基于光學的肌膚健康監測和預診斷智能方法
【技術領域】
[0001]本發明涉及智能信息終端設備及數據處理應用領域，具體為一種基于光學的肌膚健康監測和預診斷智能方法。
【背景技術】
[0002]隨著智能信息終端技術的發展與提高，越來越多的設備與終端可以進行較為復雜的信息及數據處理，給一些傳統的行業與業務帶來全新的方式，例如，在個人美容與化妝領域，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的最直接體現，因此，基于皮膚美容、護理的行業與產業也非常的多，例如各類美容雜志、網站與推廣機構，特別是廣告行業的投入費用也是非常的巨大，但是用戶一般還是借助于經驗進行美容和化妝，以及通過自己的學習與他人的交流，另外還有就是通過專業的機構，例如美容院來進行美容與化妝，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，如果是專業機構，也存在不便利以及費用較高的影響，以及美容化妝質量的差次不齊。
[0003]另外，現有的智能信息設備的日益流行及使用，已經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行比較、選擇，來結合對個人進行美容化妝，以及其它更多的應用，特別是對于皮膚可以有更多的應用與優化。
【發明內容】
[0004]本發明要解決的技術問題是提供一種將圖像肌膚檢測儀的數據與智能云連接，通過云的智能算法不斷學習和改進肌膚檢測儀的精度的基于光學的肌膚健康監測和預診斷智能方法。
[0005]為解決上述技術問題，本發明提供了幾個相關的技術方案如下:一種基于光學的肌膚健康監測和預診斷智能方法，包括如下步驟:
[0006]步驟1，客戶端上傳用戶拍攝的光學肌膚圖像，并存儲在服務器端，服務器將每個用戶上傳的肌膚圖像存入數據庫。
[0007]步驟2，服務器端的學習算法，根據用戶的歷史肌膚圖像，提取多種特征，通過智能學習算法，學習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，輸入當前肌膚圖像，通過圖像處理等方法，評價用戶當前的肌膚狀態并且預測用戶肌膚在未來可能會出現的健康問題。
[0009]步驟4，將計算和分析得到的當前肌膚狀態分值和肌膚健康問題的預警輸出到客戶端。
[0010]作為改進，步驟2的“學習算法”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；對健康肌膚建立數學模型，模型為logistic模型；根據歷史肌膚圖像，訓練得到健康肌膚模型。
[0011]算法詳細過程如下
[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換到Lab顏色空間，對Lab顏色分量分別統計直方圖，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；提取斑點區域的二值掩模圖像，根據該二值圖像求斑點區域的凸閉包；求該凸閉包的面積，最大直徑等幾何參數，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域的凸閉包內，統計肌膚圖像像素的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:包括敏感區域大小和局部敏感程度。
[0018]敏感區域大小提取方法:敏感肌膚的表現是肌膚局部泛紅，毛細血管可見。本專利中敏感區域的Lab范圍是L>130，a, b介于110與130之間；提取敏感區域的二值掩模圖像，根據該二值圖像求敏感區域的凸閉包；求該凸閉包的面積，最大直徑等幾何參數，如敏感區域面積 SensitivityArea，敏感區域直徑 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。在上述提取到的敏感區域的凸閉包內，統計肌膚圖像像素的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，根據該二值圖像求毛孔的個數和毛孔的幾何參數；如毛孔個數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，輸入肌膚數學模型。
[0023]健康肌膚數學模型為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為用戶對本人肌膚的評價分值，b是健康肌膚模型參數；圖1中，服務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b，即可得到健康肌膚數學模型。
[0027]作為優選，所述步驟3的“當前肌膚狀態評價/未來肌膚健康預測”方法為，提取當前肌膚圖像特征，根據個體健康肌膚模型分析對比當前檢測到的特征值和預測的特征值之間的差異，據此給出當前肌膚狀態的評價和未來可能的肌膚健康問題。算法詳細過程如下:
[0028](I)當前肌膚狀態評價
[0029]已知當前肌膚圖像I，根據步驟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)，得到的數值，即為當前肌膚狀態分值；
[0030](2)未來肌膚健康預測
[0031]已知當前肌膚圖像，根據步驟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，當距離大于閾值時，表示該特征變化較大，向用戶發送報警；否則，不報警。
[0032]根據以上技術方案可以看出本發明具有的優點為:
[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據及結果上傳智能云；
[0035](3)智能云根據收集到的各個終端的圖像和數據，通過智能算法，更新和改進檢測項估計算法；
[0036](4)圖像檢測儀從智能云下載改進了的肌膚檢測項的估計算法。
[0037]本發明將肌膚檢測儀與智能云連接，可實現檢測儀中檢測項估計算法的改進與更新，充分利用各個終端肌膚檢測儀的圖像數據和檢測結果，使檢測結果更加準確。
【附圖說明】
[0038]圖1是本發明的基于光學的肌膚健康監測和預診斷智能方法的示意圖。
【具體實施方式】
[0039]下面結合附圖對本發明做進一步的詳細說明。
[0040]結合附圖1所示，一種基于光學的肌膚健康監測和預診斷智能方法，包括如下步驟:
[0041]步驟1，客戶端上傳用戶拍攝的光學肌膚圖像，并存儲在服務器端，服務器將每個用戶上傳的肌膚圖像存入數據庫。
[0042]步驟2，服務器端的學習算法，根據用戶的歷史肌膚圖像，提取多種特征，通過智能學習算法，學習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，輸入當前肌膚圖像，通過圖像處理等方法，評價用戶當前的肌膚狀態并且預測用戶肌膚在未來可能會出現的健康問題。
[0044]步驟4，將計算和分析得到的當前肌膚狀態分值和肌膚健康問題的預警輸出到客戶端。
[0045]步驟2的“學習算法”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；對健康肌膚建立數學模型，模型為logistic模型；根據歷史肌膚圖像，訓練得到健康肌膚模型。
[0046]算法詳細過程如下
[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換到Lab顏色空間，對Lab顏色分量分別統計直方圖，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