WO2012001289A1 - Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau - Google Patents

Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau Download PDF

Info

Publication number
WO2012001289A1
WO2012001289A1 PCT/FR2011/051493 FR2011051493W WO2012001289A1 WO 2012001289 A1 WO2012001289 A1 WO 2012001289A1 FR 2011051493 W FR2011051493 W FR 2011051493W WO 2012001289 A1 WO2012001289 A1 WO 2012001289A1
Authority
WO
WIPO (PCT)
Prior art keywords
skin
wavelengths
image
degree
intensity
Prior art date
Application number
PCT/FR2011/051493
Other languages
English (en)
Inventor
Benjamin Boulay
Pierre Marchadier
Christian Mahe
Sergio Dos Santos
Original Assignee
Chanel Parfums Beaute
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 Chanel Parfums Beaute filed Critical Chanel Parfums Beaute
Priority to JP2013517451A priority Critical patent/JP2013534851A/ja
Publication of WO2012001289A1 publication Critical patent/WO2012001289A1/fr

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • 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

Definitions

  • the invention relates to a method and a device for detecting and quantifying, automatically (or at least semi-automatically), various cutaneous signs on a skin zone, particularly on an area of the face (or even the neck); these signs can include dark circles, wrinkles, tasks, etc.). These types of signs can be quantified by "grades”.
  • Cutaneous sign modification of the area of skin considered, likely to deserve a cosmetic or therapeutic treatment; these skin signs may be signs related to skin aging, dryness, fatigue or changes in skin color.
  • signs of skin aging means any changes in the surface appearance of the skin due to aging such as, for example, wrinkles and fine lines, stains, all signs of sagging skin, changes in skin thickness, lack of elasticity and / or firmness of the skin, dull and lackluster skin.
  • signs of skin dryness means any changes in the surface appearance of the skin due to changes in the water content and its distribution within Stratum Corneum, such as dull, rough and scaly, non-silky, reddish and / or scaly, as well as loss of flexibility and change in skin thickness.
  • Signs of skin dryness include sensations related to the phenomenon of dryness, such as itching, tingling and / or tightness, which can result in the appearance of real diseases such as, for example, hypersensitivity, atopic dermatitis or winter xeroses.
  • o "Fatigue signs” and “skin color changes” means any changes in the surface appearance of the skin due to fatigue or poor blood circulation, such as dark circles. or bags under the eyes, as well as any changes in skin color, including an impression of aggravation of the signs of aging of the face resulting from exposure to different lifestyles (exposure to the sun, sleep deprivation, stress, jet lag ...),
  • Grade of a cutaneous (or cosmetological) sign (or criterion): degree of severity / severity of this sign or criterion; the value of this degree is also called the descriptor of this type of sign,
  • - Degree of intensity of skin color a parameter quantifying the light or darkness of a skin zone, independently of any indication of color; the degrees are determined on monochrome images, and are preferably in correspondence according to the various lengths at which the invention teaches to capture images
  • - Monochrome image image associated with a given wavelength; this image can be an image taken at this wavelength (typically through a filter) with any illumination, or an image taken (without particular filtering) under lighting at this given frequency
  • Morphological operation operation associated with a type of cutaneous sign to detect and locate on an image the presence of this type of cutaneous sign.
  • US-2009/0201365 discloses a system for diagnosing the condition of a skin area and developing skin treatment tips.
  • This system comprises a set of data collection (or even a plurality of such sets) and a set of analysis of these data, which cooperate via means of communication.
  • the data collection assembly includes a very high resolution digital image capture device, a high compression compression device, and a display device;
  • the data analysis assembly comprises a data analysis device and a compression set with a high compression ratio and data storage means.
  • the data collection assembly takes an image of the entire face of a subject, and the compression means creates a compressed image, the data analysis device analyzes the condition of the skin from this compressed image received through the means of communication and creates visual information as a diagnostic result; this visual information is compressed and then sent to the data collection assembly for viewing by the display device.
  • the data analysis set is independent of the data capture set and may be remote from the capture set.
  • the capture of the data is done by a simple digital camera, under predetermined conditions, which can be done by an operator without special training; as for the analysis operations, they are done by reference to very rich databases, on a multitude of criteria. Such a system is complex and involves the development of very rich reference bases, intended to separate various possible items of analysis.
  • the subject of the invention is a system for analyzing skin zones that is simpler and more compact, while being able to involve means of calculation of moderate size, requiring, for example, nothing more than a PC of reasonable performance.
  • the invention takes advantage of the observation that it has been possible to make an analysis of cutaneous signs by means of algorithms and parameters in limited numbers, from monochrome images (see definition above) corresponding at judiciously chosen frequencies, taking into account mainly the intensity of the skin color.
  • this plurality of wavelengths is at most equal to two; it has indeed appeared possible to detect several types of cutaneous signs, for two degrees of intensity of skin color, with barely two wavelengths, preferably chosen equal to the order of 500 nm and 570 nm.
  • the plurality of wavelengths further comprises a wavelength of the order of 620 nm.
  • the plurality of types of cutaneous signs that the method makes it possible to detect and quantify include, in particular, wrinkles, dark circles and pigment irregularities.
  • two wavelengths are chosen for the same type of cutaneous sign (or even several types of cutaneous signs); this leaves the possibility of choosing the image to be processed among images captured at different wavelengths.
  • the plurality of wavelengths is comprised of three wavelengths and the plurality of skin color intensity levels are two degrees, namely, light skins and dark skin.
  • the plurality of skin color intensity levels are two degrees, namely, light skins and dark skin.
  • the capture of each monochrome image corresponding to a given wavelength comprises the capture of two successive images of the same skin zone taken with and without illumination at the corresponding frequency, and the elaboration of the monochrome image by difference of these two images; this eliminates the influence of ambient lighting, especially its possible fluctuations.
  • a plurality of images for the same wavelength are captured at increasing levels of illumination power, and the image obtained with the highest power level is selected without being saturated.
  • the invention further proposes, for the implementation of the method, a device for detecting and quantifying cutaneous signs on skin zones, comprising:
  • An image capture device adapted to capture an image of an area of skin placed at a given location
  • An illumination device adapted to illuminate an area of skin placed in the given location
  • the image-capturing device being designed so as to identify in images captured by the image-capturing device at one or the other wavelengths the degree of skin-color intensity corresponding to the person concerned, to select, according to this degree of intensity of skin color, that of the aforementioned images which corresponds to the combination of this degree of intensity of skin color with a type of sign that one seeks to detect, and to treat at least this selected image, using an algorithm and parameters mainly chosen according to the degree of intensity of skin color, so as to detect signs of the type that one seeks to detect.
  • FIG. 1 is a schematic diagram of the method of the invention
  • FIG. 2 is a block diagram of a system adapted to the implementation of the method of the invention
  • FIG. 3 is a sectional view of the pair formed by the camera and the device for illuminating the face of the subject
  • FIG. 4 is a graph of an example of an illumination sequence at a given length for the differential recording of images
  • FIG. 5 is a graph correlating two image components captured for a wide variety of volunteers
  • FIG. 6 is a graph grouping in another way the results of FIG. 5,
  • FIG. 7 is an example of a processed image in order to detect and quantify pores
  • Figure 8 is an exemplary image processed to detect and quantify dark circles under one eye.
  • the method of the invention mainly comprises the following steps, for detecting and quantifying cutaneous signs on a skin area.
  • a plurality of at least two predetermined degrees of skin color intensity (denoted Di) and a plurality of types of cutaneous signs (denoted Si) and (preliminary step 3) are identified. as a function of these degrees Di and these types of signs Si, a plurality of wavelengths Ai chosen so that, at each combination of any type of cutaneous sign and of any degree of color intensity of skin, one of the wavelengths of the plurality allows the contrast detection of such a type of sign on the skin of a person having such a degree of intensity of skin color.
  • telangiectasia in English, that is to say the small dilations of the superficial vessels.
  • the wavelengths are chosen so as to allow, for each of the degrees of intensity of skin color, to identify at least some of the types of cutaneous signs that one wishes to be able to detect and to quantify. As will appear later, it is possible to retain only three wavelengths, to be able to detect and quantify signs of the aforementioned types, both in the case of light skin than in that of dark skin; in practice it seems useless to implement more than 6 different lengths.
  • the taking of a monochrome image, corresponding to a given frequency may correspond to an input, at the given frequency only, of an image of an object receiving polychromatic lighting, or to a full color capture an image of an object receiving lighting limited to that specific frequency.
  • step 4 by taking images of a selected area of the face of a subject (or the face as a whole) at each of the wavelengths of the plurality of predetermined wavelengths.
  • At least some of these images identify (step 5) the degree of skin color intensity corresponding to the person concerned.
  • step 6 We select (step 6), according to this degree of intensity of skin color, that of the aforementioned images which corresponds to the combination of this degree of intensity of skin color with a type of sign that we seek to detect.
  • At least this selected image is processed (step 7), using at least one algorithm and parameters essentially chosen according to the degree of skin color intensity, so as to detect signs of the type that the we try to detect.
  • Figure 2 schematically shows a system adapted to the implementation of such a method.
  • a device 15 for interfacing with a PC a PC
  • a PC 16 comprising modules (not shown) adapted to carry out the operations of the method
  • Fig. 3 shows a preferred configuration of the image capture device and the illumination device.
  • This illumination device 12 has a concave surface intended to be turned towards a subject whose skin condition is desired to be diagnosed, preferably materialized by a concave diffuser screen 12B, for example in "curved plexiglass ®". Behind this screen are distributed monochromatic sources 12A, preferably constituted by LEDs, each emitting at one of the selected wavelengths; the diodes emitting at each given wavelength are advantageously regularly distributed among the others, so that, when the LEDs corresponding to only one of these wavelengths are fed, they provide uniform and uniform illumination over the skin to characterize.
  • monochromatic sources 12A preferably constituted by LEDs, each emitting at one of the selected wavelengths; the diodes emitting at each given wavelength are advantageously regularly distributed among the others, so that, when the LEDs corresponding to only one of these wavelengths are fed, they provide uniform and uniform illumination over the skin to characterize.
  • the LEDs corresponding respectively to each of the selected wavelengths are added, in a uniformly distributed manner, LEDs of white light; these diodes make it possible to vary the lighting, in particular outside the steps of image capture, for example during any dialogues of an operator of the system with the person whose skin will make, or has been, captured images.
  • the image taking device 1 1 is preferably disposed in the center of the illumination surface formed by the diffusion screen, passing through the latter.
  • the subject whose skin condition is to be diagnosed is placed in a position centered with respect to the curved surface of the device of FIG. 3; we then proceed to successive image captures at each of the chosen wavelengths.
  • the ambient lighting (apart from the illumination that the illumination device 12 can cause) can be modified, or not, at the time of the image captures.
  • the image captures result from the taking of two successive images, one of which is taken with ambient lighting, (possibly supplemented by part of the power of the white diodes, where they exist), and the other is taken with the same ambient lighting but adding lighting at the frequency / wavelength to which the image to be captured must match; this monochrome lighting must be powerful enough to cause a difference between the two successive raw images, but not too powerful not to risk cause saturation within the image capture device.
  • the captured image is identified at the frequency in question
  • FIG. 4 represents, by way of example, an illumination sequence during an imaging session.
  • This graph represents a sequence of taking three successive images, for the same wavelength; a first cycle consists of taking (at the instant designated by "Shot 1") a first image by applying to the LED diodes associated with said wavelength a low level of excitation and then an image without excitation of these LEDs (at the instant designated by “shot dif”); a second cycle is then triggered differing from the first cycle in that the excitation level of the diodes at the wavelength in question is greater (here there are also two images taken at the times designated by "Shot2 Then "Shot dif"), and a third cycle is then triggered with a maximum level of excitation for these diodes (here again with capture of two images, at times "Shot3" and “Shot dif”).
  • the "Shot dif" instants are designated in each of the cycles by the same name to signify that, in principle, the corresponding images are identical, being taken with the same ambient lighting.
  • the duration of the excitation pulses applied to the diodes associated with each wavelength, as well as the intervals between the image pickups, is arbitrary; for example, the cycles follow each other with intervals of less than one second.
  • the variations of luminosity and color felt by the subject can contribute to the relaxation and thus to improve the relevance of the diagnoses that will be made on the basis of the images thus captured.
  • the image which is then conserved is preferably that corresponding to the maximum intensity of the monochrome diodes without having saturation, but the preliminary cycles will have made it possible to minimize any risk of tension of the subject at the moment of maximum illumination.
  • the ambient lighting can not be controlled, the pose by the subject can not be too long for the subject to cause him untimely movements.
  • results of the image processing are visualized, on a screen or printed: these results preferably include the identification of the types of signs explored, with an indication of the level of their presence (frequency and / or size, depending on the parameterization of the algorithms used ).
  • grade 1 corresponds to a low or zero presence while level 5 corresponds to a maximum.
  • the stored results may also include at least one of the images taken into consideration.
  • the invention does not involve traditional notions of ethnicity, such as Caucasian, Asian, African, Hispanic or Indian; indeed, it only involves, at the time of treatment selections, the notion of degree of intensity of skin color.
  • the results of the PCA show very clearly that the first main component explains almost all the skin color variation between volunteers: 98.7% of this variation can be modeled by a variation of the value of this component.
  • the volunteer located at the bottom right of Figure 5 has a value of this component greater than 0.5, while the lower left has a value of the order of -0.2.
  • the variation between -0.4 and 0.6 of the value of the first main component is therefore able to represent skin color variations of all ethnicities.
  • Figure 6 shows the histogram of the values of the first major component for the 470 volunteers.
  • the characteristic threshold separating these two components can be found automatically by a simple histogram binarization algorithm (such as the Otsu algorithm): a threshold equal to So is found.
  • the ACP allows to find a threshold with a component. We could find n thresholds to have n + 1 classes according to the clustering method used.
  • the value of the first main component for a volunteer is greater than So, then this volunteer will be considered to have a dark skin and she will be considered light-skinned if not.
  • Degree of intensity of skin color for a new subject is greater than So, then this volunteer will be considered to have a dark skin and she will be considered light-skinned if not.
  • the coefficients of the transformation are represented in the form of a matrix, each column of which corresponds to a component. In a manner known per se, these columns are classified according to the most significant principal component to the least significant component.
  • the coordinate point (x0, y0, z0) thus obtained is the representative point of the new person in the principal component database and it is the value xO that can be compared with the threshold So to decide in which group the new class is classified. voluntary. If it is below the threshold, it will be a light skin, and if it is above it will be a dark skin.
  • the detection algorithms of pores and dander are substantially the same, even if the preliminary phase of highlighting of these characteristics using a morphological operation differs. It should be noted that the aim here is not to exhaustively detect the pores or squames present in an area, but rather to evaluate areas of significant density. Indeed, we realize that an exhaustive count requires detection with a very low threshold and therefore the not insignificant appearance of false positives; however, such exhaustive counting is not necessary in the facts.
  • Pores are small dark areas arranged on a lighter area (skin). We can therefore highlight them using a "bottom-hat” (morphological operation known per se on a grayscale image).
  • the image resulting from the morphological treatment (“bottom-hat” or “top-hat”) presents a large number of local maxima (or regions of local maxima, ie encompassing the non-strict maxima). Smoothing Gaussian noise is reduced and the peaks associated with the desired structures become more regular. All of these local maxima are detected at the end of the smoothing. We only want to keep those of significant amplitude. We use a threshold chosen low enough not to eliminate low contrast structures. Among the maxima detected, we look at the decrease when we move away from the maximum position of the peak. For this purpose, the level lines of the morphological image are used. For each maximum one looks at whether the decay around this maximum is regular and significant (evolution of the concentric level lines). We only retain the structures whose level lines validate a certain number of criteria, namely:
  • the structure is segmented using the last valid edge, ie the lowest level.
  • the final result associated with the detection of pores on an example cheek area is visualized in FIG. 7.
  • 15 uniformly distributed levels are set between a minimum level and a maximum level, knowing that the morphological images are not normalized and that the maximum level advantageously corresponds to the level observed on images with well-highlighted patterns. .
  • the number of these levels and the minimum and maximum levels are to be adapted to the images results of the shots.
  • the rings are an extremely widespread cosmetological sign: they are the result of colored variations of the skin, forming regions of color more or less pronounced under the lower eyelids.
  • the first step of the ring-ring algorithm is to transform the image from the RGB color space to the L * a * b space.
  • the two bands L and a are those which will be used to segment the image in zones of rings and zones without ring.
  • a colorimetric segmentation is performed that separates the areas around the eyes into different areas of homogeneous color.
  • regions correspond to a ring and we clean these areas (essentially by morphological transformations such as erosions / dilations).
  • the final area of the ring is then deduced and the final descriptors measured on this area (surface, average intensity in different bands, relative intensity relative to the intensity of the skin without ring, ).
  • the spot detection algorithm uses the band b, after transformation of the RGB image into L * a * b.
  • a morphological transformation of the image into a smoothed band (aperture) and a contrast enhancement make it possible to obtain the initial image of work.
  • the image is divided into several squares (of different size depending on the area studied) in order to overcome the non-uniformity of the illumination.
  • a first thresholding in band b only keeps the pixels having large values of b: in practice, a threshold at b below which a given percentage of the pixels is found is determined. Pixels with a value of b above the threshold are considered part of a stain, the others are excluded from stains.
  • Telangiectasia refers to an abnormal vascular dilatation in size and permanence. It is red, non-pulsatile and forms a fine line, tortuous, often in arborization or network and is most often located, especially in the face. It is understood that this type of cutaneous sign may not exist or not be detectable on dark skin.
  • the telangiectasis detection algorithm is comparable to that of spot detection, but the starting image is the band image a, after passing from RGB to L * a * b. Moreover, the thresholds separating pixels included in telangiectasies of the pixels of the skin are different, as well as the morphological transformation making it possible to obtain the working image. Finally, the detection zone is not divided into squares, because the zones presenting telangiectasia have less problems of uniformity of the illumination. A morphological transformation of the band image smoothed (tophat) and a contrast enhancement make it possible to obtain the initial work image.
  • a first thresholding in band a retains only the pixels having large values of a: in practice, a threshold at a below which is a given percentage of the pixels is determined. Pixels with a value of a above the threshold are considered part of a telangiectasia, the others excluded.
  • a binary image of the studied area is obtained (1 for pixels included in telangiectasia (before cleaning) and 0 for what is considered to be skin). This image allows us to obtain a first detection of all the telangiectasies of the zone. We label all the telangiectasias and we eliminate those that are too small.
  • each telangiectasia of the zone is compared with the statistical properties of the skin (pixels having been marked 0 during the first thresholding) in order to validate the detection of each telangiectasia.
  • the mean value and the standard deviation of each telangiectasia are compared with those of the skin, which allows us to statistically reject telangiectasia with too close proximity to the skin.
  • Other statistical criteria can be used to refine the detection. e. Rides
  • Curvelets are mainly based on “curvelets” (see: Candès E, and Donoho D., Curvelets A surprisingly effective nonadaptative representation for objects with edges, curves and surfaces, Curves and Surfaces 1999). These are a specialized version of the family of anisotropic wavelets that are very well adapted to the representation of discontinuities along the contours.
  • the parameters used for curvelets, as well as the thresholds for the extraction of wrinkles are a function of the size (coarse or fine) of the wrinkle to be detected.
  • a post-treatment is then generally useful according to the orientation of the wrinkle, to isolate it from less interesting structures.
  • the image I on which the curvelet transform and the following operations are performed (for example: image L, image b, etc.)
  • classification methodology is based on two pillars:
  • the descriptors also called characteristics or parameters, are a set of measurements obtained from the image, which make it possible to describe it or to characterize it. They describe the content of the image and thus make it possible to identify it. 2.
  • the latter have the strategy of using a set of samples (called learning) to learn the classification parameters (and build a model), and test them on another set (called test) to define the quality of the classification.
  • learning a set of samples
  • test a model
  • lion wrinkles for example, are not necessarily the same as those we will use for stains.
  • the descriptors must be relevant enough to recognize all images of the same grade, and at the same time discriminating enough so that there is no confusion with other classes.
  • the image is thus represented as a set of these characteristics.
  • These are often combined or concatenated to improve the performance of the classification. It is important to take into account the dimensionality of the data, ie the number of characteristics, the latter being able to influence the classification results significantly. Indeed, the performance of the classifiers does not increase indefinitely with the size of the descriptor vector. Moreover, the complexity of the classification, in terms of computation time, increases with the size of the feature vector. It is therefore interesting to limit the number of effective descriptors to the "optimal" number, by selecting the most relevant descriptors. This selection of descriptors can be operated in several ways, depending on the classification method used.
  • selecting a relevant subset from a set of descriptors is done by calculating a score for each descriptor, based on the values of these descriptors, and the number of positive and negative examples. This results in a descriptor scheduling, which keeps only the first n descriptors that give the best performance when evaluating the model generated during the learning phase.
  • the wavelengths indicated in the following table are those in which a criterion is the most visible (we can see this criterion outside these bands but its contrast is much lower). Examples of Dark Skin Clear Skin
  • the wavelength of 570 microns could also be suitable for dark skin, instead of the frequency of 620 microns (it would be barely below the min threshold for dark circles, but would be well located in the ranges of other defects); it follows that, being limited to barely two wavelengths of the order of 500 microns and 570 microns, it is possible to detect the types of cutaneous signs mentioned above.
  • the frequencies of 620 microns and 570 microns can be combined for the darker skin and those of the images which allow optimal contrast;
  • the spots are traced mainly by the absorption of melanin (dominant decreasing exponential around 500nm for light skin).
  • melanin dominant decreasing exponential around 500nm for light skin.
  • melanin dominant decreasing exponential around 500nm for light skin.
  • the massive presence of melanin throughout the skin as well as the degradation of the signal on noise towards 500nm displaces the bands of visibility of the spots towards 560-630nm.
  • a chromophore is a molecule that absorbs electromagnetic energy at a given wavelength, with a characteristic yield given by the extinction coefficient of the molecule.
  • carotene is the chromophore that gives color to many fruits (such as carrots), this molecule actually absorbs wavelengths in the blue range of the visible spectrum and therefore only returns the complementary color (orange and white). red).
  • Melanin and hemoglobins are the most important chromophores for understanding the functioning of the skin.
  • Melanin in the skin is the dominant chromophore of the epidermis.
  • melanin pigments There are two types of melanin pigments: eumelanin and pheomelanin.
  • Hemoglobin is a red chromophore found mainly in red blood cells. When hemoglobin contains oxygen, it is called oxyhemoglobin. In the opposite case, it is called deoxyhemoglobin.
  • the epidermis can be seen as a layer of melanin and the dermis as a layer of hemoglobin.
  • the skin color will depend on the variation of the amounts of hemoglobin and melanin.
  • Oxyhemoglobin and deoxyhemoglobin have characteristic absorption peaks, and absorption maxima for oxyhemoglobin and deoxyhemoglobin are observed around 430 nm and 550 nm in the visible spectrum.
  • an implementation system of the invention (such as that of FIG. 2 or 3) comprises:
  • a white LED for example of the "warm white” type.
  • the algorithms are adapted to different skin colors (either via different algorithms, or via the same algorithms that take different images as input, or via algorithms that have different different settings for different skin colors). Thanks to the invention, a method is available which makes it possible to acquire an image of a new subject and to automatically select the algorithm without any intervention of an operator: it is automatically classified by the results of the 'ACP for skin color and therefore the choice of algorithm or parameters to use is also automatic.
  • the criteria used for the pre-classification are: o skin color (mainly): A study using a PCA (Principal Component Analysis) was performed on cheek areas of 470 images from the photographic database and allowed to to clear a threshold separating the light skins from the dark skins.
  • PCA Principal Component Analysis
  • o Morphotype (alternatively): an indexing (ie measuring the characteristic points of a face, the indexing can be manual, or preferably automatic) of the majority of the images of the database Has been done.
  • the information contained in this indexing makes it possible to classify the faces according to their morphotype and thus to be able to easily clear the characteristic zones of the face (forehead, nose, eyes, mouth, chin, ears, ...), which can contribute to facilitate automatic processing.
  • Curvelets for the detection of wrinkles use of curvelets to detect wrinkles: generalization of wavelets, they use basic functions with a spatial location, a scale (like wavelets) but also a direction. This gives them a high sensitivity to detect long and thin structures and allow to choose only the structures having a given direction (interesting for forehead lines that are horizontal, for example or for most wrinkles that have a given direction).
  • this strategy consists in taking two consecutive images, one illuminated with ambient lighting and the other with ambient lighting and controlled lighting. Then we subtract the second from the first and we obtain an image in a controlled light environment.
  • the invention also proposes an association of hardware and software to perform a task for cosmetology, by implementing an apparatus that acquires images in a differential manner by illuminating, at the desired time, the face to be treated and which, automatically, calculates grades for certain cutaneous signs using algorithms whose parameters are automatically selected according to the type of skin of the face, which brings significant advantages.

Abstract

Procédé de détection et de quantification de signes cutanés sur une zone de peau, selon lequel : * on identifie pour une pluralité de degrés d'intensité de couleur de peau prédéterminés (1) et une pluralité de types de signes cutanés (2), une pluralité de longueurs d'onde choisies (3) en sorte que, à chaque combinaison d'un type de signe de peau et d'un degré d'intensité de couleur de peau, l'une des longueurs d'onde permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau, * on prend des images (4) à chacune de cette pluralité de longueurs d'onde, on identifie à partir de ces images le degré d'intensité de couleur de peau (5), on sélectionne, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter (6), puis on traite au moins cette image sélectionnée, en sorte de détecter des signes dudit type que l'on cherche à détecter (7).

Description

PROCEDE ET DISPOSITIF DE DETECTION ET DE
QUANTIFICATION DE SIGNES CUTANES SUR UNE ZONE DE PEAU
L'invention concerne un procédé et un dispositif pour détecter et quantifier, de manière automatique (ou au moins semi-automatique), divers signes cutanés sur une zone de peau, notamment sur une zone du visage (voire du cou) ; ces signes peuvent notamment être des cernes, des rides, des tâches, etc.). Ces types de signes peuvent être quantifiés par des « grades ».
Dans le présent document, on utilisera divers mots avec les sens suivants :
- Signe cutané : modification de la zone de peau considérée, susceptible de mériter un traitement cosmétique ou thérapeutique ; ces signes cutanés peuvent être des signes liés au vieillissement de la peau, à la sécheresse cutanée, à la fatigue ou encore à des modifications de la couleur de la peau. o Par « signes du vieillissement cutané », on entend toutes les modifications de l'aspect de surface de la peau dues au vieillissement comme, par exemple, les rides et les ridules, les tâches, l'ensemble des signes de relâchement cutané, les modifications de l'épaisseur de la peau, le manque d'élasticité et/ou de fermeté de la peau, la peau terne et sans éclat. o Par « signes de sécheresse cutanée », on entend toutes les modifications de l'aspect de surface de la peau dues notamment aux modifications du contenu en eau et de sa répartition au sein du Stratum Corneum, telles que l'aspect terne, rugueux et squameux, non soyeux, rougeâtre et/ou écailleux, ainsi que la perte de souplesse et une modification de l'épaisseur de la peau. Les signes de sécheresse cutanée incluent les sensations liées au phénomène de sécheresse, telles que les démangeaisons, les picotements et/ou les tiraillements, pouvant se traduire par l'apparition de réelles pathologies telles que, par exemple, l'hypersensibilité, la dermite atopique ou les xéroses hivernales. o Par « signe cutanés de fatigue » et « modifications de couleur de la peau », on entend toutes les modifications de l'aspect de surface de la peau dues à la fatigue ou à une mauvaise circulation du sang comme, par exemple, les cernes ou les poches sous les yeux, ainsi que toutes les modifications de couleur de la peau, avec notamment une impression d'aggravation des signes de vieillissement du visage résultant de l'exposition à différents modes de vie (exposition au soleil, privation de sommeil, stress, décalage horaire...),
- Grade d'un signe (ou critère) cutané (ou cosmétologique) : degré de gravité/sévérité de ce signe ou critère ; la valeur de ce degré est aussi qualifiée de descripteur de ce type de signe,
- Degré d'intensité de couleur de peau : paramètre quantifiant le caractère clair ou foncé d'une zone de peau, indépendamment de toute indication de couleur ; les degrés se déterminent sur des images monochromes, et sont de préférence en correspondance selon les diverses longueurs auxquelles l'invention enseigne de capturer des images, - Image monochrome : image associée à une longueur d'onde donnée ; cette image peut être une image prise à cette longueur d'onde (typiquement au travers d'un filtre) avec un éclairage quelconque, ou une image prise (sans filtrage particulier) sous un éclairage à cette fréquence donnée,
- Opération morphologique : opération associée à un type de signe cutané propre à détecter et localiser sur une image la présence de ce type de signe cutané.
On connaît déjà, d'après le document US - 2009/0201365 (Fukuoka et al), un système de diagnostic de la condition d'une zone de peau et l'élaboration de conseils de traitements cutanés. Ce système comporte un ensemble de collecte de données (voire une pluralité de tels ensembles) et un ensemble d'analyse de ces données, qui coopèrent par l'intermédiaire de moyens de communication. L'ensemble de collecte de données comporte un dispositif de capture d'image numérique de très haute résolution, un dispositif de compression à fort taux de compression et un dispositif d'affichage ; l'ensemble d'analyse des données comporte un dispositif d'analyse de données et un ensemble de compression à fort taux de compression et des moyens de stockage des données. L'ensemble de collecte de données prend une image de l'ensemble du visage d'un sujet, et les moyens de compression créent une image compressée, le dispositif d'analyse de données analyse la condition de la peau à partir de cette image compressée reçue au travers des moyens de communication et crée des informations visuelles en tant que résultat de diagnostic ; ces informations visuelles sont compressées puis envoyées à l'ensemble de collecte de données pour être visualisée par le dispositif d'affichage. L'ensemble d'analyse des données est indépendant de l'ensemble de capture de données et peut se trouver à distance de ce dernier. La capture des données est faite par un simple appareil photo numérique, dans des conditions prédéterminées, ce qui peut se faire par un opérateur sans formation particulière ; quant aux opérations d'analyse, elles se font par référence à des bases de données très riches, sur une multitude de critères. Un tel système est complexe et implique l'élaboration de bases de références très riches, destinées à séparer divers items possibles d'analyse.
On connaît également, d'après le document US - 2004/0218810, des procédés et systèmes permettant une analyse par ordinateur d'images de la peau. Selon ce document, on prend une image numérique d'une zone de visage illuminée par de la lumière blanche, au moyen d'un capteur RVB et on traite les images R (Rouge), V(Vert) et B(Bleu) de l'image ainsi captée par diverses analyses (couleur de peau, tâches, pores, etc.) permettant d'en déduire diverses données permettant, le cas échéant, d'évaluer une évolution au cours du temps. Les images sont prises au moyen d'un dispositif impliquant un positionnement précis du visage, en prévoyant en pratique un référentiel de couleur près du visage. Mais ce système peut paraître inconfortable, tandis que les analyses sont complexes, les analyses devant souvent être effectuées sur plusieurs des images R, V ou B d'une même zone, avec en pratique des conversions de type HSV, avec une précision qui dépend souvent de comparaisons à des références.
L'invention a pour objet un système d'analyse de zones de peau qui soit plus simple, plus compact, en pouvant impliquer des moyens de calcul de taille modérée, ne nécessitant par exemple rien de plus qu'un PC de performances raisonnables.
Elle propose à cet effet un procédé de détection et de quantification de signes cutanés sur une zone de peau, selon lequel :
* on identifie pour une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés et une pluralité de types de signes cutanés, une pluralité de longueurs d'onde choisies en sorte que, à chaque combinaison d'un type quelconque de signe de peau et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau,
* on prend des images d'une zone choisie du visage à chacune de cette pluralité de longueurs d'onde, * on identifie à partir de ces images le degré d'intensité de couleur de peau correspondant à la personne concernée,
* on sélectionne, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter,
* on traite au moins cette image sélectionnée, à l'aide d'un algorithme et de paramètres principalement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes dudit type que l'on cherche à détecter.
Ainsi, l'invention profite du constat qui a pu être fait qu'une analyse de signes cutanés peut être faite au moyen d'algorithmes et de paramètres en nombres limités, à partir d'images monochromes (voir la définition ci-dessus) correspondant à des fréquences judicieusement choisies, en tenant principalement compte de la seule intensité de la couleur de peau.
De manière avantageuse cette pluralité de longueurs d'onde est au plus égale à deux ; il est en effet apparu possible de détecter plusieurs types de signes cutanés, pour deux degrés d'intensité de couleur de peau, avec à peine deux longueurs d'onde, de préférence choisies égales à de l'ordre de 500 nm et 570nm. Toutefois, de manière préférée, la pluralité de longueurs d'onde comporte en outre une longueur d'onde à de l'ordre de 620 nm.
De préférence, la pluralité de types de signes cutanés que le procédé permet de détecter et de quantifier comporte notamment des rides, des cernes et des irrégularités pigmentaires.
De manière avantageuse, pour l'un au moins des degrés d'intensité de peau, on choisit deux longueurs d'onde pour un même type de signe cutané (voire plusieurs types de signes cutanés) ; cela laisse la possibilité de choisir l'image à traiter parmi des images capturées à des longueurs d'onde différentes.
Dans une configuration préférée, la pluralité de longueurs d'onde est constituée de trois longueurs d'onde et la pluralité de degrés d'intensité de couleur de peau est constituée de deux degrés, à savoir les peaux claires et les peaux foncées. Malgré ce faible nombre de longueurs d'onde et de degrés d'intensité de couleur de peau, on peut toutefois détecter et quantifier une grande variété de signes cutanés de peau, comportant des rides, des cernes, des taches, etc. De manière plus particulièrement avantageuse, dans une configuration simple mais efficace, l'on affecte au plus deux longueurs d'onde pour les types de signes cutanés pour les peaux claires, et au plus deux longueurs d'onde pour les types de signes cutanés pour les peaux foncées.
De manière avantageuse, la capture de chaque image monochrome correspondant à une longueur d'onde donnée comporte la saisie de deux images successives d'une même zone de peau prises avec, et sans, un éclairage à la fréquence correspondante, et l'élaboration de l'image monochrome par différence de ces deux images ; cela permet d'éliminer l'influence de l'éclairage ambiant, en particulier de ses éventuelles fluctuations. De manière plus particulièrement préférée, on capture une pluralité d'images pour une même longueur d'onde, à des niveaux croissants de puissance d'éclairage, et on sélectionne l'image obtenue avec le plus haut niveau de puissance sans présenter de saturation.
L'invention propose en outre, pour la mise en œuvre du procédé, un dispositif de détection et de quantification de signes cutanés sur des zones de peau, comportant :
* un dispositif de capture d'image, adapté à capturer une image d'une zone de peau placée en un emplacement donné,
* un dispositif d'illumination, adapté à illuminer une zone de peau placée dans l'emplacement donné,
* un dispositif de traitement,
* des interfaces entre ce dispositif de capture, ce dispositif d'illumination et ce dispositif de traitement, tels que le dispositif de traitement traite des images capturées par le dispositif de capture d'image sous des éclairages déterminés par le dispositif d'illumination,
ce dispositif de traitement :
contenant des données d'identification pour une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés et une pluralité de types de signes cutanés, d'une pluralité de longueurs d'onde choisies en sorte que, à chaque combinaison d'un type quelconque de signe de peau et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau,
étant conçu en sorte de prendre, en coopération avec le dispositif de capture et le dispositif d'illumination, des images de la zone de peau choisie auxdites longueurs d'onde de ladite pluralité et
étant conçu en sorte d'identifier dans des images capturées par le dispositif de capture d'image à l'une ou l'autre des longueurs d'onde le degré d'intensité de couleur de peau correspondant à la personne concernée, de sélectionner, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter, et de traiter au moins cette image sélectionnée, à l'aide d'un algorithme et de paramètres principalement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes dudit type que l'on cherche à détecter.
Des objets, caractéristiques et avantages de l'invention ressortent deon qui suit, donnée en référence aux dessins annexés, sur lesquels :
la figure 1 est un schéma de principe du procédé de l'invention,
la figure 2 est un schéma synoptique d'un système adapté à la mise en œuvre du procédé de l'invention, la figure 3 est une vue en coupe du couple formé par le dispositif de prise de vues et du dispositif d'illumination du visage du sujet,
la figure 4 est un graphique d'un exemple de séquence d'illumination à une longueur donnée pour la prise différentielle d'images,
la figure 5 est un graphe corrélant deux composantes d'images capturées pour une grande variété de volontaires,
la figure 6 est un graphe regroupant d'une autre manière les résultats de la figure 5,
la figure 7 est un exemple d'image traitée en sorte de détecter et quantifier des pores, et
la figure 8 est un exemple d'image traitée en sorte de détecter et quantifier des cernes sous un œil.
Ainsi qu'il ressort de la figure 1 , le procédé de l'invention comporte principalement les étapes suivantes, pour détecter et quantifier des signes cutanés sur une zone de peau.
Au préalable (étapes préliminaires 1 et 2), on identifie une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés (notés Di) et une pluralité de types de signes cutanés (notés Si) et (étape préliminaire 3), en fonction de ces degrés Di et de ces types de signes Si, une pluralité de longueurs d'onde Ai choisies en sorte que, à chaque combinaison d'un type quelconque de signe cutané et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau.
A titre d'exemple, ainsi que cela sera commenté plus loin, on peut se contenter de distinguer deux degrés d'intensité de couleur de peau, à savoir des « peaux claires » et des « peaux foncées » (par exemple notés D1 et D2). Par ailleurs, le choix des types de signes cutanés, et de leur nombre, dépend des besoins ; à titre d'exemple, on distingue au moins :
- les rides, en distinguant éventuellement, en fonction de leurs emplacements
- le sillon naso-génien (en anglais «naso-labial fold »),
- les rides du front,
- les rides dites « rides du Lion », situées entre les sourcils (en anglais « frown lines »),
- les rides dites « rides de la patte d'oie », situées au coin des yeux (en anglais « crow's feet »),
- les rides sous les yeux,
- les rides du coin de la bouche,
- les rides du contour des lèvres,
- les taches, en distinguant éventuellement entre les taches de rousseur et les taches de vieillissement et
- les pores et squames, voire
- les télangiectasies (« télangiectasies » en anglais), c'est-à-dire les petites dilatations des vaisseaux superficiels.
Les longueurs d'onde sont choisies en sorte de permettre, pour chacun des degrés d'intensité de couleur de peau, d'identifier au moins certains des types de signes cutanés que l'on souhaite pouvoir détecter et quantifier. Ainsi que cela apparaîtra plus loin, il est possible de ne retenir que trois longueurs d'onde, pour pouvoir détecter et quantifier des signes des types précités, aussi bien dans le cas de peaux claires que dans celui de peaux foncées ; en pratique il semble inutile de mettre en œuvre plus de 6 longueurs différentes. Comme indiqué ci-dessus, la prise d'une image monochrome, correspondant à une fréquence donnée, peut correspondre à une saisie, uniquement à la fréquence donnée, d'une image d'un objet recevant un éclairage polychrome, ou à une saisie polychrome d'une image d'un objet recevant un éclairage limité à cette fréquence spécifique.
Les diverses corrélations entre les diverses longueurs d'onde et les divers couples « type de signe »/ « degré d'intensité » peuvent avoir été validées et enregistrées au préalable, de sorte que, dans la pratique, la mise en œuvre du procédé peut se limiter aux étapes suivantes.
On commence (étape 4) par prendre des images d'une zone choisie du visage d'un sujet (voire du visage en son entier) à chacune des longueurs d'onde de la pluralité de longueurs d'onde prédéterminées.
On identifie (étape 5) à partir d'au moins certaines de ces images le degré d'intensité de couleur de peau correspondant à la personne concernée.
On sélectionne (étape 6), en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter.
On traite au moins cette image sélectionnée (étape 7), à l'aide d'au moins un algorithme et de paramètres essentiellement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes du type que l'on cherche à détecter.
La figure 2 représente de manière schématique un système adapté à la mise en œuvre d'un tel procédé.
Il comporte principalement :
une caméra numérique 1 1 ,
un dispositif d'illumination 12,
des interfaces 13 et 14 associés à cette caméra et à ce dispositif d'illumination,
un dispositif 15 d'interface avec un PC,
un PC 16 comportant des modules (non représentés) adaptés à effectuer les opérations du procédé,
une source d'alimentationl 7.
La figure 3 représente une configuration préférée du dispositif de capture d'image et du dispositif d'illumination. Ce dispositif d'illumination 12 comporte une surface concave destinée à être tournée vers un sujet dont on souhaite diagnostiquer l'état de la peau, de préférence matérialisée par un écran diffuseur concave 12B, par exemple en « plexiglass ®» cintré. Derrière cet écran sont réparties des sources monochromes 12A, de préférence constituées par des diodes LED, émettant chacune à l'une des longueurs d'onde choisies ; les diodes émettant à chaque longueur d'onde donnée sont avantageusement réparties régulièrement parmi les autres, de sorte que, lorsque les diodes LED correspondant à une seule de ces longueurs d'onde sont alimentées, elles assurent un éclairage régulier et uniforme sur la zone de peau à caractériser.
De préférence, aux diodes LED correspondant respectivement à chacune des longueurs d'onde choisies sont ajoutées, de manière également uniformément répartie, des diodes LED de lumière blanche ; ces diodes permettent de varier les éclairages, notamment en dehors des étapes de capture d'images, par exemple lors d'éventuels dialogues d'une opératrice du système avec la personne dont la peau va faire, ou a fait, l'objet de captures d'images.
Le dispositif de prise d'image 1 1 est de préférence disposé au centre de la surface d'illumination concrétisée par l'écran de diffusion, en traversant ce dernier.
On comprend que le sujet dont on veut diagnostiquer l'état de la peau se place en une position centrée par rapport à la surface cintrée du dispositif de la figure 3 ; on procède ensuite à des captures successives d'image à chacune des longueurs d'onde choisies. En fonction des besoins, l'éclairage ambiant (en dehors de l'illumination que peut provoquer le dispositif d'illumination 12) peut être modifié, ou non, au moment des captures d'image.
De manière avantageuse, les captures d'image résultent de la prise de deux images successives, dont l'une est prise avec l'éclairage ambiant, (éventuellement complété par une partie de la puissance des diodes blanches, lorsqu'elles existent), et l'autre est prise avec le même éclairage ambiant mais en ajoutant un éclairage à la fréquence/longueur d'onde à laquelle doit correspondre l'image que l'on veut capturer ; cet éclairage monochrome doit être suffisamment puissant pour provoquer une différence entre les deux images brutes successives, mais pas trop puissant pour ne pas risquer de provoquer de saturation au sein du dispositif de capture d'image. Par différence entre les images successives, on identifie l'image capturée à la fréquence en cause
La figure 4 représente à titre d'exemple une séquence d'illumination au cours d'une séance de prise d'images.
Ce graphique représente une séquence de prise de trois images successives, pour une même longueur d'onde ; un premier cycle consiste à prendre (à l'instant désigné par « Shot 1 ») une première image en appliquant aux diodes LED associées à ladite longueur d'onde un niveau faible d'excitation puis une image sans excitation de ces LED (à l'instant désigné par « Shot dif ») ; un second cycle est ensuite déclenché différant du premier cycle par le fait que le niveau d'excitation des diodes à la longueur d'onde en question est plus important (il y a ici aussi deux captures d'images, aux instants désignés par « Shot2 » puis « Shot dif »), et un troisième cycle est ensuite déclenché avec un niveau maximal d'excitation pour ces diodes (ici encore avec capture de deux images, aux instants « Shot3 » et « Shot dif »). Les instants « Shot dif » sont désignés, dans chacun des cycles par la même appellation pour signifier que, en principe, les images correspondantes sont identiques, étant prises avec le même éclairage ambiant.
On comprend que la durée des impulsions d'excitation appliquées aux diodes associées à chaque longueur d'onde, ainsi que les intervalles entre les prises d'image, est arbitraire ; à titre d'exemple, les cycles se suivent avec des intervalles inférieurs à de l'ordre d'une seconde. En fait les variations de luminosité et de couleur ressenties par le sujet peuvent contribuer à le détendre et donc à améliorer la pertinence des diagnostics qui vont être réalisés sur la base des images ainsi capturées. L'image qui est ensuite conservée est de préférence celle correspondant à l'intensité maximale des diodes monochromes sans avoir de saturation, mais les cycles préalables auront permis de minimiser tout risque de crispation du sujet au moment de l'illumination maximale.
Une telle démarche permet de surmonter les difficultés dues au fait que :
l'éclairage ambiant ne peut être contrôlé, la pose par le sujet ne peut pas être trop longue pour celui-ci au point de lui provoquer des mouvements intempestifs.
Les résultats du traitement des images sont visualisés, sur un écran ou imprimés : ces résultats comportent de préférence l'identification des types de signes explorés, avec une indication du niveau de leur présence (fréquence et/ou taille, selon le paramétrage des algorithmes utilisés).
A titre d'exemple, on procède ainsi à une acquisition d'images, puis à une étude de l'image comportant les étapes suivantes :
* on distingue s'il s'agit d'une peau claire ou foncée,
* on lance des algorithmes afin de détecter les différents critères cosmétologiques et, pour chacun des algorithmes, on stocke les données nécessaires pour la classification (qui permettent une gradation pour chaque critère du visage considéré), et on sauvegarde les résultats visuels de détection dans un répertoire prédéfini.
A titre d'exemple, on écrit les résultats dans un fichier qui peut n'être qu'un fichier texte tel que :
Nom du sujet : C002 Peau Claire
Sillon naso-génien : Grade 3
Rides Front : Grade 4
Rides du Lion : Grade 3
Rides de la patte d'oie : Grade 2
Rides du coin des yeux : Grade 5
Rides du coin de la bouche : Grade 3
Rides contour des lèvres : Grade 2
Taches Front : Grade 1
Taches Joues : Grade 1
Télangiectasies : Grade 2
Pores : Grade 1
Squames : Grade 1
Cernes : Grade 2
A titre d'exemple, le grade 1 correspond à une présence faible ou nulle tandis que le niveau 5 correspond à un maximum.
Les résultats stockés peuvent aussi comporter l'une au moins des images prises en considération. Degré d'intensité de couleur de peau
On peut noter que l'invention ne fait pas intervenir les notions classiques d'ethnie, telle que les ethnies caucasienne, asiatique, africaine, hispanique ou indienne ; en effet, elle ne fait intervenir, au moment des sélections de traitement, que la notion de degré d'intensité de couleur de peau.
Nous avons effectué des analyses de classification sur un panel de photographies. Il est apparu que, indépendamment des ethnies, on pouvait identifier des groupes globalement homogènes lorsqu'on retenait comme caractéristique l'intensité de la couleur de peau.
Cela a pu s'expliquer, et se justifier, avec différentes méthodes de classification (en anglais « clustering »). Dans l'exemple donné ici à la figure 5, qui représente graphiquement une analyse réalisée sur une base de données photographique de 470 photos de volontaires, nous avons utilisé l'analyse connue sous le nom de « Analyse en Composantes Principales » (ACP en abrégé). Il est à noter que nous aurions pu tout aussi bien utiliser d'autres méthodes de classification telles que, par exemple, celles connues sous les appellations anglo-saxonnes de « Non-negative Matrix Factorization (NMF) » ou « Independent Component Analysis (ICA) ».
Pour chacune de ces images on a mesuré les valeurs moyennes des composantes RGB (c'est-à-dire en rouge, vert et bleu) du visage et appliqué une ACP sur cette composante moyenne.. Les résultats de l'ACP sont présentés dans la figure 5 qui représente tous les points correspondant aux volontaires faisant l'objet des 470 photos, placés dans le repère formé par les deux premières composantes principales de l'ACP. Ces points ont été séparés arbitrairement en 5 régions (symbolisées par les 5 rectangles) en fixant 4 seuils sur les valeurs de la première composante principale. Ces résultats montrent nettement que la première composante principale est associée avec la nature claire ou foncée de la peau, indépendamment de l'ethnie. Par exemple, les volontaires hispaniques sont dispersées entre le premier rectangle (avec une valeur moyenne de la première composante de -0,3) et l'avant-dernier (avec une valeur moyenne de 0,25). Les résultats de l'ACP montrent très clairement que la première composante principale permet d'expliquer quasiment toute la variation de couleur de peau entre les volontaires : 98,7% de cette variation peut être modélisée par une variation de la valeur de cette composante. Par exemple la volontaire située en bas à droite de la Figure 5 a une valeur de cette composante supérieure à 0,5, alors que celle en bas à gauche a une valeur de l'ordre de -0,2. La variation entre -0,4 et 0,6 de la valeur de la première composante principale est donc capable de représenter les variations de couleur de peau de toutes les ethnies.
Il est ainsi justifié de fonder les choix sur la couleur de peau (plus précisément le degré d'intensité de couleur de peau) plutôt que sur la notion d'ethnie, ce qui permet une grande simplification des traitements, puisqu'il suffit de distinguer deux degrés d'intensité de couleur de peau. On peut obtenir le même type de résultats avec d'autres méthodes de classification et il est à noter que suivant la méthode utilisée il est possible d'avoir une séparation en autant de classes d'intensité de couleur de peau que l'on souhaite.
Choix du degré d'intensité de couleur de peau
La figure 6 représente l'histogramme des valeurs de la première composante principale pour les 470 volontaires. On note deux composantes dans cet histogramme, mises en valeurs par les lignes bombées en définissant l'enveloppe. Le seuil caractéristique séparant ces deux composantes peut être trouvé de façon automatique par un algorithme de binarisation d'histogramme simple (tel l'algorithme d'Otsu) : on trouve un seuil égal à So.
L'ACP permet de trouver un seuil avec une composante. On pourrait trouver n seuils pour avoir n+1 classes suivant la méthode de classification (« clustering ») utilisée.
Ainsi, si la valeur de la première composante principale pour une volontaire est supérieure à So, alors cette volontaire sera considérée comme ayant une peau foncée et elle sera considérée comme à peau claire dans le cas contraire. Degré d'intensité de couleur de peau pour un nouveau sujet
Supposons qu'une nouvelle image de sujet soit fournie, il reste à la classer dans l'un des deux groupes de peau.
Pour ce faire, l'Analyse en Composantes Principales n'est rien d'autre qu'un changement de base entre deux repères, dont le premier est (R,G,B) (mesuré) et le second (x,y,z) qui minimise la variance de l'ensemble final de points. Pour classer la nouvelle image, il suffit donc de comparer sa coordonnée xO dans le nouveau système d'axes avec le seuil déterminé pour le groupe test. Pour cela, on mesure les valeurs moyennes <R>, <G>, et <B> dans la nouvelle image. Une fois ces valeurs <R>, <G> et <B> obtenues, cela signifie que la nouvelle image est vue comme un point dans le référentiel (R,G,B). Il faut donc changer de base et ceci se fait naturellement en calcul matriciel avec la matrice de changement de base obtenue pour l'ensemble de test. Les coefficients de la transformation sont représentés sous forme d'une matrice, dont chaque colonne correspond à une composante. De manière connue en soi, ces colonnes sont classées en fonction de la composante principale la plus significative à la composante la moins significative. On sait en déduire les coordonnées du point dans le nouveau référentiel. Le point de coordonnées (x0,y0,z0) ainsi obtenues est le point représentatif de la nouvelle personne dans la base de composantes principales et c'est la valeur xO qui pourra être comparée au seuil So pour décider dans quelle groupe on classe la nouvelle volontaire. Si on est en dessous du seuil, il s'agira d'une peau claire, et si on est au dessus il s'agira d'une peau foncée.
Algorithmes de détection
Divers exemples sont donnés ci-dessous quant à la manière dont on peut, par le choix approprié d'algorithmes et/ou de leurs paramètres, caractériser les divers types de signes cutanés. a. Pores/Squames
Les algorithmes de détection des pores et des squames sont sensiblement les mêmes, même si la phase préliminaire de mise en évidence de ces caractéristiques à l'aide d'une opération morphologique diffère. Notons que l'on ne cherche pas ici à détecter de façon exhaustive les pores ou les squames présentes dans une zone, mais plutôt à en évaluer les zones de densité significative. En effet, on s'aperçoit qu'un comptage exhaustif requiert une détection avec un seuil très bas et donc l'apparition non négligeable de faux positifs ; or un tel comptage exhaustif n'est pas nécessaire dans les faits.
Algorithme général :
1 . Opération morphologique sur image en intensité ou RGB
2. Lissage de l'image résultat
3. Détection des pics lissés. On ne retient que les pics statistiquement significatifs.
Ces trois opérations forment l'ossature de l'algorithme, mais les détails d'implémentation de chaque étape peuvent changer (l'opération morphologique et le lissage peuvent différer ainsi que la manière de détecter les pics significatifs). Dans la suite, nous présentons un exemple d'implémentation.
Les pores sont des petites zones foncées disposées sur une région plus claire (peau). On peut donc les mettre en évidence en utilisant un « bottom-hat » (opération morphologique connue en soi sur une image en niveaux de gris).
Les squames sont des petites zones claires disposées sur une région plus foncée (peau). On peut donc les mettre en évidence en utilisant un « top-hat » (autre opération morphologique connue en soi sur une image en niveaux de gris). Le résultat de ce traitement est une image d'intensité où les squames apparaissent avec une intensité plus ou moins forte selon leur contraste sur l'image originale.
Algorithme
L'image issue du traitement morphologique (« bottom-hat » ou « top- hat ») présente un grand nombre de maxima locaux (ou de régions de maxima locaux, c'est à dire englobant les maxima non stricts). En effectuant un lissage gaussien on atténue le bruit et les pics associés aux structures recherchées deviennent ainsi plus réguliers. On effectue une détection de l'ensemble de ces maxima locaux à l'issue du lissage. On ne souhaite garder que ceux d'amplitude significative. On utilise un seuil choisi suffisamment bas afin de ne pas éliminer les structures peu contrastées. Parmi les maxima détectés, on regarde la décroissance lorsqu'on s'éloigne de la position maximale du pic. On utilise pour cela les lignes de niveau de l'image morphologique. Pour chaque maximum on regarde si la décroissance autour de ce maximum est régulière et significative (évolution des lignes de niveau concentriques). On ne retient que les structures dont les lignes de niveau valident un certain nombre de critères, à savoir :
• Un nombre de contours au moins égal à un seuil minimum prédéterminé,
• dont l'évolution d'un niveau au niveau inférieur est régulière. Cette régularité est mesurée à l'aide des paramètres suivants (comparaison de deux contours successifs):
o périmètres comparables (rapport des périmètres inférieur à un seuil prédéterminé)
o écart maximum entre les contours adjacents pas trop éloigné de l'écart moyen (cela implique un seuil d'écart également prédéterminé),
o formes des contours plutôt rondes (cela implique le choix de facteurs de forme, comparés au rapport de la surface entourée par un contour par son périmètre) Selon le choix de ces facteurs de forme, on admet des formes plus ou moins allongées pour les pores / squames.
Il est à noter que la détermination des seuils intervenant dans les quatre critères définit complètement la détection des pics et donc celle des pores / squames.
Pour une zone de joue donnée, la structure est segmentée en utilisant le dernier contour valide, c'est à dire celui de niveau le plus faible. Le résultat final associé à la détection de pores sur une zone de joue prise à titre d'exemple est visualisé sur la figure 7. A titre d'exemple, on fixe 15 niveaux uniformément répartis entre un niveau minimum et un niveau maximum, sachant que les images morphologiques ne sont pas normalisées et que le niveau maximum correspond avantageusement au niveau observé sur des images avec des motifs bien mis en évidence. Le nombre de ces niveaux et les niveaux minimum et maximum sont à adapter aux images résultats des prises de vue.
Paramètres
Les différents paramètres de l'algorithme sont ainsi, par exemple, les suivants :
Définition du paramètre
Taille de l'élément structurant pour la
transformation morphologique
Nombre minimal de contours retenus autour d'un maximum local
Seuil maximal de comparaison des
périmètres pour 2 contours successifs
Rapport de l'écart maximum entre deux
contours consécutifs et leur écart moyen
Forme d'un contour plutôt ronde : valeur de
S/PA2 avec S = surface et P = périmètre
b. Cernes
Les cernes sont un signe cosmétologique extrêmement répandu : elles sont le résultat des variations colorées de la peau, formant des régions de couleur plus ou moins prononcées sous les paupières inférieures.
Il existe une variabilité intra-ethnique importante relative à la couleur de peau des volontaires. Ceci rendu utile de développer deux algorithmes distincts de détection des cernes, en fonction de la couleur de peau (voir ci- dessus) des volontaires ; ces deux algorithmes sont exposés ci-dessous à titre d'exemple.
Algorithme « Peaux Claires » (ou PC) Une fois que la volontaire a été classée en peau claire, la première étape de l'algorithme de détection des cernes consiste en la transformation de l'image de l'espace de couleur RGB vers l'espace L*a*b. En effet, les deux bandes L et a sont celles qui vont être utilisées pour segmenter l'image en zones de cernes et zones sans cerne. Une segmentation colorimétrique est effectuée qui sépare les zones autour des yeux en différentes zones de couleur homogène. Une fois cette image segmentée obtenue, on définit quelles régions correspondent à un cerne et on nettoie ces zones (essentiellement par des transformations morphologiques comme érosions/dilatations). La zone finale du cerne est ensuite déduite et les descripteurs finaux mesurés sur cette zone (surface, intensité moyenne dans différentes bandes, intensité relative rapportée à l'intensité de la peau sans cerne,...).
Les diverses étapes sont ainsi par exemple :
définitions des zones à traiter (ce qui peut être fait au moyen d'un modèle morphologique),
segmentation des zones ainsi sélectionnées,
nettoyage de ces zones, typiquement par dilatation, érosion et élimination de la zone de la pupille et de l'ombre du nez, puis restitution du résultat sous la forme par exemple d'une image faisant ressortir les contours du cerne (voir la figure 8).
Algorithme « Peaux Foncées » (ou PF)
De même que pour les peaux claires, on travaille dans l'espace de couleur L*a*b. En revanche, la segmentation colorimétrique est faite sur la bande "b" du système L*a*b. Ensuite, l'algorithme est le même que celui pour les peaux claires. c. Taches On comprend que la notion de taches peut différer selon le degré d'intensité de couleur de peau (taches foncées sur une peau claire, taches claires sur une peau foncée, etc.).
L'algorithme de détection des taches utilise la bande b, après transformation de l'image RGB en L*a*b. Une transformation morphologique de l'image en bande b lissée (ouverture) et un rehaussement de contraste permettent d'obtenir l'image initiale de travail. Sur la zone que l'on traite, on divise l'image en plusieurs carrés (de taille différente en fonction de la zone étudiée) afin de s'affranchir de la non-uniformité de l'illumination. Dans chacune de ces zones carrées, un premier seuillage en bande b ne garde que les pixels ayant des grandes valeurs de b : en pratique, on détermine un seuil en b en dessous duquel se trouve un pourcentage donné des pixels. Les pixels ayant une valeur de b au dessus du seuil sont considérés comme faisant partie d'une tache, les autres exclus des taches. Après avoir parcouru tous les carrés, on obtient une image binaire de la zone étudiée (1 pour les pixels inclus dans une tache (avant nettoyage) et 0 pour ce qui n'est pas considéré comme étant une tache). Cette image nous permet d'obtenir une première détection de toutes les taches de la zone. On étiquette toutes les taches et on élimine les taches trop petites. Enfin, les propriétés statistiques de chaque tache de la zone sont comparées aux propriétés statistiques de la peau sans tache (pixels ayant été marqués 0 lors du premier seuillage) afin de valider la détection de chacune des taches. On compare en particulier la valeur moyenne et l'écart-type de chaque tache avec celles de la peau, ce qui nous permet de rejeter statistiquement les taches ayant une trop grande proximité avec la peau. D'autres critères statistiques peuvent être utilisés pour affiner la détection. d. Télanqiectasies
La télangiectasie désigne une dilatation vasculaire anormale par sa taille et par sa permanence. Elle est rouge, non pulsatile et forme un trait fin, tortueux, souvent en arborisation ou en réseau et est le plus souvent localisée, en particulier au visage. On comprend que ce type de signe cutané peut ne pas exister ou ne pas être détectable sur des peaux foncées.
L'algorithme de détection des télangiectasies est comparable à celui de détection des taches, mais l'image de départ est l'image en bande a, après passage de RGB en L*a*b. De plus, les seuils séparant pixels inclus dans des télangiectasies des pixels de la peau sont différents, de même que la transformation morphologique permettant d'obtenir l'image de travail. Enfin, la zone de détection n'est pas découpée en carrés, car les zones présentant des télangiectasies ont moins de problèmes d'uniformité de l'illumination. Une transformation morphologique de l'image en bande a lissée (tophat) et un rehaussement de contraste permettent d'obtenir l'image initiale de travail. Sur la zone que l'on traite, un premier seuillage en bande a ne garde que les pixels ayant des grandes valeurs de a : en pratique, on détermine un seuil en a en dessous duquel se trouve un pourcentage donné des pixels. Les pixels ayant une valeur de a au dessus du seuil sont considérés comme faisant partie d'une télangiectasie, les autres exclus. On obtient une image binaire de la zone étudiée (1 pour les pixels inclus dans une télangiectasie (avant nettoyage) et 0 pour ce qui est considéré comme étant de la peau). Cette image nous permet d'obtenir une première détection de toutes les télangiectasies de la zone. On étiquette toutes les télangiectasies et on élimine celles qui sont trop petites. Enfin, les propriétés statistiques de chaque télangiectasie de la zone sont comparées aux propriétés statistiques de la peau (pixels ayant été marqués 0 lors du premier seuillage) afin de valider la détection de chacune des télangiectasies. On compare en particulier la valeur moyenne et l'écart-type de chaque télangiectasie avec celles de la peau, ce qui nous permet de rejeter statistiquement les télangiectasies ayant une trop grande proximité avec la peau. D'autres critères statistiques peuvent être utilisés pour affiner la détection. e. Rides
Les types de rides concernées sont notamment les suivantes : • les rides d'expression du front
• les rides du lion
• les rides de la patte d'oie
• les rides sous les yeux
• le sillon nasogénien
• les rides du contour des lèvres
• les rides du coin de la bouche
Algorithme
A titre d'exemple, pour détecter ces signes, les algorithmes utilisés sont principalement basés sur les « curvelets » (voir : Candès E, et Donoho D., « Curvelets A surprisingly effective nonadaptative représentation for objects with edges, curves and surfaces », Curves and Surfaces 1999). Ces derniers constituent une version spécialisée de la famille des ondelettes anisotropes qui sont très bien adaptées à la représentation des discontinuités le long des contours.
Les paramètres utilisés pour les curvelets, ainsi que les seuils pour l'extraction des rides sont fonction de la taille (grossière ou fine) de la ride à détecter. Un post traitement est ensuite généralement utile suivant l'orientation de la ride, pour l'isoler des structures moins intéressantes.
Tous les algorithmes de détection des rides peuvent suivre le même schéma explicité ci-dessous :
• Calculer la transformée en curvelets sur l'image à traiter I.
• débruiter l'image I en seuillant les images dans l'espace des curvelets, avec un paramètre approprié à chaque type de ride (écart- type du bruit sigma). On obtient l'image une image « le ».
• Appliquer un traitement morphologique (top hat ou bottom hat selon l'image utilisée au départ) pour mettre en évidence les contours d'intérêt. On obtient l'image « lem ».
• Seuiller l'image lem, pour produire une image binaire ne contenant que les structures précédemment mises en évidence. La valeur du seuil varie en fonction du type de rides à détecter, et est du type moyenne(lcm) + k * écart-type(lcm). Soit « lems » l'image seuillée. • On applique ensuite un post-traitement pour éliminer les éléments de l'image Icms qui ne correspondent pas au type de rides recherché. Les critères de sélection regroupent, entre autres, la taille, l'orientation et la forme. Les structures restantes sont considérées comme les rides et leurs descripteurs sont donc calculés. La nature des descripteurs dépend du type de rides mais peuvent aller de la taille, la longueur ou l'intensité moyenne.
L'algorithme général résumé ci-dessus est à adapter à chaque type de ride. Les paramètres d'adaptation sont les suivants :
• l'image I sur laquelle la transformée en curvelet et les opérations suivantes sont effectuées (par exemple : image L, image b,...)
• L'opération morphologique effectuée avant seuillage sur l'image I transformée
• La taille de l'élément structurant de cette opération morphologique
• sigma (paramètre du débruitage en curvelet)
• k (paramètre donnant la valeur du seuil pour seuillage final).
Algorithmes de classification
En général, le choix de la méthode de classification dépend des données dont on dispose. Dans notre cas, puisque nous disposons des images et des grades associés, il est donc plus intéressant de faire usage de méthodes de classification supervisées. La méthodologie de classification présentée ici à titre d'exemple repose ainsi sur 2 piliers :
1 . Extraction des descripteurs des images
Les descripteurs, encore appelés caractéristiques ou paramètres, sont un ensemble de mesures obtenues à partir de l'image, et qui permettent de la décrire ou de la caractériser. Ils décrivent le contenu de l'image et permettent donc de l'identifier. 2. Classifications supervisées
Ces dernières ont pour stratégie d'utiliser un ensemble d'échantillons (dit d'apprentissage) pour apprendre les paramètres de classification (et construire un modèle), et les tester sur un autre ensemble (dit de test) permettant de définir la qualité de la classification. C'est la phase de prédiction, qui consiste à utiliser le modèle construit pour attribuer une classe à une nouvelle image.
A titre d'exemple, nous montrons ci-dessous l'application de la méthode de classification SVM (Machines à vecteurs de support), qui repose sur un critère de maximisation de la marge de séparation entre les classes, sur les descripteurs tirés d'images de rides du lion. Le type de descripteurs utilisés est important car le succès des opérations ultérieures dépend de cette information extraite de l'image.
Identification et extraction des descripteurs dans le cas des rides du lion
Les critères dont nous avons besoin pour classifier les rides du lion, par exemple, ne sont pas forcément les mêmes que ceux que nous utiliserons pour les taches. En outre, pour chaque critère, les descripteurs doivent être assez pertinents pour qu'on puisse reconnaître toutes les images d'un même grade, et en même temps assez discriminants pour qu'il n'y ait pas de confusions avec les autres classes.
En pratique, sur les rides du lion on constate que suivant les grades, le nombre de rides varie, de même que la longueur et l'épaisseur de ces rides. On peut donc en déduire que ces caractéristiques devront être prises en compte pour espérer pouvoir séparer les différents grades des rides du lion
Dans la présente étude, on a donc principalement utilisé des descripteurs spectraux (niveaux de gris de différentes bandes spectrales, histogrammes) et géométriques (mesures de forme). Un récapitulatif des descripteurs extraits pour les rides du lion est donné ci-dessous :
- nombre de rides,
- épaisseurs des deux plus longues rides, - longueurs des deux plus longues rides.
Sélection des descripteurs
Après la procédure d'extraction des descripteurs, l'image est donc représentée comme un ensemble de ces caractéristiques. Ces dernières sont souvent combinées ou concaténées pour améliorer les performances de la classification. Il est important de prendre en compte la dimensionnalité des données, c'est-à-dire le nombre de caractéristiques, ce dernier pouvant influencer de manière significative les résultats de classification. En effet, la performance des classificateurs n'augmente pas indéfiniment avec la taille du vecteur des descripteurs. Par ailleurs la complexité de la classification, en termes de temps de calcul, augmente avec la taille du vecteur de caractéristiques. Il est donc intéressant de limiter le nombre de descripteurs effectifs au nombre "optimal", en sélectionnant les descripteurs les plus pertinents. Cette sélection des descripteurs peut être opérée de plusieurs manières, suivant la méthode de classification utilisée. Par exemple, la sélection d'un sous-ensemble pertinent à partir d'un ensemble de descripteurs s'effectue en calculant un score pour chaque descripteur, en fonction des valeurs de ces descripteurs, et du nombre d'exemples positifs et négatifs. On obtient ainsi un ordonnancement des descripteurs, ce qui permet de ne garder que les n premiers descripteurs qui donnent les meilleures performances lors de l'évaluation du modèle généré pendant la phase d'apprentissage.
Longueurs d'onde de prise d'images
A la plupart des signes, on peut associer une bande spectrale dans laquelle ce signe a un rapport signal-sur-bruit maximal.
Les longueurs d'ondes indiquées dans le tableau suivant sont celles dans lesquelles un critère est le plus visible (on peut voir ce critère en dehors de ces bandes mais son contraste est beaucoup plus faible). Exemples de Peaux Claires Peaux Foncées
Critères L Min L Max L Choisie L Min L Max L Choisie
Cernes 546 576 570 576 648 620
494 508 500 558 658 620
Lentigines
Ephelides 494 590 570 558 630 620
Télangiectasies 546 594 570
Rides 488 498 500 560 630 620
On peut noter que la longueur d'onde de 570 microns pourrait également convenir pour les peaux foncées, à la place de la fréquence de 620 microns (elle serait à peine inférieure au seuil mini pour les cernes, mais serait bien située dans les plages des autres défauts) ; il en découle que, en se limitant à à peine deux longueurs d'onde à de l'ordre de 500 microns et 570 microns, il est possible de détecter les types de signes cutanés précités. Toutefois, en variante, on peut combiner les fréquences de 620 microns et de 570 microns pour les peaux foncées et traiter celles des images qui permettent un contraste optimal ; c'est ainsi que, de manière avantageuse, il y a au moins trois longueurs d'onde, ici de 500, 570 et 620 microns.
Les taches (dont les lentigines et les éphélides sont des exemples) sont tracées principalement par l'absorption de la mélanine (exponentielle décroissante dominante vers 500nm pour les peaux claires). En revanche, pour les peaux foncées, la présence massive de mélanine dans toute la peau ainsi que la dégradation du signal sur bruit vers 500nm déplace les bandes de visibilité des taches vers 560-630nm.
Les cernes sont très visibles autour des pics de l'hémoglobine. Ceci peut sans doute s'expliquer par la finesse de la peau au niveau des cernes, et donc une meilleure absorption des vaisseaux sanguins.
Il est rappelé qu'un chromophore est une molécule qui absorbe de l'énergie électromagnétique à une longueur d'onde donnée, avec un rendement caractéristique donné par le coefficient d'extinction de la molécule. Par exemple, le carotène est le chromophore qui donne leur couleur à de nombreux fruits (comme les carottes), cette molécule absorbe en effet les longueurs d'ondes dans la gamme bleue du spectre visible et ne renvoie donc que la couleur complémentaire (orange et rouge). La mélanine et les hémoglobines sont les chromophores les plus importants pour la compréhension du fonctionnement de la peau.
La mélanine de la peau est le chromophore dominant de l'épiderme. Il existe deux types de pigments de mélanine : l'eumélanine et la phéomélanine.
L'hémoglobine est un chromophore rouge que l'on trouve essentiellement dans les globules rouges. Quand l'hémoglobine contient de l'oxygène, on parle d'oxyhémoglobine. Dans le cas contraire on parle de déoxyhémoglobine. En première approximation, l'épiderme peut être vu comme une couche de mélanine et le derme comme une couche d'hémoglobine.
Par conséquent, la couleur de la peau va dépendre de la variation des quantités d'hémoglobine et de mélanine.
L'oxyhémoglobine et la déoxyhémoglobine possèdent des pics d'absorption qui leur sont caractéristiques, et on observe des maxima d'absorption pour l'oxyhémoglobine et la déoxyhémoglobine autour de 430 nm et 550 nm dans le spectre visible.
A titre d'exemple, un système de mise en œuvre de l'invention (tel que celui de la figure 2 ou 3) comporte :
* un dispositif de capture d'image comportant
Un capteur de 5 Mpixel au moins
Une focale fixe sans autofocus
* des LED ayant les longueurs d'onde suivantes
· . λ~500 nm, c'est-à-dire une teinte bleue-verte,
· . λ -570 nm, c'est-à-dire une teinte jaune orangée,
· . λ -620 nm, c'est-à-dire une teinte rouge
· . Une LED blanche, par exemple de type "blanc chaud".
On notera que, dans ce qui précède, plusieurs points originaux en soi peuvent être identifiés comme suit :
• Pré-classification automatique des visages selon deux critères :
Les algorithmes sont adaptés à différentes couleurs de peau (soit via des algorithmes différents, soit via les mêmes algorithmes qui prennent en entrée des images différentes, soit via des algorithmes qui ont des paramètres différents pour des couleurs de peau différentes). Grâce à l'invention, on dispose d'une méthode qui permet d'acquérir une image d'un nouveau sujet et de choisir automatiquement l'algorithme sans aucune intervention d'un opérateur : on la classe de façon automatique grâce aux résultats de l'ACP pour la couleur de peau et donc le choix de l'algorithme ou des paramètres à utiliser est aussi automatique.
Les critères utilisés pour la pré-classification sont : o couleur de peau (principalement) : Une étude utilisant une ACP (Analyse en composantes principales) a été effectuée sur des zones de joues de 470 images de la base de données photographiques et a permis de dégager un seuil séparant les peaux claires des peaux foncées.
o Morphotype (subsidiairement) : une indexation (c'est-à-dire le fait de mesurer les points caractéristiques d'un visage ; l'indexation peut être manuelle, ou de préférence automatique) de la majorité des images de la base de données a été effectuée. Les informations contenues dans cette indexation permettent de classifier les visages en fonction de leur morphotype et donc de pouvoir dégager facilement les zones caractéristiques du visage (front, nez, yeux, bouche, menton, oreilles,...), ce qui peut contribuer à faciliter le traitement automatique.
Le fait d'utiliser principalement le premier de ces critères, éventuellement en combinaison avec le second, pour pré-classifier les visages et les traiter automatiquement avec des algorithmes différents apporte des avantages tout à fait significatifs. Curvelets pour la détection des rides : utilisation des curvelets pour détecter les rides : généralisation des ondelettes, elles utilisent des fonctions de base possédant une localisation spatiale, une échelle (comme les ondelettes) mais aussi une direction. Ceci leur confère une grande sensibilité pour détecter des structures longues et peu épaisses et permettent de ne choisir que les structures ayant une direction donnée (intéressant pour les rides du front qui sont horizontales, par exemple ou pour la plupart des rides qui ont une direction donnée).
• Utilisation de SVM pour la classification en grades : Utilisation de méthodes de type SVM (support vector machines) pour la classification en grades après extraction des descripteurs. Ces méthodes, nécessitant un apprentissage, permettent de classifier de façon probabiliste les descripteurs dérivés de la détection. Il ne nous semble pas qu'elles aient été utilisées encore pour discriminer des grades cutanés.
• Application d'une stratégie d'acquisition différentielle d'images :
pour éviter les problèmes dus à un environnement lumineux non contrôlé, on applique cette stratégie qui consiste en la prise de deux images consécutives, l'une éclairée avec l'éclairage ambiant et l'autre avec l'éclairage ambiant et un éclairage contrôlé. Puis on soustrait la seconde à la première et on obtient une image en environnement lumineux contrôlé.
• Plus généralement l'invention propose aussi une association de matériels et de logiciels pour effectuer une tache pour la cosmétologie, en mettant en œuvre un appareil qui acquiert des images de façon différentielle en éclairant, au moment voulu, le visage à traiter et qui, de façon automatique, calcule des grades pour certains signes cutanés en utilisant des algorithmes dont les paramètres sont sélectionnés automatiquement suivant le type de peau du visage, ce qui apporte des avantages significatifs.

Claims

REVENDICATIONS
1 . Procédé de détection et de quantification de signes cutanés sur une zone de peau, selon lequel :
* on identifie pour une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés et une pluralité de types de signes cutanés, une pluralité de longueurs d'onde choisies en sorte que, à chaque combinaison d'un type quelconque de signe de peau et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau,
* on prend des images d'une zone choisie du visage à chacune de cette pluralité de longueurs d'onde,
* on identifie à partir de ces images le degré d'intensité de couleur de peau correspondant à la personne concernée,
* on sélectionne, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter,
* on traite au moins cette image sélectionnée, à l'aide d'un algorithme et de paramètres principalement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes dudit type que l'on cherche à détecter.
2. Procédé selon la revendication 1 , caractérisé en ce que la pluralité de longueurs d'onde comporte des longueurs d'onde de l'ordre de 500 nm et 570nm.
3. Procédé selon la revendication 1 ou la revendication 2, caractérisé en ce que cette pluralité de longueurs d'onde est au plus égale à trois.
4. Procédé selon la revendication 2 ou la revendication 3, caractérisé en ce que la pluralité de longueurs d'onde comporte en outre une longueur d'onde à de l'ordre de 620 nm.
5. Procédé selon l'une quelconque des revendications 1 à 4, caractérisé en ce que la pluralité de types de signes cutanés comporte des rides, des cernes et des irrégularités pigmentaires.
6. Procédé selon l'une quelconque des revendications 1 à 5, caractérisé en ce que, pour l'un au moins des degrés d'intensité de peau, on choisit deux longueurs d'onde pour un même type de signe cutané.
7. Procédé selon l'une quelconque des revendications 1 à 6, caractérisé en ce que la pluralité de longueurs d'onde est constituée de trois longueurs d'onde et la pluralité de degrés d'intensité de couleur de peau est constituée de deux degrés, à savoir les peaux claires et les peaux foncées.
8. Procédé selon la revendication 7, caractérisé en ce que l'on affecte au plus deux longueurs d'onde pour les types de signes cutanés pour les peaux claires, et au plus deux longueurs d'onde pour les types de signes cutanés pour les peaux foncées.
9. Procédé selon l'une quelconque des revendications 1 à 8, caractérisé en ce que les images sont prises par différence entre une première image brute prise avec un éclairage ambiant donné augmenté d'un éclairage spécifique à la longueur donnée et une seconde image brute d'une même zone de peau prise avec cet éclairage ambiant donné seulement.
10. Procédé selon l'une quelconque des revendications 1 à 9, caractérisé en ce que l'on capture une pluralité d'images pour une même longueur d'onde, à des niveaux croissants de puissance d'éclairage, et on sélectionne l'image obtenue avec le plus haut niveau de puissance sans présenter de saturation.
1 1 . Dispositif de détection et de quantification de signes cutanés sur des zones de peau, comportant :
* un dispositif de capture d'image, adapté à capturer une image d'une zone de peau placée en un emplacement donné,
* un dispositif d'illumination, adapté à illuminer une zone de peau placée dans l'emplacement donné,
* un dispositif de traitement, * des interfaces entre ce dispositif de capture, ce dispositif d'illumination et ce dispositif de traitement, tels que le dispositif de traitement traite des images capturées par le dispositif de capture d'image sous des éclairages déterminés par le dispositif d'illumination,
ce dispositif de traitement :
contenant des données d'identification pour une pluralité d'au moins deux degrés d'intensité de couleur de peau prédéterminés et une pluralité de types de signes cutanés, d'une pluralité de longueurs d'onde choisies en sorte que, à chaque combinaison d'un type quelconque de signe de peau et d'un degré quelconque d'intensité de couleur de peau, l'une des longueurs d'onde de la pluralité permet la détection par contraste d'un tel type de signe sur la peau d'une personne ayant un tel degré d'intensité de couleur de peau,
étant conçu en sorte de prendre, en coopération avec le dispositif de capture et le dispositif d'illumination, des images de la zone de peau choisie auxdites longueurs d'onde de ladite pluralité et
étant conçu en sorte d'identifier dans des images capturées par le dispositif de capture d'image à l'une ou l'autre des longueurs d'onde le degré d'intensité de couleur de peau correspondant à la personne concernée, de sélectionner, en fonction de ce degré d'intensité de couleur de peau, celle des images précitées qui correspond à la combinaison de ce degré d'intensité de couleur de peau avec un type de signe que l'on cherche à détecter, et de traiter au moins cette image sélectionnée, à l'aide d'un algorithme et de paramètres principalement choisis en fonction du degré d'intensité de couleur de peau, en sorte de détecter des signes dudit type que l'on cherche à détecter.
12. Dispositif selon la revendication 1 1 , caractérisé en ce que le dispositif d'illumination comporte une pluralité de sources lumineuses disposées autour du dispositif de capture d'image ayant l'une ou l'autre des longueurs d'onde choisies.
13. Dispositif selon la revendication 12, caractérisé en ce que la pluralité de sources lumineuses est disposée sur une surface courbe concave dont la concavité est tournée vers ledit emplacement.
14. Dispositif selon l'une quelconque des revendications 1 1 à 13, caractérisé en ce que le dispositif d'illumination comporte une pluralité de sources lumineuses élémentaires ayant des longueurs d'onde de l'ordre de 500, 570 et 620 microns.
PCT/FR2011/051493 2010-07-02 2011-06-28 Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau WO2012001289A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013517451A JP2013534851A (ja) 2010-07-02 2011-06-28 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

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1055376A FR2962025B1 (fr) 2010-07-02 2010-07-02 Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau
FR1055376 2010-07-02

Publications (1)

Publication Number Publication Date
WO2012001289A1 true WO2012001289A1 (fr) 2012-01-05

Family

ID=43500276

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2011/051493 WO2012001289A1 (fr) 2010-07-02 2011-06-28 Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau

Country Status (3)

Country Link
JP (1) JP2013534851A (fr)
FR (1) FR2962025B1 (fr)
WO (1) WO2012001289A1 (fr)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130245459A1 (en) * 2012-03-15 2013-09-19 Access Business Group International Llc Quantification of Under-Eye Skin Color
FR2995777A1 (fr) * 2012-09-26 2014-03-28 Lvmh Rech Methode de caracterisation des volumes de la peau
WO2015015793A1 (fr) * 2013-07-31 2015-02-05 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ Procédé d'analyse de peau, dispositif d'analyse de peau, et procédé de commande de dispositif d'analyse de peau

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6459410B2 (ja) * 2014-11-07 2019-01-30 カシオ計算機株式会社 診断装置並びに当該診断装置における画像処理方法及びそのプログラム
JP7040889B2 (ja) * 2016-06-02 2022-03-23 ポーラ化成工業株式会社 肌状態の鑑別のための画像解析方法
JP6319370B2 (ja) * 2016-06-23 2018-05-09 カシオ計算機株式会社 診断装置並びに当該診断装置における画像処理方法及びそのプログラム
JP6519703B2 (ja) * 2018-08-06 2019-05-29 カシオ計算機株式会社 画像処理方法、診断装置、並びにプログラム
CN111814520A (zh) * 2019-04-12 2020-10-23 虹软科技股份有限公司 肤质检测方法、肤质等级分类方法及肤质检测装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040218810A1 (en) 2003-04-29 2004-11-04 Inforward, Inc. Methods and systems for computer analysis of skin image
US20080103373A1 (en) * 2002-04-04 2008-05-01 Nathaniel Matter Method and Apparatus to Compensate for Melanin and Hemoglobin Variation in Determination of a Measure of a Glycation End-Product or Disease State Using Tissue Fluorescence
US20090201365A1 (en) 2004-10-22 2009-08-13 Masakazu Fukuoka Skin Condition Diagnosis System And Counseling System For Beauty
US20090245603A1 (en) * 2007-01-05 2009-10-01 Djuro Koruga System and method for analysis of light-matter interaction based on spectral convolution

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080103373A1 (en) * 2002-04-04 2008-05-01 Nathaniel Matter Method and Apparatus to Compensate for Melanin and Hemoglobin Variation in Determination of a Measure of a Glycation End-Product or Disease State Using Tissue Fluorescence
US20040218810A1 (en) 2003-04-29 2004-11-04 Inforward, Inc. Methods and systems for computer analysis of skin image
US20090201365A1 (en) 2004-10-22 2009-08-13 Masakazu Fukuoka Skin Condition Diagnosis System And Counseling System For Beauty
US20090245603A1 (en) * 2007-01-05 2009-10-01 Djuro Koruga System and method for analysis of light-matter interaction based on spectral convolution

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CANDÈS E, DONOHO D.: "Curvelets A surprisingly effective nonadaptative representation for objects with edges, curves and surfaces", CURVES AND SURFACES, 1999

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130245459A1 (en) * 2012-03-15 2013-09-19 Access Business Group International Llc Quantification of Under-Eye Skin Color
US9668653B2 (en) * 2012-03-15 2017-06-06 Access Business Group International Llc, A Michigan Limited Liability Company Quantification of under-eye skin color
FR2995777A1 (fr) * 2012-09-26 2014-03-28 Lvmh Rech Methode de caracterisation des volumes de la peau
WO2014049271A1 (fr) * 2012-09-26 2014-04-03 Lvmh Recherche Methode de caracterisation des volumes de la peau
US9449400B2 (en) 2012-09-26 2016-09-20 Lvmh Recherche Method for characterising volumes of skin
WO2015015793A1 (fr) * 2013-07-31 2015-02-05 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ Procédé d'analyse de peau, dispositif d'analyse de peau, et procédé de commande de dispositif d'analyse de peau
CN105407799A (zh) * 2013-07-31 2016-03-16 松下电器（美国）知识产权公司 皮肤分析方法、皮肤分析装置以及皮肤分析装置的控制方法
JPWO2015015793A1 (ja) * 2013-07-31 2017-03-02 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 肌分析方法、肌分析装置および肌分析装置の制御方法
US9875394B2 (en) 2013-07-31 2018-01-23 Panasonic Intellectual Property Corporation Of America Skin analysis method, skin analysis device, and method for controlling skin analysis device

Also Published As

Publication number Publication date
FR2962025A1 (fr) 2012-01-06
JP2013534851A (ja) 2013-09-09
FR2962025B1 (fr) 2013-04-12

Similar Documents

Publication Publication Date Title
WO2013098512A1 (fr) Procédé et dispositif de détection et de quantification de signes cutanés sur une zone de peau
WO2012001289A1 (fr) Procede et dispositif de detection et de quantification de signes cutanes sur une zone de peau
US9317761B2 (en) Method and an apparatus for determining vein patterns from a colour image
EP1932118B2 (fr) Procede et appareil de caracterisation des imperfections de la peau et procede d&#39;appreciation de l&#39;effet anti-vieillissement d&#39;un produit cosmetique
Lu et al. Detection of surface and subsurface defects of apples using structured-illumination reflectance imaging with machine learning algorithms
EP2901370B1 (fr) Procédé de détection d&#39;un vrai visage
Iqbal et al. Recent trends and advances in fundus image analysis: A review
CA2778682A1 (fr) Procede et dispositif d&#39;analyse d&#39;images hyper-spectrales
EP3044729B1 (fr) Procédé de validation destiné à valider qu&#39;un élément est recouvert d&#39;une vraie peau
EP3413233A1 (fr) Procede de detection d&#39;une fausse empreinte
Uzair et al. Is spectral reflectance of the face a reliable biometric?
EP3401837B1 (fr) Dispositif de capture d&#39;empreintes
FR3053500B1 (fr) Procede de detection de fraude d&#39;un systeme de reconnaissance d&#39;iris
CA3095089A1 (fr) Methode de detection de cellules presentant au moins une anomalie dans un echantilllon cytologique
EP3726423A1 (fr) Dispositif et procédé d&#39;acquisition et de traitement biométrique
EP3428841B1 (fr) Procédé de détection de fraude lors d`une reconnaissance d&#39;iris
WO2011141769A1 (fr) Procédé d&#39;évaluation d&#39;une caractéristique de la typologie corporelle
Borkar et al. IRIS Recognition System
CA3181954A1 (fr) Systeme intelligent permettant un test de peau puis une formulation et une fabrication de cosmetique sur mesure
EP3934516A1 (fr) Dispositif et procédé d&#39;évaluation qualitative des greffons hépatiques
Roy et al. A brief survey on multispectral iris recognition
CA3207705A1 (fr) Dispositif et procede de traitement de donnees videos pour detection du vivant
Sharma et al. SKIN TEXTURE RECOGNITION THROUGH IMAGE PROCESSING.
FR3135556A1 (fr) Détection et visualisation de signes cutanés au moyen d’une carte thermique
FR3132145A1 (fr) Procédé de détection automatisée d’un élément biologique dans un échantillon de tissu

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11741256

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2013517451

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 11741256

Country of ref document: EP

Kind code of ref document: A1