基于深度学习和自适应阈值法的鼻翼黑头图像检测方法

摘要

本发明公开了一种基于深度学习和自适应阈值法的鼻翼黑头图像检测方法，该方法包括如下步骤：S1.收集人脸五官分割数据集，训练CNN级联网络并保存网络参数；S2.调用训练好的CNN级联网络进行五官分割，将人脸图像中的鼻部图像提取出来；S3.将鼻部图像提取蓝色单通道，去除边缘、光线和阴影的影响，去除鼻孔部分；S4.用自适应阈值法提取黑头；S5.利用tkinter制作交互界面。本发明采用卷积神经网络对人脸五官进行分割，从而避免不同部位颜色差异对检测结果的影响，提取单通道图像以减小光照和肤色影响，采用腐蚀、阈值分割方法去除边界和鼻孔黑影、高光的影响，采用自适应阈值检测黑头减小光照等因素的影响。

说明书

技术领域

本发明属于数字图像处理技术领域，具体涉及一种基于深度学习和自适应阈值法的鼻翼黑头图像检测方法。

背景技术

数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展(特别是离散数学理论的创立和完善)；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。

深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI,ArtificialIntelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)”。卷积神经网络仿造生物的视知觉(visual perception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-like topology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(feature engineering)要求。

近年来，人们对护肤越来越重视，各种各样皮肤检测的产品也随之活跃在市场上。而由于黑头在照片中占比很小、颜色不明显，受到光照、皮肤上的斑点、相机像素等因素的影响很大，因此检测黑头是一件非常困难的事。

发明内容

为解决上述问题，本发明公开了一种基于深度学习和自适应阈值法的鼻翼黑头图像检测方法，采用卷积神经网络对人脸五官进行分割，从而避免不同部位颜色差异对检测结果的影响，提取单通道图像以减小光照和肤色影响，采用腐蚀、阈值分割方法去除边界和鼻孔黑影、高光的影响，采用自适应阈值等方法检测黑头减小光照等因素的影响。最后制作用户交互界面以便使用。

上述的目的通过以下的技术方案实现：

一种基于深度学习和自适应阈值法的鼻翼黑头图像检测方法，该方法包括如下步骤：

S1.收集人脸五官分割数据集，训练CNN级联网络并保存网络参数；

S2.调用训练好的CNN级联网络进行五官分割，将人脸图像中的鼻部图像提取出来；

S3.将鼻部图像提取蓝色单通道，去除边缘、光线和阴影的影响，去除鼻孔部分；

S4.用自适应阈值法提取黑头；

S5.利用tkinter制作交互界面。

所述的于深度学习和自适应阈值法的鼻翼黑头图像检测方法，步骤S1中所述CNN级联网络利用交叉熵损失函数进行面部标志的检测，将检测到的68个定位点，编码成68个单独的通道，通道在其对应的面部标志位置有一个二维高斯分布，把这68个通道堆积在一起，和原始图像一起传送给区域分割网络；

所述训练CNN级联网络是将标志编码成位于提供的面部标志位置的二维高斯分布，每一个面部标志分配其单独的通道来阻止与其他面部标志的重合，所述交叉熵损失函数中，n是标注数据的标签，该标注数据的高斯分布

面部区域分割网络，利用softmax损失函数作为最后的损失函数：

其中M是输出的个数。

所述的于深度学习和自适应阈值法的鼻翼黑头图像检测方法，步骤S4中所述用自适应阈值法提取黑头的具体方法是：

设阈值为T，将图像分割成目标图像C

对于给定的图像I(x，y)，设分割目标图像和背景图像的阈值为T，属于目标图像的像素点数占整幅图像的比例为ω

N

ω

μ＝ω

g＝ω

从而得到：

g＝ω

通过遍历整个区间来得到使类间方差最大的分割阈值。

本发明的有益效果是：

本发明用卷积神经网络对人脸五官进行分割，从而避免不同部位颜色差异对检测结果的影响，提取单通道图像以减小光照和肤色影响，采用腐蚀、阈值分割方法去除边界和鼻孔黑影、高光的影响，采用自适应阈值等方法检测黑头减小光照等因素的影响。本发明能够准确快速地检测人脸图像上的鼻翼黑头，并为检测者提供护肤建议，为医疗美容等领域提供一定的技术参考。

附图说明

图1是人脸分割结果；

图2是分割出来的鼻部图像；

图3是黑头检测结果图；

图4是用户界面：选择图片地址和保存地址；

图5是用户界面：检测结果；

图6是用户界面：检测图片展示。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明的一种基于深度学习和自适应阈值法的鼻翼黑头图像检测方法，该方法包括如下步骤：

S1.收集人脸五官分割数据集，训练CNN级联网络并保存网络参数；

CNN级联网络利用交叉熵损失函数进行面部标志的检测，将检测到的68个定位点，编码成68个单独的通道，通道在其对应的面部标志位置有一个二维高斯分布，把这68个通道堆积在一起，和原始图像一起传送给区域分割网络；

所述训练CNN级联网络是将标志编码成位于提供的面部标志位置的二维高斯分布，每一个面部标志分配其单独的通道来阻止与其他面部标志的重合，每一个点更加容易相互区分，所述交叉熵损失函数中，n是标注数据的标签，该标注数据的高斯分布

面部区域分割网络，利用softmax损失函数作为最后的损失函数：

其中M是输出的个数。

S2.调用训练好的CNN级联网络进行五官分割，将人脸图像中的鼻部图像提取出来；

S3.将鼻部图像提取蓝色单通道，采用腐蚀、阈值分割方法去除边界和鼻孔黑影。由于鼻孔黑影是鼻部图像中灰度值最大的连续区域，因此可以采用阈值分割方法将其去除；

S4.用自适应阈值法提取黑头；

自适应阈值法是最大类间方差法的改进。它的思想不是计算全局图像的阈值，而是根据图像不同区域亮度分布，计算其局部阈值，所以对于图像不同区域，能够自适应计算不同的阈值。设阈值为T，将图像分割成目标图像C

对于给定的图像I(x，y)，设分割目标图像和背景图像的阈值为T，属于目标图像的像素点数占整幅图像的比例为ω

N

ω

μ＝ω

g＝ω

从而得到：

g＝ω

通过遍历整个区间来得到使类间方差最大的分割阈值。

最后，利用tkinter库制作交互界面，计算黑头占比，为用户提出一些护肤建议。交互界面应具有图像地址选择、保存地址选择、显示图像、开始检测、退出系统和提示等功能。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。