基于光學(xué)的肌膚健康監(jiān)測和預(yù)診斷智能方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及智能信息終端設(shè)備及數(shù)據(jù)處理應(yīng)用領(lǐng)域,具體為一種基于光學(xué)的肌膚健康監(jiān)測和預(yù)診斷智能方法。
【背景技術(shù)】
[0002]隨著智能信息終端技術(shù)的發(fā)展與提高,越來越多的設(shè)備與終端可以進(jìn)行較為復(fù)雜的信息及數(shù)據(jù)處理,給一些傳統(tǒng)的行業(yè)與業(yè)務(wù)帶來全新的方式,例如,在個(gè)人美容與化妝領(lǐng)域,用戶對于形象的要求也越來越強(qiáng)烈,而皮膚是個(gè)人形象表現(xiàn)的最直接體現(xiàn),因此,基于皮膚美容、護(hù)理的行業(yè)與產(chǎn)業(yè)也非常的多,例如各類美容雜志、網(wǎng)站與推廣機(jī)構(gòu),特別是廣告行業(yè)的投入費(fèi)用也是非常的巨大,但是用戶一般還是借助于經(jīng)驗(yàn)進(jìn)行美容和化妝,以及通過自己的學(xué)習(xí)與他人的交流,另外還有就是通過專業(yè)的機(jī)構(gòu),例如美容院來進(jìn)行美容與化妝,因此,至少存在以下不足,美容化妝水平及效果受到個(gè)人的知識(shí)、能力的局限性,以及所接觸到的信息的流通性,如果是專業(yè)機(jī)構(gòu),也存在不便利以及費(fèi)用較高的影響,以及美容化妝質(zhì)量的差次不齊。
[0003]另外,現(xiàn)有的智能信息設(shè)備的日益流行及使用,已經(jīng)成為生活中不可缺少的一個(gè)重要組成部分,例如,智能手機(jī)就是這樣,并且具有攝像頭,可以獲得臉部和頭像照片,可以對所獲得的圖像以及所顯示的效果進(jìn)行比較、選擇,來結(jié)合對個(gè)人進(jìn)行美容化妝,以及其它更多的應(yīng)用,特別是對于皮膚可以有更多的應(yīng)用與優(yōu)化。
【發(fā)明內(nèi)容】
[0004]本發(fā)明要解決的技術(shù)問題是提供一種將圖像肌膚檢測儀的數(shù)據(jù)與智能云連接,通過云的智能算法不斷學(xué)習(xí)和改進(jìn)肌膚檢測儀的精度的基于光學(xué)的肌膚健康監(jiān)測和預(yù)診斷智能方法。
[0005]為解決上述技術(shù)問題,本發(fā)明提供了幾個(gè)相關(guān)的技術(shù)方案如下:一種基于光學(xué)的肌膚健康監(jiān)測和預(yù)診斷智能方法,包括如下步驟:
[0006]步驟1,客戶端上傳用戶拍攝的光學(xué)肌膚圖像,并存儲(chǔ)在服務(wù)器端,服務(wù)器將每個(gè)用戶上傳的肌膚圖像存入數(shù)據(jù)庫。
[0007]步驟2,服務(wù)器端的學(xué)習(xí)算法,根據(jù)用戶的歷史肌膚圖像,提取多種特征,通過智能學(xué)習(xí)算法,學(xué)習(xí)得到每個(gè)用戶的個(gè)體健康肌膚模型。
[0008]步驟3,已知用戶個(gè)體健康肌膚模型時(shí),輸入當(dāng)前肌膚圖像,通過圖像處理等方法,評價(jià)用戶當(dāng)前的肌膚狀態(tài)并且預(yù)測用戶肌膚在未來可能會(huì)出現(xiàn)的健康問題。
[0009]步驟4,將計(jì)算和分析得到的當(dāng)前肌膚狀態(tài)分值和肌膚健康問題的預(yù)警輸出到客戶端。
[0010]作為改進(jìn),步驟2的“學(xué)習(xí)算法”為,對肌膚圖像提取多種特征,包括:膚色,斑點(diǎn)尺寸和顏色,敏感度,毛孔等對肌膚病理診斷有意義的特征;對健康肌膚建立數(shù)學(xué)模型,模型為logistic模型;根據(jù)歷史肌膚圖像,訓(xùn)練得到健康肌膚模型。
[0011]算法詳細(xì)過程如下
[0012]已知用戶健康肌膚圖像I,分別提取以下特征:
[0013](I)膚色特征:肌膚圖像顏色空間轉(zhuǎn)換到Lab顏色空間,對Lab顏色分量分別統(tǒng)計(jì)直方圖,得到HistL, HistA,HistB三個(gè)256維的向量;
[0014](2)斑點(diǎn)特征:包括斑點(diǎn)尺寸大小和斑點(diǎn)色素。
[0015]斑點(diǎn)尺寸提取方法為:肌膚圖像中,斑點(diǎn)的顏色深于正常肌膚的顏色,本專利中斑點(diǎn)的Lab范圍是L〈120,a, b介于110與130之間;提取斑點(diǎn)區(qū)域的二值掩模圖像,根據(jù)該二值圖像求斑點(diǎn)區(qū)域的凸閉包;求該凸閉包的面積,最大直徑等幾何參數(shù),如斑點(diǎn)面積SpotArea,斑點(diǎn)直徑 SpotDiameter ;
[0016]斑點(diǎn)色素:在上述提取到的斑點(diǎn)區(qū)域的凸閉包內(nèi),統(tǒng)計(jì)肌膚圖像像素的Lab顏色直方圖,得到 SpotHistL,SpotHistA,SpotHistB 三個(gè) 256 維向量。
[0017](3)肌膚敏感度特征:包括敏感區(qū)域大小和局部敏感程度。
[0018]敏感區(qū)域大小提取方法:敏感肌膚的表現(xiàn)是肌膚局部泛紅,毛細(xì)血管可見。本專利中敏感區(qū)域的Lab范圍是L>130,a, b介于110與130之間;提取敏感區(qū)域的二值掩模圖像,根據(jù)該二值圖像求敏感區(qū)域的凸閉包;求該凸閉包的面積,最大直徑等幾何參數(shù),如敏感區(qū)域面積 SensitivityArea,敏感區(qū)域直徑 SensitivityDiameter ;
[0019]局部敏感程度:敏感程度與局部肌膚的泛紅程度正相關(guān)。在上述提取到的敏感區(qū)域的凸閉包內(nèi),統(tǒng)計(jì)肌膚圖像像素的Lab顏色直方圖,得到SensitivityHistL,SensitivityHistA, SensitivityHistB 三個(gè) 256 維向量。
[0020](4)毛孔特征:
[0021]毛孔是肌膚圖像中暗色小坑。本專利中毛孔的Lab范圍是110〈L〈120 ;提取毛孔的二值掩模圖像,根據(jù)該二值圖像求毛孔的個(gè)數(shù)和毛孔的幾何參數(shù);如毛孔個(gè)數(shù)PoreNum,毛孔平均面積PoreArea,毛孔直徑PoreDiameter ;
[0022]將上述特征拼接為一個(gè)特征向量,作為該肌膚圖像的特征X,輸入肌膚數(shù)學(xué)模型。
[0023]健康肌膚數(shù)學(xué)模型為logistic模型:
[0024]F(x) = I/(1+exp (_b,*x)) (I)
[0025]其中,X為通過肌膚圖像提取的特征,F(xiàn)為用戶對本人肌膚的評價(jià)分值,b是健康肌膚模型參數(shù);圖1中,服務(wù)器存儲(chǔ)了大量用戶的肌膚圖像和用戶本人對肌膚的評價(jià)分值。每一個(gè)樣本i,都對應(yīng)肌膚圖像Ii,特征向量xi和分值Fi。
[0026]已知肌膚圖像和用戶的評價(jià)分值,通過最小二乘法估計(jì)式(I)的健康肌膚模型參數(shù)b,即可得到健康肌膚數(shù)學(xué)模型。
[0027]作為優(yōu)選,所述步驟3的“當(dāng)前肌膚狀態(tài)評價(jià)/未來肌膚健康預(yù)測”方法為,提取當(dāng)前肌膚圖像特征,根據(jù)個(gè)體健康肌膚模型分析對比當(dāng)前檢測到的特征值和預(yù)測的特征值之間的差異,據(jù)此給出當(dāng)前肌膚狀態(tài)的評價(jià)和未來可能的肌膚健康問題。算法詳細(xì)過程如下:
[0028](I)當(dāng)前肌膚狀態(tài)評價(jià)
[0029]已知當(dāng)前肌膚圖像I,根據(jù)步驟2的圖像特征提取方法,提取該圖像的特征向量X,將該特征向量帶入式(I),得到的數(shù)值,即為當(dāng)前肌膚狀態(tài)分值;
[0030](2)未來肌膚健康預(yù)測
[0031]已知當(dāng)前肌膚圖像,根據(jù)步驟2的圖像特征提取方法,分別提取該圖像的膚色,斑點(diǎn)尺寸和色,敏感度和毛孔特征,將這些特征與用戶的健康肌膚圖像特征比較,計(jì)算這些特征之間的距離,當(dāng)距離大于閾值時(shí),表示該特征變化較大,向用戶發(fā)送報(bào)警;否則,不報(bào)警。
[0032]根據(jù)以上技術(shù)方案可以看出本發(fā)明具有的優(yōu)點(diǎn)為:
[0033](I)圖像檢測儀拍攝到肌膚圖像,本地已有的檢測算法計(jì)算出各項(xiàng)檢測值;
[0034](2)圖像檢測儀將檢測數(shù)據(jù)及結(jié)果上傳智能云;
[0035](3)智能云根據(jù)收集到的各個(gè)終端的圖像和數(shù)據(jù),通過智能算法,更新和改進(jìn)檢測項(xiàng)估計(jì)算法;
[0036](4)圖像檢測儀從智能云下載改進(jìn)了的肌膚檢測項(xiàng)的估計(jì)算法。
[0037]本發(fā)明將肌膚檢測儀與智能云連接,可實(shí)現(xiàn)檢測儀中檢測項(xiàng)估計(jì)算法的改進(jìn)與更新,充分利用各個(gè)終端肌膚檢測儀的圖像數(shù)據(jù)和檢測結(jié)果,使檢測結(jié)果更加準(zhǔn)確。
【附圖說明】
[0038]圖1是本發(fā)明的基于光學(xué)的肌膚健康監(jiān)測和預(yù)診斷智能方法的示意圖。
【具體實(shí)施方式】
[0039]下面結(jié)合附圖對本發(fā)明做進(jìn)一步的詳細(xì)說明。
[0040]結(jié)合附圖1所示,一種基于光學(xué)的肌膚健康監(jiān)測和預(yù)診斷智能方法,包括如下步驟:
[0041]步驟1,客戶端上傳用戶拍攝的光學(xué)肌膚圖像,并存儲(chǔ)在服務(wù)器端,服務(wù)器將每個(gè)用戶上傳的肌膚圖像存入數(shù)據(jù)庫。
[0042]步驟2,服務(wù)器端的學(xué)習(xí)算法,根據(jù)用戶的歷史肌膚圖像,提取多種特征,通過智能學(xué)習(xí)算法,學(xué)習(xí)得到每個(gè)用戶的個(gè)體健康肌膚模型。
[0043]步驟3,已知用戶個(gè)體健康肌膚模型時(shí),輸入當(dāng)前肌膚圖像,通過圖像處理等方法,評價(jià)用戶當(dāng)前的肌膚狀態(tài)并且預(yù)測用戶肌膚在未來可能會(huì)出現(xiàn)的健康問題。
[0044]步驟4,將計(jì)算和分析得到的當(dāng)前肌膚狀態(tài)分值和肌膚健康問題的預(yù)警輸出到客戶端。
[0045]步驟2的“學(xué)習(xí)算法”為,對肌膚圖像提取多種特征,包括:膚色,斑點(diǎn)尺寸和顏色,敏感度,毛孔等對肌膚病理診斷有意義的特征;對健康肌膚建立數(shù)學(xué)模型,模型為logistic模型;根據(jù)歷史肌膚圖像,訓(xùn)練得到健康肌膚模型。
[0046]算法詳細(xì)過程如下
[0047]已知用戶健康肌膚圖像I,分別提取以下特征:
[0048](I)膚色特征:肌膚圖像顏色空間轉(zhuǎn)換到Lab顏色空間,對Lab顏色分量分別統(tǒng)計(jì)直方圖,得到HistL, Hi stA,HistB三個(gè)256維的向量;
[0049](2)斑點(diǎn)特征:包括斑點(diǎn)尺寸大小和斑點(diǎn)色素。
[0050]斑點(diǎn)尺寸提取方法為:肌膚圖像中,斑點(diǎn)的顏色深于正常肌膚的顏色,本專利中斑點(diǎn)的Lab范圍是L〈120,a, b介于110與130之間;提取斑