KR20140112046A - 피부 부위 상의 피부 징후를 검출하고 정량화하는 방법과 장치 - Google Patents

Abstract

피부 부위 상의 피부 징후의 검출과 정량화 방법에 관한 것으로서, 그 방법에 따르면, * 복수의 사전설정된 피부색 강도의 도수 등급 및 복수의 피부 징후 유형에 대하여, 피부 징후 유형과 피부색 강도의 도수 등급과의 각각의 조합에서, 그 등급에 속하는 피부색 강도의 도수를 갖는 사람의 피부 상의 그러한 징후 유형을 콘트라스트에 의하여 검출하기 위하여 파장들 중 하나의 파장이 사용될 수 있도록, 선택된 복수의 파장을 식별하고, * 백색광에서 이미지를 촬영하고, 상기 이미지들로부터 피부색 강도의 도수와 해당 등급을 자동으로 식별하고, 그 피부색 강도의 도수 등급에 따라, 그 피부색 강도의 도수 등급과 검출하고자 하는 징후 유형과의 조합에 해당하는 파장에서 이미지들이 자동으로 캡처된 후, 검출하고자하는 상기 유형의 징후을 검출하도록, 적어도 그 캡처된 이미지를 처리한다.

Description

피부 부위 상의 피부 징후를 검출하고 정량화하는 방법과 장치{METHOD AND DEVICE FOR DETECTING AND QUANTIFYING CUTANEOUS SIGNS ON AN AREA OF SKIN}

본 발명은 피부 부위 상에서, 특히 얼굴 부위(나아가, 목 부위 포함) 상에서, 각종 피부 징후들-그 징후들은 특히 다크 서클, 주름, 반점 등일 수 있음-을 자동으로(또는 적어도 반자동으로) 검출하고 정량화하기 위한 방법과 장치에 관한 것이다. 그 징후의 유형들은 "그레이드(grade)"에 따라 정량화될 수 있다.

본 명세서에서는, 각종 용어들을 다음과 같은 의미로 사용할 것이다:

- 피부 징후: 미용치료(cosmetic treatment) 또는 치료(therapy)를 받을 필요가 있을 것으로 고려되는 피부 부위의 변형; 그 피부 징후는 피부 노화, 피부 건조, 피부 피로 또는 나아가 피부색 변형에 연관된 징후일 수 있다.

○ "피부 노화 징후"는, 예를 들어 주름 및 잔주름, 반점, 피부 이완의 모든 징후, 피부 두께의 변형, 피부 탄력 및/또는 단단함 부족, 윤기 없고 광택 없는 피부 등과 같이, 노화에 기인한 피부 표면 형태의 모든 변형을 의미한다.

○ "피부 건조 징후"는, 다크 서클 현상, 꺼칠하고 각질 일어나는 현상, 매끄럽지 않은 현상, 불그스름한 현상 및/또는 비늘로 덮인(scaly) 현상, 및 유연성 상실과 피부 두께의 변형 등과 같은, 피부 각질층에서의 수분 함량과 분포 변화에 특히 기인한 피부 표면 모습의 모든 변형을 의미한다. 피부 건조 징후는, 예를 들어 과민증, 아토피 피부염 또는 겨울철 건조증 등의 실제 병적 증상으로 해석될 수 있는, 가려움, 따가움 및/또는 당김 등의 건조 현상과 연관된 느낌들을 포함한다.

○ "피로 피부 징후" 및 "피부색 변형"은, 여러 생활 방식(일광 노출, 수면 부족, 스트레스, 시차 등)에 노출된 결과로 특히 얼굴 노화 징후의 악화 느낌과 함께, 예를 들어, 눈 밑의 다크 서클 또는 처짐, 및 피부 색의 모든 변형 등과 같이 피로 또는 혈액순환 장애로 인한 피부 표면 모습의 모든 변형을 의미한다.

- 피부(또는 미용상) 징후의 그레이드(또는 기준): 그 징후의 심각성/위급성 도수(degree) 또는 기준: 그 도수의 값은 또한 그 징후 유형의 디스크립터(descriptor)로써 정량화된다.

- 피부색 강도의 도수: 모든 색표시와 별개로, 피부 부위의 다소 밝고 짙은 특성을 정량화하는 파라미터; 그 도수는 통계적 분류의 분석에 의해, 바람직하게는 주성분 분석(Principal Component Analysis, PCA), 나아가 독립 성분 분석(Independant Component Analysis, ICA), 비음수 행렬 인수 분해(Non-Negative Matrix Factorization, NNMF) 또는 당업자에게 공지된 다른 모든 유사한 분류 방법에 의해, 색상 이미지(3 성분 RGB) 상에서 결정될 수 있다; 피부색 강도의 도수의 여러 가능한 값들을 적어도 2개의 복수 등급으로 배분한다.

- 단색(monochrome) 이미지 또는 단색성(monochromatic) 이미지: 주어진 파장에 연관된 이미지; 더욱 정확하게는, 주어진 주파수에서의 조명하에 촬영된 (특별한 필터 없이) 단색 이미지. 그러한 단색 이미지는 차등적으로(differentially) 캡처 될 수 있고, 이는 필수적 이지는 않다.

- 백색 조명: 가시스펙트럼 대부분(즉, 약 400 nm 내지 700 nm)에서의 조명, 백색 LED, RGB LED, 할로겐 광, 백열 전구, 튜브형 형광등, 전구형 형광등, 등의 조명 취득 방식 불문.

- 형태학적 작업: 하나의 피부 징후 유형에 연관된 작업으로서, 그 피부 징후 유형의 존재를 검출하고 하나의 이미지상에서 그 피부징후 유형이 존재하는 위치를 측정하기에 적합한 작업.

- 비율 이미지: 하나의 동일한 부위에서 필터링된 2개의 이미지 사이의 비율로 생긴 이미지(각 픽셀에서, 비율 이미지는 그 픽셀 값을, 픽셀을 직접적으로 둘러싸는 부위의 픽셀 값들의 평균과 그 부위 인근의 픽셀 값들의 평균 사이의 비율로 대체함).

문헌 US-2009/0201365(Fukuoka et al.)에 따르면, 피부 부위의 상태를 진단하고 피부 치료를 조언하는 시스템은 이미 공지되어 있다. 그 시스템은 통신 수단을 통하여 연동하는, 데이터 수집용 어셈블리(나아가 복수의 그러한 어셈블리) 및 그 데이터 분석용 어셈블리를 포함한다. 데이터 수집용 어셈블리는 초고해상도의 디지털 이미지 캡처 장치, 고압축율 압축 장치 및 디스플레이 장치를 포함하고, 데이터 분석용 어셈블리는 데이터 분석 장치 및 고압축율의 압축용 어셈블리 및 데이터 저장 수단들을 포함한다. 데이터 수집용 어셈블리는 대상 얼굴 전체의 이미지를 촬영하고, 압축 수단들은 압축 이미지를 생성하고, 데이터 분석 장치는 통신 수단들을 통하여 취득된 그 압축 이미지로부터 피부 상태를 분석하고 진단 결과로서 가시적 정보를 생성하고; 그 가시적 정보는 압축된 후 디스플레이 장치에 의해 가시화되도록 데이터 수집용 어셈블리로 전송된다. 데이터 분석용 어셈블리는 데이터 캡처 어셈블리와 독립적이고 그 데이터 캡처 장치와 이격 되어 있을 수 있다. 데이터 캡처는 사전설정된 조건 하에서, 단순한 디지털 사진기에 의해 실시되고, 이는 특별히 교육받지 않은 작업자에 의해 실시될 수 있고, 분석 작업에 있어서는, 다수의 기준상에서 매우 풍부한 데이터 베이스를 참조하여 실시된다.

그러한 시스템은 복잡하며 다양한 분석 가능 아이템들을 분리하도록 되어 있는 매우 풍부한 참조용 데이터베이스를 구축할 것을 연루한다.

또한, 문헌 US-2004/0218810에 따르면, 피부 이미지를 컴퓨터에 의해 분석할 수 있게 하는 방법과 시스템이 공지되어 있다. 그 문헌에 따르면, RGB 센서를 이용하여 백색광에 의해 조명된 얼굴 부위의 디지털 이미지를 촬영하고 다양한 분석(피부색, 반점, 모공 등)에 의해, 그와 같이 캡처된 이미지의 R(적), G(녹), 및 B(청) 이미지들을 처리하며 그 분석에 의해 그 이미지로부터, 경우에 따라서는 시간의 경과에 따른 변화를 산정할 수 있게 하는, 다양한 데이터를 유추할 수 있다. 이미지들은 실제로 얼굴에 가까운 색 좌표를 예측하면서 얼굴의 정확한 위치설정을 포함하는 장치를 이용하여 촬영된다. 그러나, 그 시스템은 불편해보일 수 있고, 한편 분석은 복잡한데, 이는 분석이 종종 동일한 부위의 다수의 R, G 또는 B 이미지들 상에서, 실질적으로는 HSV 유형의 변환으로써 기준치와의 비교에 의존하는 정확도를 갖고 실시되어야 하기 때문이다.

마찬가지로, 문헌 WO - 94/16622에 의하면, 피부 병변을 검출하기 위한 백색광 또는 UV광으로 조명되는 부위의 이미지 취득 방법이 공지되어 있다. 그 방법의 핵심 특성은, 백색광에서 조명된 부위에 의해 재전송된 제2차 빔(beam) 내에서 광선 대역을 선택하는 것이고; 그 선택은 검출의 최종 결과 및 피부 병변의 분류 결과에 필수 불가결하다. 그런데, 그러한 선택은, 예를 들어 관심 광선 대역을 연속적으로 처리하는 것에 해당하는 필터 휠(wheel)을 이용하여, 또는 그 대역들의 동시 처리를 가능하게 하는 빔스플리터(beamsplitter)를 이용하여, 필터링된 제2차 빔을 적용하는 것에 해당하는데, 그 어느 경우도 각 대역 당 시그널/노이즈 비율의 심각한 손실을 대가로 한다.

문헌 US - 2009/240653은, 피츠패트릭 분류에 따라 가능한 6개의 피부 유형 중에서, 자원자의 피부 유형을 결정할 수 있게 하는 백색광으로 조명된 부위의 이미지 취득 방법을 개시하며, 그 방법은 가우스 분포로써 자원자 부위의 이미지의 R, G, B 대역 히스토그램의 시뮬레이션을 포함하며, 피츠패트릭 피부 유형을 트리 알고리즘에 의해 도출하는 것은 각 분포의 평균치들과 표준편차로부터이다.

본 발명은 중간 크기의 계산 수단들을 이용할 수 있고, 예를 들어 적당한 성능의 PC 이상을 필요치 않는, 더욱 단순하고 더욱 콤팩트한 피부 부위 분석 시스템을 목적으로 한다.

이를 위하여, 본 발명은 피부 부위 상의 피부 징후를 검출하고 정량화하는 방법을 제안하며, 그 방법에 따르면:

* 사전에, 사전설정된 피부색 강도 도수의 적어도 2개의 복수 등급 및 복수의 사전설정된 피부 징후 유형들에 대하여 선택된 복수의 파장을 식별하여, 그 결과, 그 복수의 유형 내에서의 피부 징후의 어떤 유형과 상기 복수의 등급 내에서의 피부색 강도 도수의 어떤 등급의 각 조합에서 복수의 파장들 중 적어도 하나의 파장으로써 상기 등급 내에 위치한 피부색 강도의 도수를 갖는 사람의 피부 상의 징후 유형을 콘트라스트에 의하여 검출할 수 있게 하고,

* 백색 조명 하에서 대상 얼굴의 선택된 부위의 적어도 하나의 이미지를 촬영하고,

* 자동으로 그 이미지로부터 관련인에 해당하는 피부색 강도 도수를 식별하고 그 도수가 속한 등급을 식별하고,

* 자동으로 그 피부색 강도 도수의 등급에 따라, 그 피부색 강도 도수에 대하여, 얼굴의 선택된 부위 상에서 검출하고자 하는 징후의 유형을 검출할 수 있게 하는 상기 복수의 파장의 등급을 선택하고,

* 적어도 그 파장에서 적어도 하나의 단색성 이미지를 취득하고, 알고리즘과 피부색 강도 도수의 등급에 따라 선택된 파라미터들을 이용하여 그 이미지를 처리하고, 그 결과 검출하고자 하는 상기 유형의 징후들을 검출하고 그레이드를 산정한다.

따라서, 본 발명은, 피부 징후의 분석이 알고리즘과 한정된 개수의 파라미터를 이용하여 하나의 피부색 강도만을 주로 고려하여, 정확히 판단하여 선택된 주파수에 해당하는 단색(또는 단색성-상기 정의 참조) 이미지로부터 실시될 수 있다는 확인된 사실을 이용한다. 적절히 선택된 몇몇의 특정 파장에 의해 조명되는 부위의 몇몇 이미지 취득은 미용상 징후의 대부분을 검출할 수 있게 하고, 이는 존재하는 피부색 강도의 모든 도수에 대한 것이고, 그러한 일환으로, 가능한 많은 다양한 자원자들에게서 많은 미용상 징후들을 검출할 수 있도록, 자유로이 선택한, 그리고 최소 2개일 수 있는 매우 적은 수의 피부색 강도 도수들로 분리하는 것으로 충분하다.

그와 같이 본 발명은 특별히 간단한 것으로 드러나는데, 이는 특히, 본 발명이 문헌 US - 2009/240653에서와 같이 6개의 피츠패트릭 피부 유형을 특히 고려하지 않고, 따라서 그와 동일한 개수의 알고리즘과 파라미터 그룹들을 실행하지 않으면서, WO - 94/16622에서와 반대로, 조사 중인 부위에 의해 반사된 제2차 빔의 더욱 완전한 사용을 가능하게 하면서, 즉 본 발명은 그 제2차 빔의 필터링도 분리도 요구하지 않으므로, 매우 제한된 개수로 피부색 강도의 도수를 자유로이 선택할 수 있게 하기 때문이다. 인용 문헌들은 실질적으로 반사 빔의 일부분만을 사용하며 백색광 조명을 사용하는 반면, 본 발명은 선택된 파장에서(반사된 신호 전체를 사용 가능하면서) 관심 부위를 조명한다는 점이 본 발명의 장점의 일부에 기여함을 주목해야 한다.

유리하게는, 그 복수의 파장들은 바람직하게는 피부색 강도의 도수 등급 전체에 대하여 2개 내지 5개 사이에 포함되고; 실제로 피부색 강도의 모든 도수에 대하여, 바람직하게는 약 500 nm (+/-20 nm) 및 570 nm (+/-20 nm)와 동일하도록 선택된, 겨우 2개의 파장으로 다수의 피부 징후 유형을 검출하는 것이 가능하게 보인다. 그러나 바람직하게는, 피부색 강도 도수의 모든 등급에 대한 복수의 파장은 그 외에 약 620 nm(+/-20 nm)의 파장을 더 포함한다. 따라서, 모든 등급에 대한 파장의 수는 유리하게는 최대한 3개이다.

바람직하게는, 본 방법이 검출하고 정량화할 수 있게 하는 피부 징후의 복수의 유형들은 특히 주름, 다크 서클 및 색소 불균일을 포함한다.

유리하게는, 피부 강도의 적어도 하나의 도수에 대하여, 동일한 하나의 피부 징후 유형(나아가 다수의 피부 징후 유형)에 대하여 2개의 파장을 선택한다. 바람직한 구성에서, 복수의 파장은 3개의 파장으로 구성되고 복수의 피부색 강도의 도수 등급은 2개의 등급, 즉 밝은 피부 등급과 짙은 피부 등급으로 구성된다. 그 적은 수의 파장과 피부색 강도의 도수 등급에도 불구하고, 주름, 다크 서클, 반점 등을 포함하는 매우 다양한 피부 징후들을 검출하고 정량화할 수 있다. 더욱 특별히 유리하게는, 단순하지만 효과적인 구성에서, 밝은 피부에 대한 피부 징후 유형을 위하여 최대 2개의 파장을 할당하고, 짙은 피부에 대한 피부 징후 유형을 위하여 최대 2개의 파장을 할당한다.

유리하게는, 주어진 파장에 해당하는 각 단색 이미지의 캡처는, 해당 주파수의 조명이 있거나 없이 촬영된 동일한 피부 부위의 2개의 연속적 이미지 취득과 그 2개의 이미지의 차이에 의한 단색 이미지 생성을 포함하고; 이는 주변 조명의 영향, 특히 하루 동안 경우에 따른 편차 또는 경우에 따른 공간적 편차를 제거할 수 있게 한다. 더욱 특별히 바람직하게는, 동일한 파장에 대하여, 조명 강도가 증가함에 따라 복수의 이미지를 캡처하고, 포화되지 않은 최고 강도에서 취득된 이미지를 선택한다.

본 발명은 그 외에, 방법의 실시를 위한 피부 부위 상에서 피부 징후들을 검출하고 정량화하는 장치를 제안하며, 그 장치는:

* 선택에 의해 채택된 복수의 조명 방식하에서 주어진 위치 내에 위치된 피부 부위를 조명하도록 적용된 조명 장치,

* 그 주어진 위치에 위치한 피부 부위의 단색성 이미지를 캡처하도록 적용된 이미지 캡처 장치,

* 처리 장치, 및

* 그 조명장치에 의해 결정된 조명 하에서 이미지 캡처 장치에 의해 캡처된 이미지를 그 처리 장치가 처리하게 하는, 그 캡처 장치, 조명 장치와 처리 장치 사이의 인터페이스를

포함하고,

그 처리 장치는:

- 사전설정된 피부색 강도 도수의 적어도 2개의 복수 등급 및 복수의 피부 징후 유형에 대하여 복수의 선택된 파장을 식별하는 데이터를 포함하고, 그 결과 복수의 유형들 가운데 어떤 피부 징후 유형과 복수의 등급 가운데 어떤 피부색 강도 도수 등급과의 각 조합에서, 복수의 파장들 중 하나의 파장이, 상기 등급 가운데 위치한 피부색의 강도 도수를 갖는 사람의 피부 상의 그러한 징후 유형을 콘트라스트를 통해 검출할 수 있게 하고,

- 그 처리 장치는 백색광과 상기 복수의 상기 파장들에서 선택된 피부 부위의 이미지를 캡처하기 위한 캡처 장치 및 조명 장치와 연동하도록 고안되고, 조명 방식들은 백색광에서의 캡처와 그 복수의 파장의 각 파장에서의 캡처를 가능하게 하고,

- 그 처리 장치는 백색광에서 이미지 캡처 장치에 의해 캡처된 적어도 하나의 이미지 내에서 관련인에 해당하는 피부색 강도 도수 및 그 피부색 강도 도수가 속한 등급을 자동으로 식별하도록 고안되고, 자동으로 그 피부색 강도 도수 등급에 따라, 그 피부색 강도 도수 등급에 대하여, 검출하고자 하는 피부 징후 유형의 검출을 가능하게 하는 파장(들)을 선정하도록 고안되고, 그 선정된 적어도 하나의 파장에서 적어도 하나의 이미지를 자동으로 캡처하도록 고안되고, 알고리즘 및 피부색 강도 도수의 등급에 따라 주로 선택된 파라미터들을 이용하여, 그 선정된 파장에서 적어도 그 캡처된 이미지를 자동으로 처리하고, 그 결과 검출하고자 하는 상기 유형의 징후들을 검출하도록 고안되었다.

본 발명의 목적, 특성 및 장점들은 첨부 도면을 참조하여 이하 개시된 상세한 설명으로 나타날 것이다.

도 1은 본 발명의 방법의 원리의 개략도.
도 2는 본 발명의 실시에 적용된 시스템의 개요도.
도 3은 대상 얼굴의 촬영 장치와 조명 장치로 형성된 한 쌍의 단면도.
도 4는 이미지의 차등적 촬영을 위한 주어진 파장에서의 조명 시퀀스의 실시예 그래프.
도 5는 매우 다양한 자원자에 대하여 캡처된 이미지들에 2개의 성분을 연관시킨 그래프.
도 6은 도 5의 결과들을 다른 방식으로 재구성한 그래프.
도 7은 모공들을 검출하고 정량화하도록 처리된 이미지의 실시예.
도 8은 눈 밑의 다크 서클을 검출하고 정량화하도록 처리된 이미지의 실시예.
도 9는 모공, 비늘, 반점 및 모세혈관확장의 검출에서 사용되는 "비율" 이미지 구성원리의 개략도.
도 10은 "비율" 이미지 구성에 의해 모공을 명백히 하는 실시예.
도 11은 모공 검출 알고리즘의 실시예.
도 12는 비늘 검출 알고리즘의 실시예.
도 13은 피부색 강도 도수의 2개 등급에 대한 반점 검출의 실시예.
도 14는 주성분분석(PCA)에 의해 반점/모세혈관확장을 분리하는 실시예를 도시하며, 성분(1)은 하부 가로좌표에 표시하고, 처음 2개의 성분은 상부 가로좌표에 표시하고, 성분(2)는 세로좌표에 표시한다.

도 1에 도시된 바와 같이, 본 발명의 방법은, 피부 부위 상의 피부 징후들을 검출하고 정량화하기 위하여, 하기 단계들을 주로 포함한다.

우선(예비 병행 단계 1, 2), 사전설정된 피부색 강도 도수의 복수(적어도 2개의) 등급(Di) 및 피부 징후의 복수 유형(Si)을 식별한다. 그 후(예비 단계 3) 그 도수 등급들(Di)과 그 징후 유형들(Si)에 따라 선택된 복수의 파장들(λi)을 식별하고, 그 결과 피부 징후의 어떤 유형과 피부색 강도 도수의 어떤 등급과의 각 조합에서, 그 복수의 파장들 중 하나의 파장에서 고려되는 등급 내에 들어가는 피부색 강도 도수를 갖는 사람의 피부 상의 그러한 징후 유형을 콘트라스트에 의해 검출할 수 있게 한다. 그 파장들의 식별은 또한 그러한 파장들에서 경우에 따른 특별한 이미지 촬영 조건들을 포함한다(그 조명 강도 조건들에 관하여, 그리고/또는 차등 이미지 촬영 조건에 관한 하기 실시예 참조). 다시 말하자면, 각각의 등급에 대하여, 검출하고 정량화하고자 하는 다양한 피부 징후 유형을 검출하고 정량화할 수 있게 하는 이미지 취득을 위한 취득 조건을 식별한다. 그외에 그러한 검출과 그러한 정량화를 실시하기 위하여, 실질적으로는 자동으로, 그러한 이미지들의 처리 조건을(실질적으로는 알고리즘 및 경우에 따른 파라미터들) 결정한다.

실시예로서, 이 후 언급할 바와 같이, 피부색 강도 도수의 2개의 등급, 즉, "밝은 피부"와 "짙은 피부"(예를 들어 D1 및 D2로 표시)를 구분하고, 고려되는 피부 징후의 여러 유형들을 검출하고 정량화할 수 있게 하는 알고리즘들을 그 각각의 등급에 대하여 정의하는 것으로 만족할 수 있다.

피부 징후의 유형들과 그것들의 개수의 선택은 필요에 따르는데, 실시예로서, 유리하게는 하기 항목들을 구별한다:

- 주름, 경우에 따라 그 위치에 따라 구분

- 비구순 주름("naso-labial fold"),

- 이마 주름,

- 눈썹들 사이에 위치한 일명 "사자 주름"("frown lines")

- 눈가에 위치한 일명 "거위발 주름"("crow's feet"),

- 눈 밑 주름,

- 입가 주름,

- 입술 주위 주름,

- 반점, 경우에 따라 기미 반점과 노인 반점을 구분

- 모공 및 비늘, 나아가,

- 모세혈관확장("telangectasie"), 즉 표면 혈관의 미세 확장.

파장은 각각의 피부색 강도 도수 등급에 대하여, 검출하고 정량화할 수 있기를 원하는 피부 징후의 유형들 중 적어도 어떤 유형들을 식별할 수 있도록 선택된다. 이후 개시될 바와 같이, 밝은 피부의 경우뿐 아니라 짙은 피부의 경우에도, 상기한 유형의 징후들을 검출하고 정량화할 수 있도록, 피부색 강도 도수의 모든 등급들에 대하여 3개의 파장만을 채택하는 것이 가능하며, 실질적으로는 6개 이상의 (나아가 5개 이상의) 다른 파장들을 사용하는 것(따라서 여러 등급들에 대하여 6개 이상의, 나아가 5개 이상의 다른 처리 알고리즘들을 결정하는 것)이 불필요하다고 보인다. 마찬가지로, 피부색 강도 도수의 4개 이상(나아가 3개 이상)의 등급을 이용하는 것이 불필요하다고 보인다.

상기 명시한 바와 같이, 주어진 주파수에 해당하는 단색 이미지의 촬영은 그 특정 주파수에 제한된 조명을 취득하는 대상 이미지의 전정색 캡처(가시영역에서)에 해당한다. 다시 말하자면, 단색 이미지 촬영은 단색 조명으로 부위를 조명하고, 그러나 그 단색 조명에 대한 반작용으로, 이미지 캡처 장치 내에 존재할 수 있는 필터 이외의 다른 특정 필터 없이, 관찰되는 부위로부터 오는 모든 광선을 캡처하는 것으로 구성된다. 실질적으로 백색광에서의 이미지(즉, 백색광에 의해 조명된 이미지)를 캡처하는 것과 단색(또는 단색성) 이미지들을 캡처하는 것은 동일한 이미지 캡처 장치이다.

여러 파장들과 "징후 유형"/"강도 도수 등급"의 여러 쌍 사이의 여러 상관관계들은 사전에 (예를 들어 "샘플링"으로 규정될 수 있는 한 단계에서, 실시 장치의 유효한 가동 이전에) 평가되고 기록되었을 수 있고, 그 결과, 실질적으로는, 주어진 사람에 대하여 본 방법의 실시는 이하 단계들로 제한될 수 있다.

대상 얼굴의 선택된 부위(나아가 얼굴 전체)의 백색 조명에서의 이미지를 촬영함으로써 시작한다(단계 4). 그 단계의 개시는 자동으로 다른 단계들로 이어질 수 있다.

그 이미지로부터 관련인에 해당하는 피부색 강도의 도수를 식별한다(단계 5). 그 후, 그 피부색 강도의 도수에 따라, 그 피부색 강도의 도수가 포함되는 등급을 선정한다(이는 실질적으로는 예비 단계들에서 수집된 데이터로부터 자동으로 실시된다).

그 등급에 대하여, 사전에 정의된 상기한 취득 파라미터들(특히 조명의 파장, 등)에 따라 검출하고자 하는 징후의 유형들에 해당하는 이미지들을 취득한다(단계 6). 검출하고 정량화하려는 피부 징후의 유형들의 개수가 적을 경우, 이미지 취득은 선정된 모든 파장들을 연루하지 않을 수 있으며, 실제로, 바람직하게는, 피부 징후 유형들의 검출과 정량화를 위하여 필요한 이미지들만을 취득한다. 파장의 선정은 조사 중인 피부가 속한 등급의 식별로부터 자동적이며, 그 취득의 개시 자체도 자동적일 수 있다. 방법의 실시는 작업자가 백색광에서 이미지 촬영을 개시하는 순간부터 자동으로 실행될 수 있고, 그것은 또한 수차례에 걸쳐 실시될 수 있는데, 예를 들어, 백색광에서의 그러한 이미지 촬영의 개시로부터 파장의 선정시까지의 제1 과정, 및 그 후 그 선정된 파장(들)에서의 조명 하에 이미지(또는 이미지들)를 처리 종료시까지(예를 들어 그 처리 결과가 디스플레이될 때까지) 촬영하는 것으로 구성되는 제2 과정으로 실시될 수 있다. 어떤 가능한 피부 징후들을 검출하는 것으로만 처리가 제한될 예정이면, 그 선택은 백색광에서의 이미지의 촬영 개시 이전에, 또는 상술한 제2 과정의 개시 이전에 작업자에 의해 결정될 수 있다.

샘플링이 피부 징후 유형의 주어진 개수에 대하여 실시되었다 할지라도, 본 방법을 실시할 때, 각 고객에 의해 표명된 특별한 요구에 따라, 징후의 유형들의 더 적은 개수만 추구하는 것이 가능하다는 것을 주목해야 한다(단계 1 내지 단계 3의 샘플링은 따라서 모든 조합을 사용할 필요없이, 추후 충족할 수 있기를 원하는 모든 요구에 대비하는 것으로 구성된다).

그 후 선정된 조건 하에서 취득된 그 이미지들을, 피부색 강도의 도수 등급에 따라 사전에 원래 선택된 적어도 하나의 알고리즘과 파라미터들을 이용하여 처리하고(단계 7), 그 결과, 검출하고자 하는 피부 징후의 유형들을 검출한다. 그 처리로써 징후들을 검출하게 되고 그 강도의 그레이드를 산정하게 된다.

끝으로, 모든 적합한 형태로(그래프, 또는 도표 형태로, 특히 필요에 따라), 선정된 징후들의 유형들에 대한 검출 결과 및 산정된 그레이드를 디스플레이 한다(단계 8). 그러한 디스플레이 단계는 특히 예를 들어, 확인된 그레이드를 가지고, 고려되는 피부 징후 유형의 처리에 적용된 제품의 자동적 처방 단계에 의해 본 방법을 보완하는 경우, 생략될 수 있음이 이해된다. 따라서 더욱 일반적으로는, 결과를 저장 및/또는 디스플레이한다.

도 2는 그러한 방법을 실시하도록 적용된 시스템을 개략적으로 도시한다.

그 시스템은 주로:

- 관찰할 부위가 위치해야 하는 위치로부터 나온 모든 광선을 캡처하도록 고안된, 디지털 카메라(11) 등의 이미지 캡처(또는 촬영) 장치(그 캡처 장치에 도달하는 광선 내의 어떤 주파수를 우선시하는 필터는 없음),

- 백색광원 및 선정된 여러 파장들의 광원을 포함하는 조명 장치(12),

- 그 카메라와 그 조명 장치에 연결된 인터페이스(13, 14),

- 단순한 PC일 수 있는 전산 장치와의 인터페이스 장치(15),

- 자동으로, 본 방법의 작업을 실행하도록 적용된 모듈들(도시되지 않음)을 포함하는, PC등과 같은, 전산 장치(16), 및

- 전원(17)을

포함한다.

그러한 장치는 장소를 차지하지 않으며, 따라서 필요한 경우 이동이 용이함을 주목할 필요가 있다.

도 3은 이미지 캡처 장치 및 조명 장치의 바람직한 구성을 도시한다. 그 조명 장치(12)는 피부 상태를 진단하고자 하는 대상을 향하도록 되어 있는, 바람직하게는, 예를 들어 아치형 "plexiglass®"로 된 오목형 확산 스크린(12B)에 의해 구현된, 오목형 표면을 포함한다. 그 스크린 후방에는, 전체적으로 참조번호(12A)로 개략적으로 표시된 광원으로서, 각각 선택된 파장들 중 하나의 파장을 발산하는 단색광원들 또는 백색 광원들이 분포되어 있으며, 각각의 주어진 파장에서 발산하는 그 광원들은 유리하게는 다른 것들 사이에서 규칙적으로 분포되어 있으며, 그 결과, 그 파장들 중 하나에 해당하는 광원들에 전기가 공급될 때, 그 광원들은 특징지으려는 피부 부위 상에 규칙적이고 균일한 조명을 보장한다(이는 백색광원들에 대하여도 동일하다).

유리하게는, 조명 시스템(12)은 동등하고 균일하게 분포된, 각각의 선택된 파장들에 각각 해당하는 LED 다이오드 및 동등하고 균일하게 분포된, 백색광 LED 다이오드들을, 다양한 이미지들의 취득을 위하여 적합한 전원과 함께 포함한다(여러 광원들에 대하여 여러 단계의 강도를 부여할 가능성이 있을 수 있다).

이미지 촬영 장치(11)는 바람직하게는 확산 스크린을 관통하여, 그 확산 스크린에 의해 구체화되는 조명 면의 중심에 배치된다.

피부의 상태를 진단하고자 하는 대상은 도 3의 장치의 아치형 표면에 대하여 중심 위치에 자리하고, 그 후 선택된 이미지의 연속적 캡처를, 우선 백색광에서, 그 후 유용한 파장들에서 진행한다. 필요에 따라, 이미지 캡처시에 주변 조명[조명 장치(12)가 유발할 수 있는 조명 이외에]은 변형될 수 있거나 아닐 수 있다.

유리하게는, 이미지 캡처는 2개의 연속적인 이미지를 촬영한 결과인데, 하나는 주변 조명 하에 촬영되고, 나머지 하나는 동일한 주변 조명이지만 캡처하고자 하는 이미지에 해당하여야 하는 주파수/파장에서의 조명을 추가하여 촬영되며, 그 단색 조명은 그 2개의 연속적 원(raw) 이미지들 사이의 차이를 유발하기에 충분히 강하여야하고, 그러나 이미지 캡처 장치 내에서 포화를 유발할 위험이 없도록 지나치게 강하지 않아야한다. 그 연속적 이미지들 사이의 차이에 의해서, 관련 주파수에서 캡처된 이미지를 식별한다. 상술한 바는 그 외에 원하는 경우 백색광에서의 이미지 촬영에도 또한 적용될 수 있다(그러나 백색광에서 단일 이미지들을 촬영하고 단색광에서 차등 이미지들을 촬영하는 것으로 충분할 수 있다).

도 4는 실시예로서, 이미지 촬영의 1 세션 동안의 조명 시퀀스를 도시한다(백색광 및 선정된 파장들에서의).

그 그래프는 하나의 동일한 조명 모드에서의 3개의 연속적 이미지 촬영 시퀀스를 도시하며, 제1 사이클은 그 조명 모드에 연계된 LED 다이오드에 약한 여기(excitation) 준위를 적용함으로써 제1 이미지를 촬영("Shot 1"으로 지칭된 순간에)한 후 그 LED의 여기 없이 이미지를 촬영("Shot dif"로 지칭된 순간에)하는 것으로 구성되고, 이어서 제2 사이클은 해당 조명 모드의 여기 준위가 더욱 강하기 때문에 제1 사이클과는 다르게 개시되며(여기서도, "Shot 2" 및 "Shot dif"로 지칭된 순간에, 2개의 이미지 캡처 실행), 그 후 제3 사이클은 여기서 그 모드에 대하여 최대 여기 준위로 개시된다(여기서도, "Shot 3" 및 "Shot dif"로 지칭된 순간에, 2개의 이미지 캡처 실행). "Shot dif" 순간들은, 원칙적으로 해당 이미지들이 동일한 피부 부위 상에서 동일한 주변 조명으로 촬영되어 동일함을 나타내기 위하여, 각 사이클 내에서 동일한 명칭에 의해 지칭된다.

각 조명 모드(백색광 또는 파장)에 연관된 다이오드들에 적용된 여기 펄스들의 지속시간 및 이미지 촬영들 사이의 간격은 임의에 의하는 것으로 이해되며, 예를 들어, 사이클들은 약 1초 미만의 간격을 따른다. 실제로, 대상이 느끼는 조도의 변화와 색상의 변화는 그 대상을 릴랙스하게 하는데 기여할 수 있고 따라서 그때 캡처된 이미지들을 바탕으로 실시될 진단의 적절성을 개선하는데 기여할 수 있다. 그 후 저장된 이미지는 바람직하게는 포화되지 않고 다이오드의 최대 강도에 해당하는 이미지이지만(특히 단색 이미지 촬영의 경우), 선행 사이클들이 최고 조명의 순간에 대상이 경련을 일으킬 모든 위험을 최소화할 수 있게 할 것이다.

그러한 방식은 이하 사실들로 인한 어려움을 극복할 수 있게 한다:

- 주변 조명은 조절 불가함,

- 대상이 적절하지 못한 움직임을 하게 될 정도로 대상이 포즈 취하는 시간이 너무 길어서는 안됨.

이미지 처리 결과들은, 유리하게는 모니터상에 가시화되거나 프린트되며, 그 결과들은 바람직하게는 탐색된 징후 유형들의 식별을, 그것이 존재하는 위치의 표시와 함께 포함한다[주파수 및/또는 사이즈, 사용된 알고리즘의 파라미터화(parmeterization)를 따라].

실시예로서, 그와 같이 백색광에서의 이미지 취득을 진행하고, 그 후:

* 피부가 밝은 피부인지, 짙은 피부인지를 구별하고(피부색 강도 도수의 2개 등급만이 있는 경우),

* 그 구별에 따라 이미지들을 취득하고,

* 그 이미지들에서 미용상 여러 기준들을 검출하기 위하여 알고리즘을 개시하고,

* 그 각각의 알고리즘에 대하여, 분류를 위하여 필요한 데이터(고려되는 얼굴의 각 기준에 대하여 그레이드를 산정할 수 있게 하는)를 저장하고,

* 사전설정된 디렉토리에 검출 결과들(특히 비주얼한)을 저장한다.

실시예로서, 이하와 같은 텍스트 파일일 수밖에 없는 파일에 결과를 기재한다:

대상의 이름: C002	밝은 피부
비구순 주름:	그레이드 3
이마 주름:	그레이드 4
사자 주름:	그레이드3
거위발 주름:	그레이드2
눈가 주름:	그레이드5
입가 주름:	그레이드3
입술주위 주름:	그레이드2
이마 반점:	그레이드1
뺨 반점:	그레이드1
모세혈관확장:	그레이드2
모공:	그레이드1
비늘:	그레이드1
다크 서클:	그레이드2

실시예로서, 그레이드 (1)은 거의 없음 또는 전혀 없음에 해당하고 수준 (5)는 최대에 해당한다.

저장된 결과들은 또한 고려되는 이미지들 중 적어도 하나의 이미지를 포함할 수 있다.

피부색 강도의 도수

본 발명은 코카서스 민족, 아시아 민족, 아프리카 민족, 히스패닉 민족 또는 인디아 민족 등의 민족 전통의 개념들을 개입하게 하지 않음을 주목해야하며, 실제로 본 발명은 처리 선정시에, 피부색 강도 도수의 개념만을 개입한다.

본원에서는 사진 패널 상에서 분류 분석을 실행하였다. 민족과 상관없이, 피부색 강도를 특성으로서 취할 때 전반적으로 균일한 그룹을 식별할 수 있는 것으로 나타났다.

이는 여러 다른 분류 방법("클러스터링(clustering)")으로써 설명되고 정당화된다. 자원자들의 사진 470장으로 구성된 사진 데이터 베이스 상에서 실시된 분석을 도시하는 그래프인 도 5에서 주어진 실시예에서, "주요 성분 분석(PCA)"이라는 명칭으로 공지된 분석이 사용되었다. 여기서 다른 분석 방법들, 예를 들어, "비음수 행렬 인수 분해(NMF)" 또는"독립 성분 분석(ICA)" 등과 같은 방법들도 사용될 수 있었음을 주목하여야 한다.

그 이미지들 각각에 대하여 얼굴의 RGB(즉, 적, 녹, 청) 성분들의 평균치를 측정하고 그 평균 성분에 PCA를 적용하였다. PCA 결과들은, PCA의 2개의 제1 주요 성분들로 형성된 좌표 내에 위치한, 사진 470장의 대상이 된 자원자들에 해당하는 모든 점들을 도시하는 도 5에 개시되어 있다. 그 점들은 제1 주성분 값에 4개의 임계치를 고정하여 5개의 영역(5개의 직사각형으로 상징화된)으로 임의로 구분되었다. 그 결과들은 제1 주성분이 민족에 관계없이 피부의 밝거나 짙은 성질과 관련되었음을 명백히 보여준다. 예를 들어, 히스패닉 자원자들은 제1 직사각형(제1 성분의 평균값이 -0.3)과 끝에서 2번째 직사각형(평균값이 0.25) 사이에 분산되어 있다.

PCA 결과는 제1 주성분이 자원자들 사이의 피부색의 모든 변동을 거의 다 설명할 수 있게 함을 매우 명백히 보여주는데, 그 변동의 98.7%는 그 성분 값의 변동에 의해 시뮬레이션 될 수 있다. 예를 들어 도 5의 우측 하단에 위치한 자원자는 그 성분 값이 0.5 초과이고, 왼쪽 하단의 값은 약 -0.2이다. 따라서 -0.4와 0.6 사이에서의 제1 주성분 값의 변동은 모든 민족의 피부색 변동을 나타낼 수 있다. 그러므로 그 제1 성분으로부터 피부색 강도의 도수를 식별할 수 있다.

그와 같이 민족 개념에 의한 선택보다는 피부색(더욱 정확하게는 피부색 강도의 도수)에 의한 선택에 바탕을 두는 것이 정당화되며, 이로써 처리는 매우 단순화할 수 있게 되는데, 이는 피부색 강도의 도수의 2개 등급을 구별함으로써 유리하게 충분하기 때문이다. 다른 분류 방법("ICA" 또는 "NMF")으로도 동일 유형의 결과를 취득할 수 있다. 나아가, 사용된 방법에 따라, 피부색 강도의 등급들을 원하는 만큼의 등급들로 분리가 가능하다.

피부색 강도 도수의 선택

도 6은 470명의 자원자에 대한 제1 주성분 값들의 막대그래프이다. 본 막대그래프 내에서 한도를 정의하는 곡선에 의해 산정되는 2개의 성분이 주목된다. 그 2개의 성분을 구분하는 특성 임계치는 단순 막대그래프의 이진화 알고리즘(오츠(Otsu) 알고리즘 같은)에 의해 자동으로 구할 수 있다: 임계치는 S₀로 구해진다.

PCA는 하나의 성분으로 하나의 임계치를 구할 수 있게 한다. 사용된 분류 방법("클러스터링")을 따라 n+1개의 등급을 갖기 위하여 n개의 임계치를 구할 수 있다.

따라서, 한 자원자에 대한 제1 주성분 값이 S₀를 초과하면, 그 경우 그 자원자는 짙은 피부를 갖는 것으로 간주되고 그 반대의 경우, 피부는 밝은 피부인 것으로 간주된다. 이로써 단 2개의 피부색 강도 도수의 등급으로 다른 대상들을 용이하게 분류할 수 있다.

새로운 대상에 대한 피부색 강도의 도수

대상의 새로운 이미지가 제공되었다고 가정하면, 2개의 피부 그룹 중 하나로 그 이미지를 분류해야 한다.

이를 위하여, PCA는 2개의 좌표 사이의 기저수(basis)를 변동하는 것일 뿐이며, 제1 좌표는 RGB(측정된)이고 제2 좌표(x, y, z)는 점들의 전체 최종 값의 변동을 최소화하는 좌표이다. 따라서 새로운 이미지를 분류하기 위하여는, 새로운 축 시스템 내의 좌표 x₀를 테스트 그룹(상기 참조)에 대하여 결정된 임계치와 비교하는 것으로 충분하다. 이를 위하여, 새로운 이미지 내에서, <R>, <G>, <B>의 평균값들을 측정한다. 일단 그 <R>, <G>, <B>의 값들이 취득 되면, 이는 새로운 이미지가 좌표계(R, G, B) 내의 한 점과 같이 보인다는 것을 의미한다. 따라서 기저수를 변동해야 하며 이는 테스트 전체에 대하여 취득된 기저수의 변화 행렬로 행렬산을 함으로써 자연히 실시된다. 변환 계수들은 각 열이 하나의 성분에 해당하는 행렬의 형태로 표시된다. 그 자체로 공지된 방식으로, 그 열들은 최대 주성분에 따라 최소 성분에서 분류된다. 그로부터 새로운 좌표계 내에서 점의 좌표를 유추하는 것은 공지되어 있다. 그와 같이 취득된 좌표(x₀, y₀, z₀)의 점은 주성분들의 기저수 내에서 새로운 사람을 표시하는 점이고, 새로운 자원자가 어느 등급에 위치하는지를 결정하기 위하여 임계치 S₀에 비교될 수 있을 값은 x₀값이고, 만일 임계치 미만이라면 그것은 밝은 피부일 것이고, 임계치 이상이면 짙은 피부일 것이다.

필요한 이미지들을 획득한 후, 상기 명시된 사전 설정된 조건들 하에서, 적절한 알고리즘을 이용하여, 그로부터 적어도 하나의 피부 징후 유형을 찾고 정량화할 수 있도록 그 이미지들을 처리한다.

검출 알고리즘

알고리즘 및/또는 그것의 파라미터들의 적절한 선택으로써, 다양한 피부 징후의 유형들을 특징지을 수 있는 방법에 있어서, 이하 다양한 실시예들이 개시된다. 도 7 및 도 8은 실시예로서, 모공을 표시하거나 다크 서클을 표시한다.

a. "비율" 이미지

본래의 본 발명 그 자체의 구성에 따르면, "비율 이미지"라고 지칭하는, 필터링된 2개의 이미지의 비율인 하나의 이미지로 최초 이미지를 혁신적으로 변환하는 것이 여기서 제시된다. 그 비율 이미지는 모공과 비늘의 검출을 위한 기반으로 유리하게 사용되지만, 또한 반점의 검출에도 특히 유용할 수 있다.

비율 이미지는 이미지의 필터링된 버전이며, 하나의 픽셀(또는 픽셀들의 구역)과 그 인근 사이의 국지적 콘트라스트에 부합한다. 그것은 한 부위의 픽셀들의 평균값과 그 주변의 픽셀들의 평균값 사이의 비율로서 추산된다. 만일 한 부위가 그 주변보다 더욱 어두우면, 그 동일한 부위의 픽셀들의 평균값은 그 인근의 픽셀들의 평균값 미만이고, 따라서 비율 이미지는 그 부위에서 1 미만의 값일 것이다.

비율 이미지는 따라서 최초 이미지의 2개의 필터링된 버전들 사이의 비율이다. 제1 필터링은 "평균" 필터와의 이미지 콘볼루션이다(도 9의 3x3). 제2 필터링은 중앙 픽셀들이 이격된(도면에서 7x7 필터, 3x3 중앙 픽셀들은 제로로 설정) "평균" 필터와의 컨볼루션(convolution)이다. 도 10은 한 이미지(좌측)를 비율 이미지(우측)로 변환하는 것과, 그것이 모공, 반점 및 잔주름 상에 초래한 효과를 도시한다.

한 이미지의 그러한 국지적 변환은 상기 실시예에서와 같이 모공 등과 같은어떤 피부과적 기준들 명백히 할 수 있게 한다. 실제로, 비율 이미지 내의 어두운 값은 초기 이미지 내에서 최초 부위가 그 주변보다 더 어두웠음을 내포한다. 어쨌든, 제1 필터링의 사이즈가 이미지 내의 모공 사이즈를 나타내도록 할 것이 권장된다(찾고자 하는 기준이 모공인 경우). 생성된 이미지는 균일하고, 이는 조명 문제를 유리하게 완화한다. 그 이미지는 점, 반점 및 주름들을 명확히 한다(그러나 어떤 경우에도 희미한 이미지들의 문제를 완화할 수는 없다).

b. 모공/비늘

모공과 비늘의 검출 알고리즘은 동일한 원칙을 따른다(모공은 종종 밝은 바탕 위의 작은 짙은 부위들인 반면, 비늘은 종종 더 짙은 바탕 위의 작은 밝은 부위들이다). 여기서는 모공 검출 알고리즘을 상세히 개시하고, 비늘 검출 알고리즘과의 차이점만을 서술할 것이다. 여기서는 한 부위에 존재하는 모공 또는 비늘들을 철저히 검출하고자 하는 것이 아니고, 오히려 상당한 밀도의 부위들을 산정하고자 함을 주목해야 한다. 실제로, 철저한 카운팅은 매우 낮은 임계치의 검출을 요구하고 따라서 상당한 긍정 오류가 나타날 것인데, 그러한 철저한 카운팅은 실제로 필요치 않음을 깨닫게 된다.

모공 검출의 일반적 방법은 도 11에 도시된 바와 같이, 비율 이미지상에 실시되는 어두운 부위의 검출 과정 및 분류 과정으로 구성된다. 비늘에 대하여는, 도 12에 도시된 바와 같이, 일반적 방법은 비율 이미지상에서 실시되는 밝은 부위의 검출 단계 및 분류 단계로 구성된다.

검출 과정의 주목적은 짙은 부위들을 더 밝은 피부 상에서 명백히 하는 것이다(반대로, 비늘에 대하여는 밝은 부위를 더 짙은 피부 상에서). 여기서 문제점들의 하나는 조명의 불균일 문제를 보정하는 것이다. 실제로, 이미지들은 밝은 반점들처럼 나타나는 조명된 부위들을 포함할 수 있고 그에 따라 검출 결과들을 왜곡할 수 있다. 그 문제를 완화하기 위하여, 본원은 비율 이미지 개념을 사용한다(상기 참조). 모공은 밝은 표면상의 짙은 부위이므로, 그것의 검출은 국지적일 수밖에 없는데, 즉, 국지적으로, 유한 영역 내에서, 더 밝은 픽셀들로 둘러싸인 몇몇의 어두운 픽셀들이 잠재적 모공들이다. 따라서 콘트라스트의 차이들을 국지적으로 고려하기 위하여 비율 이미지를 구축한다.

비율 이미지는 조명의 불균일 문제를 해결할 수 있게 하는바, 가장 어두운 지점들(모공의 피크에 해당하는)은 비율 이미지상의 임계치 산정(thresholding)에 의해, 어떤 표준편차를 감한, 이미지 평균 미만의 값을 갖는 지점들을 취하여, 검출될 수 있다. 이미지 픽셀 값들의 평균(m)과 그 표준편차(σ)로부터, 임계치는 m - 2.5*σ와 동일한 값이다. 이전에 계산된 임계치 미만의 값을 갖는 이미지 픽셀들 중에서, 잠재적 모공들의 사이즈 상에서 임계치 산정이 실시된다. 실제로, 어떤 수의 픽셀(예를 들어 1664 x 2496 픽셀의 해상도에 대한 81 픽셀)을 초과하는 사이즈들은 모공에 해당할 수 없는데, 이는 모공의, 심지어 확장된 모공의 경우도, 통상의 사이즈를 초과할 것이기 때문이다. 마찬가지로, 6 픽셀 미만의 사이즈들은 모공에 해당하기에는 너무 작다(주어진 사이즈의 이미지에 대하여). 그 2개의 추가 임계치 산정에 이어서, 이미지 내에 남아있는 부위는 더욱 밝은 표면상의 어두운 부위이며, 모공을 나타내는 규모를 갖는다.

비율 이미지는 또한 비늘에 대하여도 사용되고, 그러나 따라서 더욱 밝은 지점들을 검출하고자 하게 되며, 비율 이미지 내에서 이미지 평균값 더하기 표준편차 2.5를 초과하는 값을 갖는 지점들만을 저장한다.

모공 검출의 제1 과정 알고리즘의 파라미터들은 예를 들어 1664 x 2496 픽셀 해상도의 이미지에 대하여, 다음과 같다(촬영에 따라 적용된 값):

● 비율 이미지를 계산하기 위한 필터(1) 사이즈(5x5)

● 비율 이미지를 계산하기 위한 필터(2) 사이즈(9x9)

● 임계 내 표준편차의 승수(2.5)

● 모공의 최대 사이즈(TailleMax 81 픽셀)

● 모공의 최소 사이즈(TailleMin 10 픽셀)

그리고 검출 과정의 알고리즘은 이하와 같을 수 있다:

● 이미지를 읽어들이고

● 그레이 레벨로 변환(INDG)

● INDG로부터 비율 이미지 계산(Itaux)

● Itaux에서 모공 검출

○ m - 2.5*σ미만의 픽셀 값만 유지

○ TailleMax 초과의 저장된 부위 삭제

○ TailleMin 미만의 저장된 부위 삭제

잠재적 모공들을 검출한 후, 형태와 주변부에 대한 콘트라스트에 따라 분류하는 과정이 실시된다. 모공의 전반적 픽셀의 수가 어떤 임계치 미만이라는 규칙은 모공이 적용된 형태를 가질 때만 충분하다. 모공들은 일반적으로 원형이고, 모공들이 확장된 경우, 그 형태는 타원형이 된다. 내부 연구에 따르면, 하나의 모공은 외접한 사각형에 의해 나누어진 면적이 1/6π를 초과하지 않는 부위에 해당한다. 타원형의 경우에, 그 임계치는 장축과 단축 사이의 비율이 2.61 미만임을 의미한다

그와 같은 이유로, 그 분류 단계 동안에, 사전에 검출된 각 대상의 부위는 타원형으로 시뮬레이션된다. 만일 축들의 비율이 상기 임계치 미만이면, 그 부위는 저장되고, 그렇지 않은 경우, 그 부위는 제외된다.

그 분류는 대상 내의 색상 정보를 사용한다. 일반적으로, 부위 내의 모공의 존재는, 그 모공이 그 동일한 부위에 존재하는지 부재하는지에 따라, 그 부위의 어떤 파라미터들을 변형한다. 더욱 구체적으로, 모공을 포함하는 부위는 일단 모공이 제거된 그 동일 부위보다 작은 색상 평균값을 갖는다. 그 동일한 사실은 중간값에 대하여도 해당된다. 마찬가지로, 모공의 가장 어두운 값은 그 동일한 모공 둘레의 모든 주변부 중에서 가장 어두운 값으로 추정된다.

본원은 유리하게는 한 어두운 부위가 모공의 사이즈와 형태를 갖는 실질적 모공인지를 결정하기 위하여 상술한 3가지 규칙을 사용한다. 그러한 이유로, 본원은 다음과 같은 개요에 따라 평균값과 중간값 상의 편차를 계산한다:

- 모공의 형태와 사이즈를 갖는 어두운 부위를 선택[검출 과정(1) 이후]

- 그 부위의 주변부 상의 픽셀들의 중간값과 평균값을 계산(그 부위 자체도 포함)

- 그 부위를 제외하고 주변부 상에서만 동일한 파라미터들을 계산

- 중간값과 평균값 상의 상대 편차를 추산.

모공 분류 과정 알고리즘의 파라미터들은 예를 들어 다음과 같다(이미지 해상도에 따라 적용할):

- 평균값 상의 상대 편차(-0.005)

- 중간값 상의 상대 편차(-0.005).

분류 과정의 알고리즘은 다음과 같이 요약될 수 있는데, 검출 과정(1)에서 저장된 각각의 부위에 대하여,

- 그 부위를 둘러싸는 타원형의 축들의 값을 추산하고

○ 그 축들의 비율이 2.61 초과인 경우 그 부위를 제거

- 일단 모공이 그 부위로부터 제거되면, 평균값과 중간값 상의 편차를 계산하고

○ 그 편차들이 임계치 초과이면, 그 부위를 제거하고

- 그 부위의 가장 어두운 픽셀을 계산하고

○ 그것이 그 주변부 내에서 가장 어두운 경우, 그 부위는 모공이고

○ 그렇지 않은 경우, 그 부위를 제거.

그 분류 과정은 여기서 R, G, B 및 NDG(그레이 레벨에서의 이미지) 이미지 각각에서 응용되고, 그 경우, 최종 결과는 각 이미지상의 4개의 개별 결과들의 교차점 또는 그 4개의 이미지 중 한 개(바람직하게는 그레이 레벨에서의 이미지)에만 해당함을 주목해야 한다.

비늘에 대한 분류 과정 알고리즘들은 유사하다.

c. 다크 서클

다크 서클들은 극히 널리 존재하는 미용상 징후이며, 피부의 색상 변화의 결과이고 하부 눈꺼풀들 하부의 다소 명백한 색상 구역을 형성한다.

자원자들의 피부색에 민족 간의 상대적이고 상당한 다양성이 있다. 이는 자원자들의 피부 색상의 강도에 따라(상기 참조), 다크 서클 검출을 위한 2개의 다른 알고리즘을 개발하는 것을 유용하게 하며, 그러한 2개의 알고리즘은 실시예로서 이하 개시된다.

"밝은 피부" (또는 PC) 알고리즘

일단 자원자가 밝은 피부로 분류되면, 다크 서클검출 알고리즘의 제1 단계는 이미지의 G와 B 대역의 막대그래프의 균등화로 구성된다. 그 후, RGB 색상 공간에서 L*a*b공간으로 이미지 변환을 실행한다. 이어서, a*와 b 이미지의 차이, 즉 a* - b를 계산한다. 그 결과 이미지는 그 후 가장 밝은 픽셀들(가장 짙은 다크 서클 부위들에 해당하는)을 검출하기 위하여 임계치를 정하고 임계치 산정 후 보존된 부위들을 제거(clear)한다(주로 침식/확장 등의 형태 변환에 의하여). 다크 서클의 최종 부위가 이어서 산출되고 그 부위 상에서 최종 디스크립터들이 측정된다(표면적, 여러 대역 내에서의 평균 강도, 다크 서클 없는 피부의 강도에 대한 상대적 강도, 등).

따라서 여러 단계들은 예를 들어:

- 처리할 부위를 결정(형태학적 모델을 이용하여 실시될 수 있음)

- G와 B(1)채널들 상에서의 막대그래프의 균등화

- L*a*b로의 변환

- 결과 이미지의 계산: a* - b

- 가장 밝은 픽셀들만을 저장하기 위한 이미지 임계치 산정

- 전형적으로 확장, 침식 및 눈동자 부위와 코 주변 어두운 부위 주변의 제거에 의해 그 부위들을 클리어 한 후,

- 예를 들어 다크 서클 윤곽을 재도출하는 이미지의 형태로 결과를 재구성(도 8 참조).

"짙은 피부"(또는 PF) 알고리즘

밝은 피부와 마찬가지로, L*a*b 색상 공간에서 작업한다. 반면에, 측색 분할은 L*a*b 시스템의 "b" 대역 상에서 실시된다. 이어서, 알고리즘은 밝은 피부에 대하여 상기 명시한 바와 유사하다.

d. 반점

반점의 개념은 피부색 강도의 도수에 따라 다를 수 있음이 이해된다(밝은 피부 상의 짙은 반점, 짙은 피부 상의 밝은 반점, 등).

이후에는, 반점의 검출은 더 밝은 표면상에서의 짙은 부위의 검출로 고려될 것이다. 그 반대 경우에서의 검출은 적용된 파라미터들로써 동일한 검출/분류 도식을 따를 것이다. 여기서는 그 경우가 상세히 개시되지는 않을 것이다.

반점 검출을 위한 가능한 알고리즘은, 짙은 부위의 검출 과정 및 그 반점 부위의 분류 과정으로써 2개의 과정으로 구성된다. 하기 단락은 그 방법을 개시한다. 짙은 피부와 밝은 피부를 위한 방법의 전반적 도식의 실시예는 도 13 및 이하 문단에 개시된다.

반점을 포함하는 초기 이미지로부터, 비율 이미지를 계산한다. 그 비율 이미지 상에서는, 반점의 윤곽이 나머지 반점 자체보다 더욱 어두우며, 그 결과, 비율 이미지는 반점 전체보다는 반점의 일부분만을 검출할 수 있게 한다. 그 반점들을 전체적으로 검출하기 위하여 반점 부위들을 연관시켜야하는 것을 목적으로 하는 알고리즘을 사용해야 한다. 소위 "활성 윤곽" 알고리즘은 그러한 부류의 문제점들을 해결할 수 있게 한다.

활성 윤곽이란 이미지의 색상 등과 같이(본원의 경우), 주어진 기준에 따라 자동으로 구조에 적용되는 윤곽이다. 초기 윤곽으로부터, 반복적으로 그 초기 이미지를 변형하고, 그 결과 최종 윤곽이, 예를 들어 주어진 색상의, 균일한 부위를 나타내도록 하는 것이다.

다수의 활성 윤곽 방법이 존재하는데, 그 중에서 본원은 "레벨 세트(Level Set)" 방법들을 선택한다. 그것은 "에너지" 함수, 즉 "내부 에너지" (어떤 수학적 기준를 따르는)와 "외부 에너지"(부위의 길이와 면적으로 표시되는)의 합산을 최소화함에 관한 것이다. 그 에너지의 최소화는 알고리즘을 최적의 부위로 수렴되도록 한다.

그 방법이 비율 이미지상에서 검출된 윤곽에 적용된다. 그 검출의 효율을 개선하기 위하여, 밝은 피부의 경우 콘트라스트의 증가가 필요한 것으로 밝혀진다. 짙은 피부를 가진 자원자에 대하여는 그 콘트라스트의 증가 없이 알고리즘의 효율이 최대이므로 그 단계는 생략된다.

따라서 검출 과정 알고리즘은 다음과 같다:

파라미터들(촬영에 따라 적용되는 값들)

- 비율 이미지를 계산하기 위한 필터의 사이즈

- 비율 이미지의 어두운 값의 임계치(10%)

- 활성 윤곽 알고리즘의 파라미터들

알고리즘

- 이미지를 읽어들임.

- 밝은 피부인 경우, 콘트라스트 증가

- RGB 이미지의 성분 (B)를 선택(밝은 피부의 경우 증가된)

- 이미지 (B)로부터 비율 이미지 계산

- 비율 이미지 내에서 반점 검출

○ 비율 이미지의 가장 어두운 픽셀들의 10% 만 저장

- 활성 윤곽의 알고리즘 개시

- 나머지 부위들은 잠재적으로 반점들임[과정(2)에서 확정해야함].

잠재적인 반점들을 검출한 후, 그 주변부에 대한 콘트라스트 비교를 기반으로, 모공의 형태와 존재 기준 상에서 분류 과정이 실행된다. 그 단계는 모공과 비늘을 검출하기 위하여 사용되는 단계와 유사하고, 반점들과 그 주변부 사이의 색상 차이를 기반으로 한다. 이는 반점은 그 주변부보다 더 어둡다는 원리에서 출발하며, 이하 2가지 항목을 계산하는 것으로 충분하다:

- 제1 항목은 반점의 통계적 분포와 그 둘레의 통계적 분포 사이의 차이이다. 실제로, 반점이 더 어두우므로, 그 분포는 그 주변부의 분포에 비하여 차이가 있고, 이는 반점이 양호하게 표시되어 있을 때 더욱 일관된 분포 편차를 내포한다.

- 제2 항목은 반점을 포함하는 부위의 평균 색상과 그 주변부의 평균 색상(반점을 제거하고) 사이의 비율이다. 반점은 그 주변부보다 더 어두우므로 그것이 실제로 반점(그 주변부보다 더 어두운)인 경우, 그 항목은 1 미만이다.

따라서 콘트라스트에 따른 분류 알고리즘은 다음과 같다:

파라미터들(이미지 해상도 및 촬영 조건에 따라 적용되는)

- 평균 색상들의 비율(0.99)

- 분포들 사이의 차이 상의 임계치는 색상 비율에 의해 제거된 부위에 따라 자동으로 계산된다.

알고리즘: 이전에 선정된 각각의 반점들에 대하여:

- 2개의 분포(반점 분포 및 그 주변부 분포) 사이의 차이와 평균치들의 비율 을 계산

- 임계치를 초과하는 평균치 비율을 갖는 반점 삭제

- 삭제된 반점들에 대하여, 분포들 사이의 차이의 평균치를 계산하고, 그 평균치를 임계치로서 선택

- 그 최종 임계치를 초과하는 분포들 사이의 차이를 갖는 반점들을 삭제.

끝으로, 반점들의 형태와 존재에 따른 분류가 있다. 그 단계는 반점이 타원형이라는 원칙에서 출발하고 모공과 비늘의 검출을 위하여 사용된 임계치와 유사한 임계치를 가정한다(예를 들어 실험적으로 취득된 임계치, 3.06). 어떤 경우에는, 특히 이마 위치에서는, 모공의 존재에 대하여 반점 결정용 알고리즘의 편차를 감안할 수 있다. 실제로, 모공들의 연속은 색상과 형태의 기준들이 실제 반점들에 대하여 관측된 색상과 형태에 유사한 부위들을 개입시킬 수 있다(한 부위의 분포는 전반적이고 국지적이 아니며 평균값 역시 그러하다). 그 문제를 해결하기 위하여, 모공들의 개수와 각 부위 내에서 그 모공들이 점유하고 있는 표면을 식별하기 위하여 모공 검출용 알고리즘을 사용한다. 그 단계의 말기에, 남은 부위들은 알고리즘이 수렴되는 쪽의 반점들에 해당한다.

따라서 형태학적 분류 알고리즘은 다음과 같다:

파라미터들(이미지 해상도와 촬영 조건에 따라 적용되는)

- 픽셀 단위의, 반점의 최대 사이즈

- 반점을 외접하는 타원의 축들의 비율(3.06)

- 반점이 포함할 수 있는 모공들의 최대 수(모공 2개)

- 모공들의 최다 개수-그 개수를 초과하는 반점은 제외됨(모공 5개)

- 반점 내의 모공들의 상대적 최대 표면적(15%)

알고리즘: 이전에 선정된 각각의 반점들에 대하여:

- 외접한 타원의 축들의 비율을 계산하고, 그 비율이 임계치를 초과하는 경우 그 반점을 삭제

- 관찰 부위의 표면적을 계산하고, 그 표면적이 관련 임계치를 초과하는 경우 삭제

- 반점 내의 모공들의 개수를 카운팅

○ 그 개수가 2 이하인 경우, 그 반점을 저장

○ 그 개수가 6 이상인 경우 그 반점을 삭제

- 그렇지 않은 경우, 상대적 표면적을 계산하고, 그 표면적이 관련 임계치 미만인 경우에만 그 반점을 저장.

- 때때로 예를 들어 코 부위 또는 눈썹 부위 등을 제거하기 위하여 이미지상에 마스크를 적용할 필요가 있다.

e. 모세혈관 확장

모세혈관확장은 그 크기와 지속성 측면에서 이상이 있는 혈관 확장을 지칭한다. 그것은 붉고, 박동성이 아니며 미세하고 구불구불한 선의 형태이고, 종종 나뭇가지 형태 또는 그물 형태이고, 흔히, 특히 얼굴에, 국한되어있다. 그러한 피부 징후의 유형은 짙은 피부에는 존재하지 않거나 검출 불가하다고 이해된다.

색상 이미지(R, G, B 성분들)로부터, 콘트라스트의 증가가 실행된다. 그 증가한 이미지는 혈관들을 더욱 용이하게 가시화하며 그것이 최초 이미지이다.

실시예로서, 첫 번째로, 그 이미지를 RGB 공간에서 L*a*b 공간으로 변환하고, 거기서 이미지를 스무딩 하기 위해 중앙 필터를 적용한다. 적-자색 색상들은 특히 채널 "a" 에서 가시적이다. 규격화하는 그 이미지로부터, 어두운 바탕 상에서 밝은 부위를 드러나게 하기 위하여, "탑 햇(top-hat)" 필터를 적용한다. 모세혈관확장의 대략적 검출의 제1 이미지를 취득하기 위하여 이미지의 임계치를 산정한다.

두 번째로, 콘트라스트 상승 후에 취득된 RGB 이미지로부터 색상 분할을 실행한다. 그 경우 "a" 에서의 평균값이 최대인 영역을 저장한다.

그와 같이 모세혈관확장의 대략적 검출의 제2 이미지를 취득한다.

그 후 그 2개의 이미지를 결합한다. 그리고 모세혈관확장이 아닌 영역을 클리어 한다. 실제로, 주름과 반점들 또한 그 알고리즘으로써 검출되는데 그 검출은 고려하지 않아야 한다. 이를 위하여, 일반적으로 반점인, 둥근 형태의 영역은 제거한다. 또한 비구순 주름 부분에 위치한 영역도 고려하지 않기 위하여 마스크를 적용한다. 끝으로, 모세혈관확장만을 저장하기 위하여, 검출된 각 영역에 대하여, 각 픽셀의 R, G, B 값들을 본다. 픽셀이 비교적 밤색인 경우, 그것을 제거한다. 그것이 비교적 적-자색인 경우, 그것을 저장한다. 색도 측정의 수준에서 반점(짙거나 밝은)에 가까운 픽셀들을 제거할 수 있게 하는 임계치를 결정하기 위하여, 어떤 개수의 픽셀들에 대한 R, G, B 값들을 포함하는 데이터베이스를, 콘트라스트 상승 후에 취득된 이미지들로부터 수집하였다. 한편으로는, 반점들에 해당하는 R, G, B 값들을, 다른 한편으로는 모세혈관확장에 해당하는 R, G, B 값을 구하였다. 그 데이터베이스 상으로 PCA를 실시할 때, 반점들과 모세혈관확장 사이의 구분이 명백히 보인다(도 14 참조).

f. 주름

관련된 주름들의 유형은 특히 다음과 같다:

- 이마의 표현 주름

- 사자 주름

- 거위발 주름

- 눈 밑 주름

- 비구순 주위 주름

- 입술 주위 주름

- 입가 주름

검출 알고리즘

실시예로서, 그 징후들을 검출하기 위하여, 사용되는 알고리즘은 주로 "커블레트(curvelet)"(Candes E, and Donoho D., "Curvelets A surprisingly effective nonadaptative representation for objects with edges, curves and surfaces," Curves and surfaces 1999 참조)에 기반한다. 그 커블레트들은 윤곽을 따른 불연속성의 표현에 매우 우수하게 적용된 이방성 웨이블릿(anisotropic wavelet) 계열의 특화된 버전을 구성한다.

그 커블레트를 위해 사용된 파라미터들과 주름들의 추출을 위한 임계치들은 검출할 주름의 사이즈(굵은 또는 가는)에 따른다. 이어서 후처리는 일반적으로, 덜 중요한 구조들을 격리하기 위하여, 주름의 방향에 따라 유용하다.

주름 검출용의 모든 알고리즘들은 하기 명시한 개요를 따를 수 있다:

- 처리할 이미지(I) 상에 커블레트 변환을 계산,

- 주름의 각 유형에 적합한 파라미터로(시그마 노이즈의 표준편차), 커블레트 공간 내에서 이미지들의 임계치를 산정하여 이미지(I)의 노이즈를 제거. 이미지 "Ic"를 취득,

- 관심 윤곽을 명백히 하기 위하여 형태학적 처리[시작시에 사용된 이미지에 따라 탑 햇(top hat) 또는 바틈 햇(bottom hat)]를 적용. 이미지 "Icm"을 취득,

- 이전에 명백히 한 구조들만을 포함하는 2진의 이미지를 생성하기 위하여, Icm 이미지의 임계치를 산정. 임계값은 검출할 주름들의 유형에 따라 변동되고, 평균(Icm) + k*표준편차(Icm) 유형이다. "Icms"는 임계치 산정된 이미지.

- 이어서 찾고자 하는 주름들의 유형에 해당하지 않는 이미지(Icms) 요소들을 제거하기 위한 후-처리를 적용. 선정의 기준은 무엇보다도 사이즈, 방향 및 형태를 재편성한다. 남은 구조들은 주름들로 간주 되고 따라서 그것의 디스크립터들이 계산된다. 디스크립터들의 성질은 주름들의 유형에 따르지만 사이즈, 길이 또는 평균 강도에 따를 수 있다.

상기 요약된 일반 알고리즘은 주름의 각 유형에 적용되게 되어 있다. 적용 파라미터들은 다음과 같다:

- 커블레트 변환과 후속 작업들이 실행된 이미지(I)(예를 들어 이미지 L, 이미지 b, 등)

- 변환된 이미지상의 임계치 산정 이전에 실행되는 형태학적 작업

- 그 형태학적 작업을 구성하는 요소의 사이즈

- 시그마(커블레트 노이즈 제거 파라미터)

- k(최종 임계치 산정을 위한 임계값을 주는 파라미터).

분류 알고리즘

일반적으로, 분류 방법의 선택은 보유한 데이터에 의존한다. 본원의 경우, 이미지 및 관련된 그레이드를 보유하고 있고, 따라서, 제어되는 분류 방법들을 사용하는 것이 더욱 이롭다. 여기서 실시예로서 제시된 분류 방법론은 2개 항목을 기반으로한다:

1. 이미지 디스크립터들의 추출

지표 또는 파라미터로도 지칭되는 디스크립터들은 이미지로부터 취득된 척도들의 그룹으로서, 이미지를 묘사하거나 특징지을 수 있게 한다. 그것들은 이미지의 컨텐츠를 묘사하며 따라서 그것을 식별할 수 있게 한다.

2. 제어된 분류들

본 분류들은 하나의 샘플 그룹(일명 학습그룹)을 사용하는 것을 전략으로 삼는데, 이는 분류용 파라미터들을 학습하기 위한 것이고(그리고 모델 구축을 위하여), 그리고 분류의 품질을 결정할 수 있도록 다른 그룹(소위 테스트 그룹)에 대해 테스트하기 위한 것이다. 새로운 이미지에 대하여 하나의 등급을 부여하기 위하여 구축된 모델을 사용하는 것으로 구성되는 것은 예측 과정이다.

실시예로서, 서포트 벡터 기계(SVM) 분류 방법의 응용이 이하 명시되었는데, 이는 사자주름의 이미지로부터 뽑아낸 디스크립터들 상에, 등급들간 구분 폭(margin)을 최대화하는 기준에 기초한다. 이후 작업의 성공은 그 이미지에서 추출된 정보에 의존하므로, 사용된 디스크립터들의 유형은 중요하다.

사자주름의 경우 디스크립터들의 식별과 추출

사자주름을 분류하기 위해 필요한 기준들은 반점을 위해 사용하는 기준들과 반드시 동일하지는 않다. 그 외에, 각각의 기준에 대하여, 디스크립터들은 동일한 그레이드의 모든 이미지들을 분간해낼 수 있도록 상당히 적절해야하고, 동시에 다른 등급들과 혼동되지 않도록 상당히 식별력이 있어야한다.

실질적으로, 사자주름 상에서 그레이드에 따라, 주름의 개수는 변하고, 마찬가지로 그 주름들의 길이와 두께도 변함이 확인된다. 따라서 그로부터, 사자주름들의 여러 그레이드들을 구분할 수 있기를 기대하기 위하여는 그 특성들을 고려해야한다고 추론될 수 있다.

따라서 본 연구에서, 스펙트럼 디스크립터들(여러 스펙트럼 대역들의 그레이 레벨, 막대그래프) 및 기하학적(형태 척도) 디스크립터들이 주로 사용되었다. 사자주름에 대하여 추출된 디스크립터들의 요점일람표는 하기와 같다:

- 주름의 개수,

- 2개의 최장 주름의 두께,

- 2개의 최장 주름의 길이.

디스크립터들의 선정

디스크립터 추출 과정 이후에, 이미지는 따라서 그 특성들의 그룹으로 표현된다. 그 특성들은 종종 분류의 효율을 개선하기 위하여 결합 되거나 연쇄된다. 데이터들의 차원성, 즉 특성들의 개수를 고려하는 것이 중요한데, 그 특성들의 개수가 분류 결과에 상당한 영향을 미칠 수 있기 때문이다. 실제로, 분류자의 효율성은 디스크립터 벡터들의 사이즈와 무한정으로 증가하지는 않는다. 한편 분류의 복잡성은, 계산 시간상에 있어서, 특성 벡터의 사이즈와 함께 증가한다. 따라서 가장 적절한 디스크립터들을 선정함으로써, "최적"의 수에서 유효 디스크립터들의 개수를 제한하는 것이 유리하다. 그러한 디스크립터 선정은 사용된 분류 방법에 따라, 다수의 방식으로 작동될 수 있다. 예를 들어, 디스크립터 그룹으로부터 적절한 하부 그룹을 선정하는 것은 각 디스크립터에 대하여, 그 디스크립터들의 값들과 실시예의 플러스와 마이너스 개수에 따라 스코어를 계산함으로써 실행된다. 그와 같이 디스크립터들의 배열방식을 취득하고, 이는 학습 과정 동안 생성된 모델의 평가시에 최대 효율을 제공하는 최초 n개의 디스크립터들만을 저장할 수 있게 한다.

이미지 촬영의 파장들

대부분의 징후에서, 징후가 최대 시그널/노이즈 비율을 갖는 스펙트럼 대역을 연관시킬 수 있다.

하기 도표에 표시된 파장들은 그 파장 내에서 기준이 최대한 가시적인 파장들이다(그 대역들 밖에서 그 기준을 볼 수 있으나 그것의 콘트라스트는 상당히 더 약하다).

기준의 예	밝은 피부			짙은 피부
	L Min	L Max	선택된 L	L Max	L Min	선택된 L
다크 서클	546	576	570	576	648	620
검버섯	494	508	500	558	658	620
주근깨	494	590	570	558	630	620
모세혈관확장	546	594	570
주름	488	498	500	560	630	620

570 nm의 파장은 또한 620 nm 의 주파수(그것은 다크 서클에 대하여 간신히 최소 임계치 미만이지만, 다른 징후들의 대역 내에서는 잘 위치하고 있을 것임)를 대신하여 짙은 피부에 대하여 적합하고, 그 결과, 약 500 nm와 570 nm의 겨우 2개의 파장으로 제한함으로써, 상기한 피부 징후들의 유형들을 검출할 수 있다. 그러나, 변형예로서, 짙은 피부에 대하여 620 nm와 570 nm의 주파수를 결합할 수 있고 최적의 콘트라스트를 가능하게 하는 이미지들의 주파수들을 처리할 수 있고, 그러므로, 유리하게는, 피부색 강도의 도수에 상관없이 피부 징후의 검출을 위하여, 여기서는 500 nm(+/- 20 nm), 570 nm (+/- 20 nm) 및 620 nm (+/- 20 nm)의 적어도 3개의 파장 대역이 있다.

반점들은(예를 들어 검버섯과 주근깨) 주로 멜라닌 흡수에 의해 추적된다(밝은 피부에 대하여 500 nm 근방에서 현저한 지수함수적 감소). 그와 반대로, 짙은 피부에 대하여는, 피부 전체 내의 멜라닌의 다량 존재 및 500 nm 근방에서의 시그널/노이즈 비율의 감소로써 반점이 가시적인 대역이 560 - 630 nm 근방으로 이동한다.

다크 서클은 헤모글로빈 피크 둘레에서 매우 가시적이다. 이는 의심의 여지 없이 다크 서클 위치 피부의 얇음으로 인한, 따라서 혈관의 최대 흡수로 인한 것으로 설명될 수 있다.

발색단은 주어진 파장에서, 분자의 흡광 계수에 의해 주어진 특정 효율로, 전자기 에너지를 흡수하는 분자임을 상기한다. 예를 들어 카로틴은 대다수의 과일(당근 등의)에 색상을 부여하는 발색단이며, 그 분자는 실제로 가시광선 스펙트럼의 청색계의 파장을 흡수하고 따라서 그 보색(주황, 적색)만을 발산한다. 멜라닌과 헤모글로빈은 피부 기능을 이해하는데 있어서 가장 중요한 발색단들이다.

피부의 멜라닌은 표피의 주된 발색단이다. 멜라닌 색소에는 2가지 유형이 존재한다: 유멜라닌과 페오 멜라닌.

헤모글로빈은 적혈구 내에 주로 있는 적색 발색단이다. 헤모글로빈이 산소를 함유하면 옥시헤모글로빈이다. 그 반대의 경우는 디옥시헤모글로빈이다. 제1 근사에서, 표피는 멜라닌층으로서, 진피는 헤모글로빈층으로서 볼 수 있다.

그 결과, 피부색은 헤모글로빈과 멜라닌의 품질 변화에 의존하게 된다.

옥시헤모글로빈 및 디옥시헤모글로빈은 그것들을 특징짓는 흡수 피크를 소유하고, 옥시헤모글로빈과 디옥시헤모글로빈의 최대 흡수는 가시스펙트럼에서 430 nm와 550 nm 근방에서 관찰된다.

실시예로서, 본 발명을 실시하는 시스템은(도 2 및 도 3과 같은) 이하 항목을 포함한다:

- 이하 항목을 포함하는 이미지 캡처 장치

5M 픽셀 센서

초점거리(예를 들어 고정되고 오토포커스아님)

- 이하 파장들을 갖는, 규칙적으로 분포된 LED

● λ~500(+/-20) nm, 즉 청-녹색,

● λ~570(+/-20) nm, 즉 오렌지 황색,

● λ~620(+/-20) nm, 즉 적색.

- 규칙적으로 분포된 백색광 LED.

센서의 사이즈를 10 M픽셀로, 중대한 지장을 초래하는 처리 시간을 들이지 않고 증가시킬 수 있다. 줌 효과는 반대로 2 M픽셀까지 낮출 수 있다.

상술한 바에서, 이하 명시한 바와 같은 그 자체로 독창적인 다수의 사항들이 식별될 수 있음이 주목될 것이다:

2개 기준에 따른 얼굴의 자동 예비 분류:

알고리즘들은 다양한 피부색에 대하여 적용된다(다른 알고리즘들을 통하거나, 다른 이미지들의 입력을 취하는 동일한 알고리즘들을 통하거나, 다른 피부색들에 대하여 다른 파라미터들을 갖는 알고리즘들을 통함). 본 발명의 덕분으로, 새로운 대상의 이미지를 접수할 수 있고 작업자의 어떤 개입도 없이 자동으로 알고리즘을 선택할 수 있게 하는 방법이 제공되고, 피부색 강도의 도수에 대한 PCA 결과를 이용하여 자동으로 그 이미지를 분류하고 따라서 사용할 알고리즘과 파라미터들의 선택 또한 자동적이다.

예비 분류를 위하여 사용된 기준들은 다음과 같다:

- 피부색 강도의 도수(주로): PCA를 사용한 연구가 사진 데이터베이스의 470개 이미지의 뺨 부위 상에 실시되었고 밝은 피부와 짙은 피부를 구분하는 임계치를 밝혀낼 수 있게 하였다.

- 형태유형(보조적으로): 데이터베이스의 이미지들 대부분의 색인정리(즉 얼굴의 특징적 지점들을 측정하기; 색인정리는 수동일 수 있고, 또는 바람직하게는 자동일 수 있음)가 실시되었다.

그 색인에 포함된 정보들은 얼굴들을 그것의 형태유형에 따라 분류할 수 있게 하였고 따라서 얼굴의 특징적 부위(이마, 코, 눈, 입, 턱, 귀, 등)를 용이하게 밝혀낼 수 있었고, 이는 자동 처리를 용이하게 하는데 기여할 수 있다.

그 기준들 중 제1 기준을, 경우에 따라 제2기준과 결합하여, 얼굴들을 예비 분류하고 여러 다른 알고리즘들에 의해 자동으로 그것을 처리하기 위하여 주로 사용한다는 사실은 명백히 중요한 장점들을 가져온다.

- "비율" 이미지: 모공, 비늘, 반점 및 모세혈관확장을 검출하기 위하여 "비율" 이미지를 도입한다. 그 이미지는 필터링된 2개의 이미지 사이의 비율의 결과이며, 각 픽셀에서, 픽셀을 직접 둘러싸는 부위의 픽셀들의 평균치와 그 부위의 얼굴의 픽셀들의 평균치 사이의 비율에 의해 그 픽셀값을 대체한다. 주어진 픽셀을 직접 둘러싸는 부위의 사이즈가 검출해야 하는 구조의 특성이라면, 그 구조의 콘트라스트는 증가 될 것이다. 나아가, 그 변환은 국지적이므로, 이미지 조명의 불균일성을 완화할 수 있게 한다.

- 주름 측정을 위한 커블레트: 주름을 검출하기 위한 커블레트의 사용: 웨이블릿(wavelet)의 일반화, 웨이블릿은 공간적 위치 측정, 스케일(웨이블릿 같은)뿐 아니라 방향을 포함하는 베이스 함수를 사용한다. 이는 길고 두껍지 않은 구조들을 검출하기 위한 높은 감도를 부여하고 주어진 방향을 갖는 구조들만을 선택할 수 있게 한다(예를 들어 수평의 이마 주름, 또는 주어진 방향을 갖는 대부분의 주름에 대하여 유리함).

- 그레이드 분류를 위한 SVM의 사용: 디스크립터들의 추출 후 그레이드 분류를 위한 SVM 유형의 방법의 사용. 학습을 요하는 그 방법들은 검출에 의해 산출된 디스크립터들을 확률적으로 분류할 수 있게 한다. 피부 그레이드를 판별하기 위하여서도 사용되었던 듯하지는 않다.

- 이미지들의 차등 취득 전략의 응용: 제어되지 않는 조명 환경으로 인한 문제점들을 피하기 위하여, 2개의 연속적 이미지를 촬영하는 전략으로 구성되는 그 전략을 응용하며, 하나의 이미지는 주변 조명에 의해 조명되고 나머지 이미지는 주변 조명과 제어된 조명에 의해 조명된다. 그 후 제1 이미지에서 제2 이미지를 감하여 제어된 조명 환경에서의 이미지를 취득한다.

- 더욱 일반적으로는 본 발명은 또한 미용술을 위한 작업을 실행하기 위한 기구와 소프트웨어의 조합을 제안하며, 처리해야할 얼굴을 원하는 순간에 조명하며 차등적으로 이미지들을 취득하고 얼굴 피부 유형에 따라 자동으로 선정되는 파라미터들을 갖는 알고리즘을 사용하여 어떤 피부 징후에 대하여 자동으로 그레이드를 계산하는 기기를 실시하는데, 이는 매우 명백한 장점들을 제공한다.

Claims (14)

1. 피부 부위 상의 피부 징후를 검출하고 정량화하는 방법이며,
   * 사전 설정된 피부색 강도 도수의 적어도 2개의 복수 등급 및 사전 설정된 피부 징후의 복수의 유형에 대하여, 복수의 선택된 파장을 사전에 식별하고, 그 결과, 상기 복수의 유형들 중의 피부의 어떤 징후 유형과 상기 복수의 등급들 중의 피부색 강도의 어떤 도수 등급과의 각 조합에서, 상기 복수의 파장들 중 적어도 하나의 파장이, 상기 등급 중에서 피부색 강도의 도수를 갖는 사람의 피부 상에서 그러한 징후 유형을 콘트라스트에 의해 검출할 수 있게 하고,
   * 백색광 조명하에서 대상 얼굴의 선택된 부위의 적어도 하나의 이미지를 촬영하고,
   * 상기 이미지로부터 관련인에 해당하는 피부색 강도의 도수를 자동으로 식별하고 상기 도수가 속한 등급을 식별하고,
   * 피부색 강도 도수의 상기 등급에 따라, 얼굴의 선택된 부위 상에서 검출하고자 하는 징후의 유형을 상기 피부색 강도의 도수에 대하여 검출할 수 있게 하는, 상기 파장들 중 하나 또는 다수의 파장을 자동으로 선정하고,
   * 상기 선정된 파장에서 적어도 하나의 단색 이미지를 촬영하고, 상기 피부색 강도의 도수 등급에 따라 주로 선택된 알고리즘과 파라미터들을 이용하여 상기 이미지를 처리하고, 그 결과 검출하고자 하는 상기 유형의 징후를 검출하고 그레이드를 설정하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
2. 제1항에 있어서, 상기 복수의 파장들은 약 500 nm(+/-20 nm) 및 570 nm(+/-20 nm)의 파장들을 포함하는 것을 특징으로 하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
3. 제1항 또는 제2항에 있어서, 상기 복수의 파장들은 피부색 강도의 도수 등급 전체에 대하여 최대 3개의 파장인 것을 특징으로 하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
4. 제2항 또는 제3항에 있어서, 상기 복수의 파장들은 그외에 약 620 nm(+/-20 nm)의 파장을 더 포함하는 것을 특징으로 하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 복수의 피부 징후 유형들은 주름, 다크 서클 및 색상의 불균일을 포함하는 것을 특징으로 하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
6. 제1항 내지 제5항 중 어느 한 항에 있어서, 적어도 하나의 상기 피부 강도의 도수 등급에 대하여, 하나의 동일한 피부 징후 유형에 대하여 2개의 파장을 선택하는 것을 특징으로 하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
7. 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 복수의 파장은 3개의 파장들로 구성되고 상기 복수의 피부색 강도의 도수 등급은 2개의 도수, 즉 밝은 피부와 짙은 피부의 2개 도수로 구성되는 것을 특징으로 하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
8. 제7항에 있어서, 상기 밝은 피부에 대하여 상기 피부 징후 유형들을 위한 최대 2개의 파장을 할당하고, 상기 짙은 피부에 대하여 상기 피부 징후 유형들을 위한 최대 2개의 파장을 할당하는 것을 특징으로 하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
9. 제1항 내지 제8항 중 어느 한 항에 있어서, 주어진 파장에서의 이미지들은, 상기 주어진 파장에서의 특정 조명으로 증가시킨 주어진 주변 조명에서 촬영된 제1 원(raw) 이미지와 상기 주어진 주변 조명하에서만 촬영된 동일한 피부 부위의 제2 원 이미지 사이의 차이에 의해 취득되는 것을 특징으로 하는
   피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
10. 제1항 내지 제9항 중 어느 한 항에 있어서, 하나의 동일한 파장에 대하여 복수의 이미지들을 조명 강도의 수준을 증가하며 캡처하고, 포화하지 않은 최고 강도의 수준에서 취득된 이미지를 선정하는 것을 특징으로 하는
    피부 부위 상의 피부 징후를 검출하고 정량화하는 방법.
11. 피부 부위 상에서 피부 징후를 검출하고 정량화하는 장치이며,
    * 선택에 의해 채택된 다수의 조명 방식하에서 주어진 위치에 위치한 피부 부위를 조명하도록 적용된, 조명 장치,
    * 상기 주어진 위치에 위치한 피부 부위의 단색성 이미지를 캡처하도록 적용된, 이미지 캡처 장치,
    * 처리 장치, 및
    * 상기 처리 장치가 상기 조명 장치에 의해서 결정된 조명 하에서 상기 이미지 캡처 장치에 의해 캡처된 이미지들을 처리하도록 하는, 상기 캡처 장치와 상기 조명 장치와 상기 처리 장치 사이의 인터페이스들을
    포함하고,
    상기 처리 장치는,
    - 사전 설정된 피부색 강도 도수의 적어도 2개의 복수 등급 및 사전 설정된 복수의 피부 징후 유형들에 대하여, 복수의 선택된 파장들을 식별하는 데이터를 포함하고, 그 결과, 상기 복수의 유형들 중의 어떤 피부 징후유형과 상기 복수의 등급 중에서 어떤 피부색 강도 도수의 등급과의 각 조합에서, 상기 복수의 파장들 중 하나의 파장이, 상기 등급 중에서 하나의 피부색 강도 도수를 갖는 사람의 피부 상의 그러한 징후 유형을 콘트라스트에 의해 검출할 수 있게 하고,
    - 백색광과 상기 복수의 파장들 중 상기 파장들에서, 선택된 피부 부위의 이미지 캡처를 위하여 상기 캡처 장치와 상기 조명장치가 연동하도록 고안되고, 상기 조명 방식은 백색광에서의 그러한 캡처와 상기 복수의 파장들 중 각각의 파장에서의 캡처를 가능하게 하고,
    - 백색광에서 상기 이미지 캡처 장치에 의해 캡처된 적어도 하나의 이미지 내에서 관련인에 해당하는 피부색 강도의 도수와 상기 피부색 강도 도수가 속하는 등급을 자동으로 식별하도록 고안되고, 상기 피부색 강도 도수에 대하여 상기 피부색 강도 도수의 등급에 따라 검출하고자 하는 징후의 유형을 검출할 수 있게 하는 상기 파장들 중 하나의 파장을 자동으로 선정할 수 있게 하고, 적어도 상기 선정된 파장에서 적어도 하나의 이미지를 자동으로 캡처할 수 있게 하고, 상기 피부색 강도 도수의 등급에 따라 주로 선택된 알고리즘과 파라미터들을 이용하여 적어도 상기 선정된 파장에서 캡처된 상기 이미지를 자동으로 처리할 수 있게 하고, 그 결과 검출하고자 하는 상기 유형의 징후를 검출하게 하는
    피부 부위 상에서 피부 징후를 검출하고 정량화하는 장치.
12. 제11항에 있어서, 상기 조명 장치는 상기 이미지 캡처 장치 둘레로 배치되고 상기 선택된 파장들 중 하나를 갖거나 백색광원인 복수의 광원을 포함하는 것을 특징으로 하는
    피부 부위 상에서 피부 징후를 검출하고 정량화하는 장치.
13. 제12항에 있어서, 상기 복수의 광원들은 상기 위치를 향하도록 되어 있는 오목부를 갖는 오목형 곡면상에 배치되는 것을 특징으로 하는
    피부 부위 상에서 피부 징후를 검출하고 정량화하는 장치.
14. 제11항 내지 제13항 중 어느 한 항에 있어서, 상기 조명 장치는 약 500 nm(+/-20 nm), 570 nm(+/-20 nm) 및 620 nm(+/-20 nm)의 파장들을 갖는 복수의 기본 광원을 포함하는 것을 특징으로 하는
    피부 부위 상에서 피부 징후를 검출하고 정량화하는 장치.

Images