基于圖像處理的皮膚健康檢測研究

南師附中江寧分校 李顧全

河海大學物聯網工程學院 趙沛然 李麗媛 蔣艷芳

基于圖像處理的皮膚健康檢測研究

南師附中江寧分校 李顧全

河海大學物聯網工程學院 趙沛然 李麗媛 蔣艷芳

為了滿足目前對于皮膚健康檢測的新需求,提出一種基于圖像處理的皮膚健康檢測算法.利用一種優化的Haar分類器和基于相對位置的分割算法,對自拍圖像進行處理獲得待檢皮膚圖像.針對光澤、色斑和皺紋三種健康指標,先后利用單尺度Retinex和Bp神經網絡對上述指標進行檢測分析.實驗結果表明,該算法能夠較快的完成圖像分割與檢測功能,并且能夠較好的表示出皮膚健康情況.

圖像處理;皮膚健康;Haar分類器;單尺度Retinex;Bp神經網絡

1 引言

皮膚是人體重要器官之一,它保護人體阻擋細菌、灰塵等的侵入,保證人體內環境的穩定.隨著"肌膚監測"的醫療觀念的提出,對于皮膚健康檢測的研究越來越多[1].能夠方便的對皮膚信息進行采集和實時分析,隨時掌握皮膚健康狀態,是如今皮膚檢測相關產業與研究的新方向.

隨著圖像處理算法的迅速發展,利用圖像處理的手段對醫學圖像分析,發現甚至診斷疾病成為一種新興醫療解決方案.在目前,利用數字圖像處理的方法對皮膚疾病進行輔助診斷被證明是一種有效的手段.通過對指定區域皮膚圖像的采集、處理和分析,可以對諸如白癜風、黑色素瘤這類皮膚病的精確識別和臨床醫學診斷提供客觀依據[2-4].自拍如今已經成為人們的一種日常行為,任何一個擁有智能設備的人都可以方便地獲取自拍圖像.又因為自拍圖像中含有豐富的皮膚信息,因此本文將自拍圖像作為圖像源并通過圖像處理技術,設計和實現一種方便使用的皮膚健康檢測軟件以實現對皮膚情況的檢測.

該方案利用一種優化的Haar算法和基于相對位置的分割算法實現對于自拍圖像中人臉皮膚的檢測和分割,利用Retinex算法和以灰度共生矩陣參量為特征的Bp神經網絡,對人臉皮膚的光澤、色斑和皺紋指標進行評判.實驗結果表明,該算法能夠較為準確地得出皮膚分割圖像,并針對上述皮膚指標得出合理的評判結果.

2 圖像預處理

2.1 圖像增強

增強特征的目的是為了在后續指標提取中凸顯皺紋和色斑等特征.直方圖均衡化是一種常用的圖像增強方法.其原理是通過使用累積函數對灰度值進行"調整"以實現對比度的增強[5].這種方法通常用來增加許多圖像的局部對比度,尤其是當圖像的有用數據的對比度相當接近的時候,使亮度可以更好地在直方圖上分布.這樣就可以用于增強局部的對比度而不影響整體的對比度,直方圖均衡化通過有效地擴展常用的亮度來實現這種功能.

一般的,可以利用原圖的灰度值的概率(直方圖)計算原圖灰度級的分布情況,再用累計分布函數計算輸出的灰度級,再使其分布均衡達到設計目的.

圖1 直方圖增強效果

圖1顯示了直方圖均衡增強的效果.圖(a)為原始圖像,圖(b)為增強后的圖像.通過兩張圖的對比可以看出增強后的圖像在對比度上得到了較大的凸出,使得皺紋等特征變得更加明顯.

2.2 圖像分割

本文中ROI(Region of Interest)區域是皺紋、色斑集中的額頭和臉頰皮膚圖像.在本文中首先采用了Haar分類器對自拍圖像進行面部圖像分割.通過實驗發現利用原始Haar分類器不能有效的進行達到預期結果,存在誤檢的問題.故在原始Haar基礎上輔以面積數據進行篩選.最后根據目標皮膚區域相對位置,進行皮膚圖像的分割.

2.2.1 面部圖像分割

在本文中采用了 Haar 分類器對自拍圖像的面部進行分割.Haar分類器是如今處理效果最好的人臉分類器之一,具有運算速度快,準確率高的優點[6].它的原理是:先從自拍圖中計算獲取 Haar特征,再利用訓練好的 Haar 分類器對該特征進行篩選,能通過所有強分類器的結果則可以判定為是人臉圖像.

Haar特征是基于圖像的灰度變化情況而提出的,一般的將其分為3類:邊界特征、線形特征以及中心特征.Haar特征實際上是設計了形如各式的子窗,通過在圖像上子窗的滑動計算白色矩形區域的像素點灰度值的和減去黑色區域的像素和,根據得到的值進行面部圖像的提取.

圖2 人臉分割結果圖

圖2展示了利用傳統的Haar分類器分割人臉的結果圖.在經典的圖像分割方法中,圖像像素的空間信息大,都采用矩形的鄰域窗來獲取[7].因此,在利用分類器尋找到面部區域后將其坐標再投影回源圖像上,并以矩形框圈出.可以看出在(a)圖中尋找的面部圖像準確有效,而(b)圖中除了正確的面部圖像外,出現了誤檢的情況.這是由于目標特征中包含大量信息,在不對特征信息加以選擇的情況下,冗余且不相關的信息會影響分類器的功能[8].因此需要對Haar識別的結果進行篩選,以提高正確率.

因為自拍圖像在構圖上具有兩個特點[9-10]:(1)在自拍圖像中人物圖像在圖像中會占據較大一部分的空間.而在背景中那些會被錯誤識別的成分在大部分情況其面積大小都小于面部的圖像.(2)在自拍圖像中出現的面部區域一般出現在圖像的中上部.根據以上兩個特點,設計了一種基于圖像結構的篩選算法.算法執行分為三步:

第一步:遍歷所有Haar分類器輸出結果,計算每一個結果的面積;

第二步:對計算出的面積結果按照從大到小進行排序;

第三步:遍歷面積排序后的結果,判斷區域的上邊緣是否處于源圖像的中上方區域.如果是則將其作為面部區域輸出,反之則計算下一個區域.若所有結果遍歷后均不符合位置條件,則將面積最大的輸出.

圖3 經篩選后分割結果圖

圖3為經過篩選后的面部圖像分割結果,其成功將背景錯誤識別區域剔除而保留了正確面部圖像區域.達到了算法設計的目的.

圖4展示的是最終分割后的面部圖像.

圖4 最終分割結果圖

圖5 分割結果示意圖

2.2.2 皮膚圖像分割

如果直接對所有的皮膚進行分析評判,需要處理大量的像素信息,計算量變大輸出結果變慢.而皺紋、色斑大多生于額頭和臉頰這兩個區域,并且這兩個區域的皮膚也能夠很好的表現中皮膚光澤情況.根據以上情況,可以將額頭和左右臉頰皮膚作為目標區域設計分割算法,將額頭和左右臉頰的皮膚作為樣本輸入,用目標區域皮膚的指標參數代表整個面部皮膚的參數.

額頭和左右臉頰在人臉中位置是相對固定的,分別位于臉部的中上,左下和右下.如果拍攝者正視攝像頭,那么經過分割后得到的面部圖像具有左右對稱的特點.這樣就可以通過目標區域在圖像中的相對位置進行分割,得到目標區域的圖像.

圖5展示了部分利用相對位置進行分割的結果,它們將作為后續評價指標計算的輸入圖像與Bp神經網絡的訓練集.

3 健康指標計算

在本文的研究中對皮膚的光澤、色斑和皺紋三個指標進行分析評價,這三種指標能夠較好的表征皮膚的健康情況[11-12].

3.1 光澤檢測

皮膚光澤指的是皮膚表層的視覺效果好,給人在視覺上有亮度好、氣色好的直觀印象.在此引入光澤度指標,光澤度是用數字指標衡量一個物體表面接近鏡面的程度,其最早在工業領域中提出,用以評價油漆涂料的涂抹效果.本節將以光澤度為皮膚光澤評價指標,提出一種數字化評價皮膚光澤的方法.

一般情況下可以計算反射圖像的像素均值作為衡量光澤的參數.而發射圖像可以利用Retinex算法獲取.單尺度Retinex(SSR)是圖像增強常用的一種算法,它以人眼觀察物體方式為模型構造了該算法.當人眼觀察一個物體時,物體會經過眼球屈光系統反射到視網膜上形成清晰的物象,然后視網膜上的視錐細胞和視桿細胞將視覺刺激轉化成神經沖動,通過視神經傳入大腦皮層,產生視覺.

任何一幅給定圖像都可以看成是反射圖像和反射圖像組合而成.其中,反射圖像只能通過數學方法獲得,一般可以利用中心環繞函數近似求得.本設計就是通過該算法能夠獲得皮膚的反射圖像,而分析反射圖像像素分布情況就能了解原始圖像的光澤度,從而檢測評判皮膚光澤[13].

在文獻[13]中,在計算得到了發射圖像后利用平均值作為評價分布情況參數,但通過實驗發現不同圖像的平均值分布較大且不能較好的表征光澤的情況.故本設計中利用平均偏差作為評價指標,在試驗中光澤度越低的圖像其相對平均偏差值越小且區分度良好.

3.2 色斑、皺紋檢測

色斑是指和周圍皮膚顏色不同的斑點,是一種色素障礙性皮膚病;皺紋是指皮膚表層下的自由基破壞活性物質而生成的細紋.以上兩種皮膚健康指標是人們對皮膚關注度最高的參數,是人們日常護膚的重點.在本設計中,將灰度共生矩陣4個參量作為特征,采用Bp神經網絡對色斑和皺紋圖像的特征進行特征訓練,利用訓練好的分類器作為評判工具.

3.2.1 特征選擇

灰度共生矩陣是一種表示紋理圖像特性的有效手段[14].在灰度共生矩陣中包含有眾多信息,考慮實際使用需要在矩陣基礎計算紋理特征量,在本系統中利用反差、能量、熵和相關性四個參數作為特征量[15]:

(1)反差:它可以表示區域中的像素值分布和局部變化的情況.當紋理深度和清晰程度較為明顯,其計算結果得到的值較大.

(2)能量:是矩陣各像素值的平方和.它反應了圖像灰度變化情況以及紋理粗細度.能量值大則表示該區域中的紋理變化規則較為穩定的紋理.

(3)熵:用以度量矩陣中出現的隨機事件情況,能夠反映圖像的復雜情況.當矩陣中的數值趨近相同或出現了某種極小概率事件時,熵會增大.

(4)相關性:能夠衡量圖像在水平或豎直方向上的連續性.當其中一個方向出現連續信息時,相關性會變大.

3.2.2 神經網絡訓練

在圖像處理領域中使用Bp神經網絡是一種常見做法,一般將其運用于分類運算中,而在皮膚健康檢測領域中使用這種工具進行分類、識別已經成為一種常用手段[16].從結構上來說,神經網絡更類似于人腦,通過神經網絡的訓練學習,可以得到相應識別函數關系[17].當訓練完成后,將一個新的缺陷圖像的特征輸入時,神經網絡會對其特征進行分類輸出缺陷類型.在本系統中,將以色斑和皺紋圖像的特征作為輸入,色斑和皺紋的評分為輸出,利用神經網絡對其進行訓練分類.

在此不詳述Bp神經網絡的基本原理,簡單闡述一下本文采用的網絡模型結構與訓練樣本集.本文中采用的"1-1-1"的網絡模型,即1層輸入層、1層隱含層與1層輸出層.輸入層包含有4個神經節點分別為灰度共生矩中的4個參量;經過試驗比較,最終隱含層中的神經節點個數為7個;輸出則為實驗樣本的人工評分標簽.

4 實驗結果與分析

4.1 實驗樣本

神經網絡學習訓練的樣本共600張自拍圖像,均來自于網絡中的自拍圖像.其中500張作為訓練樣本,100張作為實驗樣本.圖6展示了部分作為實驗樣本的自拍圖像.

圖6 實驗樣本圖

4.2 健康指標提取

對于一張皮膚圖像而言,可以計算得出輸出圖像,對其進行指數計算獲得反射圖像,最后算反射圖像的像素均值的相對平均偏差作為衡量皮膚圖像光澤參數.

色斑、皺紋檢測將以 Bp 神經網絡作為工具,經過圖像分割后得到的皮膚圖像作為輸入,將灰度共生矩陣的反差、能量、熵和相關性,總計4個特征作為特征進行學習訓練.檢測分為前后兩個步驟:訓練學習和實際檢測.首先通過利用500張學習訓練樣本,對已經標注好評分的圖像進行學習.后利用100張實驗樣本進行實驗,測試訓練結果.

圖7 指標提取得分統計圖

圖7中列出了光澤、色斑、皺紋檢測的實驗結果,滿分為10分.通過分析實驗數據得出以下結論:

(1)通過比較3組數據的皮膚光澤檢測可以看出本文中的光澤指標的提取方法能夠較好的利用數值高低區分皮膚光澤的好壞.因此可以認為利用 SSR算法獲得反射圖像,并計算它的像素均值的相對平均偏差作為衡量皮膚的光澤優劣是一種可行且效果良好的方案.

(2)在比較色斑和皺紋的實驗數據時可以發現,利用灰度共生矩作為特征可以較好的區分出色斑和皺紋的多寡情況,因此利用本文介紹的方法可以較為準確的表達皮膚健康的狀況.

4.3 耗時計算

本文設計的算法擬運行在服務器上,并且設計對應的手機應用供用戶日常進行皮膚檢測.故整套流程有較高的實時性.在耗時計算實驗中,分別計算了3幅待測圖像經過整套流程后耗費時間.表1列出了對實驗樣本進行整套算法處理所消耗的時間.

表1 耗時結果統計表

通過實驗結果可以看出:對該算法運行整套流程的消耗時間大約在110ms左右,基本上可以滿足計算快速的要求.為了更好的提高用戶體驗,可以繼續改善算法,在保證檢測準確的情況下,減少消耗的時間.

5 結束語

皮膚健康檢測研究系統是利用圖像處理和模式識別技術,對照片中人臉皮膚的健康狀態進行評判,傳統 Haar 分類器的基礎上實現了皮膚分割,但是對于色斑和皺紋兩種目標疊加在同一區域的情況,尚不能良好的進行分割分別提取;使用 SSR 算法對皮膚的光澤度評判時用像素相對平均偏差作為衡量標準.該研究系統代替了傳統的目測檢測方法和價格昂貴、操作復雜的皮膚檢測儀.目前國內對此方向的研究主要處于試驗階段且只大多針對單個項目進行分析,少有真正能夠投入實際使用的產品.因此對皮膚健康檢測課題在國內具有很大的發展空間.

[1]齊顯龍,宋奉宜. "肌膚監測"系列(一)--概述[J].中國美容醫學,2011,02:311-312.

[2]羅衛,孟如松,蔡瑞康. 計算機圖像分析系統對白癜風皮損及周邊正常皮膚的測定研究[J]. 武警醫學,2011,12:1059-1060.

[3]蘇天珍. 基于皮膚腫瘤輪廓不規則性和表面網狀結構的黑色素瘤檢測技術研究[D].杭州電子科技大學,2013.

[4]劉志杰. 基于皮膚鏡的黑色素瘤識別算法研究[D].電子科技大學,2015.

[5]吳成茂.直方圖均衡化的數學模型研究[J].電子學報,2013,03:598-602.

[6]Viola P,Jones M.Rapid Object Detection using a Boosted Cascade of Simple Features[J].Accepted Conference on Computer Vision & Pattern Recognition,2010,1:511.

[7]趙鳳,劉漢強. 不同形狀鄰域空間信息的模糊聚類圖像分割[J].計算機工程與應用,2015,(10):12-15+35.

[8]劉薇,戴平陽,李翠華. 特征加權融合的在線多示例學習跟蹤算法[J].計算機工程與應用,2015,(12):189-193+234.

[9]陳葉萍.試論自拍攝影與大眾文化中的"網絡自拍"[D].中國美術學院,2012.

[10]史書.對當代攝影中自拍肖像的解析[D].西安美術學院,2014.

[11]單改仙,甘平,何玲,孫露,李倩楠,江正,賀向前.利用皮膚紋理面積客觀評價皮膚老化的研究[J].生物醫學工程學雜志,2015,01:142-145.

[12]羅衛,孟如松,趙廣.應用計算機圖像分析系統對正常人面部皮膚與黃褐斑皮損的測定與研究[J].中國醫刊,2008,01:32-33.

[13]焦志鑫,王瑜,王小藝,董銀卯,孟宏,趙華. 基于Retinex圖像增強算法的面部皮膚光澤度評價研究[J].日用化學工業,2015,08:443-446.

[14]郭航,霍宏濤.灰度共生矩陣在皮膚紋理檢測中的應用研究[J].中國圖象圖形學報,2010,07:1074-1078.

[15]李雁,申鉉京,趙德斌. 基于紋理的皮膚檢測[J].計算機工程與應用,2003,19:74-77.

[16]頊改燕,徐華,翟忠武,葛慶平.基于Gabor濾波器和BP神經網絡的人臉皮膚皺紋區域自動識別[J].計算機應用,2010,02:430-432.

[17]趙立強,張曉華,高振波,張洪亮.基于BP神經網絡的主分量分析人臉識別算法[J].計算機工程與應用,2007,(36):226-229.

In order to meet the new requirements of detecting skin health,this thesis proposes a algorithm of detecting skin health based on image processing.The self-image is processed by an optimized Haar classifier and a relative position-based segmentation algorithm to obtain the skin image need to be examined. Single scale Retinex and Bp neural network are uesd to analyze the three healthy indexes of gloss, stain and wrinkles.The experimental results show that the algorithm can implement the image segmentation and detection quickly, and can show the condition of the skin health better.

image processing;skin health;Haar classifier;single scale Retinex;Bp neural network

趙沛然(1994-),男,碩士,研究領域:數字圖像處理,模式識別.

李顧全(2000-),男,高中,研究領域:多媒體信息處理技術.

李麗媛(1994-),女,碩士,研究領域:數字圖像處理.