CN117495855B - 基于图像处理的皮肤缺陷评价方法及系统 - Google Patents

基于图像处理的皮肤缺陷评价方法及系统 Download PDF

Info

Publication number
CN117495855B
CN117495855B CN202311852566.2A CN202311852566A CN117495855B CN 117495855 B CN117495855 B CN 117495855B CN 202311852566 A CN202311852566 A CN 202311852566A CN 117495855 B CN117495855 B CN 117495855B
Authority
CN
China
Prior art keywords
value
color spots
skin
pixel
image processing
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
Application number
CN202311852566.2A
Other languages
English (en)
Other versions
CN117495855A (zh
Inventor
徐合邦
段丹
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.)
Guangzhou Zhongke Medical Cosmetic Instrument Co ltd
Original Assignee
Guangzhou Zhongke Medical Cosmetic Instrument Co ltd
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 Guangzhou Zhongke Medical Cosmetic Instrument Co ltd filed Critical Guangzhou Zhongke Medical Cosmetic Instrument Co ltd
Priority to CN202311852566.2A priority Critical patent/CN117495855B/zh
Publication of CN117495855A publication Critical patent/CN117495855A/zh
Application granted granted Critical
Publication of CN117495855B publication Critical patent/CN117495855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/10—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20216—Image averaging
    • 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
    • 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
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Geometry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及图像处理的领域，尤其涉及基于图像处理的皮肤缺陷评价方法及系统，方法包括步骤：根据预设的多个阈值分割获取的人脸图像，得到多个分割结果；根据所述分割结果，计算每个像素点属于色斑的可能性；获取不同的阈值下，像素点属于色斑的可能性最大值及坐标信息，通过聚类算法分类得到多个类别；计算色斑严重程度，生成皮肤缺陷评价。本申请具有提高皮肤色斑缺陷评价准确性的效果。

Description

基于图像处理的皮肤缺陷评价方法及系统
技术领域
本申请涉及图像处理的领域，尤其涉及基于图像处理的皮肤缺陷评价方法及系统。
背景技术
皮肤缺陷评价是指对皮肤色斑、痣等缺陷进行准确评估的过程，可以通过计算色斑的面积、颜色分布和数量，评估皮肤上的色斑的大小和数量，还可以通过色斑是否有不规则、模糊或扩散的边缘，评估色斑的形状和边缘特征。皮肤缺陷评价在医学和美容领域中具有重要的意义，可以帮助人们更好地了解自己的皮肤状况并采取相应的护理和治疗措施。
现有技术中，可以通过图像处理和计算机视觉的方法，通过对皮肤图像进行分析和处理来评估皮肤缺陷，现有技术通常通过获取色斑的大小和数量进行皮肤色斑缺陷评价。
由于不同人的皮肤肤色不同，导致现有技术的图像处理中，在进行色斑分割时效果不佳，从而影响皮肤色斑缺陷评价的准确性。
发明内容
为了提高皮肤色斑缺陷评价的准确性，本申请提供基于图像处理的皮肤缺陷评价方法及系统。
第一方面，本申请提供基于图像处理的皮肤缺陷评价方法，采用如下的技术方案：
基于图像处理的皮肤缺陷评价方法，包括步骤：根据预设的多个阈值分割获取的人脸图像，得到多个分割结果；根据所述分割结果，计算每个像素点属于色斑的可能性，计算公式为：，其中，/>为第i个阈值下第j个像素点属于色斑的可能性，/>为第i个阈值下第j个像素点连通域内所有像素点灰度值的方差值，表示在第i个阈值下第j个像素点对应连通域的面积变化值，/>表示第i个阈值下第j个像素点连通域内所有像素点灰度值相较于人脸皮肤灰度值均值的明显程度；获取不同的阈值下，像素点属于色斑的可能性最大值及坐标信息，通过聚类算法分类得到多个类别，判定色斑数量的情况；计算色斑严重程度，生成皮肤缺陷评价，计算公式为：，其中，/>为色斑严重程度，/>为聚类算法中分类的个数，/>表示对的遍历，/>表示第/>类的/>与可能性最大值差值的均值，/>为第/>类中所有像素点可能性的最大值的平均值/>，/>为统计的第/>类的/>值出现的个数。
可选的，根据预设的多个阈值分割获取的人脸图像，得到多个分割结果，包括步骤：通过预设的语义分割模型对采集图像进行处理，得到人脸图像及非人脸图像；对人脸图像进行灰度化处理得到灰度图像；根据预设的多个阈值，利用二值化分割法对灰度图进行色斑分割；提取多个连通域并计算连通域的面积值，将连通域中面积值小于预设值的像素点值设置为0，得到分割结果。
可选的，判定色斑数量的情况包括步骤：获取每个像素点的坐标信息；获取每个像素点在不同阈值下属于色斑的可能性均值的最大值及可能性均值的最小值；计算可能性均值的最大值及可能性均值的最小值的差值，判定色斑数量的情况。
可选的，所述明显程度的计算公式为：，其中，/>表示第i个阈值下第j个像素点连通域内所有像素点灰度值相较于人脸皮肤灰度值均值的明显程度，/>表示第j个像素点对应连通域内所有像素点灰度值均值，/>表示人脸皮肤像素点灰度值均值。
第二方面，本申请提供基于图像处理的皮肤缺陷评价系统，采用如下的技术方案：基于图像处理的皮肤缺陷评价系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述的基于图像处理的皮肤缺陷评价方法。
本申请具有以下技术效果：
1、本申请分析多个阈值下的连通域形态变化和连通域明显程度特征，计算各像素点属于色斑的可能性，以得到稳定的色斑分割结果。在得到色斑的分割结果后，进行皮肤色斑缺陷评价，通过获取人脸上各个像素点色斑可能性，得到各个色斑的明显特征，提高了对色斑识别的准确率。
2、考虑色斑较少或不明显的情况使得对色斑的评估识别结果更加贴近于真实的色斑程度，进一步提高色斑识别的准确率。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。
图1是本申请实施例基于图像处理的皮肤缺陷评价方法的方法流程图。
图2是本申请实施例基于图像处理的皮肤缺陷评价方法中步骤S1的方法流程图。
图3是本申请实施例基于图像处理的皮肤缺陷评价方法中步骤S3的方法流程图。
具体实施方式
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，本领域技术人员在没有做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。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开基于图像处理的皮肤缺陷评价方法，参照图1，包括步骤S1-步骤S4，具体如下：
S1：根据预设的多个阈值分割获取的人脸图像，得到多个分割结果。参照图2，步骤S1包括步骤S10-步骤S13，具体如下：
S10：通过预设的语义分割模型对采集图像进行处理，得到人脸图像及非人脸图像。
在光源充足的情况下，使用相机获取人员的正面图像以得到采集图像，对采集图像通过语义分割模型，得到人脸图像和非人脸图像，人脸图像中只包含人脸部位，非人脸图像中包含如背景、衣服和脖子等部位。
S11：对人脸图像进行灰度化处理得到灰度图像。
S12：根据预设的多个阈值，利用二值化分割法对灰度图进行色斑分割。
由于色斑的颜色深浅不同，所以在利用二值化分割法进行色斑分割时，单一的阈值难以保证分割的效果，所以本申请的阈值取值为：0-255，共256个阈值对灰度图像进行分割，得到256张二值图，第张二值图表示为/>，256为超参数，可由实施者根据具体实施场景进行调整。
在二值图中，有黑色部分和白色部分，由于色斑的颜色较暗，属于灰度图中低灰度的部分，在二值化后，色斑属于/>中的黑色部分，为了便于后续的分析，本申请用1减去二值图，使黑色部分与白色部分交换，交换后的图像中，白色部分为可能是色斑的部分。第/>张二值图/>，黑白反转后为，/>。
S13：提取多个连通域并计算连通域的面积值，将连通域中面积值小于预设值的像素点值设置为0，得到分割结果。
利用连通域提取方法对进行连通域提取，获得k个连通域，如果连通域的面积过小，则可能为噪声的连通域，本申请噪声可以是痣等非色斑的皮肤缺陷特征。设定预设值，预设值用于筛出小面积连通域，减少对分析的干扰。当连通域面积值小于预设值时，将连通域中像素点的值设置为0，以剔除干扰。本申请中，预设值可以是10，预设值可由实施者根据具体的实施场景进行调整。
S2：根据分割结果，计算每个像素点属于色斑的可能性。
每个人色斑的实际情况各不相同，且色斑的明显程度受到自身肤色的影响，如果想根据个人的实际情况对色斑进行一个系统性的评价，那么需要一个色斑的稳定分割结果，用于皮肤色斑缺陷评价。
虽然不同人的肤色不同，导致色斑的深浅不同，但是色斑相对于皮肤的明显程度相同。
本申请选择在多个阈值下，分析连通域形态变化和连通域明显程度，计算各像素点属于色斑的可能性，以辅助色斑分割得到稳定的色斑分割结果。在得到色斑的分割结果后，进行皮肤色斑缺陷评价。
其中，在进行多个阈值的分割时，由于色斑往往是明显的块状，属于色斑的像素点对应的连通域在连续阈值变化时会呈现出边界变化不明显的特征，并且当色斑相对于人脸皮肤越明显时，则色斑连通域的边界变化较小的特征在连续阈值下越明显。
具体的，获取第i张二值图中第j个像素点所归属的连通域，记为。获取/>的面积值/>。
获取连续不同阈值下的二值图中第j个像素点对应面积值序列。求取面积值在连续差值下的差值序列/>，差值序列中取值/>的计算公式为：/>，其中，/>表示第i＋1张二值图中第j个像素点归属连通域的面积值，/>表示第i张二值图中第j个像素点归属连通域的面积值。
如果存在较多的连续阈值且存在连续的低值，则表示在多个连续阈值下，像素点对应连通域的面积变化不大，像素点属于色斑的可能性越大，并且如果色斑相对明显，则多个像素点对应的多个连通域的灰度值之间应当相同或差异性较小，多个像素点对应的多个连通域与人脸整体皮肤像素点的连通域差异较大。
每个像素点属于色斑的可能性的计算公式为：，其中，/>为第i个阈值下第j个像素点属于色斑的可能性，简称为D值，不同的阈值下第j个像素点对应连通域会发生变换。/>的值越大，则第i个阈值下第j个像素点在属于色斑的可能性越大。
为第i个阈值下第j个像素点连通域内所有像素点灰度值的方差值，/>的值越小，表示当前第j个像素点对应连通域内所有像素点灰度值越符合色斑灰度一致的特征，属于色斑的可能性就越大。
表示在第i个阈值下第j个像素点对应连通域的面积变化值，/>的值越小，表示该像素点属于色斑的可能性越大。
表示第i个阈值下第j个像素点连通域内所有像素点灰度值相较于人脸皮肤灰度值均值的明显程度。/>越大，表示第j个像素点对应连通域内所有像素点灰度值相对于整个皮肤对应灰度值的差异越大，则像素点属于色斑的可能性就越大。
其中，设定第j个像素点对应连通域内所有像素点灰度值均值为A，人脸皮肤像素点灰度值均值为B，则。
S3：获取不同的阈值下，像素点属于色斑的可能性最大值及坐标信息，通过聚类算法分类得到多个类别，判定色斑数量的情况。参照图3，步骤S3包括步骤S30-步骤S32，具体如下：
S30：获取每个像素点的坐标信息。
S31：获取每个像素点在不同阈值下属于色斑的可能性均值的最大值及可能性均值的最小值。
具体地，在得到第i个阈值下第j个像素点在属于色斑的可能性后，连续多个阈值下，如果连续的D值均较大时，则表示在连续阈值下所对应的色斑为分割效果较好的色斑，则获取每一像素点在不同阈值下属于色斑可能性的最大值，最大值记为。
通过各个像素点对应的坐标值和，利用聚类算法进行分类，本申请的聚类算法采用DBSCAN（Density-Based Spatial Clustering of Applications with Noise，基于密度的空间聚类算法），对各个像素点对应的坐标值和/>进行分类，共得到/>个类别。
获取每个类别对应所有像素点的平均值，记为/>。
S32：计算可能性均值的最大值及可能性均值的最小值的差值，判定色斑数量的情况。
如果所有类别的平均值中最大值和最小值的差异大于预设差值，则表示具有明显的色斑特征，即色斑数量较多。如果所有类别的平均值/>中最大值和最小值的差异小于或等于预设差值，则表示不具有明显的色斑特征，即色斑数量较少。
S4：计算色斑严重程度，生成皮肤缺陷评价。
色斑严重程度的计算公式为：，其中，/>为色斑严重程度，/>为聚类算法中分类的个数，/>表示对/>的遍历。
表示第/>类的/>与可能性最大值差值的均值，/>为第/>类中所有像素点可能性的最大值的平均值，/>的值越大，表示当前类别所表示的色斑特征与整体人脸皮肤之间存在越明显的差异程度值，/>越大表示第/>类内所有像素点对应的色斑特征越明显。为统计的第/>类的/>值出现的个数。
由于通过类别之间的平均的以表示色差明显程度，但是如果明显程度的个数越少，则导致在进行明显程度计算时，个数较少的/>无法在平均/>中起到较强的作用效果。
通过统计第类的/>值及/>，对第/>类对应的/>值进行调整，此时如果第/>类对应的/>值个数越少，则其权重应当放大。
计算得到当前人员的色斑严重程度值为，/>的值越大，则表示当前人员的色斑严重，以用于辅助医生人员对人脸色斑信息的评估参考。
本申请实施例还公开基于图像处理的皮肤缺陷评价系统，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本申请的基于图像处理的皮肤缺陷评价方法。上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（ResistiveRandomAccessMemory）、动态随机存取存储器DRAM（DynamicRandomAccessMemory）、静态随机存取存储器SRAM（StaticRandom-AccessMemory）、增强动态随机存取存储器EDRAM（EnhancedDynamicRandomAccessMemory）、高带宽内存HBM（High-BandwidthMemory）、混合存储立方HMC（HybridMemoryCube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (5)

1.基于图像处理的皮肤缺陷评价方法，其特征在于，包括步骤：
根据预设的多个阈值分割获取的人脸图像，得到多个分割结果；
根据所述分割结果，计算每个像素点属于色斑的可能性，计算公式为：
，
其中，为第i个阈值下第j个像素点属于色斑的可能性，/>为第i个阈值下第j个像素点连通域内所有像素点灰度值的方差值，/>表示在第i个阈值下第j个像素点对应连通域的面积变化值，/>表示第i个阈值下第j个像素点连通域内所有像素点灰度值相较于人脸皮肤灰度值均值的明显程度；
获取不同的阈值下，像素点属于色斑的可能性最大值及坐标信息，通过聚类算法分类得到多个类别，判定色斑数量的情况；
计算色斑严重程度，生成皮肤缺陷评价，计算公式为：
，
其中，为色斑严重程度，/>为聚类算法中分类的个数，/>表示对/>的遍历，/>表示第/>类的/>与可能性最大值差值的均值，/>为第/>类中所有像素点可能性的最大值的平均值/>，/>为统计的第/>类的/>值出现的个数。
2.根据权利要求1所述的基于图像处理的皮肤缺陷评价方法，其特征在于，根据预设的多个阈值分割获取的人脸图像，得到多个分割结果，包括步骤：
通过预设的语义分割模型对采集图像进行处理，得到人脸图像及非人脸图像；
对人脸图像进行灰度化处理得到灰度图像；
根据预设的多个阈值，利用二值化分割法对灰度图进行色斑分割；
提取多个连通域并计算连通域的面积值，将连通域中面积值小于预设值的像素点值设置为0，得到分割结果。
3.根据权利要求1所述的基于图像处理的皮肤缺陷评价方法，其特征在于，判定色斑数量的情况中，包括步骤：
获取每个像素点的坐标信息；
获取每个像素点在不同阈值下属于色斑的可能性均值的最大值及可能性均值的最小值；
计算可能性均值的最大值及可能性均值的最小值的差值，判定色斑数量的情况。
4.根据权利要求1所述的基于图像处理的皮肤缺陷评价方法，其特征在于，所述明显程度的计算公式为：
，
其中，表示第i个阈值下第j个像素点连通域内所有像素点灰度值相较于人脸皮肤灰度值均值的明显程度，/>表示第j个像素点对应连通域内所有像素点灰度值均值，/>表示人脸皮肤像素点灰度值均值。
5.基于图像处理的皮肤缺陷评价系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-4任一项所述的基于图像处理的皮肤缺陷评价方法。
CN202311852566.2A 2023-12-29 2023-12-29 基于图像处理的皮肤缺陷评价方法及系统 Active CN117495855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311852566.2A CN117495855B (zh) 2023-12-29 2023-12-29 基于图像处理的皮肤缺陷评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311852566.2A CN117495855B (zh) 2023-12-29 2023-12-29 基于图像处理的皮肤缺陷评价方法及系统

Publications (2)

Publication Number Publication Date
CN117495855A CN117495855A (zh) 2024-02-02
CN117495855B true CN117495855B (zh) 2024-03-29

Family

ID=89676903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311852566.2A Active CN117495855B (zh) 2023-12-29 2023-12-29 基于图像处理的皮肤缺陷评价方法及系统

Country Status (1)

Country Link
CN (1) CN117495855B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097034A (zh) * 2019-05-15 2019-08-06 广州纳丽生物科技有限公司 一种智能人脸健康程度的识别与评估方法
CN112825120A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 人脸光照评价方法、装置、计算机可读存储介质及设备
WO2022252737A1 (zh) * 2021-05-31 2022-12-08 上海商汤智能科技有限公司 图像处理方法及装置、处理器、电子设备及存储介质
CN116269206A (zh) * 2022-11-25 2023-06-23 上海交通大学医学院附属第九人民医院 基于人工智能的皮肤红斑识别方法、装置、介质及终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097034A (zh) * 2019-05-15 2019-08-06 广州纳丽生物科技有限公司 一种智能人脸健康程度的识别与评估方法
CN112825120A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 人脸光照评价方法、装置、计算机可读存储介质及设备
WO2022252737A1 (zh) * 2021-05-31 2022-12-08 上海商汤智能科技有限公司 图像处理方法及装置、处理器、电子设备及存储介质
CN116269206A (zh) * 2022-11-25 2023-06-23 上海交通大学医学院附属第九人民医院 基于人工智能的皮肤红斑识别方法、装置、介质及终端

Also Published As

Publication number Publication date
CN117495855A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN108323204B (zh) 一种检测人脸瑕疵点的方法和智能终端
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN109596634B (zh) 电缆缺陷的检测方法及装置、存储介质、处理器
WO2021129323A1 (zh) 超声图像病灶描述方法、装置、计算机设备和存储介质
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
US20090252429A1 (en) System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing
CN108323203A (zh) 一种定量检测人脸肤质参量的方法、装置和智能终端
CN110675464A (zh) 一种医疗影像的处理方法、装置、服务器及存储介质
WO2019014814A1 (zh) 一种定量检测人脸抬头纹的方法和智能终端
Yap et al. A survey on facial wrinkles detection and inpainting: Datasets, methods, and challenges
Zaidan et al. A new hybrid module for skin detector using fuzzy inference system structure and explicit rules
CN117495855B (zh) 基于图像处理的皮肤缺陷评价方法及系统
CN116228644A (zh) 图像检测方法、电子设备及存储介质
Zabihi et al. Vessel extraction of conjunctival images using LBPs and ANFIS
Rout et al. Transition region based approach for skin lesion segmentation
CN113724265A (zh) 肤色迁移方法及装置、存储介质及电子设备
Chiu et al. Fiber recognition of PET/rayon composite yarn cross-sections using voting techniques
Harrabi et al. Color Image Segmentation by Multilevel Thresholding using a Two Stage Optimization Approach and Fusion
CN111414895A (zh) 一种人脸识别方法，装置及存储设备
Sahoo et al. Optimized entropy based image segmentation
Chintawar et al. Improving feature selection capabilities in skin disease detection system
CN104091160B (zh) 一种人脸检测方法
Venkatesan et al. Experimental research on identification of face in a multifaceted condition with enhanced genetic and ANT colony optimization algorithm
Syed et al. Fuzzified Contrast Enhancement and Segmentation For Nearly Invisible Images
Kavitha et al. A Hybrid Segmentation Approach for Detection of Suspicious Regions in Digital Mammogram

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