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，在個人美容與化妝領(lǐng)域，用戶對于形象的要求也越來越強烈，而皮膚是個人形象表現(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)站與推廣機構(gòu)，特別是廣告行業(yè)的投入費用也是非常的巨大，但是用戶一般還是借助于經(jīng)驗進(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人的知識、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)機構(gòu)，也存在不便利以及費用較高的影響，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重要組成部分，例如，智能手機就是這樣，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，并存儲在服務(wù)器端，服務(wù)器將每個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)得到每個用戶的個體健康肌膚模型。
[0008]步驟3，已知用戶個體健康肌膚模型時，輸入當(dāng)前肌膚圖像，通過圖像處理等方法，評價用戶當(dāng)前的肌膚狀態(tài)并且預(yù)測用戶肌膚在未來可能會出現(xiàn)的健康問題。
[0009]步驟4，將計算和分析得到的當(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)計直方圖，得到HistL, HistA，HistB三個256維的向量;
[0014](2)斑點特征:包括斑點尺寸大小和斑點色素。
[0015]斑點尺寸提取方法為:肌膚圖像中，斑點的顏色深于正常肌膚的顏色，本專利中斑點的Lab范圍是L〈120，a, b介于110與130之間；提取斑點區(qū)域的二值掩模圖像，根據(jù)該二值圖像求斑點區(qū)域的凸閉包；求該凸閉包的面積，最大直徑等幾何參數(shù)，如斑點面積SpotArea，斑點直徑 SpotDiameter ；
[0016]斑點色素:在上述提取到的斑點區(qū)域的凸閉包內(nèi)，統(tǒng)計肌膚圖像像素的Lab顏色直方圖，得到 SpotHistL，SpotHistA，SpotHistB 三個 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)計肌膚圖像像素的Lab顏色直方圖，得到SensitivityHistL，SensitivityHistA, SensitivityHistB 三個 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數(shù)和毛孔的幾何參數(shù)；如毛孔個數(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分值，b是健康肌膚模型參數(shù)；圖1中，服務(wù)器存儲了大量用戶的肌膚圖像和用戶本人對肌膚的評價分值。每一個樣本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分值，通過最小二乘法估計式(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/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
[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，計算這些特征之間的距離，當(dāng)距離大于閾值時，表示該特征變化較大，向用戶發(fā)送報警；否則，不報警。
[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算出各項檢測值；
[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)檢測項估計算法；
[0036](4)圖像檢測儀從智能云下載改進(jìn)了的肌膚檢測項的估計算法。
[0037]本發(fā)明將肌膚檢測儀與智能云連接，可實現(xiàn)檢測儀中檢測項估計算法的改進(jìn)與更新，充分利用各個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，并存儲在服務(wù)器端，服務(wù)器將每個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)得到每個用戶的個體健康肌膚模型。
[0043]步驟3，已知用戶個體健康肌膚模型時，輸入當(dāng)前肌膚圖像，通過圖像處理等方法，評價用戶當(dāng)前的肌膚狀態(tài)并且預(yù)測用戶肌膚在未來可能會出現(xiàn)的健康問題。
[0044]步驟4，將計算和分析得到的當(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)計直方圖，得到HistL, Hi stA，HistB三個256維的向量;
[0049](2)斑點特征:包括斑點尺寸大小和斑點色素。
[0050]斑點尺寸提取方法為:肌膚圖像中，斑點的顏色深于正常肌膚的顏色，本專利中斑點的Lab范圍是L〈120，a, b介于110與130之間；提取斑