FR2962025A1 - Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau - Google Patents

Abstract

Procédé de détection et de quantification de signes cutanés sur une zone de peau, selon lequel : * on identifie pour une pluralité de degrés d'intensité de couleur de peau prédéterminés et une pluralité de types de signes cutanés, une pluralité de longueurs d'onde choisies en sorte que, à chaque combinaison d'un type de signe de peau et d'un degré d'intensité de couleur de peau, l'une des longueurs d'onde permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau, * on prend des images à chacune de cette pluralité de longueurs d'onde, on identifie à partir de ces images le degré d'intensité de couleur de peau, on sélectionne, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter, puis on traite au moins cette image sélectionnée, en sorte de détecter des signes dudit type que l'on cherche à détecter.

Description

10 L'invention concerne un procédé et un dispositif pour détecter et quantifier, de manière automatique (ou au moins semi-automatique), divers signes cutanés sur une zone de peau, notamment sur une zone du visage (voire du cou) ; ces signes peuvent notamment être des cernes, des rides, des tâches, etc.). Ces types de signes peuvent être quantifiés par des « grades ». 15 Dans le présent document, on utilisera divers mots avec les sens suivants : - Signe cutané : modification de la zone de peau considérée, susceptible de mériter un traitement cosmétique ou thérapeutique ; ces signes cutanés peuvent être des signes liés au vieillissement de la peau, à la sècheresse cutanée, à la fatigue ou encore à des modifications de la couleur de la peau. o Par « signes du vieillissement cutané », on entend toutes les modifications de l'aspect de surface de la peau dues au vieillissement comme, par exemple, les rides et les ridules, les tâches, l'ensemble des signes de relâchement cutané, les modifications de l'épaisseur de la peau, le manque d'élasticité et/ou de fermeté de la peau, la peau terne et sans éclat. o Par « signes de sècheresse cutanée », on entend toutes les modifications de l'aspect de surface de la peau dues notamment aux modifications du contenu en eau et de sa 1 20 25 30 10 15 20 25 répartition au sein du Stratum Corneum, telles que l'aspect terne, rugueux et squameux, non soyeux, rougeâtre et/ou écailleux, ainsi que la perte de souplesse et une modification de l'épaisseur de la peau. Les signes de sécheresse cutanée incluent les sensations liées au phénomène de sécheresse, telles que les démangeaisons, les picotements et/ou les tiraillements, pouvant se traduire par l'apparition de réelles pathologies telles que, par exemple, l'hypersensibilité, la dermite atopique ou les xéroses hivernales. a Par « signe cutanés de fatigue » et « modifications de couleur de la peau », on entend toutes les modifications de l'aspect de surface de la peau dues à la fatigue ou à une mauvaise circulation du sang comme, par exemple, les cernes ou les poches sous les yeux, ainsi que toutes les modifications de couleur de la peau, avec notamment une impression d'aggravation des signes de vieillissement du visage résultant de l'exposition à différents modes de vie (exposition au soleil, privation de sommeil, stress, décalage horaire...), - Grade d'un signe (ou critère) cutané (ou cosmétologique) : degré de gravité/sévérité de ce signe ou critère ; la valeur de ce degré est aussi qualifiée de descripteur de ce type de signe, - Degré d'intensité de couleur de peau : paramètre quantifiant le caractère clair ou foncé d'une zone de peau, indépendamment de toute indication de couleur ; les degrés se déterminent sur des images monochromes, et sont de préférence en correspondance selon les diverses longueurs auxquelles l'invention enseigne de capturer des images, - Image monochrome : image associée à une longueur d'onde donnée ; cette image peut être une image prise à cette longueur d'onde (typiquement au travers d'un filtre) avec un éclairage quelconque, ou une image prise (sans filtrage particulier) sous un éclairage à cette fréquence donnée, - Opération morphologique : opération associée à un type de signe cutané propre à détecter et localiser sur une image la présence de ce type de signe cutané. On connaît déjà, d'après le document US - 2009/0201365 (Fukuoka et al), un système de diagnostic de la condition d'une zone de peau et l'élaboration de conseils de traitements cutanés. Ce système comporte un ensemble de collecte de données (voire une pluralité de tels ensembles) et un ensemble d'analyse de ces données, qui coopèrent par l'intermédiaire de moyens de communication. L'ensemble de collecte de données comporte un dispositif de capture d'image numérique de très haute résolution, un dispositif de compression à fort taux de compression et un dispositif d'affichage ; l'ensemble d'analyse des données comporte un dispositif d'analyse de données et un ensemble de compression à fort taux de compression et des moyens de stockage des données. L'ensemble de collecte de données prend une image de l'ensemble du visage d'un sujet, et les moyens de compression créent une image compressée, le dispositif d'analyse de données analyse la condition de la peau à partir de cette image compressée reçue au travers des moyens de communication et crée des informations visuelles en tant que résultat de diagnostic ; ces informations visuelles sont compressées puis envoyées à l'ensemble de collecte de données pour être visualisée par le dispositif d'affichage. L'ensemble d'analyse des données est indépendant de l'ensemble de capture de données et peut se trouver à distance de ce dernier. La capture des données est faite par un simple appareil photo numérique, dans des conditions prédéterminées, ce qui peut se faire par un opérateur sans formation particulière ; quant aux opérations d'analyse, elles se font par référence à des bases de données très riches, sur une multitude de critères.

Un tel système est complexe et implique l'élaboration de bases de références très riches, destinées à séparer divers items possibles d'analyse.

L'invention a pour objet un système d'analyse de zones de peau qui soit plus simple, plus compact, en pouvant impliquer des moyens de calcul de taille modérée, ne nécessitant par exemple rien de plus qu'un PC de performances raisonnables. Elle propose à cet effet un procédé de détection et de quantification de signes cutanés sur une zone de peau, selon lequel : * on identifie pour une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés et une pluralité de types de signes cutanés, une pluralité de longueurs d'onde choisies en sorte que, à chaque combinaison d'un type quelconque de signe de peau et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau, * on prend des images d'une zone choisie du visage à chacune de cette pluralité de longueurs d'onde, * on identifie à partir de ces images le degré d'intensité de couleur de 20 peau correspondant à la personne concernée, * on sélectionne, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter, 25 * on traite au moins cette image sélectionnée, à l'aide d'un algorithme et de paramètres principalement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes dudit type que l'on cherche à détecter. Ainsi, l'invention profite du constat qui a pu être fait qu'une analyse 30 de signes cutanés peut être faite au moyen d'algorithmes et de paramètres en nombres limités, à partir d'images monochromes (voir la définition ci-dessus) correspondant à des fréquences judicieusement choisies, en tenant principalement compte de la seule intensité de la couleur de peau. De manière avantageuse cette pluralité de longueurs d'onde est au plus égale à deux ; il est en effet apparu possible de détecter plusieurs types de signes cutanés, pour deux degrés d'intensité de couleur de peau, avec à peine deux longueurs d'onde, de préférence choisies égales à de l'ordre de 500 nm et 570nm. Toutefois, de manière préférée, la pluralité de longueurs d'onde comporte en outre une longueur d'onde à de l'ordre de 620 nm. De préférence, la pluralité de types de signes cutanés que le 10 procédé permet de détecter et de quantifier comporte notamment des rides, des cernes et des irrégularités pigmentaires. De manière avantageuse, pour l'un au moins des degrés d'intensité de peau, on choisit deux longueurs d'onde pour un même type de signe cutané (voire plusieurs types de signes cutanés) ; cela laisse la possibilité de choisir 15 l'image à traiter parmi des images capturées à des longueurs d'onde différentes. Dans une configuration préférée, la pluralité de longueurs d'onde est constituée de trois longueurs d'onde et la pluralité de degrés d'intensité de couleur de peau est constituée de deux degrés, à savoir les peaux claires et les 20 peaux foncées. Malgré ce faible nombre de longueurs d'onde et de degrés d'intensité de couleur de peau, on peut toutefois détecter et quantifier une grande variété de signes cutanés de peau, comportant des rides, des cernes, des taches, etc. De manière plus particulièrement avantageuse, dans une configuration simple mais efficace, l'on affecte au plus deux longueurs d'onde 25 pour les types de signes cutanés pour les peaux claires, et au plus deux longueurs d'onde pour les types de signes cutanés pour les peaux foncées. De manière avantageuse, la capture de chaque image monochrome correspondant à une longueur d'onde donnée comporte la saisie de deux images successives d'une même zone de peau prises avec, et sans, un 30 éclairage à la fréquence correspondante, et l'élaboration de l'image monochrome par différence de ces deux images ; cela permet d'éliminer l'influence de l'éclairage ambiant, en particulier de ses éventuelles fluctuations.

De manière plus particulièrement préférée, on capture une pluralité d'images pour une même longueur d'onde, à des niveaux croissants de puissance d'éclairage, et on sélectionne l'image obtenue avec le plus haut niveau de puissance sans présenter de saturation.

Des objets, caractéristiques et avantages de l'invention ressortent de la description qui suit, donnée en référence aux dessins annexés, sur lesquels : - la figure 1 est un schéma de principe du procédé de l'invention, - la figure 2 est un schéma synoptique d'un système adapté à la mise en oeuvre du procédé de l'invention, - la figure 3 est une vue en coupe du couple formé par le dispositif de prise de vues et du dispositif d'illumination du visage du sujet, - la figure 4 est un graphique d'un exemple de séquence d'illumination à une longueur donnée pour la prise différentielle d'images, - la figure 5 est un graphe corrélant deux composantes d'images capturées pour une grande variété de 20 volontaires, - la figure 6 est un graphe regroupant d'une autre manière les résultats de la figure 5, - la figure 7 est un exemple d'image traitée en sorte de détecter et quantifier des pores, et 25 - la figure 8 est un exemple d'image traitée en sorte de détecter et quantifier des cernes sous un oeil.

Ainsi qu'il ressort de la figure 1, le procédé de l'invention comporte principalement les étapes suivantes, pour détecter et quantifier des signes 30 cutanés sur une zone de peau. Au préalable (étapes préliminaires 1 et 2), on identifie une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés (notés Di) et une pluralité de types de signes cutanés (notés Si) et (étape préliminaire 3), en fonction de ces degrés Di et de ces types de signes Si, une pluralité de longueurs d'onde Ài choisies en sorte que, à chaque combinaison d'un type quelconque de signe cutané et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau. A titre d'exemple, ainsi que cela sera commenté plus loin, on peut se contenter de distinguer deux degrés d'intensité de couleur de peau, à savoir des « peaux claires » et des « peaux foncées » (par exemple notés Dl et D2). Par ailleurs, le choix des types de signes cutanés, et de leur nombre, dépend des besoins ; à titre d'exemple, on distingue au moins : - les rides, en distinguant éventuellement, en fonction de leurs emplacements - le sillon naso-génien (en anglais «naso-labial fold »), - les rides du front, - les rides dites « rides du Lion », situées entre les sourcils (en anglais « frown lines »), - les rides dites « rides de la patte d'oie », situées au coin des yeux (en anglais « crow's feet »), - les rides sous les yeux, - les rides du coin de la bouche, - les rides du contour des lèvres, - les taches, en distinguant éventuellement entre les taches de rousseur et les taches de vieillissement et - les pores et squames, voire - les télangiectasies (« télangiectasies » en anglais), c'est-à-dire les petites dilatations des vaisseaux superficiels. Les longueurs d'onde sont choisies en sorte de permettre, pour chacun des degrés d'intensité de couleur de peau, d'identifier au moins certains des types de signes cutanés que l'on souhaite pouvoir détecter et quantifier. Ainsi que cela apparaîtra plus loin, il est possible de ne retenir que trois longueurs d'onde, pour pouvoir détecter et quantifier des signes des types précités, aussi bien dans le cas de peaux claires que dans celui de peaux foncées ; en pratique il semble inutile de mettre en oeuvre plus de 6 longueurs différentes. Comme indiqué ci-dessus, la prise d'une image monochrome, correspondant à une fréquence donnée, peut correspondre à une saisie, uniquement à la fréquence donnée, d'une image d'un objet recevant un éclairage polychrome, ou à une saisie polychrome d'une image d'un objet recevant un éclairage limité à cette fréquence spécifique. Les diverses corrélations entre les diverses longueurs d'onde et les divers couples « type de signe »/ « degré d'intensité » peuvent avoir été validées et enregistrées au préalable, de sorte que, dans la pratique, la mise en oeuvre du procédé peut se limiter aux étapes suivantes. On commence (étape 4) par prendre des images d'une zone choisie du visage d'un sujet (voire du visage en son entier) à chacune des longueurs 15 d'onde de la pluralité de longueurs d'onde prédéterminées. On identifie (étape 5) à partir d'au moins certaines de ces images le degré d'intensité de couleur de peau correspondant à la personne concernée. On sélectionne (étape 6), en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison 20 de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter. On traite au moins cette image sélectionnée (étape 7), à l'aide d'au moins un algorithme et de paramètres essentiellement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes du type 25 que l'on cherche à détecter.

La figure 2 représente de manière schématique un système adapté à la mise en oeuvre d'un tel procédé. Il comporte principalement : 30 - une caméra numérique 11, - un dispositif d'illumination 12, - des interfaces 13 et 14 associés à cette caméra et à ce dispositif d'illumination, - un dispositif 15 d'interface avec un PC, - un PC 16 comportant des modules (non représentés) adaptés à effectuer les opérations du procédé, - une source d'alimentationl7.

La figure 3 représente une configuration préférée du dispositif de capture d'image et du dispositif d'illumination. Ce dispositif d'illumination 12 comporte une surface concave destinée à être tournée vers un sujet dont on souhaite diagnostiquer l'état de la peau, de préférence matérialisée par un écran diffuseur concave 12B, par exemple en « plexiglass ®» cintré. Derrière cet écran sont réparties des sources monochromes 12A, de préférence constituées par des diodes LED, émettant chacune à l'une des longueurs d'onde choisies ; les diodes émettant à chaque longueur d'onde donnée sont avantageusement réparties régulièrement parmi les autres, de sorte que, lorsque les diodes LED correspondant à une seule de ces longueurs d'onde sont alimentées, elles assurent un éclairage régulier et uniforme sur la zone de peau à caractériser.

De préférence, aux diodes LED correspondant respectivement à chacune des longueurs d'onde choisies sont ajoutées, de manière également uniformément répartie, des diodes LED de lumière blanche ; ces diodes permettent de varier les éclairages, notamment en dehors des étapes de capture d'images, par exemple lors d'éventuels dialogues d'une opératrice du système avec la personne dont la peau va faire, ou a fait, l'objet de captures d'images. Le dispositif de prise d'image 11 est de préférence disposé au centre de la surface d'illumination concrétisée par l'écran de diffusion, en traversant ce dernier.

On comprend que le sujet dont on veut diagnostiquer l'état de la peau se place en une position centrée par rapport à la surface cintrée du dispositif de la figure 3 ; on procède ensuite à des captures successives d'image à chacune des longueurs d'onde choisies. En fonction des besoins, l'éclairage ambiant (en dehors de l'illumination que peut provoquer le dispositif d'illumination 12) peut être modifié, ou non, au moment des captures d'image. De manière avantageuse, les captures d'image résultent de la prise de deux images successives, dont l'une est prise avec l'éclairage ambiant, (éventuellement complété par une partie de la puissance des diodes blanches, lorsqu'elles existent), et l'autre est prise avec le même éclairage ambiant mais en ajoutant un éclairage à la fréquence/longueur d'onde à laquelle doit correspondre l'image que l'on veut capturer ; cet éclairage monochrome doit être suffisamment puissant pour provoquer une différence entre les deux images brutes successives, mais pas trop puissant pour ne pas risquer de provoquer de saturation au sein du dispositif de capture d'image. Par différence entre les images successives, on identifie l'image capturée à la fréquence en cause La figure 4 représente à titre d'exemple une séquence d'illumination au cours d'une séance de prise d'images. Ce graphique représente une séquence de prise de trois images successives, pour une même longueur d'onde ; un premier cycle consiste à prendre (à l'instant désigné par « Shot 1 ») une première image en appliquant aux diodes LED associées à ladite longueur d'onde un niveau faible d'excitation puis une image sans excitation de ces LED (à l'instant désigné par « Shot dif ») ; un second cycle est ensuite déclenché différant du premier cycle par le fait que le niveau d'excitation des diodes à la longueur d'onde en question est plus important (il y a ici aussi deux captures d'images, aux instants désignés par « Shot2 » puis « Shot dif »), et un troisième cycle est ensuite déclenché avec un niveau maximal d'excitation pour ces diodes (ici encore avec capture de deux images, aux instants « Shot3 » et « Shot dif »). Les instants « Shot dif » sont désignés, dans chacun des cycles par la même appellation pour signifier que, en principe, les images correspondantes sont identiques, étant prises avec le même éclairage ambiant. On comprend que la durée des impulsions d'excitation appliquées aux diodes associées à chaque longueur d'onde, ainsi que les intervalles entre les prises d'image, est arbitraire ; à titre d'exemple, les cycles se suivent avec des intervalles inférieurs à de l'ordre d'une seconde. En fait les variations de luminosité et de couleur ressenties par le sujet peuvent contribuer à le détendre et donc à améliorer la pertinence des diagnostics qui vont être réalisés sur la base des images ainsi capturées. L'image qui est ensuite conservée est de préférence celle correspondant à l'intensité maximale des diodes monochromes sans avoir de saturation, mais les cycles préalables auront permis de minimiser tout risque de crispation du sujet au moment de l'illumination maximale. Une telle démarche permet de surmonter les difficultés dues au fait que : - l'éclairage ambiant ne peut être contrôlé, - la pose par le sujet ne peut pas être trop longue pour celui-ci au point de lui provoquer des mouvements intempestifs.

Les résultats du traitement des images sont visualisés, sur un écran ou imprimés : ces résultats comportent de préférence l'identification des types de signes explorés, avec une indication du niveau de leur présence (fréquence et/ou taille, selon le paramétrage des algorithmes utilisés). A titre d'exemple, on procède ainsi à une acquisition d'images, puis à une étude de l'image comportant les étapes suivantes : * on distingue s'il s'agit d'une peau claire ou foncée, * on lance des algorithmes afin de détecter les différents critères cosmétologiques et, pour chacun des algorithmes, on stocke les données nécessaires pour la classification (qui permettent une gradation pour chaque critère du visage considéré), et on sauvegarde les résultats visuels de détection dans un répertoire prédéfini. A titre d'exemple, on écrit les résultats dans un fichier qui peut n'être qu'un fichier texte tel que : Nom du sujet : C002 Peau Claire Grade 3 Sillon naso-génien : Rides Front : Grade 4 Rides du Lion : Grade 3 Rides de la patte d'oie : Grade 230 Rides du coin des yeux : Grade 5 Rides du coin de la bouche : Grade 3 Rides contour des lèvres : Grade 2 Taches Front : Grade 1 Taches Joues : Grade 1 Télangiectasies Grade 2 Pores : Grade 1 Squames Grade 1 Cernes : Grade 2 A titre d'exemple, le grade 1 correspond à une présence faible ou nulle tandis que le niveau 5 correspond à un maximum. Les résultats stockés peuvent aussi comporter l'une au moins des images prises en considération. 15 Degré d'intensité de couleur de peau On peut noter que l'invention ne fait pas intervenir les notions classiques d'ethnie, telle que les ethnies caucasienne, asiatique, africaine, hispanique ou indienne ; en effet, elle ne fait intervenir, au moment des 20 sélections de traitement, que la notion de degré d'intensité de couleur de peau. Nous avons effectué des analyses de classification sur un panel de photographies. Il est apparu que, indépendamment des ethnies, on pouvait identifier des groupes globalement homogènes lorsqu'on retenait comme caractéristique l'intensité de la couleur de peau. 25 Cela a pu s'expliquer, et se justifier, avec différentes méthodes de classification (en anglais « clustering »). Dans l'exemple donné ici à la figure 5, qui représente graphiquement une analyse réalisée sur une base de données photographique de 470 photos de volontaires, nous avons utilisé l'analyse connue sous le nom de « Analyse en Composantes Principales » (ACP en 30 abrégé). Il est à noter que nous aurions pu tout aussi bien utiliser d'autres méthodes de classification telles que, par exemple, celles connues sous les appellations anglo-saxonnes de « Non-negative Matrix Factorization (NMF) » ou « Independent Component Analysis (ICA) ». Pour chacune de ces images on a mesuré les valeurs moyennes des 35 composantes RGB (c'est-à-dire en rouge, vert et bleu) du visage et appliqué une ACP sur cette composante moyenne.. Les résultats de l'ACP sont 10 présentés dans la figure 5 qui représente tous les points correspondant aux volontaires faisant l'objet des 470 photos, placés dans le repère formé par les deux premières composantes principales de l'ACP. Ces points ont été séparés arbitrairement en 5 régions (symbolisées par les 5 rectangles) en fixant 4 seuils sur les valeurs de la première composante principale. Ces résultats montrent nettement que la première composante principale est associée avec la nature claire ou foncée de la peau, indépendamment de l'ethnie. Par exemple, les volontaires hispaniques sont dispersées entre le premier rectangle (avec une valeur moyenne de la première composante de -0,3) et l'avant-dernier (avec une valeur moyenne de 0,25). Les résultats de l'ACP montrent très clairement que la première composante principale permet d'expliquer quasiment toute la variation de couleur de peau entre les volontaires : 98,7% de cette variation peut être modélisée par une variation de la valeur de cette composante. Par exemple la volontaire située en bas à droite de la Figure 5 a une valeur de cette composante supérieure à 0,5, alors que celle en bas à gauche a une valeur de l'ordre de -0,2. La variation entre -0,4 et 0,6 de la valeur de la première composante principale est donc capable de représenter les variations de couleur de peau de toutes les ethnies.

Il est ainsi justifié de fonder les choix sur la couleur de peau (plus précisément le degré d'intensité de couleur de peau) plutôt que sur la notion d'ethnie, ce qui permet une grande simplification des traitements, puisqu'il suffit de distinguer deux degrés d'intensité de couleur de peau. On peut obtenir le même type de résultats avec d'autres méthodes de classification et il est à noter que suivant la méthode utilisée il est possible d'avoir une séparation en autant de classes d'intensité de couleur de peau que l'on souhaite.

Choix du degré d'intensité de couleur de peau La figure 6 représente l'histogramme des valeurs de la première composante principale pour les 470 volontaires. On note deux composantes dans cet histogramme, mises en valeurs par les lignes bombées en définissant l'enveloppe. Le seuil caractéristique séparant ces deux composantes peut être trouvé de façon automatique par un algorithme de binarisation d'histogramme simple (tel l'algorithme d'Otsu) : on trouve un seuil égal à So. L'ACP permet de trouver un seuil avec une composante. On pourrait trouver n seuils pour avoir n+1 classes suivant la méthode de classification (« clustering ») utilisée. Ainsi, si la valeur de la première composante principale pour une volontaire est supérieure à So, alors cette volontaire sera considérée comme ayant une peau foncée et elle sera considérée comme à peau claire dans le cas contraire.

Degré d'intensité de couleur de peau pour un nouveau sujet Supposons qu'une nouvelle image de sujet soit fournie, il reste à la classer dans l'un des deux groupes de peau. Pour ce faire, l'Analyse en Composantes Principales n'est rien d'autre qu'un changement de base entre deux repères, dont le premier est (R,G,B) (mesuré) et le second (x,y,z) qui minimise la variance de l'ensemble final de points. Pour classer la nouvelle image, il suffit donc de comparer sa coordonnée x0 dans le nouveau système d'axes avec le seuil déterminé pour le groupe test. Pour cela, on mesure les valeurs moyennes <R>, <G>, et <B> dans la nouvelle image. Une fois ces valeurs <R>, <G> et <B> obtenues, cela signifie que la nouvelle image est vue comme un point dans le référentiel (R,G,B). Il faut donc changer de base et ceci se fait naturellement en calcul matriciel avec la matrice de changement de base obtenue pour l'ensemble de test. Les coefficients de la transformation sont représentés sous forme d'une matrice, dont chaque colonne correspond à une composante. De manière connue en soi, ces colonnes sont classées en fonction de la composante principale la plus significative à la composante la moins significative. On sait en déduire les coordonnées du point dans le nouveau référentiel. Le point de coordonnées (x0,y0,z0) ainsi obtenues est le point représentatif de la nouvelle personne dans la base de composantes principales et c'est la valeur x0 qui pourra être comparée au seuil So pour décider dans quelle groupe on classe la nouvelle volontaire. Si on est en dessous du seuil, il s'agira d'une peau claire, et si on est au dessus il s'agira d'une peau foncée.

Alqorithmes de détection Divers exemples sont donnés ci-dessous quant à la manière dont on peut, par le choix approprié d'algorithmes et/ou de leurs paramètres, caractériser les divers types de signes cutanés.

a. Pores/Squames Les algorithmes de détection des pores et des squames sont sensiblement les mêmes, même si la phase préliminaire de mise en évidence de ces caractéristiques à l'aide d'une opération morphologique diffère. Notons que l'on ne cherche pas ici à détecter de façon exhaustive les pores ou les squames présentes dans une zone, mais plutôt à en évaluer les zones de densité significative. En effet, on s'aperçoit qu'un comptage exhaustif requiert une détection avec un seuil très bas et donc l'apparition non négligeable de faux positifs ; or un tel comptage exhaustif n'est pas nécessaire dans les faits.

Algorithme général : 1. Opération morphologique sur image en intensité ou RGB 2. Lissage de l'image résultat 3. Détection des pics lissés. On ne retient que les pics statistiquement significatifs. Ces trois opérations forment l'ossature de l'algorithme, mais les détails d'implémentation de chaque étape peuvent changer (l'opération morphologique et le lissage peuvent différer ainsi que la manière de détecter les pics significatifs). Dans la suite, nous présentons un exemple d'implémentation.

Les pores sont des petites zones foncées disposées sur une région plus claire (peau). On peut donc les mettre en évidence en utilisant un « bottom-hat » (opération morphologique connue en soi sur une image en niveaux de gris).

Les squames sont des petites zones claires disposées sur une région plus foncée (peau). On peut donc les mettre en évidence en utilisant un « top-hat » (autre opération morphologique connue en soi sur une image en niveaux de gris). Le résultat de ce traitement est une image d'intensité où les squames apparaissent avec une intensité plus ou moins forte selon leur contraste sur l'image originale.

Algorithme L'image issue du traitement morphologique (« bottom-hat » ou « top- hat ») présente un grand nombre de maxima locaux (ou de régions de maxima locaux, c'est à dire englobant les maxima non stricts). En effectuant un lissage gaussien on atténue le bruit et les pics associés aux structures recherchées deviennent ainsi plus réguliers. On effectue une détection de l'ensemble de ces maxima locaux à l'issue du lissage. On ne souhaite garder que ceux d'amplitude significative. On utilise un seuil choisi suffisamment bas afin de ne pas éliminer les structures peu contrastées. Parmi les maxima détectés, on regarde la décroissance lorsqu'on s'éloigne de la position maximale du pic. On utilise pour cela les lignes de niveau de l'image morphologique. Pour chaque maximum on regarde si la décroissance autour de ce maximum est régulière et significative (évolution des lignes de niveau concentriques). On ne retient que les structures dont les lignes de niveau valident un certain nombre de critères, à savoir : - Un nombre de contours au moins égal à un seuil minimum prédéterminé, - dont l'évolution d'un niveau au niveau inférieur est régulière. Cette régularité est mesurée à l'aide des paramètres suivants (comparaison de deux contours successifs): o périmètres comparables (rapport des périmètres inférieur à un seuil prédéterminé) o écart maximum entre les contours adjacents pas trop éloigné de l'écart moyen (cela implique un seuil d'écart également prédéterminé), o formes des contours plutôt rondes (cela implique le choix de facteurs de forme, comparés au rapport de la surface entourée par un contour par son périmètre) Selon le choix de ces facteurs de forme, on admet des formes plus ou moins allongées pour les pores / squames. Il est à noter que la détermination des seuils intervenant dans les quatre critères définit complètement la détection des pics et donc celle des pores / squames. Pour une zone de joue donnée, la structure est segmentée en utilisant le dernier contour valide, c'est à dire celui de niveau le plus faible. Le résultat final associé à la détection de pores sur une zone de joue prise à titre d'exemple est visualisé sur la figure 7. A titre d'exemple, on fixe 15 niveaux uniformément répartis entre un niveau minimum et un niveau maximum, sachant que les images morphologiques ne sont pas normalisées et que le niveau maximum correspond avantageusement au niveau observé sur des images avec des motifs bien mis en évidence. Le nombre de ces niveaux et les niveaux minimum et maximum sont à adapter aux images résultats des prises de vue.

Paramètres Les différents paramètres de l'algorithme sont ainsi, par exemple, les suivants : Définition du paramètre Taille de l'élément structurant pour la transformation morphologique Nombre minimal de contours retenus autour d'un maximum local Seuil maximal de comparaison des périmètres pour 2 contours successifs Rapport de l'écart maximum entre deux contours consécutifs et leur écart moyen Forme d'un contour plutôt ronde : valeur de S/P"2 avec S = surface et P = périmètre25 b. Cernes Les cernes sont un signe cosmétologique extrêmement répandu : elles sont le résultat des variations colorées de la peau, formant des régions de couleur plus ou moins prononcées sous les paupières inférieures.

Il existe une variabilité intra-ethnique importante relative à la couleur de peau des volontaires. Ceci rendu utile de développer deux algorithmes distincts de détection des cernes, en fonction de la couleur de peau (voir ci-dessus) des volontaires ; ces deux algorithmes sont exposés ci-dessous à titre d'exemple.

Algorithme « Peaux Claires » (ou PC)

Une fois que la volontaire a été classée en peau claire, la première étape de l'algorithme de détection des cernes consiste en la transformation de l'image de l'espace de couleur RGB vers l'espace L*a*b. En effet, les deux bandes L et a sont celles qui vont être utilisées pour segmenter l'image en zones de cernes et zones sans cerne. Une segmentation colorimétrique est effectuée qui sépare les zones autour des yeux en différentes zones de couleur homogène. Une fois cette image segmentée obtenue, on définit quelles régions correspondent à un cerne et on nettoie ces zones (essentiellement par des transformations morphologiques comme érosions/dilatations). La zone finale du cerne est ensuite déduite et les descripteurs finaux mesurés sur cette zone (surface, intensité moyenne dans différentes bandes, intensité relative rapportée à l'intensité de la peau sans cerne,...).

Les diverses étapes sont ainsi par exemple : - définitions des zones à traiter (ce qui peut être fait au moyen d'un modèle morphologique), - segmentation des zones ainsi sélectionnées, - nettoyage de ces zones, typiquement par dilatation, érosion et élimination de la zone de la pupille et de l'ombre du nez, puis - restitution du résultat sous la forme par exemple d'une image faisant ressortir les contours du cerne (voir la figure 8). 19 Algorithme « Peaux Foncées » (ou PF)

De même que pour les peaux claires, on travaille dans l'espace de couleur L*a*b. En revanche, la segmentation colorimétrique est faite sur la bande "b" du système L*a*b. Ensuite, l'algorithme est le même que celui pour les peaux claires.

c. Taches On comprend que la notion de taches peut différer selon le degré d'intensité de couleur de peau (taches foncées sur une peau claire, taches claires sur une peau foncée, etc.).

L'algorithme de détection des taches utilise la bande b, après transformation de l'image RGB en L*a*b. Une transformation morphologique de l'image en bande b lissée (ouverture) et un rehaussement de contraste permettent d'obtenir l'image initiale de travail. Sur la zone que l'on traite, on divise l'image en plusieurs carrés (de taille différente en fonction de la zone étudiée) afin de s'affranchir de la non-uniformité de l'illumination. Dans chacune de ces zones carrées, un premier seuillage en bande b ne garde que les pixels ayant des grandes valeurs de b : en pratique, on détermine un seuil en b en dessous duquel se trouve un pourcentage donné des pixels. Les pixels ayant une valeur de b au dessus du seuil sont considérés comme faisant partie d'une tache, les autres exclus des taches. Après avoir parcouru tous les carrés, on obtient une image binaire de la zone étudiée (1 pour les pixels inclus dans une tache (avant nettoyage) et 0 pour ce qui n'est pas considéré comme étant une tache). Cette image nous permet d'obtenir une première détection de toutes les taches de la zone. On étiquette toutes les taches et on élimine les taches trop petites. Enfin, les propriétés statistiques de chaque tache de la zone sont comparées aux propriétés statistiques de la peau sans tache (pixels ayant été marqués 0 lors du premier seuillage) afin de valider la détection de chacune des taches. On compare en particulier la valeur moyenne et l'écart-type de chaque tache avec celles de la peau, ce qui nous permet de rejeter statistiquement les taches ayant une trop grande proximité avec la peau. D'autres critères statistiques peuvent être utilisés pour affiner la détection. d. Télanqiectasies

La télangiectasie désigne une dilatation vasculaire anormale par sa taille et par sa permanence. Elle est rouge, non pulsatile et forme un trait fin, 10 tortueux, souvent en arborisation ou en réseau et est le plus souvent localisée, en particulier au visage. On comprend que ce type de signe cutané peut ne pas exister ou ne pas être détectable sur des peaux foncées.

L'algorithme de détection des télangiectasies est comparable à celui 15 de détection des taches, mais l'image de départ est l'image en bande a, après passage de RGB en L*a*b. De plus, les seuils séparant pixels inclus dans des télangiectasies des pixels de la peau sont différents, de même que la transformation morphologique permettant d'obtenir l'image de travail. Enfin, la zone de détection n'est pas découpée en carrés, car les zones présentant des 20 télangiectasies ont moins de problèmes d'uniformité de l'illumination. Une transformation morphologique de l'image en bande a lissée (tophat) et un rehaussement de contraste permettent d'obtenir l'image initiale de travail. Sur la zone que l'on traite, un premier seuillage en bande a ne garde que les pixels ayant des grandes valeurs de a : en pratique, on détermine un seuil en a en 25 dessous duquel se trouve un pourcentage donné des pixels. Les pixels ayant une valeur de a au dessus du seuil sont considérés comme faisant partie d'une télangiectasie, les autres exclus. On obtient une image binaire de la zone étudiée (1 pour les pixels inclus dans une télangiectasie (avant nettoyage) et 0 pour ce qui est considéré comme étant de la peau). Cette image nous permet 30 d'obtenir une première détection de toutes les télangiectasies de la zone. On étiquette toutes les télangiectasies et on élimine celles qui sont trop petites. Enfin, les propriétés statistiques de chaque télangiectasie de la zone sont comparées aux propriétés statistiques de la peau (pixels ayant été marqués 05 lors du premier seuillage) afin de valider la détection de chacune des télangiectasies. On compare en particulier la valeur moyenne et l'écart-type de chaque télangiectasie avec celles de la peau, ce qui nous permet de rejeter statistiquement les télangiectasies ayant une trop grande proximité avec la peau. D'autres critères statistiques peuvent être utilisés pour affiner la détection. e. Rides Les types de rides concernées sont notamment les suivantes : - les rides d'expression du front - les rides du lion - les rides de la patte d'oie - les rides sous les yeux - le sillon nasogénien - les rides du contour des lèvres - les rides du coin de la bouche Algorithme A titre d'exemple, pour détecter ces signes, les algorithmes utilisés sont principalement basés sur les « curvelets » (voir : Candès E, et Donoho D., « Curvelets A surprisingly effective nonadaptative representation for objects with edges, curves and surfaces », Curves and Surfaces 1999). Ces derniers constituent une version spécialisée de la famille des ondelettes anisotropes qui sont très bien adaptées à la représentation des discontinuités le long des contours. Les paramètres utilisés pour les curvelets, ainsi que les seuils pour l'extraction des rides sont fonction de la taille (grossière ou fine) de la ride à détecter. Un post traitement est ensuite généralement utile suivant l'orientation de la ride, pour l'isoler des structures moins intéressantes. Tous les algorithmes de détection des rides peuvent suivre le même schéma explicité ci-dessous : - Calculer la transformée en curvelets sur l'image à traiter I. - débruiter l'image I en seuillant les images dans l'espace des curvelets, avec un paramètre approprié à chaque type de ride (écart-type du bruit sigma). On obtient l'image une image « le ». - Appliquer un traitement morphologique (top hat ou bottom hat selon l'image utilisée au départ) pour mettre en évidence les contours d'intérêt. On obtient l'image « Icm ». - Seuiller l'image Icm, pour produire une image binaire ne contenant que les structures précédemment mises en évidence. La valeur du seuil varie en fonction du type de rides à détecter, et est du type moyenne(Icm) + k * écart-type(Icm). Soit « Icros » l'image seuillée. - On applique ensuite un post-traitement pour éliminer les éléments de l'image Icms qui ne correspondent pas au type de rides recherché. Les critères de sélection regroupent, entre autres, la taille, l'orientation et la forme. Les structures restantes sont considérées comme les rides et leurs descripteurs sont donc calculés. La nature des descripteurs dépend du type de rides mais peuvent aller de la taille, la longueur ou l'intensité moyenne. L'algorithme général résumé ci-dessus est à adapter à chaque type de ride. Les paramètres d'adaptation sont les suivants : - l'image I sur laquelle la transformée en curvelet et les opérations suivantes sont effectuées (par exemple : image L, image b,...) - L'opération morphologique effectuée avant seuillage sur l'image I transformée - La taille de l'élément structurant de cette opération morphologique - sigma (paramètre du débruitage en curvelet) - k (paramètre donnant la valeur du seuil pour seuillage final).

Alqorithmes de classification En général, le choix de la méthode de classification dépend des données dont on dispose. Dans notre cas, puisque nous disposons des images et des grades associés, il est donc plus intéressant de faire usage de méthodes de classification supervisées. La méthodologie de classification présentée ici à titre d'exemple repose ainsi sur 2 piliers :

1. Extraction des descripteurs des images Les descripteurs, encore appelés caractéristiques ou paramètres, sont un ensemble de mesures obtenues à partir de l'image, et qui permettent de la décrire ou de la caractériser. Ils décrivent le contenu de l'image et permettent donc de l'identifier. 2. Classifications supervisées Ces dernières ont pour stratégie d'utiliser un ensemble d'échantillons (dit d'apprentissage) pour apprendre les paramètres de classification (et construire un modèle), et les tester sur un autre ensemble (dit de test) permettant de définir la qualité de la classification. C'est la phase de prédiction, qui consiste à utiliser le modèle construit pour attribuer une classe à une nouvelle image. A titre d'exemple, nous montrons ci-dessous l'application de la méthode de classification SVM (Machines à vecteurs de support), qui repose sur un critère de maximisation de la marge de séparation entre les classes, sur les descripteurs tirés d'images de rides du lion. Le type de descripteurs utilisés est important car le succès des opérations ultérieures dépend de cette information extraite de l'image.

Identification et extraction des descripteurs dans le cas des rides du lion Les critères dont nous avons besoin pour classifier les rides du lion, par exemple, ne sont pas forcément les mêmes que ceux que nous utiliserons pour les taches. En outre, pour chaque critère, les descripteurs doivent être assez pertinents pour qu'on puisse reconnaître toutes les images d'un même grade, et en même temps assez discriminants pour qu'il n'y ait pas de confusions avec les autres classes.

En pratique, sur les rides du lion on constate que suivant les grades, le nombre de rides varie, de même que la longueur et l'épaisseur de ces rides. On peut donc en déduire que ces caractéristiques devront être prises en compte pour espérer pouvoir séparer les différents grades des rides du lion Dans la présente étude, on a donc principalement utilisé des descripteurs spectraux (niveaux de gris de différentes bandes spectrales, histogrammes) et géométriques (mesures de forme). Un récapitulatif des descripteurs extraits pour les rides du lion est donné ci-dessous : - nombre de rides, - épaisseurs des deux plus longues rides, - longueurs des deux plus longues rides. Sélection des descripteurs Après la procédure d'extraction des descripteurs, l'image est donc représentée comme un ensemble de ces caractéristiques. Ces dernières sont souvent combinées ou concaténées pour améliorer les performances de la classification. Il est important de prendre en compte la dimensionnalité des données, c'est-à-dire le nombre de caractéristiques, ce dernier pouvant influencer de manière significative les résultats de classification. En effet, la performance des classificateurs n'augmente pas indéfiniment avec la taille du vecteur des descripteurs. Par ailleurs la complexité de la classification, en termes de temps de calcul, augmente avec la taille du vecteur de caractéristiques. Il est donc intéressant de limiter le nombre de descripteurs effectifs au nombre "optimal", en sélectionnant les descripteurs les plus pertinents. Cette sélection des descripteurs peut être opérée de plusieurs manières, suivant la méthode de classification utilisée. Par exemple, la sélection d'un sous-ensemble pertinent à partir d'un ensemble de descripteurs s'effectue en calculant un score pour chaque descripteur, en fonction des valeurs de ces descripteurs, et du nombre d'exemples positifs et négatifs. On obtient ainsi un ordonnancement des descripteurs, ce qui permet de ne garder que les n premiers descripteurs qui donnent les meilleures performances lors de l'évaluation du modèle généré pendant la phase d'apprentissage. 25 Lonqueurs d'onde de prise d'imaqes A la plupart des signes, on peut associer une bande spectrale dans laquelle ce signe a un rapport signal-sur-bruit maximal.

Les longueurs d'ondes indiquées dans le tableau suivant sont celles dans lesquelles un critère est le plus visible (on peut voir ce critère en dehors de ces bandes mais son contraste est beaucoup plus faible).

On peut noter que la longueur d'onde de 570 microns pourrait également convenir pour les peaux foncées, à la place de la fréquence de 620 microns (elle serait à peine inférieure au seuil mini pour les cernes, mais serait bien située dans les plages des autres défauts) ; il en découle que, en se limitant à à peine deux longueurs d'onde à de l'ordre de 500 microns et 570 microns, il est possible de détecter les types de signes cutanés précités. Toutefois, en variante, on peut combiner les fréquences de 620 microns et de 570 microns pour les peaux foncées et traiter celles des images qui permettent un contraste optimal ; c'est ainsi que, de manière avantageuse, il y a au moins trois longueurs d'onde, ici de 500, 570 et 620 microns.

Les taches (dont les lentigines et les éphélides sont des exemples) sont tracées principalement par l'absorption de la mélanine (exponentielle décroissante dominante vers 500nm pour les peaux claires). En revanche, pour les peaux foncées, la présence massive de mélanine dans toute la peau ainsi que la dégradation du signal sur bruit vers 500nm déplace les bandes de visibilité des taches vers 560-630nm. Les cernes sont très visibles autour des pics de l'hémoglobine. Ceci peut sans doute s'expliquer par la finesse de la peau au niveau des cernes, et donc une meilleure absorption des vaisseaux sanguins. 546 576 570 576 648 620 Exemples de Critères L Min Peaux Claires L Max L Choisie L Mn Peaux Foncées L Max L Choisie 494 508 500 558 658 620 494 590 570 558 630 620 546 594 570 488 498 500 560 630 620 Il est rappelé qu'un chromophore est une molécule qui absorbe de l'énergie électromagnétique à une longueur d'onde donnée, avec un rendement caractéristique donné par le coefficient d'extinction de la molécule. Par exemple, le carotène est le chromophore qui donne leur couleur à de nombreux fruits (comme les carottes), cette molécule absorbe en effet les longueurs d'ondes dans la gamme bleue du spectre visible et ne renvoie donc que la couleur complémentaire (orange et rouge). La mélanine et les hémoglobines sont les chromophores les plus importants pour la compréhension du fonctionnement de la peau.

La mélanine de la peau est le chromophore dominant de l'épiderme. Il existe deux types de pigments de mélanine : l'eumélanine et la phéomélanine. L'hémoglobine est un chromophore rouge que l'on trouve essentiellement dans les globules rouges. Quand l'hémoglobine contient de l'oxygène, on parle d'oxyhémoglobine. Dans le cas contraire on parle de déoxyhémoglobine. En première approximation, l'épiderme peut être vu comme une couche de mélanine et le derme comme une couche d'hémoglobine. Par conséquent, la couleur de la peau va dépendre de la variation des quantités d'hémoglobine et de mélanine. L'oxyhémoglobine et la déoxyhémoglobine possèdent des pics d'absorption qui leur sont caractéristiques, et on observe des maxima d'absorption pour l'oxyhémoglobine et la déoxyhémoglobine autour de 430 nm et 550 nm dans le spectre visible.

A titre d'exemple, un système de mise en oeuvre de l'invention (tel 25 que celui de la figure 2 ou 3) comporte : * un dispositif de capture d'image comportant Un capteur de 5 Mpixel au moins Une focale fixe sans autofocus * des LED ayant les longueurs d'onde suivantes 30 - À-500 nm, c'est-à-dire une teinte bleue-verte, - À -570 nm, c'est-à-dire une teinte jaune orangée, - À -620 nm, c'est-à-dire une teinte rouge - Une LED blanche, par exemple de type "blanc chaud".

On notera que, dans ce qui précède, plusieurs points originaux en soi peuvent être identifiés comme suit :

- Pré-classification automatique des visaqes selon deux critères : Les algorithmes sont adaptés à différentes couleurs de peau (soit via des algorithmes différents, soit via les mêmes algorithmes qui prennent en entrée des images différentes, soit via des algorithmes qui ont des paramètres différents pour des couleurs de peau différentes). Grâce à l'invention, on dispose d'une méthode qui permet d'acquérir une image d'un nouveau sujet et de choisir automatiquement l'algorithme sans aucune intervention d'un opérateur : on la classe de façon automatique grâce aux résultats de l'ACP pour la couleur de peau et donc le choix de l'algorithme ou des paramètres à utiliser est aussi automatique. Les critères utilisés pour la pré-classification sont : o couleur de peau (principalement) : Une étude utilisant une ACP (Analyse en composantes principales) a été effectuée sur des zones de joues de 470 images de la base de données photographiques et a permis de dégager un seuil séparant les peaux claires des peaux foncées. o Morphotvpe (subsidiairement) : une indexation (c'est-à-dire le fait de mesurer les points caractéristiques d'un visage ; l'indexation peut être manuelle, ou de préférence automatique) de la majorité des images de la base de données a été effectuée. Les informations contenues dans cette indexation permettent de classifier les visages en fonction de leur morphotype et donc de pouvoir dégager facilement les zones caractéristiques du visage (front, nez, yeux, bouche, menton, oreilles,...), ce qui peut contribuer à faciliter le traitement automatique.

Le fait d'utiliser principalement le premier de ces critères, éventuellement en combinaison avec le second, pour pré-classifier les visages et les 25 30 traiter automatiquement avec des algorithmes différents apporte des avantages tout à fait significatifs.

- Curvelets pour la détection des rides : utilisation des curvelets pour détecter les rides : généralisation des ondelettes, elles utilisent des fonctions de base possédant une localisation spatiale, une échelle (comme les ondelettes) mais aussi une direction. Ceci leur confère une grande sensibilité pour détecter des structures longues et peu épaisses et permettent de ne choisir que les structures ayant une direction donnée (intéressant pour les rides du front qui sont horizontales, par exemple ou pour la plupart des rides qui ont une direction donnée).

- Utilisation de SVM pour la classification en grades : Utilisation de méthodes de type SVM (support vector machines) pour la classification en grades après extraction des descripteurs. Ces méthodes, nécessitant un apprentissage, permettent de classifier de façon probabiliste les descripteurs dérivés de la détection. Il ne nous semble pas qu'elles aient été utilisées encore pour discriminer des grades cutanés. - Application d'une stratéqie d'acquisition différentielle d'imaqes : pour éviter les problèmes dus à un environnement lumineux non contrôlé, on applique cette stratégie qui consiste en la prise de deux images consécutives, l'une éclairée avec l'éclairage ambiant et l'autre avec l'éclairage ambiant et un éclairage contrôlé. Puis on soustrait la seconde à la première et on obtient une image en environnement lumineux contrôlé.

- Plus généralement l'invention propose aussi une association de matériels et de logiciels pour effectuer une tache pour la cosmétologie, en mettant en oeuvre un appareil qui acquiert des images de façon différentielle en éclairant, au moment voulu, le visage à traiter et qui, de façon automatique, calcule des grades pour certains signes cutanés en utilisant des algorithmes dont les paramètres sont sélectionnés automatiquement suivant le type de peau du visage, ce qui apporte des avantages significatifs.

Claims (14)

1. REVENDICATIONS1. Procédé de détection et de quantification de signes cutanés sur une zone de peau, selon lequel : * on identifie pour une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés et une pluralité de types de signes cutanés, une pluralité de longueurs d'onde choisies en sorte que, à chaque combinaison d'un type quelconque de signe de peau et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau, * on prend des images d'une zone choisie du visage à chacune de cette pluralité de longueurs d'onde, * on identifie à partir de ces images le degré d'intensité de couleur de peau correspondant à la personne concernée, * on sélectionne, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter, - on traite au moins cette image sélectionnée, à l'aide d'un algorithme et de paramètres principalement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes dudit type que l'on cherche à détecter.
2. 2. Procédé selon la revendication 1, caractérisé en ce que la pluralité de longueurs d'onde comporte des longueurs d'onde de l'ordre de 500 nm et 25 570nm.
3. 3. Procédé selon la revendication 1 ou la revendication 2, caractérisé en ce que cette pluralité de longueurs d'onde est au plus égale à trois.
4. 4. Procédé selon la revendication 2 ou la revendication 3, caractérisé en ce que la pluralité de longueurs d'onde comporte en outre une longueur 30 d'onde à de l'ordre de 620 nm.
5. 5. Procédé selon l'une quelconque des revendications 1 à 4, caractérisé en ce que la pluralité de types de signes cutanés comporte des rides, des cernes et des irrégularités pigmentaires.
6. 6. Procédé selon l'une quelconque des revendications 1 à 5, caractérisé en ce que, pour l'un au moins des degrés d'intensité de peau, on choisit deux longueurs d'onde pour un même type de signe cutané.
7. 7. Procédé selon l'une quelconque des revendications 1 à 6, caractérisé en ce que la pluralité de longueurs d'onde est constituée de trois longueurs d'onde et la pluralité de degrés d'intensité de couleur de peau est constituée de deux degrés, à savoir les peaux claires et les peaux foncées.
8. 8. Procédé selon la revendication 7, caractérisé en ce que l'on affecte au plus deux longueurs d'onde pour les types de signes cutanés pour les peaux claires, et au plus deux longueurs d'onde pour les types de signes cutanés pour les peaux foncées.
9. 9. Procédé selon l'une quelconque des revendications 1 à 8, caractérisé en ce que les images sont prises par différence entre une première image brute prise avec un éclairage ambiant donné augmenté d'un éclairage spécifique à la longueur donnée et une seconde image brute d'une même zone de peau prise avec cet éclairage ambiant donné seulement.
10. 10. Procédé selon l'une quelconque des revendications 1 à 9, caractérisé en ce que l'on capture une pluralité d'images pour une même longueur d'onde, à des niveaux croissants de puissance d'éclairage, et on sélectionne l'image obtenue avec le plus haut niveau de puissance sans présenter de saturation.
11. 11. Dispositif de détection et de quantification de signes cutanés sur des zones de peau, comportant : * un dispositif de capture d'image, adapté à capturer une image d'une zone de peau placée en un emplacement donné, * un dispositif d'illumination, adapté à illuminer une zone de peau 30 placée dans l'emplacement donné, * un dispositif de traitement, des interfaces entre ce dispositif de capture, ce dispositif d'illumination et ce dispositif de traitement, tels que le dispositif de traitement traite des images capturées par le dispositif de capture d'image sous des éclairages déterminés par le dispositif d'illumination, ce dispositif de traitement contenant des données d'identification pour une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés et une pluralité de types de signes cutanés, d'une pluralité de longueurs d'onde choisies en sorte que, à chaque combinaison d'un type quelconque de signe de peau et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau, et étant conçu en sorte d'identifier dans des images capturées par le dispositif de capture d'image à l'une ou l'autre des longueurs d'onde le degré d'intensité de couleur de peau correspondant à la personne concernée, de sélectionner, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter, et de traiter au moins cette image sélectionnée, à l'aide d'un algorithme et de paramètres principalement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes dudit type que l'on cherche à détecter.
12. 12. Dispositif selon la revendication 11, caractérisé en ce que le dispositif d'illumination comporte une pluralité de sources lumineuses disposées autour du dispositif de capture d'image ayant l'une ou l'autre des longueurs d'onde choisies.
13. 13. Dispositif selon la revendication 12, caractérisé en ce que la pluralité de sources lumineuses est disposée sur une surface courbe concave dont la concavité est tournée vers ledit emplacement.
14. 14. Dispositif selon l'une quelconque des revendications 11 à 13, caractérisé en ce que le dispositif d'illumination comporte une pluralité de sources lumineuses élémentaires ayant des longueurs d'onde de l'ordre de 500, 570 et 620 microns.