logo资料库

一种黑头识别处理方法及系统.pdf

发布时间：2022-06-19 发布人：admin 分类：说明书 资料大小：0.61M 资料格式：pdf 举报 版权申诉
第1页 / 共13页
第2页 / 共13页
第3页 / 共13页
第4页 / 共13页
第5页 / 共13页
第6页 / 共13页
第7页 / 共13页
第8页 / 共13页
资料共13页，剩余部分请下载后查看
    BIB
    BIB00001
    CLA
    CLA00002
    CLA00003
    DES
    DES00004
    DES00005
    DES00006
    DES00007
    DES00008
    DES00009
    DRA
    DRA00010
    DRA00011
    DRA00012
    DRA00013
    (19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910801021.6(22)申请日 2019.08.28(71)申请人 上海复硕正态企业管理咨询有限公司地址 200040 上海市静安区灵石路697号15幢220室(72)发明人 蒋艳雯　金刚　(51)Int.Cl.G06T 7/00(2017.01)G06T 7/62(2017.01)G06T 7/73(2017.01)G06T 7/11(2017.01)G06T 7/187(2017.01) (54)发明名称一种黑头识别处理方法及系统(57)摘要本发明公开了一种黑头识别处理方法及系统，其采用人脸识别方法，定位鼻头位置，采用特征点检测算法，对彩色图像处理为二值图像，并通过轮廓跟踪算法，得到封闭域，根据黑头的几何特征及颜色特征，确定黑头参数。本申请实现了对黑头的定量分析，统一了对图像中黑头的评判标准，剔除掉不属于黑头特征的信息，提高数据的可信度；通过对不同人群的批量数据处理，高效、快捷地整理、识别海量数字图像，减少了重复的人工成本，提高了效率。权利要求书2页 说明书6页 附图4页CN 110533648 A2019.12.03CN 110533648 A
    1.一种黑头识别处理方法，其特征在于：包括以下步骤：S1、读取人脸彩色图像，获得鼻头截取区域图像；S2、对截取区域图像进行增强处理，找出颜色相对深的黑色封闭域，并剔除无关信息，获得黑头信息；S3、计算黑头数量、黑头面积的统计数据，保存数据；S4、在截取区域图像中，圈出黑头位置，使黑头可见,保存图像。2.根据权利要求1所述的黑头识别处理方法，其特征在于：步骤S1中，读取人脸彩色图像，获得鼻头截取区域图像，包括以下步骤：A1、读取人脸彩色图像；A2、对彩色图像进行灰度处理，得到灰度图；A3、调用模型识别；A4、限制条件特征，确定鼻头坐标；A5、根据坐标，圈出鼻头及鼻头周围图像；A6、获得截取区域图像。3.根据权利要求1所述的黑头识别处理方法，其特征在于：步骤S2中，对面部区域图像进行增强处理，将彩色图像转换为LAB颜色空间，取L通道，将面部区域图像转换为单通道图像。4.根据权利要求1所述的黑头识别处理方法，其特征在于：步骤S2中，采用局部极值算法，获取黑头信息，包括以下步骤：B1、设定阈值范围与阈值步长，用一系列连续的阈值将单通道图像转换为二值图像的集合；B2、采用Suzuki轮廓跟踪算法，检测每一幅二值图像的边界，提取出每一幅二值图像的连通区域，由边界所围成的不同的连通区域就是该二值图像的斑点；B3、根据所有二值图像斑点的中心坐标对二值图像斑点进行分类，属于同一类的所有二值图像斑点最终形成灰度图像的斑点；B4、确定灰度图像斑点的信息，包括位置、面积、斑点凸度、斑点圆度、惯性率；B5、连通区域的面积大于等于第一设定值而小于等于第二设定值之间的斑点即为黑头，剔除连通区域的面积小于第一设定值或大于第二设定值的斑点。5.根据权利要求4所述的黑头识别处理方法，其特征在于：步骤B2中，Suzuki轮廓跟踪算法，包括以下步骤：C1、按照从上到下，从左到右的顺序扫描图像，寻找没有标记跟踪结束记号的第一个边界起始点P0，P0是具有最小行和列值的边界点；C2、定义一个扫描方向变量dir,该变量用于记录扫描图像中沿着前一个边界点到当前边界点的移动方向；C3、按逆时针方向在M×M邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点Pn,同时更新变量dir为新的方向值；C4、当Pn等于第二个边界点P1且前一个边界点Pn-1等于第一个边界点P0，则表示完成了一个边界的跟踪，停止搜索，结束跟踪；否则，重复步骤B3继续搜索；C5、由边界点P0、P1、P2、……、Pn-2构成的边界，形成一个封闭域，即为要跟踪的边界。权　利　要　求　书1/2页2CN 110533648 A2
    6.根据权利要求4所述的黑头识别处理方法，其特征在于：步骤B4中，斑点的位置是属于该灰度图像斑点的所有二值图像斑点中心坐标的加权和，由下式表示：式中，q表示权值，其数值等于所述二值图像斑点的惯性率的平方；i表示第i个二值图像斑点，[xi,yi]表示第i个二值图像斑点中心坐标；7.根据权利要求4所述的黑头识别处理方法，其特征在于：步骤B4中，斑点的面积等于斑点封闭域内的像素个数；斑点凸度由下式表示：式中，V表示斑点凸度；S表示斑点面积；H表示斑点的凸壳面积。8.根据权利要求4所述的黑头识别处理方法，其特征在于：步骤B4中，斑点圆度C由下式表示：式中，S表示斑点面积；P表示斑点周长；其中，当C＝1时，表示该斑点为圆形；当C＝0时，表示该斑点为多边形；当C在0与1之间时，表示该斑点为逐渐拉长的多边形。9.根据权利要求4所述的黑头识别处理方法，其特征在于：步骤B4中，斑点惯性率I由下式表示：式中，λ1和λ2分别表示斑点图像强度的主轴和次轴。10.一种黑头识别处理系统，其特征在于：采用权利要求1-9任意一项所述的方法，对多于一个的人脸彩色图像进行黑头识别，包括以下步骤：D1、建立新的目录树；D2、赋值i＝1；D3、读取第i个图像；D4、获得第i个图像的黑头数据及截取区域的黑头图像；D5、i＝i+1D6、判定i是否大于设定值，若是，进入下一步，若否，转D3；D7、结束。权　利　要　求　书2/2页3CN 110533648 A3
    一种黑头识别处理方法及系统技术领域[0001]本发明涉及图像识别技术领域，尤其是涉及一种黑头识别处理方法及系统。背景技术[0002]传统的医学美容中化妆品的使用性能仅仅是靠美容医师或相关专业医师凭借其经验和病理学知识进行分析判断的，由于各种主客观因素，加之影响皮肤美容的因素很多，诸如人的年龄、种族、性别、性格、生活习惯以及药物等多方面因素的影响而使人的面部皮肤呈现出多样性，其形态、颜色、纹理差异又相对很小，其中难免出现诊断偏差，从而影响皮肤正确科学的护理，因此人们迫切需要更精确的方法对人体皮肤进行较为客观的定量检测。[0003]目前市面主流的图像识别软件，如IPP，主要识别的类型有皮肤颜色、光泽、黑色素、皱纹等，但并没有关于黑头、痘痘的专项图像分析。在实际项目中，通常需要借助医生专家来进行黑头、痘痘的识别。[0004]因此，如何实现对图像中的黑头，从定性评估到定量分析，统一对图像中黑头的评判标准，是目前亟待解决的问题。发明内容[0005]本发明的目的是提供一种黑头识别处理方法，利用计算机信息技术，实现对面部黑头的计数、面积计算的数字图像处理，并进行批量处理，减少了重复的人工成本，统一了对图像中黑头的评判标准，提高数据可信度。[0006]本发明的上述发明目的通过以下技术方案得以实现：[0007]一种黑头识别处理方法，包括以下步骤：[0008]S1、读取人脸彩色图像，获得鼻头截取区域图像；[0009]S2、对截取区域图像进行增强处理，找出颜色相对深的黑色封闭域，并剔除无关信息，获得黑头信息；[0010]S3、计算黑头数量、黑头面积的统计数据，保存数据；[0011]S4、在截取区域图像中，圈出黑头位置，使黑头可见,保存图像。[0012]本发明进一步设置为：步骤S1中，读取人脸彩色图像，获得鼻头截取区域图像，包括以下步骤：[0013]A1、读取人脸彩色图像；[0014]A2、对彩色图像进行灰度处理，得到灰度图；[0015]A3、调用模型识别；[0016]A4、限制条件特征，确定鼻头坐标；[0017]A5、根据坐标，圈出鼻头及鼻头周围图像；[0018]A6、获得截取区域图像。[0019]本发明进一步设置为：步骤S2中，对面部区域图像进行增强处理，将彩色图像转换说　明　书1/6页4CN 110533648 A4
    为LAB颜色空间，取L通道，将面部区域图像转换为单通道图像。[0020]本发明进一步设置为：步骤S2中，采用局部极值算法，获取黑头信息，包括以下步骤：[0021]B1、设定阈值范围与阈值步长，用一系列连续的阈值将单通道图像转换为二值图像的集合；[0022]B2、采用Suzuki轮廓跟踪算法，检测每一幅二值图像的边界，提取出每一幅二值图像的连通区域，由边界所围成的不同的连通区域就是该二值图像的斑点；[0023]B3、根据所有二值图像斑点的中心坐标对二值图像斑点进行分类，属于同一类的所有二值图像斑点最终形成灰度图像的斑点；[0024]B4、确定灰度图像斑点的信息，包括位置、面积、斑点凸度、斑点圆度、惯性率；[0025]B5、连通区域的面积大于等于第一设定值而小于等于第二设定值之间的斑点即为黑头，剔除连通区域的面积小于第一设定值或大于第二设定值的斑点。[0026]本发明进一步设置为：步骤B2中，Suzuki轮廓跟踪算法，包括以下步骤：[0027]C1、按照从上到下，从左到右的顺序扫描图像，寻找没有标记跟踪结束记号的第一个边界起始点P0，P0是具有最小行和列值的边界点；[0028]C2、定义一个扫描方向变量dir,该变量用于记录扫描图像中沿着前一个边界点到当前边界点的移动方向；[0029]C3、按逆时针方向在M×M邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点Pn,同时更新变量dir为新的方向值；[0030]C4、当Pn等于第二个边界点P1且前一个边界点Pn-1等于第一个边界点P0，则表示完成了一个边界的跟踪，停止搜索，结束跟踪；否则，重复步骤B3继续搜索；[0031]C5、由边界点P0、P1、P2、……、Pn-2构成的边界，形成一个封闭域，即为要跟踪的边界。[0032]本发明进一步设置为：步骤B4中，斑点的位置是属于该灰度图像斑点的所有二值图像斑点中心坐标的加权和，由下式表示：[0033][0034]式中，q表示权值，其数值等于所述二值图像斑点的惯性率的平方；i表示第i个二值图像斑点，[xi,yi]表示第i个二值图像斑点中心坐标；[0035]本发明进一步设置为：步骤B4中，斑点的面积等于斑点封闭域内的像素个数；[0036]斑点凸度由下式表示：[0037][0038]式中，V表示斑点凸度；S表示斑点面积；H表示斑点的凸壳面积。[0039]本发明进一步设置为：步骤B4中，斑点圆度C由下式表示：[0040]说　明　书2/6页5CN 110533648 A5
    [0041]式中，S表示斑点面积；P表示斑点周长；[0042]其中，当C＝1时，表示该斑点为圆形；当C＝0时，表示该斑点为多边形；当C在0与1之间时，表示该斑点为逐渐拉长的多边形。[0043]本发明进一步设置为：步骤B4中，斑点惯性率I由下式表示：[0044][0045]式中，λ1和λ2分别表示斑点图像强度的主轴和次轴。[0046]本发明的上述发明目的通过以下技术方案得以实现：[0047]一种黑头识别处理系统，采用所述的方法，对多于一个的人脸彩色图像进行黑头识别，包括以下步骤：[0048]D1、建立新的目录树；[0049]D2、赋值i＝1；[0050]D3、读取第i个图像；[0051]D4、获得第i个图像的黑头数据及截取区域的黑头图像；[0052]D5、i＝i+1[0053]D6、判定i是否大于设定值，若是，进入下一步，若否，转D3；[0054]D7、结束。[0055]与现有技术相比，本发明的有益技术效果为：[0056]1.本申请通过对图像进行处理，获得黑头信息，实现了对黑头的定量分析，统一了对图像中黑头的评判标准；[0057]2.进一步地，本申请采用局部极值算法获得黑头信息，剔除掉不属于黑头特征的信息，提高数据的可信度；[0058]3.进一步地，本申请通过提取黑头的几何特征、黑头内部的颜色特征、黑头边缘的颜色特征，实现对黑头信息的精确判定，为计算黑头参数提供了依据；[0059]4.进一步地，本申请通过对不同人群的批量数据处理，高效、快捷地整理、识别海量数字图像，减少了重复的人工成本，提高了效率。附图说明[0060]图1是本发明的一个具体实施例的处理方法流程结构示意图；[0061]图2是本发明的一个具体实施例的获取鼻头区域流程示意图；[0062]图3是本发明的一个具体实施例的获取黑头流程示意图；[0063]图4是本发明的一个具体实施例的系统流程结构示意图。具体实施方式[0064]以下结合附图对本发明作进一步详细说明。[0065]具体实施方式一[0066]本发明的一种黑头识别处理方法，如图1所示，包括以下步骤：[0067]S1、读取人脸彩色图像，获得鼻头截取区域图像；说　明　书3/6页6CN 110533648 A6
    [0068]S2、对截取区域图像进行增强处理，找出颜色相对深的黑色封闭域，并剔除无关信息，获得黑头信息；[0069]S3、计算黑头数量、黑头面积的统计数据，保存数据；[0070]S4、在截取区域图像中，圈出黑头位置，使黑头可见,保存图像。[0071]其中，步骤S3、S4都是基于步骤S2中对于黑头标记后进行的，是同步进行的。[0072]在本申请的一个具体实施例中，步骤S1中，如图2所示，读取人脸彩色图像，获得鼻头截取区域图像，包括以下步骤：[0073]A1、读取人脸彩色图像；[0074]A2、对彩色图像进行灰度处理，得到灰度图；[0075]A3、调用模型识别；[0076]A4、限制条件特征，确定鼻头坐标；[0077]A5、根据坐标，圈出鼻头及鼻头周围图像；[0078]A6、获得截取区域图像。[0079]在本申请的一个具体实施例中，步骤S2中，对面部区域图像进行增强处理，将彩色图像转换为LAB颜色空间，取L通道，将面部区域图像转换为单通道图像。[0080]在本申请的一个具体实施例中，步骤S2中，如图3所示，采用局部极值算法，获取黑头信息，包括以下步骤：[0081]B1、设定阈值范围与阈值步长，用一系列连续的阈值将单通道图像转换为二值图像的集合；[0082]B2、采用Suzuki轮廓跟踪算法，检测每一幅二值图像的边界，提取出每一幅二值图像的连通区域，由边界所围成的不同的连通区域就是该二值图像的斑点；[0083]B3、根据所有二值图像斑点的中心坐标对二值图像斑点进行分类，属于同一类的所有二值图像斑点最终形成灰度图像的斑点；[0084]B4、确定灰度图像斑点的信息，包括位置、面积、斑点凸度、斑点圆度、惯性率；[0085]B5、连通区域的面积大于等于第一设定值而小于等于第二设定值之间的斑点即为黑头，剔除连通区域的面积小于第一设定值或大于第二设定值的斑点。[0086]具体地，步骤B1中，设阈值范围为[T1.T2],步长为t，则一系列连续的阈值分别为T1，T1+t，T1+2t，T1+3t，……，T2，利用这些阈值，将单通道图像转换为二值图像的集合。[0087]步骤B2中，采用Suzuki轮廓跟踪算法，包括以下步骤：[0088]C1、按照从上到下，从左到右的顺序扫描图像，寻找没有标记跟踪结束记号的第一个边界起始点P0，P0是具有最小行和列值的边界点；[0089]C2、定义一个扫描方向变量dir,该变量用于记录扫描图像中沿着前一个边界点到当前边界点的移动方向；[0090]C3、按逆时针方向在M×M邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点Pn,同时更新变量dir为新的方向值；[0091]C4、当Pn等于第二个边界点P1且前一个边界点Pn-1等于第一个边界点P0，则表示完成了一个边界的跟踪，停止搜索，结束跟踪；否则，重复步骤B3继续搜索；[0092]C5、由边界点P0、P1、P2、……、Pn-2构成的边界，形成一个封闭域，即为要跟踪的边界。说　明　书4/6页7CN 110533648 A7
    [0093]其中，M取值为大于2的正整数。[0094]步骤B4中，斑点的位置是属于该灰度图像斑点的所有二值图像斑点中心坐标的加权和，由下式表示：[0095][0096]式中，q表示权值，其数值等于所述二值图像斑点的惯性率的平方；i表示第i个二值图像斑点，[xi,yi]表示第i个二值图像斑点中心坐标。[0097]斑点的面积等于斑点封闭域内的像素个数，以像素个数来表达斑点的面积，使面积采用统一的量化方式进行计算。[0098]在平面中，凸形图指的是图形的所有部分都在由该图形切线所围成的区域的内部。本申请中用凸度来表示斑点凹凸的程度，斑点凸度V由下式表示：[0099][0100]式中，S表示斑点面积；H表示斑点的凸壳面积。[0101]斑点圆度C由下式表示：[0102][0103]式中，S表示斑点面积；P表示斑点周长；[0104]其中，当C＝1时，表示该斑点为圆形；当C＝0时，表示该斑点为多边形；当C在0与1之间时，表示该斑点为逐渐拉长的多边形。[0105]设f(x,y)是一幅数字图像，则它的矩Mij由下式表示：[0106]Mij＝∑x∑yxiyjf(x,y)            (4)[0107]对于二值图像的来说，零阶矩M00等于它的面积；[0108]图像的质心为：[0109][0110]图像的中心矩μpq定义为：[0111][0112]一阶中心矩称为静矩，二阶中心矩称为惯性矩。如果仅考虑二阶中心矩的话，则图像完全等同于一个具有确定的大小、方向和离心率，以图像质心为中心且具有恒定辐射度的椭圆。图像的协方差矩阵为：[0113][0114]该矩阵的两个特征值λ1和λ2对应于图像强度的主轴和次轴：说　明　书5/6页8CN 110533648 A8
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料