一种基于HSV颜色空间皮肤毛孔检测算法.docVIP

一种基于HSV颜色空间的皮肤毛孔检测算法 　　人体皮肤病理诊断以及日常护理都需要精确地检测各项皮肤的生理指标，而毛孔数量及大小作为一项重要的指标可以反映皮肤的生理状况。本文提出一种实现人体皮肤微距图像中的毛孔提取与大小检测的图像处理算法：HSV颜色空间采用最大类间方差法进行阈值分割得到毛孔提取初步结果，通过形态学运算去除干扰噪声点实现自动毛孔提取与大小检测。实验证明本算法的提取结果是令人满意的。 　　【关键词】hsv颜色空间 阈值分割 形态学去噪 毛孔检测 　　1 引言 　　皮肤在医学检测、日常护理方面受到人们的广泛关注。人体皮肤毛孔则可以反映出人体的生理状况，用于检测皮肤组织的老化、病变等情况。目前国内外皮肤检测方式主要有3种： 　　（1）病理切片分析。采集人体皮肤样本，用仪器及药剂进行检测。 　　（2）基于生物电阻抗的接触式检测。 　　（3）基于皮肤图像采集处理的检测。随着近年来图像处理技术不断发展，检测准确性提高，且具有无须采集活体样本、检测方便快捷的特点，基于皮肤图像的皮肤检测成为相关研究的热点并在皮肤的纹理、色斑、皱纹等信息识别中取得了突破进展。但基于皮肤图像的毛孔检测通常仍采用半手动或纯手动方式，即需要人在图像上手动标记毛孔，依赖于专业人士的判别，其检测流程复杂且对毛孔的定义模糊。 　　微距图像具有高分辨率、色调一致、亮度与饱和度不同等特点。本文采用微距皮肤图像作为处理对象，提出一种人脸皮肤毛孔检测与标记算法，实现对面部皮肤毛孔的自动提取、大小检测，达到皮肤检测的目的。 　　2 毛孔检测算法 　　面部皮肤中毛孔区域与普通区域紧密相连，肤色相近，难以从颜色提取分离，但由于毛囊结构，毛孔区域相比普通区域下陷，采集到的图像毛孔区域亮度偏低，饱和度偏高。据此，本文提出一种基于亮度和饱和度阈值分割的人脸皮肤毛孔提取与大小检测算法，其实现流程图1所示。 　　2.1 HSV颜色空间 　　图片常用RGB颜色空间通过红绿蓝（R，G，B）三个分量来储存每个点的颜色信息。由于这三个分量具有很强的相关性，直接进行图像分割难以得到所需效果。HSV颜色空间是一种适应于人体对色彩感知的颜色空间，其圆锥模型如图2所示，其中色调H为角度、饱和度S为半径、亮度V为纵轴，圆锥上各个点即表示不同的颜色。HSV颜色空间的三个分量相关性弱，色调H与饱和度S、亮度V分离，能单独对饱和度S、亮度V阈值分割。微距皮肤图像色调分布集中，而毛孔区域与普通皮肤区域亮度与饱和度信息差异较明显，故本文采用HSV颜色空间的亮度V和饱和度S进行图像分割。 　　RGB颜色空间到HSV颜色空间的转换公式为： 　　（1） 　　2.2 图像阈值分割 　　为了将毛孔区域与普通皮肤区域分离，需要根据阈值进行图像分割。目前对图像阈值选取有最大类间方差法、最小误差法、最大熵法等多种方法。其中由日本学者大津展于1978年提出的最大类间方差法能够有效地分离背景与目标，是一种无参数无监督的阈值分割法，适用于类间方差为单峰的情况，且效率高，满足皮肤图像分割需要。 　　HSV空间图像饱和度S的灰度级范围为[0，255]，进行S的阈值分割首先要将所有像素按灰度级阈值分为背景和目标两类。设ωi0为以i灰度级为阈值时目标像素点所占比例，ωi1为对应的背景像素点所占比例，μi0是目标像素点灰度平均值，μi1是背景像素点灰度平均值，则S在第i灰度级的类间方差定义为： 　　σi2=ωi0 ωi1 （μi0-μi1）2 （2） 　　最大类间方差对应最优饱和度S的阈值，即 　　σS最优阈值2=max（σi2） （i∈[0，255]） （3） 　　图3（a）为使用CBS-902皮肤检测仪采集的皮肤原始图像，根据最优饱和度阈值分割后的结果如图3（b）所示。采用同样的步骤可得到亮度V的最大类间方差阈值，对应的最优亮度V分割结果如图3（c）所示。 　　由于微距皮肤图像饱和度S受到皮肤纹理干扰较大，亮度V受到毛发干扰较大，单独对饱和度S或亮度V分割得到的结果均不能准确地提取出毛孔区域。鉴于毛孔图像的高亮度和高饱和度特征，本算法对两种阈值分割处理后的图像进行相与掩膜，即阈值分割结果图像为 　　B=B（V）B（S） （4） 　　其中B（V）为亮度V阈值分割得到的结果图，B（S）为饱和度S阈值分割得到的结果图。以此得到提取毛孔、检测毛孔大小的初步结果如图3（d）所示。 　　2.3 形态学去噪 　　由于拍摄抖动、光照不均匀、皮肤不平整等原因，会导致分割初步结果图上存在大量噪声点，影响毛孔的自动提取效果与大小检测精度。形态学运算在图像处理中广泛应用，可在保持区域连通性的同时去除噪点，故本文采用形态学运算去除噪声干扰。腐蚀运算，膨胀运算和开运算是形态学运算中的基本方法，其定义分别为