JP2013534851A - 皮膚ゾーンにおける皮膚症状の検出および量子化方法および装置 - Google Patents

Abstract

皮膚ゾーンの皮膚症状を検出して量子化する方法であって、予め決められた肌の色の複数の濃淡度（１）と複数のタイプの皮膚症状（２）とに対して、選択された複数の波長（３）を識別することにより、皮膚症状のタイプと肌の色の濃淡度との各組み合わせにおいて、波長の１つが、このような肌の色の濃淡度を有する人の皮膚でこのようなタイプの症状を、コントラストによって検出できるようにされており、この複数の波長の各々で画像を捕捉し（４）、これらの画像から肌の色の濃淡度を識別し（５）、肌の色のこの濃淡度に応じて、検出しようとしているタイプの症状と肌の色のこの濃淡度との組み合わせに対応する上記画像の１つを選択し（６）、次いで、このように選択された画像を少なくとも処理して、検出しようとする上記タイプの症状を検出する（７）方法である。

Description

本発明は、皮膚ゾーン、特に顔のゾーン（さらには首）における各種の皮膚症状を自動的に（あるいは少なくとも半自動的に）検出して量子化する方法および装置に関する。これらの症状は、特に、くま、皺、色素沈着等とすることができる。これらのタイプの症状は、「グレード（ｇｒａｄｅｓ）」によって量子化可能である。

本明細書では、以下の意味でさまざまな用語を用いる。
−皮膚症状（ｓｉｇｎｅ ｃｕｔａｎｅ）。美容または治療による処置を当然受けるべきであると思われる、考慮された皮膚ゾーンの変化。これらの皮膚症状は、肌の老化、皮膚の乾燥、疲労、さらには肌の色の変化に関連する症状とすることができる。
・「皮膚の老化症状」とは、老化による皮膚表面の外観のあらゆる変化を意味し、たとえば、皺、くま、色素沈着、皮膚のたるみ症状の全体、皮膚の厚みの変化、皮膚の弾力および／またはハリの欠如、くすんで色艶のない肌等である。
・「皮膚の乾燥症状」とは、たとえば、くすんでいる、ざらざらしている、かさかさである、きめが粗い、赤みがかっている、および／またはサメ肌であるといった、水分含有量の変化および上皮角質層内部の水分の分布の変化に特に起因する肌の表面特性のあらゆる変化と、柔軟性の損失および肌の厚みの変化とを意味する。皮膚の乾燥症状は、かゆみ、チクチクする、および／またはつっぱり等の乾燥現象に関係する感覚を含み、これは、たとえば過敏症、アトピー性皮膚炎または冬季乾燥症などの実際の病気となって現れることがある。
・「皮膚の疲労症状」および「肌の色の変化」は、たとえば、くま、すなわち目の下のくぼみ等の疲労または血液の循環が悪いことによる肌の表面特性のあらゆる変化や、肌の色の変化を意味し、これは特に、さまざまな生活方式にさらされることによって（日光を浴びた、眠れない、ストレス、時差など）、顔の老化症状が進んだ印象を与える。
−皮膚（または美容研究）に関する症状（基準）のグレード。こうした症状または基準の重大度（ｇｒａｖｉｔｅ）／深刻さ（ｓｅｖｅｒｉｔｅ）の程度（ｄｅｇｒｅ）、その程度の値は、このタイプの症状の記述子（ｄｅｓｃｒｉｐｔｅｕｒ）でもまた表わされる。
−肌の色の濃淡度（ｄｅｇｒｅ ｄ’ｉｎｔｅｎｓｉｔｅ）。このパラメータは、あらゆる色表示とは別に、皮膚ゾーンの明るい特徴または沈んだ特徴を量子化するパラメータである。濃淡度は、モノクローム画像で決定され、好適には、さまざまな波長に対応し、本発明は、これらの波長に応じた画像捕捉を開示するものである。
−モノクローム画像。所定の１つの波長に結合される画像である。この画像は、任意の１つの照明を用いて（一般にはフィルタを介して）この波長で撮影される画像か、または、この所定の周波数の照明のもとで（特別なフィルタなしに）撮影される画像とすることができる。
−形態学的な（ｍｏｒｐｈｏｌｏｇｉｑｕｅ）操作。当該タイプの皮膚症状の存在を検出して画像上で位置特定することに適した、１つのタイプの皮膚症状に結合される操作である。

米国特許出願公開第２００９／０２０１３６５号明細書により、既に、１つの皮膚ゾーンのコンディションを診断し、皮膚をケアするアドバイスを生成するシステムが知られている。このシステムは、１つのデータ収集アセンブリ（さらには複数のデータ収集アセンブリ）と、これらのデータの分析アセンブリとを含み、双方が通信手段を介して協働する。データ収集アセンブリは、高解像度のデジタル画像捕捉装置と、高圧縮率の圧縮装置と、表示装置とを含んでいる。データ分析アセンブリは、データ分析装置と、高圧縮率の圧縮アセンブリと、データ保存手段とを含んでいる。データ収集アセンブリは、被写体の顔全体の画像を撮影し、圧縮手段が圧縮画像を形成し、データ分析装置は、通信手段を介して受信したこの圧縮画像に基づいて肌のコンディションを分析し、視覚情報（ｉｎｆｏｒｍａｔｉｏｎｓ ｖｉｓｕｅｌｌｅｓ）を診断結果として生成する。これらの視覚情報は、圧縮され、その後、データ収集アセンブリに送信され、表示装置によりディスプレイされる。データ分析アセンブリは、データ収集アセンブリとは独立しており、このアセンブリから遠隔に配置することができる。データの捕捉は、予め決められた条件で簡単なデジタルカメラにより行われるので、オペレータは、特別な研修なしにこれを実施可能である。分析操作に関しては、非常に豊富なデータベースを参照して多数の基準に関して行われる。

このようなシステムは複雑であり、考えられる各種の分析アイテムを分離するための、非常に豊富な基準データベースを生成することが必要である。

また、米国特許出願公開第２００４／０２１８８１０号明細書によれば、肌の画像のコンピュータ分析方法およびシステムが知られている。この特許によれば、白色光により照射される顔のゾーンのデジタル画像をＲＧＢセンサにより撮影し、このように捕捉された画像のＲ（赤）画像、Ｇ（緑）画像、Ｂ（青）画像をさまざまな分析（肌の色、色素沈着、毛穴など）により処理し、それによって、必要に応じて経時的変化を推定することが可能な各種のデータをそこから導くことができる。実際には、顔の近くに色座標系を設けることによって、顔の正確な位置決めを行う装置を用いて画像を撮影する。しかし、このシステムは、快適性に欠ける場合がある一方で、分析は複雑であり、しばしば、同一ゾーンの複数の画像Ｒ、ＧまたはＢについて、実務ではＨＳＶタイプの変換を用いて分析を実施しなければならず、その精度は、しばしば、基準との比較に左右される。

米国特許出願公開第２００９／０２０１３６５号明細書 米国特許出願公開第２００４／０２１８８１０号明細書

Ｃａｎｄｅｓ ＥおよびＤｏｎｏｈｏ Ｄ．、「Ｃｕｒｖｅｌｅｔｓ Ａ ｓｕｒｐｒｉｓｉｎｇｌｙ ｅｆｆｅｃｔｉｖｅ ｎｏｎａｄａｐｔａｔｉｖｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｒ ｏｂｊｅｃｔｓ ｗｉｔｈ ｅｄｇｅｓ、 ｃｕｒｖｅｓ ａｎｄ ｓｕｒｆａｃｅｓ」、Ｃｕｒｖｅｓ ａｎｄ Ｓｕｒｆａｃｅｓ １９９９年

本発明は、たとえば、適切な性能のＰＣ以外は不要であって、手頃なサイズの計算手段を備えることが可能な、より簡単かつ小型の皮膚ゾーンの分析システムを目的とする。

このため、本発明は、皮膚ゾーンにおける皮膚症状の検出および量子化方法を提案するものであり、それによれば、
複数、少なくとも２つの、予め決められた肌の色の濃淡度と、複数のタイプの皮膚症状とに対して、選択された複数の波長を識別することにより、任意の１つのタイプの皮膚症状と肌の色の任意の１つの濃淡度との各組み合わせにおいて、複数の波長のうちの１つが、このような肌の色の濃淡度を有する人の皮膚におけるこのようなタイプの症状を、コントラストによって検出できるようにされており、
この複数の波長の各々で、選択された顔のゾーンの画像を撮影し、
これらの画像から、関与する人に対応する肌の色の濃淡度を識別し、
上記の肌の色の濃淡度に応じて、検出しようとしているタイプの症状と、この肌の色の濃淡度との組み合わせに対応する上記画像の１つを選択し、
肌の色の濃淡度に応じて主に選択されたアルゴリズムとパラメータとを用いて、選択されたこの画像を少なくとも処理することにより、検出しようとする上記タイプの症状を検出する。

このようにして、本発明は、主に肌の色の濃淡度だけを考慮することによって、適切に選択された周波数に対応するモノクローム画像（上記の定義参照）に基づいて、限られた数のアルゴリズムとパラメータとを用いて皮膚症状を分析可能であることを確認し、これを利用している。

有利には、この複数の波長が最大でも２個である。実際、好適には約５００ｎｍと５７０ｎｍで選択されるたった２つの波長で、肌の色の２つの濃淡度に対して複数のタイプの皮膚症状を検出できることが明らかになっている。しかし、好適には、複数の波長が、さらに、約６２０ｎｍの波長を含んでいる。

好適には、この方法が検出および量子化可能にする複数のタイプの皮膚症状が、特に、皺、くま、色素性母斑を含んでいる。

有利には、少なくとも１つの皮膚の濃淡度に対して、同一タイプの皮膚症状（さらには複数のタイプの皮膚症状）のための２つの波長を選択する。これにより、異なる波長で捕捉される画像の中から処理すべき画像を選択することができる。

好適な構成では、複数の波長が３つの波長から構成され、肌の色の複数の濃淡度が、２つの濃淡度すなわち色白の肌と色黒の肌とから構成される。波長の数および肌の色の濃淡度の数が少ないにもかかわらず、皺、くま、色素沈着等を含む、多種多様な肌の皮膚症状を検出して量子化することができる。特に有利には、簡単だが有効な構成において、色白の肌のための皮膚症状のタイプに対して最大で２つの波長を割り当て、色黒の肌のための皮膚症状タイプに対して最大で２つの波長を割り当てる。

有利には、所定の波長に対応する各々のモノクローム画像の捕捉が、対応する周波数における照明の有無にかかわらず撮影される同一の皮膚ゾーンの２個の連続画像のデータ入力と、この２つの画像の差によるモノクローム画像の生成とを含む。これにより、室内照明の影響、特に、場合によっては生じる照明の変化を回避することができる。特に好適には、同一波長に対して、照明パワーレベルを徐々に増加しながら複数の画像を捕捉し、飽和を示すことなく最も高い照射パワーレベルで得られる画像を選択する。

本発明は、さらに、この方法を実施するために、皮膚ゾーンで皮膚症状を検出して量子化する装置を提案し、この装置は、
所定の位置に配置された皮膚ゾーンの画像を捕捉するように構成された画像捕捉装置と、
所定の位置に配置された皮膚ゾーンを照射するように構成された照射装置と、
処理装置と、
上記の画像捕捉装置と、照射装置と、処理装置との間のインターフェースとを含み、この処理装置が、照射装置により決定された照明のもとで画像捕捉装置により捕捉される画像を処理するようにされ、
この処理装置が、
複数、少なくとも２つの、予め決められた肌の色の濃淡度と、複数のタイプの皮膚症状とに対して、選択された複数の波長を識別するデータを含み、それによって、任意のタイプの皮膚症状と肌の色の任意の濃淡度との各組み合わせにおいて、複数の波長のうちの１つが、このような肌の色の濃淡度を有する人の皮膚におけるこのようなタイプの症状を、コントラストによって検出できるようにされ、
画像捕捉装置と照射装置との協働により、上記の複数の波長で選択された皮膚ゾーンの画像を撮影するように構成され、
波長のいずれか一方で画像捕捉装置により捕捉された画像において、関与する人に対応する肌の色の濃淡度を識別し、こうした肌の色の濃淡度に応じて、検出しようとするタイプの症状と肌の色の濃淡度との組み合わせに対応する上記画像の１つを選択し、肌の色の濃淡度に応じて主に選択されたアルゴリズムとパラメータとを用いて、選択された少なくとも１つのこの画像を処理し、検出しようとするタイプの症状を検出する。

本発明の目的、特徴および長所は、添付図面に関してなされた以下の説明から明らかになるであろう。

本発明による方法の原理を示す図である。 本発明による方法の実施に適したシステムを示すブロック図である。 撮影装置と被写体の顔の照射装置とによって形成される対を示す断面図である。 画像の差動撮影のための所定の波長における照射シーケンスの一例を示すグラフである。 多種多様な被験者に対して捕捉された２個の画像成分の相関関係を示すグラフである。 図５の結果を別の仕方でまとめたグラフである。 毛穴を検出して量子化するように処理される画像の一例を示す図である。 目の下のくまを検出して量子化するように処理される画像の一例を示す図である。

図１から分かるように、本発明による方法は、皮膚ゾーンにおける皮膚症状を検出および量子化するために、主として次のステップを含んでいる。

事前に、複数、少なくとも２つの、予め決められた肌の色の濃淡度（Ｄｉで記す）と、複数のタイプの皮膚症状（Ｓｉで記す）とを識別し（予備ステップ１、２）、これらの濃淡度Ｄｉとこれらの症状タイプＳｉとに応じて選択された複数の波長λｉを選択し（予備ステップ３）、それによって、任意の１つのタイプの皮膚症状と任意の１つの肌の色の濃淡度との各々の組み合わせにおいて、複数の波長の１つが、このような皮膚の色の濃淡度を有する人の皮膚におけるこのようなタイプの症状を、コントラストによって検出できるようにされている。

後述するように、例として、２つの肌の色の濃淡度、すなわち「色白の肌」と「色黒の肌」（たとえばＤ１、Ｄ２で記す）とを識別するにとどめることができる。

さらに、皮膚の症状タイプの選択とそれらの数は、必要に応じて決める。例として、少なくとも以下が区別される。すなわち、
−皺。必要な場合は、位置に応じて区別する。
ほうれい線（「ｎａｓｏ−ｌａｂｉａｌ ｆｏｌｄ」）
額の皺
眉間の皺（ｒｉｄｅｓ ｄｕ Ｌｉｏｎ、「ｆｒｏｗｎ ｌｉｎｅｓ」）
目尻の皺（カラスの足跡「ｃｒｏｗ’ｓ ｆｅｅｔ」）
目の下の皺
口角の皺
唇の周囲の皺
−色素沈着。必要な場合は、そばかすと、老化によるしみとを区別する。
−毛穴と剥離。
−毛細管拡張症（「ｔｅｌａｎｇｉｅｃｔａｓｉｅｓ」）、すなわち、表皮の毛細血管がわずかに拡張した状態。

波長は、肌の色の濃淡度の各々に対して、検出および量子化可能にしたい少なくとも幾つかのタイプの皮膚症状を識別できるように選択される。後述するように、上記のタイプの症状を検出および量子化可能にするには、色白の肌の場合も色黒の肌の場合も３つの波長だけを考慮すればよい。実際、６つ以上の異なる波長を使用する必要はない。前述のように、所定の１つの周波数に対応するモノクローム画像の撮影は、多色光（ｐｏｌｙｃｈｒｏｍｅ）照明を受光する対象物の画像をこの所定の周波数でのみ撮影することに対応し、あるいは、この特別な周波数に制限される照明を受光する対象物の画像の多色撮影を行うことに対応しうる。

さまざまな波長と、「症状タイプ」／「濃淡度」のさまざまな対との間のいろいろな相関関係を事前に確かめて記録可能であり、その結果、実際に、この方法を利用する場合、次のようなステップに制限することができる。

最初に、予め決められた複数の各波長で被写体の顔の選択されたゾーン（さらには被写体の顔全体）の画像を撮影する（ステップ４）。

これらの画像の少なくとも幾つかに基づいて、関与する人に対応する肌の色の濃淡度を識別する（ステップ５）。

この肌の色の濃淡度に応じて、検出しようとするタイプの症状と皮膚の色の濃淡度との組み合わせに対応する画像を選択する（ステップ６）。

肌の色の濃淡度に応じて主に選択された少なくとも１つのアルゴリズムとパラメータとを用いて、少なくともこの選択された画像を処理することにより、検出しようとするタイプの症状を検出する（ステップ７）。

図２は、このような方法の実施に適したシステムを概略的に示している。すなわち、
このシステムは、主に、
−デジタルカメラ１１
−照射装置１２
−デジタルカメラと照射装置とに結合されるインターフェース１３、１４
−ＰＣとのインターフェース装置１５
−この方法の操作を実施するように構成された複数のモジュール（図示せず）を含むＰＣ１６
−電源１７
を含んでいる。

図３は、画像捕捉装置と照射装置とからなる好適な構成を示している。照射装置１２は、たとえばアーチ形の「プレキシガラス（登録商標）」からなる凹状の拡散スクリーン１２Ｂによって好適には構成された、皮膚の状態を診断することが望まれる被写体に向けられる凹状の表面を含んでいる。このスクリーンの裏側に、好適にはダイオードＬＥＤから構成されたモノクローム光源１２Ａが配分されており、各ダイオードは、選択された１つの波長を放出する。所定の各波長を放出するダイオードは、有利には、他のダイオードの中に規則正しく配分されるので、その結果、これらの波長の１つだけに対応するダイオードＬＥＤが給電されると、このダイオードは、特徴付けすべき皮膚ゾーンに規則正しい均質な照明を実施する。

好適には、選択された各波長にそれぞれ対応するダイオードＬＥＤに、同様に均質に配分された白色光のダイオードＬＥＤを付加する。これらのダイオードは、特に画像捕捉ステップ以外で、たとえば、これから画像捕捉対象となるか、または既に画像捕捉対象となった肌を持つ人と、システムのオペレータとが必要に応じて対話するときに、照明を変化させることができる。

好適には、画像捕捉装置１１は、拡散スクリーンを通って、この拡散スクリーンにより構成された照射面の中心に配置される。

肌の状態を診断してもらうことを望む被写体が、図３の装置のアーチ型の面に対して中心を合わせた位置に配置されることが分かる。その後、選択された各波長で画像の連続捕捉を行う。必要に応じて、画像の捕捉時に室内照明を（照射装置１２を作動させ得る照射以外で）変えてもよいし、あるいは変えなくてもよい。

有利には、画像捕捉は、２個の連続画像の撮影によって得られ、画像の一方は、室内照明で撮影され（場合によって、白色ダイオードが存在する場合には白色ダイオードのパワーの一部で補われる）、他方は、同じ室内照明により撮影されるが、しかし、捕捉しようとする画像に対応する周波数／波長の照明が加えられる。このモノクローム照明は、連続する２個の粗画像（ｉｍａｇｅ ｂｒｕｔｅｓ）の間の差異を生じさせるのに十分に強力でなければならないが、あまりに強力すぎて画像捕捉装置内で飽和を生じるリスクがないようにする。連続画像の差異によって、当該周波数で捕捉された画像を識別する。

図４は、例として、画像撮影期間中の１つの照射シーケンスを示した。

このグラフは、同一波長に対して連続する３つの画像を撮影するシーケンスを示している。第１のサイクルは、上記波長に組み合わされるダイオードＬＥＤに低レベルの励起を行うことによって、（「ショット１」で示された瞬間に）第１の画像を撮影し、その後、これらのＬＥＤを励起せずに（「ショットｄｉｆ」と示された瞬間に）１つの画像を撮影することからなる。次いで、第２のサイクルは、当該波長におけるダイオードの励起レベルがそれまでより高いために、この第１のサイクルから遅れて開始される（ここでも同様に、「ショット２」、次いで「ショットｄｉｆ」で示される瞬間に２つの画像が捕捉される）。その後の第３のサイクルは、これらのダイオードに対する最大励起レベルで開始される（同様に、「ショット３」、次いで「ショットｄｉｆ」の瞬間に２つの画像が捕捉される）。「ショットｄｉｆ」の瞬間は、各サイクルにおいて同じ呼び名で示されており、同じ室内照明で撮影されているために対応画像が原則として同じであることを意味している。

各波長に組み合わされるダイオードに印加される励起パルスの持続時間ならびに画像撮影の間隔は任意であることが分かる。例として、サイクルは、約１秒未満の間隔で続けられる。実際、被写体により感じ取られる明るさと色の変化は、被写体の緊張をゆるめる役割を果たすことができるので、このように捕捉された画像に基づいて実施されようとする診断の正当性が高められる。その後、保存される画像は、好適には、飽和を有することなくモノクロームダイオードの最大強度に対応する画像である。しかし、予備サイクルによって、最大照射の瞬間に被写体が痙攣するあらゆるリスクを最小化することができるだろう。

このような手順によって、以下に起因する困難を克服できる。すなわち、
−室内照明をコントロールできない。
−被写体が思わず動いてしまうほど、被写体によるポーズが長すぎてはならない。

画像処理の結果は、スクリーンに映し出され、あるいは印刷される。これらの結果は、好適には、調べた症状タイプの識別状況を、こうした症状タイプの存在の程度を示す表示（使用されるアルゴリズムのパラメータ化に応じて、頻度および／またはサイズ）と合わせて含んでいる。

例として、このように画像収集を実施してから、以下のステップを含む画像調査を実施する。すなわち、
−肌が色白かまたは色黒かを弁別する。
−さまざまな美容研究基準を検出するためにアルゴリズムを投入し、各アルゴリズムに対して、分類に必要なデータ（考慮された顔の各基準に対してグラデーション（ｇｒａｄａｔｉｏｎ）を可能にするデータ）を保存し、予め決められたリストで視覚的な検出結果を保護する。

例として、ファイルに結果を書き込む。これは、以下のようなテキストファイルでよい

例として、グレード１は、少ないかまたはなしに対応し、グレード５は最大に対応する。

保存された結果は、また、考慮される画像の少なくとも１つを含むことができる。

肌の色の濃淡度
本発明は、コーカサス、アジア、アフリカ、ヒスパニックまたはインディアン民族などの、民族分類の概念を介在させるものではない点を指摘することができる。実際、本発明は、処理の選択に際して、肌の色の濃淡度という概念だけを介在させている。

我々は、写真パネルで分類分析を実施した。肌の色の濃淡度を特徴として考慮した場合、民族とは関係なく、全体として等質のグループを識別できることが判明した。

これは、さまざまな分類方法（クラスタリング「ｃｌｕｓｔｅｒｉｎｇ」）によって説明かつ証明可能である。ここで図５に挙げた例では、被験者の４７０枚の写真からなるデータベースで実施された分析をグラフで示しており、ここでは、「主成分分析」（ＡＣＰ）という名称で知られた分析を用いた。たとえば「Ｎｏｎ−ｎｅｇａｔｉｖｅ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ （ＮＭＦ）（非負値行列因子分解）」または「Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ （ＩＣＡ）（独立成分分析）」という英語名で知られているもののような他の分類方法もまた使用可能である点に留意されたい。

これらの画像の各々に対して、顔のＲＧＢ（すなわち、赤、緑、青）成分の平均値を測定し、この平均成分についてＡＣＰを適用した。ＡＣＰの結果を図５に示した。この図は、４７０枚の写真の対象となる被験者に対応するあらゆる点が、ＡＣＰの最初の２つの主成分により形成される基準座標系に配置されるところを示している。これらの点を、第１の主成分の値に４つの閾値を決めることによって５つの領域（５個の長方形で示す）に任意に分けた。この結果は、第１の主成分が、民族とは無関係に肌の色白または色黒の性質に関係することを明らかに示している。たとえば、ヒスパニック系の被験者は、第１の長方形（第１の成分の平均値が−０．３）と、最後から２番目の長方形（平均値が０．２５）との間に分散している。

ＡＣＰの結果は、非常にはっきりと、第１の主成分が、被験者間の肌の色のあらゆる変化をほとんどすべて説明できることを示している。すなわち、この変化の９８．７％は、この主成分の値の変動によりモデル化することができる。たとえば、図５の右下に位置する被験者は、この成分の値が０．５より大きいが、左下に位置する被験者は、この値が約−０．２である。したがって、第１の主成分の値の−０．４から０．６までの変動は、あらゆる民族の肌の色の変化を示すことができる。

そのため、民族の概念よりもむしろ肌の色（より詳しくは肌の色の濃淡度）の選択に根拠を置くことが適切である。これにより、肌の色の２つの濃淡度を区別するだけで十分であるので、処理を大幅に単純化できる。他の分類方法でも同じタイプの結果が得られる。使用される方法に応じて、肌の色の濃淡度分類を所望の濃淡度分類に分けられることに留意されたい。

肌の色の濃淡度の選択
図６は、被験者４７０名に対する第１の主成分の値を示すヒストグラムである。このヒストグラムでは、エンベロープを決定することにより凸状ラインにより強調された２つの成分に注目する。この２つの成分を分離する唯一の特徴は、ヒストグラム二値化アルゴリズム（大津の二値化アルゴリズムなど）により自動的に見つけることができる。すなわち、閾値はＳ_０に等しい。

ＡＣＰは、１つの成分で１つの閾値を見つけることができる。使用される分類方法（「ｃｌｕｓｔｅｒｉｎｇ」）に応じて、ｎ＋１個の分類に対してｎ個の閾値を見つけられる。

そのため、被験者の第１の主成分の値がＳ_０より大きい場合、この被験者は、色黒の肌とみなされ、反対の場合は色白の肌とみなされることになる。

新しい被写体に対する肌の色の濃淡度
被写体の新しい画像が供給されると仮定した場合、２つの肌グループの一方にこれを分類するだけである。

このため、主成分分析は、２つの基準座標系の間の基底変換以外の何物でもない。第１の基準座標系は（Ｒ、Ｇ、Ｂ）（測定値）であり、第２の基準座標系（ｘ、ｙ、ｚ）は、点の最終集合の分散を最小化する。そのため、新しい画像を分類する場合、新しい座標軸系における座標ｘ０と、テストグループのための所定の閾値をと比較すればよい。それには、新しい画像の「Ｒ」、「Ｇ」、「Ｂ」の平均値を測定する。これらの「Ｒ」、「Ｇ」、「Ｂ」の平均値が得られる場合、これは、新しい画像が、座標系（Ｒ、Ｇ、Ｂ）において１つの点とみなされることを意味する。したがって、基底変換が必要であるが、これは、当然のことながら、テスト集合に対して得られた基底変換行列による行列計算によってなされる。変換係数は、行列の形態で示され、その各々の列が１つの成分に対応する。それ自体知られているように、これらの列は、最も有意でない成分に対する最も有意な主成分に応じて分類される。新しい座標系における点の座標をそこから導くことができる。このように得られた座標点（ｘ０、ｙ０、ｚ０）は、主成分のデータベースにおける新しい被験者を示す点であり、値ｘ０を閾値Ｓ_０と比較して、新しい被験者をどのグループに分類するかを決定することができる。閾値未満である場合には、色白の肌に関与し、閾値を上回る場合は、色黒の肌に関与する。

検出アルゴリズム
以下、アルゴリズムおよび／またはそれらのパラメータの適切な選択により皮膚のさまざまなタイプの症状を特徴付け可能な方法に関して、各種の例を挙げる。

ａ．毛穴／剥離
毛穴と剥離の検出アルゴリズムは、たとえ同一の形態学的操作を用いてこれらの特徴を明確にする予備段階が異なっていても、ほぼ同じである。ここでは、１つのゾーンに存在する毛穴または剥離を網羅的に検出しようとしているのではなく、むしろ、その密度が高いゾーンを評価しようとしていることに留意されたい。実際、網羅的な計数化は、非常に低い閾値による検出を必要とするので、偽陽性が少なからず現れることが分かっている。ところで、このような網羅的な計数化は、実際には不要である。

一般的なアルゴリズムは、
１． 濃淡度またはＲＧＢでの画像の形態学的な操作
２． 結果として得られた画像の平滑化（ｌｉｓｓａｇｅ）
３． 平滑化ピークの検出。統計学的に有意のピークだけを考慮する。

この３つの操作は、アルゴリズムの骨子をなしているが、各ステップのインプリメンテーションの詳細は変わることがある（形態学的な操作と平滑化とは、有意ピークの検出方法同様に、異なることがある）。以下、インプリメンテーションの一例を示す。

毛穴は、色のより明るい（肌）領域に配置される小さな暗いゾーンである。そのため、「ボトムハット」（灰色レベルの画像でそれ自体知られている形態学的操作）を用いることによって、明らかにすることができる。

剥離は、色のより暗い（肌）領域に配置される小さい明るいゾーンである。そのため、「トップハット」（灰色レベルの画像でそれ自体知られている別の形態学的操作）を用いることによって、明らかにすることができる。この処理の結果として、オリジナル画像に対するコントラストに応じて多少とも強い濃淡度で剥離が表れる濃淡度画像が得られる。

アルゴリズム
形態学的な処理（ボトムハットまたはトップハット）により得られる画像は、多数の局部的な最大値（または局部的な最大値の領域すなわち厳密でない最大値を包括する領域）を有する。ガウシアン平滑化を実施することによって、ノイズが減衰され、所望の構造に結合されるピークがより均質になる。平滑化の終わりに、これらの局部的な最大値の集合を検出する。有意の振幅を持つものだけを保持することが望まれる。コントラストがほとんどない構造を除去してしまわないように、十分に低い閾値を選択して用いる。検出された最大値の中で、ピークの最大位置から遠ざかるときの減少を観察する。そのため、形態学的画像のレベル線（ｌｉｇｎｅｓ ｄｅ ｎｉｖｅａｕ）を用いる。各最大値に対して、この最大値の周囲の減少が規則的かつ有意であるかどうか観察する（同心のレベル線の変化）。レベル線が幾つかの基準を確定する構造だけを考慮する。すなわち
・予め決められた最低閾値に少なくとも等しい輪郭数
・下方レベルの１つのレベルの変化が規則正しいもの。この規則性は、以下のパラメータを用いて測定される（２個の連続する輪郭の比較）、すなわち、
比較可能な周囲長（所定の閾値と短い周囲長との比較）
平均偏差からそれほど離れない隣接輪郭間の最大偏差（これは、偏差閾値が同様に予め決められていることを意味する）
丸みを帯びている方の輪郭の形状（これは、輪郭により囲まれた面積と、その周囲長との比に比較される形状率を選択することを意味する）。これらの形状率の選択に応じて、毛穴／剥離に対して多様とも細長い形状が許容される。

４つの基準に介在する閾値を決定することによって、ピーク検出、したがって毛穴／剥離の検出が完全に決定されることに留意すべきである。

所定の頬ゾーンの場合、有効な最終輪郭すなわち最も低いレベルの輪郭を用いることにより構造を分割する。例として撮影された頬のゾーンにおける毛穴の検出に関連する最終的な結果を図７に示した。

例として、最小レベルと最大レベルとの間に均質に配分された１５個のレベルを定めたが、形態学的な画像は規格化されていないこと、また、最大レベルは、有利には、適切に明らかにされたパターンによる画像で観察されたレベルに対応することを前提としている。これらのレベルの数と、最小レベルおよび最大レベルとを、撮影の結果画像に適合させなければならない。

パラメータ
そのため、アルゴリズムの各パラメータは、たとえば次のとおりである。

ｂ．くま
くまは、非常に広く知られた１つの美容症状である。すなわち、くまは、皮膚の色の変化の結果であり、下まぶたの下に多少とも目立つ色の領域を形成する。

被験者の肌の色に関する民族間の変異度が大きい。これにより、被験者の肌の色に応じて（上記参照）、くまを検出する異なる２つのアルゴリズムを展開することが有効になる。この２つのアルゴリズムについて、以下に例として説明する。

アルゴリズム「色白肌」（またはＰＣ）
被験者が色白肌と分類された場合、くまの検出アルゴリズムの第１のステップは、ＲＧＢ色空間の画像をＬ＊ａ＊ｂ空間に変換することからなる。実際、Ｌとａの２つのバンドは、くまのあるゾーンとくまのないゾーンとに画像を分割するために使用されるバンドである。比色分析による分割を行って、目の周囲のゾーンを色が均等ないくつかのゾーンに分離する。このような分割画像が得られたら、どの領域がくまに対応するかを決定し、これらのゾーンを（主に収縮（ｅｒｏｓｉｏｎ）／膨張（ｄｉｌａｔａｔｉｏｎ）等の形態学的な変換によって）クリーニングする。その後、くまの最終ゾーンを導き出し、このゾーンで測定された最終記述子（面積、各バンドにおける平均濃淡度、くまのない肌の濃淡度と関係づけた相対濃淡度など）を得る。

たとえば、各ステップは次のようになる。すなわち、
−処理ゾーンの定義（これは、形態学的なモデルを用いて実施可能である）
−このように選択されたゾーンの分割
−一般には膨張、収縮、および瞳孔および鼻の影のゾーンの除去による上記ゾーンのクリーニング、その後、
−たとえば、くまの輪郭を目立たせる画像の形態で結果を復元する（図８参照）。

アルゴリズム「色黒肌」（またはＰＦ）
色白肌の場合と同様に、Ｌ＊ａ＊ｂ色空間で作業する。一方、比色分析による分割は、Ｌ＊ａ＊ｂ系のバンド「ｂ」で行う。その後のアルゴリズムは色白肌の場合と同じである。

ｃ．色素沈着
色素沈着の概念は、皮膚の色の濃淡度に応じて異なる場合があることが分かる（色白肌における黒いしみ、色黒肌における明るいしみなど）。

色素沈着を検出するアルゴリズムは、ＲＧＢ画像をＬ＊ａ＊ｂに変換した後で、バンドｂを使用する。バンドｂへの画像の形態学的な平滑化変換（オープン（ｏｕｖｅｒｔｕｒｅ））と、コントラストを上げることとによって、初期の作業画像が得られる。照射の不均質性を乗り越えるために、処理ゾーンにおいて画像を複数の正方形に分割する（調査ゾーンに応じて異なるサイズにする）。これらの正方形ゾーンの各々で、バンドｂにおける最初の閾値決定は、バンドｂの値が大きい画素だけを保持する。すなわち、実際には、下回ると所定の割合の画素が存在する閾値をバンドｂで決定する。閾値未満のｂ値を有する画素は、色素沈着の一部をなすものとみなされ、他は、色素沈着がないものとみなされる。すべての正方形をサーチした後で、調査ゾーンの二値化画像を得る（（クリーニング前の）色素沈着に含まれる画素に対しては１、色素沈着であるとみなされないものについては０）。この画像により、調査ゾーンのすべての色素沈着の第１回目の検出が得られる。すべての色素沈着にラベル貼付し、あまりに小さい色素沈着については除外する。最後に、調査ゾーンの各々の色素沈着の統計学的な特性と、色素沈着のない肌の統計学的な特性（第１回目の閾値決定時に０とマークされた画素）とを比較することによって、各々の色素沈着の検出を確定する。特に、各々の色素沈着の平均値および標準偏差と、肌の平均値および標準偏差とを比較し、これによって、肌に近すぎる色素沈着を統計学的に除去することができる。きめ細かい検出を行うために、他の統計学的な基準も使用可能である。

ｄ．毛細管拡張症
毛細管拡張症は、血管の大きさが慢性的に異常に拡張する症状を意味する。毛細管拡張症は、赤く、非拍動性であり、しばしば樹枝状または網目状の曲がりくねった細い線を形成し、特に顔に特定されることが多い。このタイプの皮膚症状は、色黒の肌には存在しないか、あるいは検出できない可能性があることが分かっている。

毛細管拡張症の検出アルゴリズムは、色素沈着の検出アルゴリズムに比肩しうるが、スタート画像は、ＲＧＢをＬ＊ａ＊ｂに移行した後のバンドａにおける画像である。さらに、毛細管拡張症に含まれる画素と、肌の画素とを分ける閾値は異なっており、同様に、形態学的な変換によって作業画像を得ることができる。また、検出ゾーンは正方形にカットされない。なぜなら、毛細管拡張症を有するゾーンは、照射の均質性という問題が少ないからである。平滑化されたバンドａの画像の形態学的な変換（トップハット）と、コントラストを上げることとによって、初期の作業画像が得られる。処理するゾーンにおいて、バンドａにおける最初の閾値決定は、バンドａの値が大きい画素だけを保持する。すなわち、実際には、下回ると所定の割合の画素が存在する閾値をバンドａで決定する。閾値未満のａ値を有する画素は、毛細管拡張症の一部をなすものとみなされ、他は、除外される。調査ゾーンの二値化画像が得られる（（クリーニング前の）毛細管拡張症に含まれる画素に対しては１、肌の画素であるとみなされるものには０）。この画像により、調査ゾーンのすべての毛細管拡張症の第１回目の検出が得られる。すべての毛細管拡張症にラベル貼付し、あまりに小さい毛細管拡張症は除外する。最後に、調査ゾーンの各々の毛細管拡張症の統計学的な特性と、肌の統計学的な特性（第１回目の閾値決定時に０とマークされた画素）とを比較し、各々の毛細管拡張症の検出を確定する。特に、各毛細管拡張症の平均値および標準偏差と、肌の平均値および標準偏差とを比較し、これによって、肌に近すぎる毛細管拡張症を統計学的に除去することができる。きめ細かい検出を行うために、他の統計学的な基準も使用可能である。

ｅ．皺
関与する皺のタイプは、特に次のとおりである。すなわち、
−額の表情皺
−眉間の皺
−目尻の皺
−目の下の皺
−ほうれい線
−唇の周囲の皺
−口角の皺。

アルゴリズム
例として、これらの症状を検出するために主に使用されるアルゴリズムは「カーブレット」に基づいている（Ｃａｎｄｅｓ ＥおよびＤｏｎｏｈｏ Ｄ．、「Ｃｕｒｖｅｌｅｔｓ Ａ ｓｕｒｐｒｉｓｉｎｇｌｙ ｅｆｆｅｃｔｉｖｅ ｎｏｎａｄａｐｔａｔｉｖｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｒ ｏｂｊｅｃｔｓ ｗｉｔｈ ｅｄｇｅｓ、 ｃｕｒｖｅｓ ａｎｄ ｓｕｒｆａｃｅｓ」、Ｃｕｒｖｅｓ ａｎｄ Ｓｕｒｆａｃｅｓ １９９９年）。これは、輪郭に沿った不連続性を表わすのに非常に適した異方性ウェーブレット種（ｌａ ｆａｍｉｌｌｅ ｄｅｓ ｏｎｄｅｌｅｔｔｅｓ ａｎｉｓｏｔｒｏｐｅｓ）の特別なバージョンである。

カーブレットに使用されるパラメータならびに皺の抽出のための閾値は、検出すべき皺の大きさ（太いまたは細い）の関数である。次いで、皺の配向に沿った後処理を行って、関係性の低い構造を隔離することが一般に有用である。

皺を検出するすべてのアルゴリズムは、後述する同じ方式にしたがうことができる。すなわち、
・処理すべき画像Ｉについてカーブレット変換を計算する。
・各タイプの皺に適切なパラメータ（ノイズσの標準偏差）を用いて、カーブレットの空間における画像の閾値を決定することにより、画像Ｉのノイズを除去する。画像「Ｉｃ」が得られる。
・形態学的な処理（開始時に用いられる画像に応じてトップハットまたはボトムハット）を実施して、有効な輪郭を明らかにする。画像「Ｉｃｍ」が得られる。
・画像Ｉｃｍの閾値を形成し、先に明確にされた構造だけを含む二値化画像を生成する。閾値の値は、検出すべき皺のタイプに応じて変化し、この値は、平均値（Ｉｃｍ）＋ｋ×標準偏差（Ｉｃｍ）である。すなわち、閾値決定された画像は「Ｉｃｍｓ」である。
・次いで、所望の皺のタイプに対応しないＩｃｍｓ画像素子を除去するために後処理を実施する。選択基準は、特に、大きさ、配向、および形状である。残っている構造は皺とみなされるので、したがって、それらの記述子を計算する。記述子の種類は皺のタイプによって決められるが、大きさ、長さ、または平均濃淡度に及ぶことができる。

上記にまとめられた一般的なアルゴリズムは、各タイプの皺に適合させなければならない。適合パラメータは次のとおりである。すなわち、
・カーブレット変換と、それ以降の操作とが実施される画像Ｉ（例：画像Ｌ、画像ｂ、．．．）
・変換された画像Ｉの閾値決定前に実施される形態学的な操作
・上記の形態学的な操作を構成する素子の大きさ
・シグマ（カーブレットにおけるノイズ除去パラメータ）
・ｋ（最終閾値決定のための閾値の値を付与するパラメータ）。

分類アルゴリズム
一般に、分類方法の選択は、利用可能なデータに依存する。本発明の場合、画像と、それに関連するグレードとが分かっているので、教師付き分類方法（ｄｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｓｕｐｅｒｖｉｓｅｅｓ）を使用することがいっそう有効である。そのため、例としてここで示す分類方法は、次の２つの柱に基づいている。

１．画像の記述子の抽出
特徴またはパラメータとも呼ばれる記述子は、画像に基づいて得られる測定値の集合であり、画像を記述または特徴付けることができる。記述子は、画像の内容を記述するので、したがって、画像を識別可能である。

２．教師付き分類
この分類は、分類パラメータを学習する（およびモデルを構築する）ためのサンプル集合（学習集合という）を使用し、分類品質を決定可能な別の集合（テスト集合という）で上記の分類パラメータをテストするように構成されている。これは新しい画像に１つの分類を割り当てるために、構築されたモデルを使用することからなる予測段階である。

例として、以下に、ＳＶＭ（サポートベクターマシン）分類方法の適用例を示す。これは、眉間の皺の画像から導き出された識別子について、分類間の分離マージン最大化基準に基づいて行われる。後段の操作がうまくいくかどうかは、画像から抽出されたこの情報にかかっているので、使用される記述子のタイプは重要である。

眉間の皺の事例における記述子の識別と抽出
たとえば眉間の皺を分類するために必要な基準は、色素沈着のために使用する基準と必ずしも同じとは限らない。さらに、各基準に対して、記述子は、同一グレードのすべての画像を認識することができるように、かなり関与的なものでなければならず、それと同時に、他の分類との混同がないようにかなり弁別的なものでなければならない。

実際には、眉間の皺では、グレードに応じて皺の数が変化し、また、これらの皺の長さと厚みも変化することが認められる。したがって、このことから、眉間の皺のさまざまなグレードを分離できるようにすることを望む場合、これらの特徴を考慮すべきであると結論することができる。

そのため、この調査では、特別な記述子（さまざまなスペクトルバンドの灰色レベル、ヒストグラム）および幾何学的な記述子（形状測定）を主に使用した。眉間の皺のために抽出された識別子のリストは次のとおりである。すなわち、
−皺の数
−長い方の２つの皺の厚み
−長い方の２つの皺の長さ

記述子の選択
したがって、記述子の抽出手順の後、画像は、上記の特徴の集合として示される。分類の性能を高めるために、これらの特徴は、しばしば組み合わされ、あるいは連結される。データの次元性（ｄｉｍｅｎｓｉｏｎｎａｌｉｔｅ）すなわち特徴の数を考慮することが重要であり、この数は、分類の結果に著しい影響を及ぼすことがある。実際には、分類子の性能は、記述子のベクトルの大きさによって際限なく大きくなるわけではない。さらに、分類の複雑性は、計算時間の観点から、特徴ベクターのサイズが大きくなればなるほど複雑化する。そのため、最も関与的な記述子を選択することによって、有効記述子の数を「最適」数に制限することが有効である。このような記述子の選択は、使用される分類方法に応じて複数の仕方で実施可能である。たとえば、記述子の集合を起点とする関与的な１つの部分集合の選択は、これらの記述子の値と、陽性の例および陰性の例の数とに応じて、各記述子に対してスコアを計算することによって行われる。このようにして、記述子が秩序立てられるので、学習段階の間に発生するモデルの評価に際して、最良の性能を与えるｎ個の最初の記述子だけを保持することができる。

画像撮影の波長
大部分の症状に対して、この症状が有する１つのスペクトルバンドを、最大の信号対ノイズ比に組み合わせることができる。

下表に示された波長は、１つの基準が最も明白になる波長である（この基準は、これらのバンド以外にも見られるが、そのコントラストはずっと低い）。

５７０ミクロンの波長は、６２０ミクロンの周波数に代わって色黒肌に対しても適していることを指摘できる（この周波数は、くまに対する最低閾値よりわずかに低いかもしれないが、他の欠陥の範囲に適切に位置しているように思われる）。その結果、約５００ミクロンと５７０ミクロンとのほぼ２つの波長に制限することによって、上記のタイプの皮膚症状を検出可能であることが分かる。しかし、変形実施形態では、色黒肌に対して６２０ミクロンの周波数と５７０ミクロンの周波数とを組み合わせ、最適なコントラストを可能にする画像の波長を処理することができる。このようにして、ここでは５００ミクロン、５７０ミクロン、６２０ミクロンである少なくとも３つの波長を用いることが有利である。

色素沈着（ほくろとそばかすは、その例である）は、主にメラニンによる吸収によって跡がつく（色白肌の場合、主に約５００ｎｍで指数関数的に減少する）。それに対して、色黒肌の場合、肌全体に多量のメラニンが存在し、また、信号対ノイズ比が約５００ｎｍで下がるので、色素沈着が見える範囲が５６０−６３０ｎｍに移行する。

くまは、ヘモグロビンのピークを中心として非常に目立つ。これは、おそらく、くまができる位置の肌が繊細であり、したがって、血管の吸収性がより優れていることによって説明できる。

発色団は、所定の波長の電磁エネルギーを吸収する分子であり、この分子の吸光度により付与される特徴的な収量を有することが想起される。たとえば、カロチンは、多数の果物（ニンジンなど）にそれらの色を付与する発色団であり、この分子は、実際には、可視スペクトルの青の範囲で波長を吸収するので、そのため、補色（オレンジと赤）だけを反射する。メラニンとヘモグロビンは、肌の機能を理解するために最も重要な発色団である。

肌のメラニンは、表皮の主要な発色団である。メラニンには真性メラニンと亜メラニンとの２種類の色素が存在する。

ヘモグロビンは、主に赤血球に見られる赤い発色団である。ヘモグロビンが酸素を含む場合、オキシヘモグロビンという。その反対は、デオキシヘモグロビンという。おおざっぱにいえば、表皮は、メラニン層、真皮はヘモグロビン層とみなすことができる。

その結果、肌の色は、ヘモグロビンの量とメラニンの量の変化に依存する。

オキシヘモグロビンとデオキシヘモグロビンは、それらに特徴的な吸収ピークを有し、オキシヘモグロビンとデオキシヘモグロビンの最大吸収は、可視スペクトルの約４３０ｎｍ〜５５０ｎｍで観察される。

例として、本発明の実施システム（図２または図３のシステムなど）は、以下を含んでいる。すなわち、
以下を有する画像捕捉装置
・少なくとも５Ｍピクセルのセンサ
・オートフォーカスなしの固定焦点
以下の波長のＬＥＤ
・λ〜５００ｎｍ、すなわち青−緑色
・λ〜５７０ｎｍ、すなわち黄色−オレンジ色
・λ〜６２０ｎｍ、すなわち赤色
・白色ＬＥＤ、たとえば「白熱」タイプ

以上の説明では、それ自体で独創的な、次のような複数のポイントを識別できることに気づく。

・２つの基準にしたがって顔の事前分類を自動的に行う。
アルゴリズムは、（異なるアルゴリズムを介して、または、異なる画像を入力で取り入れる同じアルゴリズムを介して、または、異なる肌の色のために異なるパラメータを有するアルゴリズムを介して）皮膚のさまざまな色に適合される。本発明によれば、新しい被写体の画像を収集して、オペレータの一切の介入なしに自動的にアルゴリズムを選択可能な方法が提供される。皮膚の色に対するＡＣＰの結果によって自動的にアルゴリズムを分類するので、使用すべきアルゴリズムまたはパラメータの選択もまた自動的に行われる。事前分類のために使用される基準は次のとおりである。すなわち、
・肌の色（主要基準）。写真データベースの４７０個の画像の頬のゾーンで、ＡＣＰ（主成分分析）を用いた調査を実施し、色白肌と色黒肌とを分ける閾値を明らかにすることができた。
・形態学的基準（補助基準）。データベースの大半の画像の割り出し（すなわち顔の特徴点を測定すること。割り出しは手動で実施可能であるが、好適には自動的に行われる）。この割り出しに含まれる情報によって、顔の形態型に応じて顔を分類し、それによって、顔の特徴ゾーン（額、鼻、目、口、あご、耳など）を容易に明らかにすることができるので、自動処理の簡素化に貢献できる。

場合によっては、これらの基準の第１の基準を第２の基準と組み合わせて使用し、顔の事前分類を行って、異なるアルゴリズムにより自動処理する。これにより、非常に重要な長所がもたらされる。

・皺の検出のためのカーブレット。皺の検出のためのカーブレットすなわち、ウェーブレットを拡張したものを使用する。カーブレットは、（ウェーブレット同様の）空間的な位置とスケールとを有する一方で、また、方向を有する基底関数を用いる。これによって、長くて薄い構造を検出する場合、カーブレットに高い感度が付与され、所定の一方向を有する構造だけを選択することができる（額の水平の皺、あるいは例えば所定の一方向を有する大部分の皺に有効である）。

・グレードに分類するためのＳＶＭの使用。記述子抽出後のグレード分類のためのＳＶＭ（サポートベクターマシン）タイプの方法の使用。学習を必要とするこの方法は、検出によって派生する記述子を確率論に基づいて分類することができる。この方法は、皮膚のグレードを弁別するためにはまだ使用されてはいないようである。

・画像差分収集方式の適用。照明環境が制御されていないことによるによる問題を回避するために、一方は室内照明で照射され、他方は室内照明と制御照明とにより照射される２つの連続画像の撮影からなるこの方式を適用する。次いで、第１の照明から第２の照明を差し引いて、制御下の照明環境で１つの画像を得る。

・より一般的には、本発明は、また、処理すべき顔を所望の瞬間に照射することにより差分的に画像を収集するとともに、顔の肌のタイプに応じて自動的にパラメータが選択されるアルゴリズムを用いて幾つかの皮膚症状に対するグレードを計算する装置を用いて、美容術のためのタスクを実行するハードウェアおよびソフトウェアの組み合わせを提案し、これによって、大きな長所がもたらされる。

Claims (14)

1. 皮膚ゾーンにおける皮膚症状を検出して量子化する方法であって、
   複数、少なくとも２つの、予め決められた肌の色の濃淡度と、複数のタイプの皮膚症状とに対して、選択された複数の波長を識別することにより、任意の１つのタイプの皮膚症状と肌の色の任意の１つの濃淡度との各組み合わせにおいて、複数の波長のうちの１つが、前記肌の色の濃淡度を有する人の皮膚における前記タイプの症状を、コントラストによって検出できるようにされており、
   前記複数の波長の各々で、選択された顔のゾーンの複数の画像を撮影し、
   前記画像から、関与する人に対応する肌の色の濃淡度を識別し、
   前記肌の色の濃淡度に応じて、検出しようとしているタイプの症状と、前記肌の色の濃淡度との組み合わせに対応する前記画像の１つを選択し、
   肌の色の濃淡度に応じて主に選択されたアルゴリズムとパラメータとを用いて選択された少なくとも１つの前記画像を処理することにより、検出しようとしている前記タイプの症状を検出することを特徴とする、方法。
2. 複数の波長が、約５００ｎｍから５７０ｎｍの波長を含んでいることを特徴とする、請求項１に記載の方法。
3. 前記複数の波長が、最大でも３個であることを特徴とする、請求項１または２に記載の方法。
4. 複数の波長が、さらに、約６２０ｎｍの波長を含んでいることを特徴とする、請求項２または３に記載の方法。
5. 複数のタイプの皮膚症状が、皺、くま、色素性母斑を含んでいることを特徴とする、請求項１から４のいずれか一項に記載の方法。
6. 少なくとも１つの皮膚の濃淡度に対して、同一タイプの皮膚症状のための２つの波長を選択することを特徴とする、請求項１から５のいずれか一項に記載の方法。
7. 複数の波長が、３つの波長から構成され、肌の色の複数の濃淡度が、２つの濃淡度すなわち色白の肌と色黒の肌とから構成されることを特徴とする、請求項１から６のいずれか一項に記載の方法。
8. 色白の肌のための皮膚症状のタイプに対して最大で２つの波長を割り当て、色黒の肌のための皮膚症状タイプに対して最大で２つの波長を割り当てることを特徴とする、請求項７に記載の方法。
9. 画像は、所定の波長で特定の照明を加えた所定の室内照明を用いて撮影された第１の粗画像と、前記室内照明だけで撮影された同一皮膚ゾーンの第２の粗画像との差異ごとに撮影されることを特徴とする、請求項１から８のいずれか一項に記載の方法。
10. 照明パワーレベルを徐々に増加しながら同一波長に対して複数の画像を捕捉し、飽和を示さない最も高い照射パワーレベルで得られる画像を選択することを特徴とする、請求項１から９のいずれか一項に記載の方法。
11. 皮膚ゾーンにおける皮膚症状を検出して量子化する装置であって、
    所定の位置に配置された皮膚ゾーンの画像を捕捉するように構成された画像捕捉装置と、
    所定の位置に配置された皮膚ゾーンを照射するように構成された照射装置と、
    処理装置と、
    画像捕捉装置と、照射装置と、処理装置との間のインターフェースとを含み、処理装置が、照射装置により決定された照明のもとで画像捕捉装置により捕捉される画像を処理するようにされ、
    前記処理装置が、
    複数、少なくとも２つの、予め決められた肌の色の濃淡度と、複数のタイプの皮膚症状とに対して、選択された複数の波長を識別するデータを含み、それによって、任意の１つのタイプの皮膚症状と肌の色の任意の１つの濃淡度との各組み合わせにおいて、複数の波長のうちの１つが、前記肌の色の濃淡度を有する人の皮膚における前記タイプの症状を、コントラストによって検出できるようにされ、
    画像捕捉装置と照射装置との協働により、前記複数の波長で選択された皮膚ゾーンの画像を撮影するように構成され、
    波長のいずれか一方で画像捕捉装置により捕捉された画像において、関与する人に対応する肌の色の濃淡度を識別し、前記肌の色の濃淡度に応じて、検出しようとするタイプの症状と前記肌の色の濃淡度との組み合わせに対応する前記画像の１つを選択し、肌の色の濃淡度に応じて主に選択されたアルゴリズムとパラメータとを用いて、選択された少なくとも１つの前記画像を処理し、検出しようとするタイプの症状を検出するようにした、装置。
12. 照射装置が、選択された波長のいずれか一方を有する画像捕捉装置の周囲に配置された複数の光源を含んでいることを特徴とする、請求項１１に記載の装置。
13. 複数の光源は、凹面が前記所定の位置に向けられる凹状湾曲面に配置されていることを特徴とする、請求項１２に記載の装置。
14. 照射装置が、約５００ミクロン、５７０ミクロン、６２０ミクロンの波長を有する複数の基本光源を含んでいることを特徴とする、請求項１１から１３のいずれか一項に記載の装置。

Images