KR20100093431A - Skin age estimation method - Google Patents

Skin age estimation method Download PDF

Info

Publication number
KR20100093431A
KR20100093431A KR1020090012624A KR20090012624A KR20100093431A KR 20100093431 A KR20100093431 A KR 20100093431A KR 1020090012624 A KR1020090012624 A KR 1020090012624A KR 20090012624 A KR20090012624 A KR 20090012624A KR 20100093431 A KR20100093431 A KR 20100093431A
Authority
KR
South Korea
Prior art keywords
image
wrinkle
skin
length
skeleton
Prior art date
Application number
KR1020090012624A
Other languages
Korean (ko)
Other versions
KR101076307B1 (en
Inventor
황인준
최영환
김경록
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020090012624A priority Critical patent/KR101076307B1/en
Publication of KR20100093431A publication Critical patent/KR20100093431A/en
Application granted granted Critical
Publication of KR101076307B1 publication Critical patent/KR101076307B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/442—Evaluating skin mechanical properties, e.g. elasticity, hardness, texture, wrinkle assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/507—Depth or shape recovery from shading
    • 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

Abstract

PURPOSE: A method for estimating a skin age is provided to quantitatively estimate the skin age by using a wrinkle property like the length, the depth, and the width of the wrinkle. CONSTITUTION: A skin micrograph is pre-processed(S210). The wrinkle is displayed as a skeleton image by dividing the domain of a gray scale image binarized through a watershed algorithm(S220). The length, the depth, and the width of the wrinkle are detected by using the skeleton image or gray scale image. The skin age of a corresponding object is estimated by using an SVM(Support Vector Machine) as a specific point of the personal information of the corresponding patient and the detected length, width, and depth of the wrinkle(S260).

Description

피부 나이 추론 방법{SKIN AGE ESTIMATION METHOD}Skin age deduction method {SKIN AGE ESTIMATION METHOD}

본 발명은 피부 나이 추론 방법에 관한 것으로, 좀 더 구체적으로 피부 현미경 이미지로부터 주름의 특징점을 추출하고 이를 이용하여 피부 나이를 정량적으로 추론하는 방법에 관한 것이다.The present invention relates to a skin age inference method, and more particularly, to a method of extracting feature points of wrinkles from skin microscopic images and quantitatively inferring skin age using the same.

최근 영상 촬영 기술의 발전과 관련 장비의 보급 확대에 힘입어, 생체 영상을 대상으로 하는 다양한 연구가 진행되고 있다. 생체 영상 연구의 경우 대개 MRI나 CT 영상의 분석 등 전문 의료 분야와 연계되어 이루어졌으며 최근 들어 U-Healthcare 서비스와 같은 새로운 분야가 대두되면서 이러한 연구에 대한 관심이 더욱 커지고 있다.Recently, with the development of imaging technology and the expansion of related equipment, various researches on biological images have been conducted. In the case of bioimaging research, it is usually linked with specialized medical fields such as MRI and CT image analysis. Recently, as new fields such as U-Healthcare service have emerged, interest in these studies has increased.

인간의 피부는 건강에 관련된 유용한 정보를 제공한다. 피부 상태는 비싼 장비나 전문 지식이 없어도 쉽게 평가될 수 있다. 피부과 의사들에 따르면, 인간의 피부 상태는 확대된 시각적 특징과 피부 주름의 길이, 너비, 두께를 통하여 결정될 수 있다고 한다. 이러한 시각적 특징과 개인적 경험에 기초하여 피부과 의사들은 피부 나이라는 개념을 사용하여 피부 상태를 추론한다. 피부 나이는 해당 객체의 나이가 아니라 피부의 특징이 몇 살이냐에 따라 정의된다. 따라서 피부 나이를 추 론하기 위해서는 많은 사람들로부터 수집된 피부 특징과 전문가에 의한 그들의 나이 추론과 같은 사실자료가 필요하다.Human skin provides useful information about health. Skin conditions can be easily assessed without expensive equipment or expertise. According to dermatologists, the human skin condition can be determined by the enlarged visual characteristics and the length, width and thickness of the skin wrinkles. Based on these visual features and personal experience, dermatologists use the concept of skin age to infer skin conditions. Skin age is defined by how old the skin is, not by the age of the object. Therefore, inferring skin age requires factual data such as skin characteristics collected from many people and their age inference by experts.

이에 따라 피부 상태가 나타내는 특징들을 추출하고 활용하기 위한 많은 노력이 있었다. 전형적인 예는 피부의 피지와 주름인데, 피부 이미지에서 주름 영역은 다른 영역보다 어두운 색으로 나타나고, 주름들은 선으로 연결되어 있다. 일반적으로 주름의 깊이는 사람이 나이를 먹어감에 따라 깊어진다.Accordingly, a lot of efforts have been made to extract and utilize the features indicated by skin conditions. A typical example is the sebum and wrinkles of the skin. In the skin image, the wrinkled areas appear darker than other areas, and the wrinkles are connected by lines. In general, the depth of wrinkles deepens as a person ages.

피부 주름을 검출하기 위한 노력의 일환으로, Tanaka 등은 이진 이미지를 얻기 위해 디지털 피부 이미지에 cross binarization method를 사용하고, 이진 이미지로부터 주름을 검출하기 위하여 short straight line matching method를 제안하였다. 이에 따르면 이진화된 이미지에서 기준선의 70 퍼센트 이상이 검은 색, 즉 주름으로 표시된 시작점을 찾는다. 또한, 기준선의 끝점이 주름인지를 판별한 후, 만약 주름일 경우 기준선의 끝점으로부터 같은 길이의 연장선을 그리게 된다. 그리고 같은 방법으로 이어 나가면서 주름의 길이를 측정한다. 이와 같은 Line Trace 방법을 이용하여 주름의 길이와 너비를 측정 하는 방법이 연구가 되어 왔다. 하지만 Line Trace 방법은 시간 복잡도(Time Complexity)가 높기 때문에 많은 연구 영역에서 이를 개선 하기 위한 방법을 연구 중이다.In an effort to detect skin wrinkles, Tanaka et al. Used a cross binarization method on digital skin images to obtain binary images, and proposed a short straight line matching method to detect wrinkles from binary images. This finds that at least 70 percent of the baseline in the binarized image is black, i. Also, after determining whether the end point of the reference line is a wrinkle, if it is a wrinkle, an extension line of the same length is drawn from the end point of the reference line. Then proceed in the same way to measure the length of the wrinkles. The method of measuring the length and width of wrinkles using this line trace method has been studied. However, since the line trace method has a high time complexity, many research areas are working on ways to improve it.

따라서 종래의 Line Trace 방법에 따른 시간 복잡도(Time Complexity)를 감소시키면서도 피부 이미지로부터 주름 길이, 주름 너비 및 주름 깊이를 검출하고 이를 통해 피부 나이를 효과적으로 추론할 수 있는 기술에 대한 요구가 절실한 실정이다.Therefore, there is an urgent need for a technique for detecting wrinkle length, wrinkle width, and wrinkle depth from skin images and effectively inferring skin age by reducing time complexity according to the conventional line trace method.

본 발명은 주름 검출 속도를 증가시킬 수 있을 뿐만 아니라, 주름 길이, 주름 너비, 주름 두께와 같은 주름 특징에 기초하여 피부 건강을 정량적으로 추론할 수 있는 피부 나이 추론 방법을 제공하기 위한 것이다.The present invention is to provide a skin age inference method that can not only increase the speed of wrinkle detection, but also quantitatively infer the skin health based on wrinkle characteristics such as wrinkle length, wrinkle width, wrinkle thickness.

상기 목적을 달성하기 위한 본 발명의 피부 나이 추론 방법은 (a) 피부 현미경 이미지를 전처리하는 단계; (b) 워터세드(watershed) 알고리즘을 통해 이진화된 회색조 이미지의 영역을 분할하여 주름을 1 픽셀 두께의 스켈레톤 이미지로 나타내는 영역 분할 단계; (c) 상기 스켈레톤 이미지를 스캔하여 스켈레톤의 픽셀 수를 가산하는 방식으로 주름 길이를 검출하는 단계; (d) 상기 스켈레톤 이미지와 회색조 이미지를 교차 비교하여 주름 너비를 검출하는 단계; (e) 주름 영역의 색상 차이를 이용하여 주름 깊이를 검출하는 단계; 및 (f) 상기 검출된 주름 길이, 주름 너비 및 주름 깊이와 환자의 개인정보를 기초로 SVM(Support Vector Machine)을 사용하여 해당 객체의 피부 나이를 추론하여 출력하는 단계를 포함한다.The skin age inference method of the present invention for achieving the above object comprises the steps of (a) pre-processing a skin microscope image; (b) segmenting a region of the binarized grayscale image by using a watershed algorithm to represent wrinkles as a 1 pixel thick skeleton image; (c) detecting the wrinkle length in a manner that scans the skeleton image and adds the number of pixels of the skeleton; (d) cross comparing the skeleton image with the grayscale image to detect wrinkle widths; (e) detecting the wrinkle depth using the color difference of the wrinkle region; And (f) inferring and outputting the skin age of the object using a support vector machine (SVM) based on the detected wrinkle length, wrinkle width and wrinkle depth and patient personal information.

이상의 구성을 통한 본 발명의 피부 나이 추론 방법에 따르면, 주름 검풀 속도가 증가할 뿐만 아니라 주름의 특징에 따른 피부 나이를 정량적으로 추론할 수 있다.According to the skin age inference method of the present invention through the above configuration, not only the wrinkle sampling speed is increased, but also the skin age according to the characteristics of the wrinkles can be quantitatively inferred.

앞의 일반적인 설명 및 다음의 상세한 설명 모두 예시적이라는 것이 이해되어야 하며, 청구된 발명의 부가적인 설명이 제공되는 것으로 여겨져야 한다. 참조 부호들이 본 발명의 바람직한 실시 예들에 상세히 표시되어 있으며, 그것의 예들이 참조 도면들에 표시되어 있다. 가능한 어떤 경우에도, 동일한 참조 번호들이 동일한 또는 유사한 부분을 참조하기 위해서 설명 및 도면들에 사용된다. 이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있도록 본 발명의 실시예를 첨부된 도면을 참조하여 설명한다.It is to be understood that both the foregoing general description and the following detailed description are exemplary, and that additional explanations of the claimed invention are provided. Reference numerals are shown in detail in preferred embodiments of the invention, examples of which are shown in the reference figures. In any case, like reference numerals are used in the description and the drawings to refer to the same or like parts. DETAILED DESCRIPTION Hereinafter, exemplary embodiments of the present invention will be described with reference to the accompanying drawings so that those skilled in the art may easily implement the technical idea of the present invention.

도 1은 본 발명의 실시예에 따른 피부 나이 추론 시스템(100)의 구성을 보여주는 블록도이다. 도 1을 참조하면, 본 발명의 피부 나이 추론 시스템(100)은 전처리부(110), 영역 분할부(120), 주름 깊이 검출부(130), 주름 길이 검출부(140), 주름 너부 검출부(150) 및 피부 나이 추론부(160)를 포함한다.1 is a block diagram showing the configuration of the skin age inference system 100 according to an embodiment of the present invention. Referring to FIG. 1, the skin age inference system 100 of the present invention includes a preprocessing unit 110, an area dividing unit 120, a wrinkle depth detector 130, a wrinkle length detector 140, and a wrinkled nucleus detector 150. And skin age inference unit 160.

전처리부(110)는 그라데이션 마스킹(gradation masking)을 통하여 입력된 피부 현미경 이미지의 비네팅(vignetting)을 제거하는 한편, 피부 현미경 이미지의 중심부를 관심 영역(Region of Interest)으로 추출한다. 또한 전처리부(110)는 contrast stretching을 통해 상기 피부 현미경 이미지를 정규화하여 색대비를 증가시킨다. 나아가 전처리부(110)는 상기 피부 현미경 이미지를 이진화하고 이진화과정에서 발생하는 노이즈를 제거한다.The preprocessing unit 110 removes vignetting of the skin microscopy image input through gradation masking, and extracts the center of the skin microscopy image as a region of interest. In addition, the preprocessing unit 110 increases the color contrast by normalizing the skin microscope image through contrast stretching. Further, the preprocessing unit 110 binarizes the skin microscope image and removes noise generated during binarization.

영역 분할부(120)는 워터세드(watershed) 알고리즘을 통해 이진화된 회색조 이미지의 영역을 분할하여 영역의 경계선, 즉 주름을 1 픽셀 두께의 스켈레톤(skeleton)으로 나타낸다.The region dividing unit 120 divides the region of the binarized grayscale image through a watershed algorithm to represent the boundary line of the region, that is, the wrinkle, as a skeleton of 1 pixel thickness.

피부 이미지에서 주름 영역은 어두운 색상으로 구별할 수 있고, 나아가 주름이 깊을수록 광원의 간섭으로 인해 더 어두운 색상을 가지게 된다. 주름 깊이 검출부(130)는 이와 같이 주름의 중심 픽셀의 색상과 경계선에 존재하는 픽셀의 색상 차이를 이용하여 주름 깊이를 검출한다.The wrinkled areas in the skin image can be distinguished by a dark color, and the deeper the wrinkles, the darker the color due to the interference of the light source. The wrinkle depth detector 130 detects the wrinkle depth by using the color difference between the color of the center pixel of the wrinkle and the pixel present at the boundary line.

주름 길이 검출부(140)는 영역 분할부(120)에서 워터세드 알고리즘에 의하여 영역이 분할된 이미지를 스캔한 후, 스켈레톤의 픽셀 수를 이용하여 주름의 길이를 검출한다.The wrinkle length detector 140 scans an image in which the region is divided by the waterseed algorithm in the region divider 120, and then detects the wrinkle length using the number of pixels of the skeleton.

주름 너비 검출부(150)는 스켈레톤을 이용하여 Thickening 과정을 수행함으로써 주름 너비를 검출한다.The wrinkle width detector 150 detects the wrinkle width by performing a thickening process using the skeleton.

피부 나이 추론부(160)는 검출된 주름 깊이, 주름 길이, 주름 너비와 같은 주름 특징과 환자의 개인정보를 특징점으로 하여 SVM(Support Vector Machine)을 사용하여 해당 객체의 피부 나이를 추론하여 출력한다.The skin age inference unit 160 infers and outputs the skin age of the object by using a support vector machine (SVM) using features of wrinkles such as detected wrinkle depth, wrinkle length, and wrinkle width, and personal information of a patient. .

도 2는 본 발명의 실시예에 따른 피부 나이 추론 방법을 보여주는 흐름도이다. 도 2를 참조하면, 먼저 피부 나이를 추론하고자 하는 피부 현미경 이미지에 대한 전처리가 이루어진다(S210). 구체적으로, 전처리 단계(S210)에서는 그라데이션 마스킹(gradation masking)을 통해 피부 현미경 이미지의 비네팅(vignetting)을 제거하고, 중앙부를 샘플링하며, contrast stretching을 거쳐 이미지를 정규화하는 한편, 회색조 이미지를 얻기 위해 이미지를 이진화하고 노이즈를 제거한다. 전처리의 세부 절차는 이후 도 3에서 상세히 설명될 것이다.2 is a flowchart showing a skin age inference method according to an embodiment of the present invention. Referring to FIG. 2, first, pretreatment is performed on a skin microscope image to infer skin age (S210). Specifically, in the pre-treatment step (S210), the vignetting of the skin microscope image is removed through gradation masking, the center portion is sampled, and the image is normalized by contrast stretching while obtaining the grayscale image. Binarize and remove the noise. The detailed procedure of pretreatment will be described later in detail in FIG. 3.

전처리를 거친 후, 단계 S220에서 워터세드(watershed) 알고리즘을 통해 이 진화된 회색조 이미지의 영역을 분할하여 영역의 경계선, 즉 주름을 1 픽셀 두께의 스켈레톤 이미지로 나타낸다. 워터세드(watershed) 알고리즘은 영역 성장에 기반한 영역 분할 기법의 하나로 널리 알려진 것이므로 자세한 설명은 생략한다.After pre-processing, the area of this evolved grayscale image is divided through a watershed algorithm in step S220 to represent the boundary of the area, that is, the wrinkles as a 1 pixel thick skeleton image. Since the watershed algorithm is widely known as one of the region partitioning techniques based on region growth, a detailed description thereof will be omitted.

이후 스켈레톤 이미지를 스캔하여 스켈레톤의 픽셀 수를 가산하는 방식으로 주름 길이를 검출한다(S230). 본 발명의 실시예에 따른 주름 길이 검출의 세부 절차는 이후 도 4에서 상세히 설명될 것이다.Then, the wrinkle length is detected by scanning the skeleton image and adding the number of pixels of the skeleton (S230). The detailed procedure of wrinkle length detection according to an embodiment of the present invention will be described in detail later in FIG.

단계 S240에서 스켈레톤을 이용하여 Thickening 과정을 수행함으로써 주름 너비를 검출한다. 본 발명의 실시예에 따른 주름 너비 검출의 세부 절차는 이후 도 5a 및 5b에서 상세히 설명될 것이다.In step S240, the wrinkle width is detected by performing the Thickening process using the skeleton. The detailed procedure of wrinkle width detection according to an embodiment of the present invention will be described in detail later in FIGS. 5A and 5B.

피부 이미지에서 주름 영역은 어두운 색상으로 구별할 수 있고, 나아가 주름이 깊을수록 광원의 간섭으로 인해 더 어두운 색상을 가지게 된다. 단계 S250에서는 다음의 수학식과 같이 주름의 중심 픽셀의 색상과 경계선에 존재하는 픽셀의 색상 차이를 이용하여 주름 깊이를 검출한다.The wrinkled areas in the skin image can be distinguished by a dark color, and the deeper the wrinkles, the darker the color due to the interference of the light source. In step S250, the wrinkle depth is detected using the color difference of the center pixel of the wrinkle and the color of the pixel existing in the boundary line as shown in the following equation.

Figure 112009009534419-PAT00001
Figure 112009009534419-PAT00001

수학식 1에서 스켈레톤은 주름의 중심선이고, 이로부터 무작위로 n개의 점들을 추출할 수 있다. 각 중심점들 ci∈C{c1..cn}에서 점들 Si와의 최대 색상 차이값을 구한다. 점들 Si는 각 중심점으로부터 거리 r만큼 떨어진 경계점에 존재하는 점들이다. n개의 중심점으로부터 최대 색상 차이값을 모두 더한 다음 평균을 구하여 주름 깊이를 검출한다.In Equation 1, the skeleton is the center line of the wrinkles, and can randomly extract n points from it. At each center point c i ∈C {c 1 ..c n }, the maximum color difference with the points S i is obtained. Points S i are points that exist at the boundary point a distance r from each center point. Depth of wrinkles is detected by adding the maximum color difference values from n center points and then obtaining the average.

이후 검출된 주름 깊이, 주름 길이, 주름 너비와 같은 주름 특징과 해당 환자의 개인정보을 특징점으로 하여 SVM(Support Vector Machine)을 사용하여 해당 객체의 피부 나이를 추론하여 출력한다(S260). 환자의 개인정보는 설문 조사의 방식으로 얻어질 수 있는데, 피부 관리 유무, 나이, 성별 등을 포함할 수 있다.Afterwards, the skin age of the object is inferred and output using the SVM (Support Vector Machine) using features of wrinkles such as the detected wrinkle depth, wrinkle length, and wrinkle width, and personal information of the corresponding patient (S260). The patient's personal information can be obtained by way of a survey, which may include skin care, age, gender, and the like.

도 3은 도 2의 전처리 절차(S210)의 예시적인 실시예를 보여주는 흐름도이다. 도 3을 참조하면, 먼저 피부 현미경 이미지에서 관심 영역(Region of Interest)을 추출(S310)하게 되는데 이를 자세히 설명하면 다음과 같다. 피부 현미경을 통해 얻어진 이미지는 광원이 이미지의 중심으로부터 퍼져 나가는 형태이므로 중심 부분만을 처리하여 정확성과 효율을 높일 수 있다. 따라서 관심 영역(Region of Interest)을 광량이 집중되는 피부 현미경 이미지의 중심 부분에 적용하여 기본값으로 300×300 픽셀의 크기를 갖도록 한다.3 is a flowchart showing an exemplary embodiment of the preprocessing procedure S210 of FIG. 2. Referring to FIG. 3, first, a region of interest is extracted from the skin microscope image (S310), which will be described in detail below. Since the image obtained through the skin microscope spreads out from the center of the image, only the center part can be processed to increase accuracy and efficiency. Therefore, the region of interest is applied to the center portion of the skin microscope image where the amount of light is concentrated to have a size of 300 × 300 pixels by default.

한편, 촬영된 피부 현미경 이미지는 촬영 장비나 광원 등의 한계로 전체 영역에서 고른 화질을 얻기 어려우며, 또한 비네팅(vignetting)이라는 주변부 광량 저하 현상이 발생한다. 따라서 관심 영역(Region of Interest) 추출(S310)에 앞서 그라데이션 마스킹(gradation masking)을 통하여 피부 현미경 이미지의 비네팅을 제거하는 것이 바람직하다.On the other hand, the photographed skin microscope image is difficult to obtain an even image quality over the entire area due to limitations of the photographing equipment or the light source, and also occurs a decrease in the amount of peripheral light called vignetting. Therefore, it is preferable to remove the vignetting of the skin microscope image through gradation masking prior to the region of interest extraction (S310).

영상들은 다양한 환경에서 획득되며, 이에 주변 광량의 영향으로 서로 상이한 밝기를 갖게 될 수 있다. 또한 영상에서 주름 부위는 다른 피부 부위와 큰 대비 차가 나지 않기 때문에 정확한 주름 검출을 위해서는 영상의 대비를 증가시키고 히스토그램을 평준화하는 과정이 필요한데, 단계 S320에서 다음의 수학식으로 표현되는 contrast stetching을 통하여 피부 현미경 이미지를 정규화한다. Contrast stretching은 이미지의 광도 영역을 원하는 영역으로 stretching 하는 이미지 향상 기법으로, 주로 광도 영역을 표현 가능한 픽셀 값 전역에 걸쳐 span 하여 이미지의 대비를 증가시키게 된다.Images are acquired in various environments, which may have different brightnesses due to the amount of ambient light. In addition, since wrinkles in the image are not significantly different from other skin regions, the process of increasing the contrast of the image and leveling the histogram is necessary for accurate wrinkle detection. In step S320, the skin is processed through contrast stetching represented by the following equation. Normalize the microscope image. Contrast stretching is an image enhancement technique that stretches the luminosity region of an image to a desired region. It mainly spans the luminosity region over the expressible pixel values to increase the contrast of the image.

Figure 112009009534419-PAT00002
Figure 112009009534419-PAT00002

여기서, I(x,y)는 이미지를, min(I)와 max(I)는 각각 최소, 최대 intensity를 나타낸다. 본 발명의 실시예에서는 회색조 이미지를 사용하므로 max intensity는 255가 된다.Here, I (x, y) represents an image, and min (I) and max (I) represent minimum and maximum intensity, respectively. In the embodiment of the present invention, the maximum intensity is 255 since the grayscale image is used.

이후, 다음의 수학식으로 표현되는 Otsu의 방법을 이용하여 정규화된 흑백 이미지를 이진화한다(S330). Otsu의 방법은 히스토그램이 Bimodal인 경우에 주로 사용되며, 자동으로 문턱치를 계산하여 이미지에 적용하는 방식이다.Thereafter, the normalized black and white image is binarized using the method of Otsu represented by the following equation (S330). Otsu's method is mainly used when the histogram is Bimodal, and automatically calculates the threshold and applies it to the image.

Figure 112009009534419-PAT00003
Figure 112009009534419-PAT00003

여기서, I는 회색조 값인 0 ~ 255 사이를 의미하고, μ는 t까지의 평균을 의 미한다. P(i)는 i의 밝기를 가지는 전체 픽셀 수의 개수 나누기 전체 이미지 픽셀수가 된다. σ2는 분산을 의미한다. 최종 문턱값은 수식이 최대값이 되는 t에서 결정된다.Where I means the grayscale value between 0 and 255, and μ means the mean up to t. P (i) is the total number of image pixels divided by the number of total pixels having brightness of i. sigma 2 means dispersion. The final threshold is determined at t, where the expression is the maximum.

Otsu의 방법으로 이진화된 영상은 salt-and-pepper노이즈를 포함하게 되는데, 이런 노이즈는 워터세드 알고리즘을 이용한 영역 분할 단계(S220)에서 상당한 over-segmentation을 야기하므로 제거되어야 한다. 노이즈는 주로 작은 연결 요소로 이루어져 있으므로, 단계 S340에서는 연결 요소 추출 과정을 통해 일정 크기 이하의 덩어리를 제거하는 방식으로 노이즈를 제거한다. 이를 자세히 설명하면 다음과 같다.The image binarized by Otsu's method includes salt-and-pepper noise, and this noise has to be removed because it causes considerable over-segmentation in the region segmentation step (S220) using the waterseed algorithm. Since the noise is mainly composed of small connection elements, in step S340, the noise is removed by removing the lumps having a predetermined size or less through the connection element extraction process. This will be described in detail as follows.

먼저, 이진화된 이미지를 스캔하여 목표 색상에 해당하는 픽셀에 다다르면 해당 픽셀에 연결된 성분들을 찾는다. 연결 요소 추출은 네 방향의 인접 픽셀들을 재귀적으로 탐색하고 크기를 증가시키는 방식으로 이루어지는 데, 재귀 함수는 해당 인접 픽셀이 이미 탐색 되었거나 목표 색상이 아닐 때 종료된다. 추출된 연결 요소의 크기가 지정한 컷오프 값보다 작으면 연결된 모든 요소를 제거하는 것으로 작은 크기의 노이즈를 제거하거나 주름 안의 작은 공동을 채울 수 있다. 이와 같은 노이즈 제거 알고리즘은 다음과 같이 표현될 수 있다.First, the binarized image is scanned to find the components connected to the pixel when the pixel corresponds to the target color. The connection element extraction is performed by recursively searching and increasing the size of adjacent pixels in four directions. The recursive function ends when the adjacent pixel is already searched or is not the target color. If the size of the extracted connection element is less than the cutoff value you specify, you can remove all the connected elements to remove a small amount of noise or to fill a small cavity in the crease. Such a noise cancellation algorithm may be expressed as follows.

Figure 112009009534419-PAT00004
Figure 112009009534419-PAT00004

도 4는 도 2의 주름 길이 검출 절차(S230)의 예시적인 실시예를 보여주는 흐름도이다. 도 4를 참조하면, 먼저 스켈레톤 이미지에서 x축과 y축의 적어도 2 픽셀 이상의 연속된 직선을 체가름하여 길이를 각각 계산한다(S410, S420). 이와 같은 과정을 거치면 여러 개의 고립된 1 픽셀이 남게 되는데, 고립된 1 픽셀의 개수를 모두 더한 다음 √2를 곱하여 주름의 대각선 길이를 계산한다(S430, S440). 이러한 방식으로 계산된 x축과 y축의 직선 길이 및 대각선 길이를 더하여 주름의 총 길이를 검출한다(S450).4 is a flowchart illustrating an exemplary embodiment of the wrinkle length detection procedure S230 of FIG. 2. Referring to FIG. 4, first, lengths are calculated by slicing consecutive straight lines of at least two pixels on the x-axis and the y-axis in the skeleton image (S410 and S420). Through this process, several isolated 1 pixels are left, and the diagonal lengths of the wrinkles are calculated by adding the number of isolated 1 pixels and multiplying by √2 (S430 and S440). The total length of the wrinkles is detected by adding the straight length and the diagonal length of the x-axis and the y-axis calculated in this manner (S450).

도 5a 및 5b는 도 2의 주름 너비 검출 절차(S240)의 예시적인 실시예를 보여주는 흐름도들이다. 도 5a의 실시예는 스켈레톤에 블록 형태의 마스크를 적용하여 주름 너비를 검출한다. 도 5b의 실시예는 스켈레톤에 형태처리(morphology) 기법을 적용하여 주름 너비를 검출한다. 자세히 설명하면 다음과 같다.5A and 5B are flowcharts illustrating an exemplary embodiment of the wrinkle width detection procedure S240 of FIG. 2. 5A detects the wrinkle width by applying a block-type mask to the skeleton. 5B detects wrinkle width by applying a morphology technique to the skeleton. The detailed description is as follows.

도 5a를 참조하면, 먼저 스켈레톤 이미지를 스캔하여 주름에 해당하는 픽셀을 탐색하고(S511), 탐색된 해당 픽셀을 중심으로 하는 너비 n 픽셀의 정사각형 형태의 윈도우를 생성한다(S513). 이후, 회색조 이미지를 참조하여 윈도우에 해당하 는 픽셀 값들이 문턱치 t보다 낮은 경우, 즉 어두운 경우 주름으로 판단한다(S515, S517). 도 5a의 실시예에 해당하는 주름 너비 검출 알고리즘은 다음과 같다.Referring to FIG. 5A, first, a skeleton image is scanned to search for pixels corresponding to wrinkles (S511), and a square-shaped window having a width n pixels around the searched pixels is generated (S513). Subsequently, when the pixel values corresponding to the window are lower than the threshold t, that is, the dark color is determined by referring to the grayscale image (S515 and S517). The wrinkle width detection algorithm corresponding to the embodiment of FIG. 5A is as follows.

Figure 112009009534419-PAT00005
Figure 112009009534419-PAT00005

주름 너비 검출 절차(S240)의 다른 실시예를 보여주는 도 5b를 참조하면, 먼저 실제 너비에 따라 스켈레톤 선을 확장하기 위하여 주름 스켈레톤에 팽창(dilation) 연산을 실행한다(S512). 이후, 팽창된 영역에서 주름 부위를 탐색하고, 주름 영역을 계속해서 확장한다(S514). 이때 주름 영역을 검출하기 위하여 출력 이미지와 회색조 이미지를 교차 비교한다(S516). 확장된 영역의 픽셀 값이 n 픽셀에 이를 때까지 상기 과정이 반복된다(S518). 도 5b의 실시예에 해당하는 주름 너비 검출 알고리즘은 다음과 같다.Referring to FIG. 5B, which shows another embodiment of the wrinkle width detection procedure S240, first, a dilation operation is performed on the wrinkle skeleton to expand the skeleton line according to the actual width (S512). Thereafter, the wrinkle area is searched for in the expanded area, and the wrinkle area is continuously expanded (S514). In this case, the output image and the grayscale image are compared to each other to detect the wrinkle area (S516). The process is repeated until the pixel value of the extended area reaches n pixels (S518). The wrinkle width detection algorithm corresponding to the embodiment of FIG. 5B is as follows.

Figure 112009009534419-PAT00006
Figure 112009009534419-PAT00006

도 6은 주름 추출 단계별 이미지를 예시적으로 보여준다. 도 6(a)는 회색조로 변환된 원본 이미지이고, 도 6(b)는 워터세드(watershed) 알고리즘을 통한 영역 분할 후의 스켈레톤 이미지이며, 도 6(c)는 본 발명의 실시예에 따라 주름 너비 검출 절차를 거친 최종 결과 이미지이다.6 exemplarily shows an image of the wrinkle extraction step. FIG. 6 (a) is an original image converted to grayscale, FIG. 6 (b) is a skeleton image after segmentation through a watershed algorithm, and FIG. 6 (c) is a wrinkle width according to an embodiment of the present invention. The final resultant image after the detection procedure.

이상의 본 발명의 피부 나이 추론 방법에 의하면 주름 검출 속도가 증가할 뿐만 아니라 주름 길이, 주름 너비, 주름 깊이와 같은 주름 특징을 이용하여 피부 나이를 정량적으로 추론할 수 있다.According to the skin age inference method of the present invention, not only wrinkle detection speed is increased, but skin age can be quantitatively inferred using wrinkle characteristics such as wrinkle length, wrinkle width, and wrinkle depth.

한편, 본 발명의 상세한 설명에서는 구체적인 실시예에 관하여 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지로 변형할 수 있다. 그러므로 본 발명의 범위는 상술한 실시예에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 한다.Meanwhile, in the detailed description of the present invention, specific embodiments have been described, but various modifications may be made without departing from the scope of the present invention. Therefore, the scope of the present invention should not be limited to the above-described embodiments, but should be defined by the equivalents of the claims of the present invention as well as the following claims.

도 1은 본 발명에 따른 피부 나이 추론 시스템의 구성을 개략적으로 보여주는 블록도.Figure 1 is a block diagram schematically showing the configuration of the skin age inference system according to the present invention.

도 2는 본 발명에 따른 피부 나이 추론 방법을 보여주는 흐름도.2 is a flow chart showing a skin age inference method according to the present invention.

도 3은 도 2의 전처리 절차를 예시적으로 보여주는 흐름도.3 is a flowchart illustratively showing the pretreatment procedure of FIG.

도 4는 도 2의 주름 길이 검출 절차를 예시적으로 보여주는 흐름도.4 is a flow chart illustrating an example wrinkle length detection procedure of FIG. 2.

도 5a 및 5b는 도 2의 주름 너비 검출 절차를 예시적으로 보여주는 흐름도.5A and 5B are flow charts illustratively illustrating the wrinkle width detection procedure of FIG.

도 6은 본 발명의 피부 나이 추론 방법의 처리 단계별 이미지를 예시적으로 보여주는 도면.Figure 6 illustratively shows the step-by-step image of the skin age inference method of the present invention.

Claims (14)

(a) 피부 현미경 이미지를 전처리하는 단계;(a) pretreatment of the skin microscopy image; (b) 워터세드(watershed) 알고리즘을 통해 이진화된 회색조 이미지의 영역을 분할하여 주름을 1 픽셀 두께의 스켈레톤 이미지로 나타내는 영역 분할 단계;(b) segmenting a region of the binarized grayscale image by using a watershed algorithm to represent wrinkles as a 1 pixel thick skeleton image; (c) 상기 스켈레톤 이미지와 회색조 이미지 중 적어도 어느 하나를 이용하여 주름 길이, 주름 너비 및 주름 깊이를 검출하는 단계; 및(c) detecting wrinkle length, wrinkle width, and wrinkle depth using at least one of the skeleton image and the grayscale image; And (d) 상기 검출된 주름 길이, 주름 너비 및 주름 깊이와 해당 환자의 개인정보를 특징점으로 하여 SVM(Support Vector Machine)을 사용하여 해당 객체의 피부 나이를 추론하여 출력하는 단계를 포함하는 피부 나이 추론 방법.(d) skin age inference comprising the step of inferring and outputting the skin age of the object using a SVM (Support Vector Machine) with the detected wrinkle length, wrinkle width and wrinkle depth and personal information of the patient Way. 청구항 1에 있어서, 상기 (a) 단계는,The method according to claim 1, wherein step (a), 상기 피부 현미경 이미지의 중심부를 관심 영역으로 추출하는 단계;Extracting a center of the skin microscopic image into a region of interest; 상기 피부 현미경 이미지를 정규화하는 단계;Normalizing the skin microscopy image; 상기 정규화된 피부 현미경 이미지를 이진화하는 단계; 및Binarizing the normalized skin microscopy image; And 상기 이진화된 피부 현미경 이미지에서 노이즈를 제거하는 단계를 포함하는 피부 나이 추론 방법.Removing noise from the binarized skin microscopy image. 청구항 2에 있어서, 상기 관심 영역을 추출하는 단계 이전에 그라데이션 마스킹(gradation masking)을 통하여 상기 피부 현미경 이미지의 비네팅(vignetting)을 제거하는 단계를 더 포함하는 피부 나이 추론 방법.The method of claim 2, further comprising removing vignetting of the skin microscopy image through gradient masking prior to extracting the region of interest. 청구항 2에 있어서, 상기 피부 현미경 이미지를 정규화하는 단계는 다음의 수학식으로 표현되는 콘트라스트 스트레칭(contrast stretching) 방법에 의하여 이루어지는 것을 특징으로 하는 피부 나이 추론 방법.The method of claim 2, wherein normalizing the skin microscope image is performed by a contrast stretching method expressed by the following equation.
Figure 112009009534419-PAT00007
Figure 112009009534419-PAT00007
 여기서, I(x,y)는 이미지를, min(I)와 max(I)는 각각 최소, 최대 intensity를 나타낸다.Here, I (x, y) represents an image, and min (I) and max (I) represent minimum and maximum intensity, respectively. 청구항 2에 있어서, 상기 정규화된 피부 현미경 이미지를 이진화하는 단계는 다음의 수학식으로 표현되는 Otsu의 이진화 방법에 의해 이루어지는 것을 특징으로 하는 피부 나이 추론 방법.The method of claim 2, wherein binarizing the normalized skin microscope image is performed by an Otsu binarization method represented by the following equation.
Figure 112009009534419-PAT00008
Figure 112009009534419-PAT00008
 여기서, I는 회색조 값인 0 ~ 255 사이를 의미하고, μ는 t까지의 평균을 의미하며, P(i)는 i의 밝기를 가지는 전체 픽셀 수의 개수 나누기 전체 이미지 픽셀 수이고, σ2는 분산을 의미한다.Where I is the grayscale value between 0 and 255, μ is the mean up to t, P (i) is the number of total pixels with i brightness divided by the total number of pixels, and σ 2 is the variance Means. 청구항 2에 있어서, 상기 이진화된 피부 현미경 이미지에서 노이즈를 제거하는 단계는 연결 요소 추출 과정을 통해 일정 크기 이하의 덩어리를 제거하는 방식으로 이루어지는 것을 특징으로 하는 피부 나이 추론 방법.The method of claim 2, wherein the removing of the noise from the binarized skin microscope image is performed by removing a lump of a predetermined size or less through a connection element extraction process. 청구항 1에 있어서, 상기 (c) 단계에서 주름 길이 검출은 상기 스켈레톤 이미지를 스캔하여 스켈레톤의 픽셀 수를 가산하는 방식으로 이루어지는 것을 특징으로 하는 피부 나이 추론 방법.The method of claim 1, wherein the wrinkle length detection in step (c) is performed by scanning the skeleton image and adding the number of pixels of the skeleton. 청구항 7에 있어서, 상기 스켈레톤의 픽셀 수를 가산하는 방식은,The method of claim 7, wherein the method of adding the number of pixels of the skeleton, 상기 스켈레톤 이미지의 X축을 체가름하여 2 픽셀 이상의 연속된 직선의 길이를 계산하는 단계;Calculating the length of a continuous straight line of two pixels or more by sieving the X axis of the skeleton image; 상기 스켈레톤 이미지의 Y축을 체가름하여 2 픽셀 이상의 연속된 직선의 길이를 계산하는 단계;Calculating the length of a continuous straight line of two pixels or more by sieving the Y axis of the skeleton image; 대각선 방향의 고립된 1 픽셀의 개수를 가산한 후 √2를 곱하여 대각선 길이 를 계산하는 단계; 및Calculating the diagonal length by adding the number of isolated 1 pixels in the diagonal direction and multiplying by √2; And 상기 X축 직선의 길이, Y축 직선의 길이 및 대각선 길이를 합산하여 총 주름 길이를 계산하는 단계를 포함하는 피부 나이 추론 방법.Calculating the total wrinkle length by summing the length of the X-axis straight line, the length of the Y-axis straight line, and the diagonal length. 청구항 1에 있어서, 상기 (c) 단계에서 주름 너비 검출은 상기 스켈레톤을 이용하여 시크닝(Thickening) 과정을 수행함으로써 이루어지는 것을 특징으로 하는 피부 나이 추론 방법.The method of claim 1, wherein the wrinkle width detection in step (c) is performed by performing a thickening process using the skeleton. 청구항 9에 있어서, 상기 시크닝(Thickening) 과정은,The method of claim 9, wherein the thickening (Thickening) process, 상기 스켈레톤 이미지를 스캔하여 주름에 해당하는 픽셀을 탐색하는 단계;Scanning the skeleton image to search for pixels corresponding to wrinkles; 상기 탐색된 해당 픽셀을 중심으로 하는 너비 n 픽셀의 정사각형 형태의 윈도우를 생성하는 단계; 및Generating a square-shaped window having a width of n pixels centered on the searched corresponding pixel; And 상기 회색조 이미지를 참조하여 윈도우에 해당하는 픽셀 값들이 문턱치보다 낮은 경우 주름으로 판단하는 단계를 포함하는 피부 나이 추론 방법.And determining the wrinkles when the pixel values corresponding to the window are lower than the threshold value by referring to the grayscale image. 청구항 9에 있어서, 상기 시크닝(Thickening) 과정은,The method of claim 9, wherein the thickening (Thickening) process, 주름 스켈레톤에 팽창(dilation) 연산을 실행하는 제1 단계; 및Performing a dilation operation on the wrinkle skeleton; And 팽창된 영역에서 주름 부위를 탐색하고, 주름 영역을 확장하는 제2 단계를 포함하고,Searching for a wrinkled area in the swollen area, and expanding a wrinkled area; 확장된 영역의 픽셀 값이 n 픽셀에 이를 때까지 상기 제1 단계 및 상기 제2 단계가 반복되는 것을 특징으로 하는 피부 나이 추론 방법.The first and second steps are repeated until the pixel value of the extended area reaches n pixels. 청구항 11에 있어서, 상기 제2 단계는 주름 영역을 검출하기 위하여 출력 이미지와 상기 회색조 이미지를 교차 비교하는 단계를 포함하는 피부 나이 추론 방법.12. The method of claim 11, wherein the second step comprises cross comparing the output image with the grayscale image to detect wrinkled areas. 청구항 1에 있어서, 상기 (c) 단계에서 주름 깊이 검출은 주름의 중심 픽셀의 색상과 주름의 경계선에 존재하는 픽셀의 색상 차이를 이용하여 다음의 수학식에 의해 이루어지는 것을 특징으로 하는 피부 나이 추론 방법.The method of claim 1, wherein the wrinkle depth detection in the step (c) is performed by the following equation using the color difference between the color of the center pixel of the wrinkle and the color of the pixel present at the boundary of the wrinkle. .
Figure 112009009534419-PAT00009
Figure 112009009534419-PAT00009
 여기서, ci는 주름의 중심점을 의미하고, Si는 각 중심점으로부터 거리 r만큼 떨어진 경계점에 존재하는 점들을 의미한다.Here, c i means the center point of the wrinkles, S i means points that exist at the boundary point separated by a distance r from each center point. 청구항 1에 있어서, 상기 환자의 개인정보는 피부 관리 유무, 나이, 성별을 포함하는 피부 나이 추론 방법.The method of claim 1, wherein the patient's personal information includes skin care, age, and gender.
KR1020090012624A 2009-02-16 2009-02-16 Skin age estimation method KR101076307B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090012624A KR101076307B1 (en) 2009-02-16 2009-02-16 Skin age estimation method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090012624A KR101076307B1 (en) 2009-02-16 2009-02-16 Skin age estimation method

Publications (2)

Publication Number Publication Date
KR20100093431A true KR20100093431A (en) 2010-08-25
KR101076307B1 KR101076307B1 (en) 2011-10-26

Family

ID=42757848

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090012624A KR101076307B1 (en) 2009-02-16 2009-02-16 Skin age estimation method

Country Status (1)

Country Link
KR (1) KR101076307B1 (en)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101509991B1 (en) * 2013-11-28 2015-04-08 고려대학교 산학협력단 Skin texture measurement method and apparatus
KR101627962B1 (en) * 2015-02-09 2016-06-07 세종대학교산학협력단 Method and apparatus for analyzing fine scale wrinkle of skin image
WO2017155158A1 (en) * 2016-03-11 2017-09-14 (주)아모레퍼시픽 Apparatus for evaluating skin texture on basis of skin texture blob, and method therefor
WO2018065351A1 (en) 2016-10-04 2018-04-12 L'oreal Method for characterizing human skin relief
KR20180098893A (en) * 2017-02-27 2018-09-05 울산과학기술원 Method and system for detecting wrinkle of skin using optical coherence tomography
KR20200121692A (en) * 2019-04-16 2020-10-26 아이이씨코리아 주식회사 Method and apparatus for estimating age of skin
KR20210039701A (en) * 2019-10-02 2021-04-12 울산과학기술원 A method and apparatus for detecting wrinkle of skin using optical coherence tomography

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3000386B1 (en) 2013-06-28 2021-01-20 Panasonic Intellectual Property Corporation of America Skin function evaluation device and skin evaluation method
KR102436127B1 (en) 2021-09-03 2022-08-26 주식회사 룰루랩 Method and apparatus for detecting wrinkles based on artificial neural network

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100370271B1 (en) 2000-09-19 2003-01-29 주식회사 이딥스래버러토리 A Measure System for Skin condition
KR100862274B1 (en) 2007-04-24 2008-10-09 (주)아모레퍼시픽 Method for valuating the human skin disruption by quantitative analyzing and visual expressing the furrows

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101509991B1 (en) * 2013-11-28 2015-04-08 고려대학교 산학협력단 Skin texture measurement method and apparatus
KR101627962B1 (en) * 2015-02-09 2016-06-07 세종대학교산학협력단 Method and apparatus for analyzing fine scale wrinkle of skin image
WO2017155158A1 (en) * 2016-03-11 2017-09-14 (주)아모레퍼시픽 Apparatus for evaluating skin texture on basis of skin texture blob, and method therefor
KR20170105974A (en) * 2016-03-11 2017-09-20 (주)아모레퍼시픽 Evaluation device for skin texture based on skin blob and method thereof
WO2018065351A1 (en) 2016-10-04 2018-04-12 L'oreal Method for characterizing human skin relief
KR20180098893A (en) * 2017-02-27 2018-09-05 울산과학기술원 Method and system for detecting wrinkle of skin using optical coherence tomography
KR20200121692A (en) * 2019-04-16 2020-10-26 아이이씨코리아 주식회사 Method and apparatus for estimating age of skin
KR20210039701A (en) * 2019-10-02 2021-04-12 울산과학기술원 A method and apparatus for detecting wrinkle of skin using optical coherence tomography

Also Published As

Publication number Publication date
KR101076307B1 (en) 2011-10-26

Similar Documents

Publication Publication Date Title
KR101076307B1 (en) Skin age estimation method
Kiani et al. E-shaver: An improved DullRazor® for digitally removing dark and light-colored hairs in dermoscopic images
Figueiredo et al. Automated lesion detectors in retinal fundus images
Kurt et al. A novel automatic suspicious mass regions identification using Havrda & Charvat entropy and Otsu's N thresholding
Zhou et al. Feature-preserving artifact removal from dermoscopy images
Kanimozhi et al. Computer aided melanoma skin cancer detection using artificial neural network classifier
Achakanalli et al. Statistical analysis of skin cancer image–A case study
Shareef Breast cancer detection based on watershed transformation
Lu et al. Automated segmentation and analysis of the epidermis area in skin histopathological images
Pal et al. Mathematical morphology aided optic disk segmentation from retinal images
Lai et al. A protozoan parasite extraction scheme for digital microscopic images
Vozel et al. Noise identification and estimation of its statistical parameters by using unsupervised variational classification
Cheng et al. Automatic detection of region of interest and center point of left ventricle using watershed segmentation
Zhou et al. A novel adaptive local thresholding approach for segmentation of HEp-2 cell images
Isa et al. Automatic segmentation and detection of mass in digital mammograms
JP7019104B2 (en) Threshold learning method
Ayoub et al. Automatic detection of pigmented network in melanoma dermoscopic images
Chatha et al. Comparative Analysis of Proposed Artificial Neural Network (ANN) Algorithm With Other Techniques
Balkys et al. Segmenting the eye fundus images for identification of blood vessels
Devi et al. Detection of tumours from MRI scans using Segmentation techniques
Mahmood et al. Artifact Removal from Skin Dermoscopy Imagesto Support Automated Melanoma Diagnosis
CN115496748B (en) Method and device for identifying intestine section of small intestine image and storage medium
Li et al. Nonlinear filtering enhancement and histogram modeling segmentation of masses for digital mammograms
Wu An improved fuzzy algorithmic approach applying on medical image to improve the contrast
Tjoa et al. Automated diagnosis for segmentation of colonoscopic images using chromatic features

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20151013

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20160928

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20180403

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20181008

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20191014

Year of fee payment: 9