至少一个用户特定头皮分类可包括对制造的产品的产品推荐。附加地或另选地，在一些实施方案中，至少一个用户特定头皮分类可与指令(例如，消息)一起显示在计算设备(例如，用户计算设备111c1)的显示屏上，该指令用于通过制造的产品处理在像素数据中可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。在另外的实施方案中，在用户计算设备(例如，用户计算设备111c1)和/或成像服务器中的任一者的处理器上执行的计算指令可基于至少一个用户特定头皮推荐来开始将制造的产品运送给用户。
关于制造的产品推荐，在一些实施方案中，一个或多个处理器(例如，成像服务器102和/或用户计算设备(诸如用户计算设备111c1))可基于例如如最初接收到的用户的至少一个图像来生成经修改的图像。在此类实施方案中，经修改的图像可描绘在通过制造的产品处理至少一个特征之后预测用户的头皮皮肤区域或毛囊区域的表现将如何的呈现。例如，可通过更新、平滑化或改变图像的像素的色彩来修改经修改的图像，以表示在通过制造的产品处理像素数据内的至少一个特征之后的可能或预测的改变。然后，经修改的图像可被呈现在用户计算设备(例如，用户计算设备111c1)的显示屏上。
图5示出了根据本文公开的各种实施方案的在用户计算设备(例如，用户计算设备111c1)的显示屏500上呈现的示例性用户界面502。例如，如图5的示例所示，用户界面502可经由在用户计算设备111c1上执行的应用程序(app)来实现或呈现。例如，如图5的示例所示，用户界面502可经由在用户计算设备111c1上执行的本机app来实现或呈现。在图5的示例中，用户计算设备111c1是如针对图1所述的用户计算机设备，例如，其中111c1被示出为实现APPLE iOS操作系统并具有显示屏500的APPLE iPhone。用户计算设备111c1可在其操作系统上执行一个或多个本机应用程序(app)，包括例如本文所述的成像应用程序。此类本机应用程序可以以由用户计算设备操作系统(例如，APPLE iOS)通过用户计算设备111c1的处理器执行的计算语言(例如，SWIFT)来实现或编码(例如，作为计算指令)。
附加地或另选地，用户界面502可经由web接口来实现或呈现，诸如经由web浏览器应用程序，例如Safari和/或Google Chrome app，或其他此类web浏览器等。
如图5的示例所示，用户界面502包括用户的头皮的(例如，图像202a的)图形表示。图像202a可包括用户的图像(或其图形表示)，该图像包括如本文所述的用户的头皮的头皮区域的至少一部分的像素数据(例如，像素数据202ap)。在图5的示例中，用户的图形表示(例如，图像202a)通过与像素数据内可识别的各种特征相对应的一个或多个图形(例如，像素数据202ap的区域)或文本呈现(例如，文本202at)来注释，该像素数据包括用户的头皮的头皮区域的一部分。例如，像素数据202ap的区域可被注释或覆盖在用户的图像(例如，图像202a)的顶部上，以由基于头皮的学习模型(例如，基于头皮的学习模型108)突出显示在像素数据(例如，特征数据和/或原始像素数据)内识别的区域或特征。在图5的示例中，像素数据202ap的区域指示特征，如在像素数据202ap中定义的，包括头皮堵塞物(例如，对于像素202ap1-3)，并且可指示如本文所述的在像素数据202ap的区域中示出的其他特征(例如，白色残留物、头皮痤疮、头皮皮肤细纹/裂纹等)。在各个实施方案中，标识为特定特征的像素(例如，像素202ap1-3)可在显示屏500上呈现时被突出显示或以其他方式注释。
文本呈现(例如，文本202at)示出了用户特定属性或特征(例如，针对像素202ap1-3为3)，该用户特定属性或特征指示用户具有针对头皮堵塞物的头皮质量分数(3)。3分指示用户具有高的头皮堵塞物头皮质量分数，使得用户将可能受益于用温和洗发剂清洗他们的头皮以改进他们的头皮健康/质量(例如，减少头皮堵塞物的数量)。应当理解，其他文本呈现类型或值在本文中被设想，其中文本呈现类型或值可被呈现，例如诸如针对白色残留物、头皮堵塞物、头皮痤疮、头皮皮肤细纹/裂纹等的头皮质量分数。附加地或另选地，颜色值可用于和/或覆盖在用户界面502(例如，图像202a)上所示的图形表示上，以指示给定头皮质量分数(例如，3的高分数或1的低分数(例如，如图3所示的分数))或其他方式的程度或质量。评分可以原始分数、绝对分数、基于百分比的分数来提供。附加地或另选地，此类分数可用文本或图形指示符表示，指示分数是否代表阳性结果(良好的头皮清洗频率)、阴性结果(差的头皮清洗频率)或可接受的结果(平均或可接受的头皮清洗频率)。
用户界面502还可包括或呈现用户特定头皮分类510。在图5的实施方案中，用户特定头皮分类510包括到用户的消息510m，该消息被设计成向用户指示用户特定头皮分类，以及导致用户特定头皮分类的任何原因的简要描述。如图5的示例中所示，消息512m向用户指示用户特定头皮分类为“不良”，并且进一步向用户指示用户特定头皮分类由用户的头皮的包含“过度皮脂堵塞物”的头皮区域产生。
用户界面502还可包括或呈现用户特定头皮推荐512。在图5的实施方案中，用户特定头皮推荐512包括到用户的消息512m，该消息被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的一部分。如图5的示例所示，消息512m推荐用户清洗他们的头皮以通过减少过量皮脂积聚来改进他们的头皮健康/质量。
消息512m进一步推荐使用温和洗发剂以帮助减少过量皮脂积聚。温和洗发剂推荐可基于针对头皮堵塞物的高头皮质量分数(例如，3)作出，表明用户的图像描绘高数量的头皮堵塞物，其中温和洗发剂产品被设计成寻址在图像202a的像素数据中检测到或分类的头皮堵塞物，或以其他方式基于针对头皮堵塞物的高头皮质量分数或分类假设的头皮堵塞物。产品推荐可与像素数据内的识别的特征相关，并且当特征(例如，过度皮脂(头皮)堵塞物)被识别或分类(例如，头皮堵塞物图像分类300b)时，用户计算设备111c1和/或服务器102可被指示以输出产品推荐。
用户界面502还可包括或呈现用于制造的产品524r(例如，如上所述的温和洗发剂)的产品推荐522的部分。产品推荐522可与用户特定头皮推荐512相对应，如上所述。例如，在图5的示例中，用户特定头皮推荐512可与指令(例如，消息512m)一起显示在用户计算设备111c1的显示屏500上，该指令用于通过制造的产品(制造的产品524r(例如，温和洗发剂))处理在像素数据(例如，像素数据202ap)中可识别的至少一个特征(例如，与像素202ap1-3处的头皮堵塞物相关的3的高头皮质量分数)，该像素数据包括用户的头皮的头皮区域的至少一部分。
如图5所示，用户界面502基于用户特定头皮推荐512来推荐产品(例如，制造的产品524r(例如，温和洗发剂))。在图5的示例中，基于头皮的学习模型(例如，基于头皮的学习模型108)的图像(例如，图像202a)的输出或分析(例如，用户特定头皮分类510和/或其相关值(例如，3头皮堵塞物质量分数)或相关像素数据(例如，202ap1、202ap2和/或202ap3)，和/或用户特定头皮推荐512)可用于生成或识别对应产品的推荐。此类推荐可包括诸如洗发剂、护发素、发胶、保湿处理等产品，以寻址如由基于头皮的学习模型(例如，基于头皮的学习模型108)在像素数据内检测到的用户特定问题。
在图5的示例中，用户界面502呈现或提供如由基于头皮的学习模型(例如，基于头皮的学习模型108)和图像202a及其像素数据和各种特征的相关图像分析所确定的推荐的产品(例如，制造的产品524r)。在图5的示例中，这在用户界面502上指示和注释(524p)。
用户界面502还可包括可选择的UI按钮524s以允许用户(例如，图像202a的用户)选择购买或运送对应的产品(例如，制造的产品524r)。在一些实施方案中，对可选的UI按钮524s的选择可以使一个或多个推荐的产品被运送给用户(例如，用户202au)以及/或者可以通知第三方个体对一个或多个产品感兴趣。例如，用户计算设备111c1和/或成像服务器102可基于用户特定头皮分类510和/或用户特定头皮推荐512，开始将制造的产品524r(例如，温和洗发剂)运送给用户。在此类实施方案中，产品可被包装并运送给用户。
在各种实施方案中，具有图形注释(例如，像素数据202ap的区域)、文本注释(例如，文本202at)的图形表示(例如，图像202a)和用户特定头皮分类510和用户特定头皮推荐512可以经由计算机网络(例如，从成像服务器102和/或一个或多个处理器)传输到用户计算设备111c1，以呈现在显示屏500上。在其他实施方案中，没有发生用户的特定图像到成像服务器的传输，其中用户特定头皮分类510和用户特定头皮推荐512(和/或产品特定推荐)可替代地由在用户的移动设备(例如，用户计算设备111c1)上执行和/或实现的基于头皮的学习模型(例如，基于头皮的学习模型108)本地生成，并且由移动设备(例如，用户计算设备111c1)的处理器呈现在移动设备的显示屏500上。
在一些实施方案中，带有图形注释(例如，像素数据202ap的区域)、文本注释(例如，文本202at)的图形表示(例如，图像202a)、用户特定头皮分类510和用户特定头皮推荐512和/或产品推荐522中的任一者或多者可在接收到具有用户的头皮的头皮区域的图像期间或之后实时或接近实时地呈现(例如，本地呈现在显示屏500上)。在其中由成像服务器102分析图像的实施方案中，可由成像服务器102实时或接近实时地传输和分析图像。
在一些实施方案中，用户可提供新图像，该新图像可被传输到成像服务器102以用于由基于头皮的学习模型108更新、重新训练或重新分析。在其他实施方案中，新图像可在计算设备111c1上本地接收，并且由基于头皮的学习模型108在计算设备111c1上分析。
除此之外，如图5的示例所示，用户可以选择可选按钮512i以用于(例如，在计算设备111c1处本地或在成像服务器102处远程)重新分析新图像。可选择按钮512i可导致用户界面502提示用户附着用于分析新图像。成像服务器102和/或用户计算设备(诸如用户计算设备111c1)可接收新图像，该新图像包括用户的头皮的头皮区域的至少一部分的像素数据。新图像可由成像设备捕获。新图像(例如，类似于图像202a)可包括用户的头皮的头皮区域的至少一部分的像素数据。在计算设备(例如，成像服务器102)的存储器上执行的基于头皮的学习模型(例如，基于头皮的学习模型108)可分析由成像设备捕获的新图像，以确定用户的头皮区域的图像分类。计算设备(例如，成像服务器102)可基于用户的头皮区域的图像和第二图像的比较或分类和第二分类的比较，生成关于在新图像的像素数据内可识别的至少一个特征的新用户特定头皮分类和/或新用户特定头皮推荐。例如，新用户特定头皮分类可包括新图形表示，该新图形表示包括图形和/或文本(例如，在用户清洗他们的头皮之后示出新头皮质量分数，例如，1)。新用户特定头皮分类可包括附加的头皮分类，例如，用户已经成功地清洗了他们的头发以减少如通过新图像的像素数据检测到的白色残留物和/或头皮痤疮。评论可包括用户需要通过施加附加的产品(例如，保湿洗发剂或椰子油)来校正在像素数据内检测到的附加的特征(例如，头皮细纹/裂纹)。
在各种实施方案中，新用户特定头皮分类和/或新用户特定头皮推荐可经由计算机网络从服务器102传输到用户的用户计算设备，以呈现在用户计算设备(例如，用户计算设备111c1)的显示屏500上。
在其他实施方案中，没有发生用户的新图像到成像服务器的传输，其中新用户特定头皮分类和/或新用户特定头皮推荐(和/或产品特定推荐)可替代地由在用户的移动设备(例如，用户计算设备111c1)上执行和/或实现的基于头皮的学习模型(例如，基于头皮的学习模型108)本地生成，并且由移动设备(例如，用户计算设备111c1)的处理器呈现在移动设备的显示屏上。
本公开的方面
以下方面作为根据本文公开内容的示例提供，并且不旨在限制公开内容的范围。
1.一种数字成像和学习系统，该数字成像和学习系统被配置为分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类，该数字成像和学习系统包括：一个或多个处理器；成像应用程序(app)，该成像app包括被配置为在一个或多个处理器上执行的计算指令；和基于头皮的学习模型，该基于头皮的学习模型能够由成像app访问，并且通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据进行训练，该基于头皮的学习模型被配置为输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类，其中成像app的计算指令在由一个或多个处理器执行时使得该一个或多个处理器：接收用户的图像，该图像包括如由成像设备捕获的数字图像，并且图像包括用户的头皮的头皮区域的至少一部分的像素数据；通过基于头皮的学习模型来分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类，该至少一个图像分类选自基于头皮的学习模型的一个或多个图像分类；以及基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
2.根据方面1所述的数字成像和学习系统，其中一个或多个图像分类包括以下各项中的一项或多项：(1)白色残留物图像分类；(2)头皮堵塞物图像分类；或者(3)头皮痤疮图像分类。
3.根据方面1至2中任一方面所述的数字成像和学习系统，其中计算指令还使得一个或多个处理器：通过基于头皮的学习模型来分析由成像设备捕获的图像，以确定如从基于头皮的学习模型的一个或多个图像分类中选择的用户的头皮区域的第二图像分类，其中用户特定头皮分类还基于用户的头皮区域的第二图像分类。
4.根据方面1至3中任一方面所述的数字成像和学习系统，其中用户的头皮区域包括头皮皮肤，该头皮皮肤具有在像素数据内可识别的一个或多个头皮皮肤特征，该一个或多个头皮皮肤特征包括以下各项中的一项或多项：(1)白色皮脂残留物；(2)头皮皮肤的一条或多条细纹；或者(3)头皮皮肤的一条或多条裂纹。
5.根据方面1至4中任一方面所述的数字成像和学习系统，其中用户的头皮区域包括毛囊区域，该毛囊区域具有在像素数据内可识别的一个或多个毛囊特征，该一个或多个毛囊特征包括以下各项中的一项或多项：(1)一个或多个头皮堵塞物；或者(2)头皮痤疮。
6.根据方面1至5中任一方面所述的数字成像和学习系统，其中用户的头皮区域包括以下各项中的至少一项：额部头皮区域、中部头皮区域或自定义头皮区域。
7.根据方面1至6中任一方面所述的数字成像和学习系统，其中多个训练图像中的一个或多个训练图像或用户的至少一个图像各自包括描绘具有头皮皮肤特征或毛囊特征的单个实例的头皮区域的至少一个裁剪图像。
8.根据方面1至7中任一方面所述的数字成像和学习系统，其中多个训练图像中的一个或多个训练图像或用户的至少一个图像包括描绘相应个体或用户的头皮区域的多个角度或视角。
9.根据方面1至8中任一方面所述的数字成像和学习系统，其中成像app的计算指令在由一个或多个处理器执行时还使得该一个或多个处理器：基于用户特定头皮分类将至少一个用户特定头皮推荐呈现在计算设备的显示屏上。
10.根据方面9所述的数字成像和学习系统，其中至少一个用户特定头皮推荐与指令一起显示在计算设备的显示屏上，该指令用于处理在像素数据中可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
11.根据方面9至10中任一方面所述的数字成像和学习系统，其中该至少一个用户特定头皮推荐包括特定于用户的推荐清洗频率。
12.根据方面9至11中任一方面所述的数字成像和学习系统，其中该至少一个用户特定头皮推荐包括文本推荐、基于图像的推荐或用户的头皮的头皮区域的至少一部分的虚拟渲染。
13.根据方面9至12中任一方面所述的数字成像和学习系统，其中在接收到具有用户的头皮的头皮区域的图像期间或之后，该至少一个用户特定头皮推荐包括实时或接近实时地呈现在显示屏上。
14.根据方面9至13中任一方面所述的数字成像和学习系统，其中该至少一个用户特定头皮推荐包括对制造的产品的产品推荐。
15.根据方面14所述的数字成像和学习系统，其中该至少一个用户特定头皮推荐与指令一起显示在计算设备的显示屏上，该指令用于通过制造的产品处理在像素数据中可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
16.根据方面14至15中任一方面所述的数字成像和学习系统，其中该计算指令还使得一个或多个处理器：基于至少一个用户特定头皮推荐来开始将制造的产品运送给用户。
17.根据方面14至16中任一方面所述的数字成像和学习系统，其中该计算指令还使得一个或多个处理器：基于图像生成经修改的图像，该经修改的图像描绘在通过制造的产品处理至少一个特征之后预测用户的头皮皮肤区域或毛囊区域的表现将如何；以及将经修改的图像呈现在计算设备的显示屏上。
18.根据方面1至17中任一方面所述的数字成像和学习系统，其中成像app的计算指令在由一个或多个处理器执行时还使得该一个或多个处理器：生成如基于用户特定头皮分类确定的头皮质量代码，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
19.根据方面1至18中任一方面所述的数字成像和学习系统，其中计算指令还使得一个或多个处理器：在通信地耦接到一个或多个处理器的一个或多个存储器中记录用户的如由成像设备在第一时间捕获的图像，以用于跟踪用户的头皮区域随时间推移的改变；接收用户的第二图像，该第二图像由成像设备在第二时间捕获，并且第二图像包括用户的头皮的头皮区域的至少一部分的像素数据；通过基于头皮的学习模型来分析由成像设备捕获的第二图像，以在第二时间确定如从基于头皮的学习模型的一个或多个图像分类中选择的用户的头皮区域的第二图像分类；以及基于用户的头皮区域的图像和第二图像的比较或分类或第二分类的比较，生成关于在第二图像的像素数据内可识别的至少一个特征的新用户特定头皮分类，该像素数据包括用户的头皮的头皮区域的至少一部分。
20.根据方面1至19中任一方面所述的数字成像和学习系统，其中该基于头皮的学习模型是通过至少一个人工智能(AI)算法训练的基于AI的模型。
21.根据方面20所述的数字成像和学习系统，其中多个训练图像的头皮皮肤区域或毛囊区域的一个或多个特征基于相应个体的一个或多个用户人口统计或人种而不同，并且其中通过基于头皮的学习模型基于用户的人种或人口统计值来生成用户的用户特定头皮分类。
22.根据方面1至21中任一方面所述的数字成像和学习系统，其中该一个或多个处理器中的至少一者包括移动设备的处理器，并且其中成像设备包括移动设备的数字相机。
23.根据方面22所述的数字成像和学习系统，其中该移动设备包括手持式设备或便携式显微镜中的至少一者。
24.根据方面1至23中任一方面所述的数字成像和学习系统，其中一个或多个处理器包括服务器的服务器处理器，其中服务器经由计算机网络通信地耦接到计算设备，并且其中成像app包括被配置为在服务器的一个或多个处理器上执行的服务器app部分以及被配置为在计算设备的一个或多个处理器上执行的计算设备app部分，服务器app部分被配置为与计算设备app部分通信，其中服务器app部分被配置为实现以下各项中的一项或多项：(1)接收由成像设备捕获的图像；(2)确定用户的头皮区域的至少一个图像分类；(3)生成用户特定头皮分类；或者(4)向计算设备app部分传输用户特定推荐。
25.一种用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习方法，该数字成像和学习方法包括：在成像应用程序(app)处接收用户的图像，该成像app在一个或多个处理器上执行，该图像包括如由成像设备捕获的数字图像，并且该图像包括用户的头皮的头皮区域的至少一部分的像素数据；通过能够由成像app访问的基于头皮的学习模型来分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类，该至少一个图像分类选自基于头皮的学习模型的一个或多个图像分类，其中通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据来训练基于头皮的学习模型，该基于头皮的学习模型可操作以输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类；以及通过成像app基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
26.根据方面25所述的数字成像和学习方法，其中该一个或多个图像分类包括以下各项中的一项或多项：(1)白色残留物图像分类；(2)头皮堵塞物图像分类；或者(3)头皮痤疮图像分类。
27.根据方面25至26中任一方面所述的数字成像和学习方法，其中该方法还包括：通过基于头皮的学习模型来分析由成像设备捕获的图像，以确定如从基于头皮的学习模型的一个或多个图像分类中选择的用户的头皮区域的第二图像分类，其中用户特定头皮分类还基于用户的头皮区域的第二图像分类。
28.根据方面25至27中任一方面所述的数字成像和学习方法，其中用户的头皮区域包括头皮皮肤，该头皮皮肤具有在像素数据内可识别的一个或多个头皮皮肤特征，该一个或多个头皮皮肤特征包括以下各项中的一项或多项：(1)白色皮脂残留物；(2)头皮皮肤的一条或多条细纹；或者(3)头皮皮肤的一条或多条裂纹。
29.根据方面25至28中任一方面所述的数字成像和学习方法，其中用户的头皮区域包括毛囊区域，该毛囊区域具有在像素数据内可识别的一个或多个毛囊特征，该一个或多个毛囊特征包括以下各项中的一项或多项：(1)一个或多个头皮堵塞物；或者(2)头皮痤疮。
30.根据方面25至29中任一方面所述的数字成像和学习方法，其中用户的头皮区域包括以下各项中的至少一项：额部头皮区域、中部头皮区域或自定义头皮区域。
31.一种有形非暂态计算机可读介质，该有形非暂态计算机可读介质存储用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的指令，该指令在由一个或多个处理器执行时使得该一个或多个处理器：在成像应用程序(app)处接收用户的图像，该成像app在一个或多个处理器上执行，该图像包括如由成像设备捕获的数字图像，并且图像包括用户的头皮的头皮区域的至少一部分的像素数据；通过能够由成像app访问的基于头皮的学习模型来分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类，该至少一个图像分类选自基于头皮的学习模型的一个或多个图像分类，其中通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据来训练基于头皮的学习模型，该基于头皮的学习模型可操作以输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类；以及通过成像app基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。
附加的考虑
虽然本公开陈述了多个不同实施方案的具体实施方式，但应当理解，本说明书的法律范围由本专利结尾处所陈述的权利要求书及其等同物的内容来限定。具体实施方式被理解为仅是示例性的，而非描述每一种可能的实施方案，因为描述每一种可能的实施方案是不切实际的。可使用当前技术或在本专利的申请日期之后开发的技术来实施众多另选的实施方案，该另选的实施方案将仍然落入本权利要求书的范围内。
以下附加的考虑适用于前述讨论。在本说明书通篇中，多个实例可实现被描述为单个实例的部件、操作或结构。虽然一个或多个方法的各个操作被示出和描述为单独的操作，但各个操作中的一个或多个操作可同时执行，并且不需要按所示顺序来执行这些操作。在示例性配置中作为单独部件展示的结构和功能可被实现为组合的结构或部件。类似地，展示为单个部件的结构和功能可被实现为单独的部件。这些型、修改、添加和改进以及其他变型、修改、添加和改进均属于本文主题范围之内。
另外，某些实施方案在本文中被描述为包括逻辑或多个例程、子例程、应用程序或指令。这些可构成软件(例如，机器可读介质上或传输信号中体现的代码)或硬件。在硬件中，例程等是能够执行某些操作的有形单元并且可按某种方式进行配置或布置。在示例性实施方案中，一个或多个计算机系统(例如，独立的客户端或服务器计算机系统)或计算机系统的一个或多个硬件模块(例如，处理器或处理器组)可通过软件(例如，应用程序或应用程序部分)配置为用于执行如本文所述的某些操作的硬件模块。
本文所述的示例性方法的各种操作可至少部分地由经临时配置(例如，由软件)或永久性配置以执行相关操作的一个或多个处理器来执行。无论是临时配置还是永久性配置，此类处理器都可构成处理器实现型模块，用以执行一个或多个操作或功能。在一些示例性实施方案中，本文提及的模块可包括处理器实现型模块。
类似地，本文所述的方法或例程可至少部分地由处理器实现。例如，方法的至少一些操作可由一个或多个处理器或处理器实现型硬件模块来执行。操作中的某些操作的执行可分配给一个或多个处理器，这些处理器不仅驻留在单个机器内，而且部署于多个机器之间。在一些示例性实施方案中，一个或多个处理器可位于单个位置，而在其他实施方案中，处理器可分布于多个位置。
操作中的某些操作的执行可分配给一个或多个处理器，这些处理器不仅驻留在单个机器内，而且部署于多个机器之间。在一些示例性实施方案中，一个或多个处理器或处理器实现型模块可位于单个地理位置(例如，在家庭环境、办公室环境或服务器群内)。在其他实施方案中，一个或多个处理器或处理器实现型模块可分布于多个地理位置。
本具体实施方式被理解为仅是示例性的，而非描述每一种可能的实施方案，因为描述每一种可能的实施方案即使可能也是不切实际的。本领域普通技术人员可使用当前技术或在本申请提交日期之后所开发的技术来实现众多另选的实施方案。
本领域的普通技术人员将认识到，在不脱离本发明范围的前提下，可对上述实施方案进行多种修改、更改和组合，并且这些修改、更改和组合应视为落入本发明构思的范围内。
本专利申请末尾的专利权利要求不旨在根据35U.S.C.§112(f)来解释，除非明确引用了传统的装置加功能语言，诸如权利要求中明确引用的“用于......的装置”或“用于......的步骤”语言。本文所述的系统和方法涉及对计算机功能的改进，以及改进常规计算机的功能。
本文所公开的量纲和值不应理解为严格限于所引用的精确数值。相反，除非另外指明，否则每个此类量纲旨在表示所述值以及围绕该值功能上等同的范围。例如，公开为“40mm”的量纲旨在表示“约40mm”。
除非明确排除或以其他方式限制，本文中引用的每一篇文献，包括任何交叉引用或相关专利或专利申请以及本申请对其要求优先权或其有益效果的任何专利申请或专利，均据此全文以引用方式并入本文。对任何文献的引用不是对其作为与本发明的任何所公开或本文受权利要求书保护的现有技术的认可，或不是对其自身或与任何一个或多个参考文献的组合提出、建议或公开任何此类发明的认可。此外，当本发明中术语的任何含义或定义与以引用方式并入的文献中相同术语的任何含义或定义矛盾时，应当服从在本发明中赋予该术语的含义或定义。
虽然已举例说明和描述了本发明的具体实施方案，但是对于本领域技术人员来说显而易见的是，在不脱离本发明的实质和范围的情况下可作出各种其他变化和修改。因此，本文旨在于所附权利要求中涵盖属于本发明范围内的所有此类变化和修改。

Claims (15)

1.一种数字成像和学习系统，所述数字成像和学习系统被配置为分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类，所述数字成像和学习系统包括：一个或多个处理器；成像应用程序(app)，所述成像app包括被配置为在所述一个或多个处理器上执行的计算指令；和基于头皮的学习模型，所述基于头皮的学习模型可选地是通过至少一个人工智能(AI)算法训练的基于AI的模型，能够由所述成像app访问，并且通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据进行训练，所述基于头皮的学习模型被配置为输出与所述相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类，其中所述成像app的所述计算指令在由所述一个或多个处理器执行时使得所述一个或多个处理器：接收用户的图像，所述图像包括如由成像设备捕获的数字图像，并且所述图像包括所述用户的头皮的头皮区域的至少一部分的像素数据；通过所述基于头皮的学习模型来分析如由所述成像设备捕获的所述图像，以确定所述用户的头皮区域的至少一个图像分类，所述至少一个图像分类选自所述基于头皮的学习模型的所述一个或多个图像分类；以及基于所述用户的头皮区域的所述至少一个图像分类来生成用户特定头皮分类，所述用户特定头皮分类被设计成寻址在所述像素数据内可识别的至少一个特征，所述像素数据包括所述用户的头皮的头皮区域的所述至少一部分。
2.根据权利要求1所述的数字成像和学习系统，其中所述一个或多个图像分类包括以下各项中的一项或多项：(1)白色残留物图像分类；(2)头皮堵塞物图像分类；或者(3)头皮痤疮图像分类。
3.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述计算指令还使得所述一个或多个处理器：通过所述基于头皮的学习模型来分析由所述成像设备捕获的所述图像，以确定如从所述基于头皮的学习模型的所述一个或多个图像分类中选择的所述用户的头皮区域的第二图像分类，其中所述用户特定头皮分类还基于所述用户的头皮区域的所述第二图像分类。
4.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述用户的所述头皮区域包括：1)头皮皮肤，所述头皮皮肤具有在所述像素数据内可识别的一个或多个头皮皮肤特征，所述一个或多个头皮皮肤特征包括以下各项中的一项或多项：白色皮脂残留物；所述头皮皮肤的一条或多条细纹；或者所述头皮皮肤的一条或多条裂纹，和/或2)毛囊区域，所述毛囊区域具有在所述像素数据内可识别的一个或多个毛囊特征，所述一个或多个毛囊特征包括以下各项中的一项或多项：一个或多个头皮堵塞物；或者头皮痤疮。
5.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述多个训练图像中的一个或多个训练图像或所述用户的所述至少一个图像各自包括描绘具有头皮皮肤特征或毛囊特征的单个实例的所述头皮区域的至少一个裁剪图像。
6.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述多个训练图像中的一个或多个训练图像或所述用户的所述至少一个图像包括描绘所述相应个体或所述用户的头皮区域的多个角度或视角。
7.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述成像app的所述计算指令在由所述一个或多个处理器执行时还使得所述一个或多个处理器基于所述用户特定头皮分类将至少一个用户特定头皮推荐呈现在计算设备的显示屏上，并且优选地其中所述至少一个用户特定头皮推荐包括以下各项中的一项或多项：用于处理所述像素数据中可识别的所述至少一个特征的指令，所述像素数据包括所述用户的头皮的所述头皮区域的所述至少一部分；特定于所述用户的推荐清洗频率；文本推荐；基于图像的推荐；所述用户的头皮的所述头皮区域的所述至少一部分的虚拟渲染；和/或用于制造的产品的产品推荐。
8.根据权利要求7所述的数字成像和学习系统，其中所述计算指令还使得所述一个或多个处理器：基于所述至少一个用户特定头皮推荐来开始将制造的产品运送给所述用户。
9.根据权利要求7至8中任一项所述的数字成像和学习系统，其中所述计算指令还使得所述一个或多个处理器：基于所述图像生成经修改的图像，所述经修改的图像描绘在遵循所述用户特定头皮推荐之后预测所述用户的头皮皮肤区域或毛囊区域的表现将如何；以及将所述经修改的图像呈现在所述计算设备的所述显示屏上。
10.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述成像app的所述计算指令在由所述一个或多个处理器执行时还使得所述一个或多个处理器：生成如基于所述用户特定头皮分类确定的头皮质量代码，所述用户特定头皮分类被设计成寻址在所述像素数据内可识别的所述至少一个特征，所述像素数据包括所述用户的头皮的头皮区域的所述至少一部分。
11.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述计算指令还使得所述一个或多个处理器：在通信地耦接到所述一个或多个处理器的一个或多个存储器中记录所述用户的如由所述成像设备在第一时间捕获的所述图像，以用于跟踪用户的头皮区域随时间推移的改变；接收所述用户的第二图像，所述第二图像由所述成像设备在第二时间捕获，并且所述第二图像包括所述用户的头皮的头皮区域的至少一部分的像素数据；通过所述基于头皮的学习模型来分析由所述成像设备捕获的所述第二图像，以在所述第二时间确定如从所述基于头皮的学习模型的所述一个或多个图像分类中选择的所述用户的头皮区域的第二图像分类；以及基于所述用户的头皮区域的所述图像和所述第二图像的比较或所述分类或所述第二分类的比较，生成关于在所述第二图像的所述像素数据内可识别的至少一个特征的新用户特定头皮分类，所述像素数据包括所述用户的头皮的头皮区域的所述至少一部分。
12.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述多个训练图像的头皮皮肤区域或毛囊区域的所述一个或多个特征基于所述相应个体的一个或多个用户人口统计或人种而不同，并且其中通过所述基于头皮的学习模型基于所述用户的人种或人口统计值来生成所述用户的所述用户特定头皮分类。
13.根据前述权利要求中任一项所述的数字成像和学习系统，其中所述一个或多个处理器包括服务器的服务器处理器，其中所述服务器经由计算机网络通信地耦接到计算设备，并且其中所述成像app包括被配置为在所述服务器的所述一个或多个处理器上执行的服务器app部分以及被配置为在所述计算设备的一个或多个处理器上执行的计算设备app部分，所述服务器app部分被配置为与所述计算设备app部分通信，其中所述服务器app部分被配置为实现以下各项中的一项或多项：(1)接收由所述成像设备捕获的所述图像；(2)确定所述用户的头皮区域的所述至少一个图像分类；(3)生成所述用户特定头皮分类；
或者(4)向所述计算设备app部分传输用户特定推荐。
14.一种有形非暂态计算机可读介质，所述有形非暂态计算机可读介质存储用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的指令，所述指令在由一个或多个处理器执行时使得所述一个或多个处理器：在成像应用程序(app)处接收用户的图像，所述成像app在一个或多个处理器上执行，所述图像包括如由成像设备捕获的数字图像，并且所述图像包括所述用户的头皮的头皮区域的至少一部分的像素数据；通过能够由所述成像app访问的基于头皮的学习模型来分析如由所述成像设备捕获的所述图像，以确定所述用户的头皮区域的至少一个图像分类，所述至少一个图像分类选自所述基于头皮的学习模型的一个或多个图像分类，其中通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据来训练所述基于头皮的学习模型，所述基于头皮的学习模型可操作以输出与所述相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的所述一个或多个图像分类；以及通过所述成像app基于所述用户的头皮区域的所述至少一个图像分类来生成用户特定头皮分类，所述用户特定头皮分类被设计成寻址在所述像素数据内可识别的至少一个特征，所述像素数据包括所述用户的头皮的头皮区域的所述至少一部分。
15.一种根据前述权利要求中任一项所述的数字成像和学习系统或有形非暂态计算机可读介质生成一个或多个用户特定头皮分类的用途。
CN202280028561.5A 2021-04-14 2022-04-13 用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法 Pending CN117242482A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/230,121 2021-04-14
US17/230,121 US20220335614A1 (en) 2021-04-14 2021-04-14 Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of a Scalp Region of a Users Scalp to Generate One or More User-Specific Scalp Classifications
PCT/US2022/024553 WO2022221371A1 (en) 2021-04-14 2022-04-13 Digital imaging and learning systems and methods for analyzing pixel data of a scalp region of a user's scalp to generate one or more user-specific scalp classifications

Publications (1)

Publication Number Publication Date
CN117242482A true CN117242482A (zh) 2023-12-15

Family

ID=81585117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280028561.5A Pending CN117242482A (zh) 2021-04-14 2022-04-13 用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法

Country Status (6)

Country Link
US (1) US20220335614A1 (zh)
EP (1) EP4323957A1 (zh)
JP (1) JP2024515532A (zh)
CN (1) CN117242482A (zh)
MX (1) MX2023010783A (zh)
WO (1) WO2022221371A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11682143B2 (en) * 2021-04-27 2023-06-20 Revieve Oy System and method for hair analysis of user
US11816246B2 (en) * 2021-07-26 2023-11-14 Microsoft Technology Licensing, Llc Modeling techniques to classify data sets containing personal identifiable information comprising numerical identifiers
US20230043674A1 (en) * 2021-08-09 2023-02-09 Techturized, Inc. Scientific and technical systems and methods for providing hair health diagnosis, treatment, and styling recommendations
IT202200010685A1 (it) * 2022-05-23 2023-11-23 Sanders S R L Metodo per la classificazione della gravità degli stati di ossidazione del sebo accumulato sul cuoio capelluto della testa di un individuo

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8945150B2 (en) * 2011-05-18 2015-02-03 Restoration Robotics, Inc. Systems and methods for selecting a desired quantity of follicular units
MA41117A (fr) * 2014-12-05 2017-10-10 Myfiziq Ltd Imagerie d'un corps
GB2543893A (en) * 2015-08-14 2017-05-03 Metail Ltd Methods of generating personalized 3D head models or 3D body models
US20170216172A1 (en) * 2016-01-29 2017-08-03 The Procter & Gamble Company Composition for Enhancing Hair Fiber Properties
US20200348662A1 (en) * 2016-05-09 2020-11-05 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system
SG11202004256VA (en) * 2017-11-10 2020-06-29 Lvis Corp Efficacy and/or therapeutic parameter recommendation using individual patient data and therapeutic brain network maps
JP7140848B2 (ja) * 2018-05-17 2022-09-21 ザ プロクター アンド ギャンブル カンパニー 毛髪被覆率分析のためのシステム及び方法
US11172873B2 (en) * 2018-05-17 2021-11-16 The Procter & Gamble Company Systems and methods for hair analysis
EP3627444A1 (en) * 2018-09-20 2020-03-25 L'oreal Method and system for determining a characteristic of a keratinous surface and method and system for treating said keratinous surface
US11710034B2 (en) * 2019-02-27 2023-07-25 Intel Corporation Misuse index for explainable artificial intelligence in computing environments
US20220359062A1 (en) * 2019-09-11 2022-11-10 Google Llc Deep Learning System for Differential Diagnosis of Skin Diseases
US11373420B2 (en) * 2020-04-24 2022-06-28 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for improving human hair and scalp using vehicle cameras and big data AI analytics
US11455747B2 (en) * 2020-07-02 2022-09-27 The Gillette Company Llc Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin redness value of the user's skin after removing hair
US20220164852A1 (en) * 2020-11-20 2022-05-26 The Procter & Gamble Company Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of an Image of a Hair Region of a User's Head to Generate One or More User-Specific Recommendations
US20230196579A1 (en) * 2021-12-16 2023-06-22 The Gillette Company Llc Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin pore size

Also Published As

Publication number Publication date
MX2023010783A (es) 2023-09-25
US20220335614A1 (en) 2022-10-20
WO2022221371A1 (en) 2022-10-20
JP2024515532A (ja) 2024-04-10
EP4323957A1 (en) 2024-02-21

Similar Documents

Publication Publication Date Title
US20220335614A1 (en) Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of a Scalp Region of a Users Scalp to Generate One or More User-Specific Scalp Classifications
US20220164852A1 (en) Digital Imaging and Learning Systems and Methods for Analyzing Pixel Data of an Image of a Hair Region of a User's Head to Generate One or More User-Specific Recommendations
US11734823B2 (en) Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin irritation value of the user's skin after removing hair
US11455747B2 (en) Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a user-specific skin redness value of the user's skin after removing hair
EP3933762A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a user's body after removing hair for determining a user-specific hair removal efficiency value
EP3933682A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a user's skin after removing hair for determining a user-specific skin nick and cut value
EP3933851A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin laxity
US20220005177A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a user's body for determining a hair density value of a user's hair
US11896385B2 (en) Digital imaging systems and methods of analyzing pixel data of an image of a shaving stroke for determining pressure being applied to a user's skin
US20230196579A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin pore size
US11544845B2 (en) Digital imaging systems and methods of analyzing pixel data of an image of a user's body before removing hair for determining a user-specific trapped hair value
US20220375601A1 (en) Artificial intelligence based systems and methods for analyzing user-specific skin or hair data to predict user-specific skin or hair conditions
US20230196835A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining dark eye circles
US20230196549A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin puffiness
US20230196550A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining body contour
US20230196552A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin oiliness
US20230196551A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin roughness
US20230196816A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin hyperpigmentation
US20230196553A1 (en) Digital imaging systems and methods of analyzing pixel data of an image of a skin area of a user for determining skin dryness

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