蘇錦程， 胡 勇， 鞏彩蘭

(1.中國科學(xué)院大學(xué)，北京 100049; 2.中國科學(xué)院 上海技術(shù)物理研究所，上海 200083;3.中國科學(xué)院 紅外探測與成像技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海 200083)

0 引 言

針對粗大毛孔的美容需求不斷增加，需要一種對毛孔的精確檢測以及定量化的評估方法，應(yīng)用在皮膚狀況評價(jià)、化妝品功效評定、治療效果評估等方面。

Zhang Q和Whangbo T等人[1]，提出了一種全局光照均勻處理算法，實(shí)現(xiàn)了毛孔檢測；李成龍等人[2]利用 濾波器組抑制色斑，通過閾值分割出皺紋和毛孔，再通過長寬比篩選得到毛孔目標(biāo)；王賀等人[3]利用毛孔在皮膚上的顏色特性，在色度、飽和度、純度(hue,saturation,value,HSV)空間內(nèi)進(jìn)行分割，實(shí)現(xiàn)了毛孔的檢測；Sun J Y等人[4]利用多尺度三角網(wǎng)，利用毛孔的分布特性，實(shí)現(xiàn)了更加精確的提取。

當(dāng)前毛孔檢測相關(guān)研究較少，且主要集中于小區(qū)域檢測，在較大區(qū)域檢測中，毛孔目標(biāo)較小，受到色斑、膚色不均、皮膚表面油光和光照等多種因素的影響更大，容易產(chǎn)生錯(cuò)檢。

本文綜合分析了當(dāng)前毛孔檢測算法，結(jié)合較大區(qū)域檢測的實(shí)際應(yīng)用需求，提出了一種基于聯(lián)合特征約束的毛孔檢測算法,通過毛孔色調(diào)、尺寸、形狀等特征的聯(lián)合約束，有效抑制了背景的影響并實(shí)現(xiàn)了毛孔的精確提取。

1 毛孔特征分析和算法總體流程

1.1 毛孔圖像特征分析

毛孔特征如下：1)色調(diào)特征：對比皮膚，毛孔色調(diào)偏暗；2)形狀特征：毛孔形狀近圓形；3)尺寸特征：屬于小目標(biāo)。

背景特征如下：1)色調(diào)特征：整體亮度不均勻。(主要影響因素有皮膚油光、膚色不均、光照不均、斑點(diǎn)等)；2)形狀特征：斑點(diǎn)不規(guī)則形狀，細(xì)微毛發(fā)細(xì)長；3)尺寸特征：毛孔尺寸遠(yuǎn)小于斑點(diǎn)。

可知毛孔檢測的關(guān)鍵點(diǎn)在于：1)消除圖像整體亮度不均勻的影響；2)消除斑點(diǎn)、毛發(fā)等目標(biāo)的影響。

1.2 檢測算法總體流程

本文通過利用毛孔色調(diào)、形狀、 尺寸三個(gè)方面的特征，針對圖像整體亮度不均勻、背景復(fù)雜等影響因素，設(shè)計(jì)了基于聯(lián)合特征約束的毛孔檢測方法。

1)預(yù)處理：輸入普通白光下拍攝的待處理區(qū)域三原色(RGB)圖像，取油光干擾少的B波段作為灰度圖像，執(zhí)行反向拉伸操作，使得毛孔在圖像上表現(xiàn)為高亮度目標(biāo)。

2)背景抑制：對拉伸后圖像進(jìn)行中值濾波操作，利用原圖減去濾波后圖像，得到差分圖像，突出毛孔目標(biāo)，然后采用腐蝕消除部分毛發(fā)影響。

3)分塊分割：基于大津法自適應(yīng)選取分塊閾值，并利用補(bǔ)償項(xiàng)修正，將預(yù)處理后的圖像分割為前景和背景，實(shí)現(xiàn)毛孔的初步檢測。

4)精細(xì)篩選：計(jì)算每個(gè)前景目標(biāo)的大小，將過小的噪聲消除。計(jì)算毛孔的圓形度，消除細(xì)微毛發(fā)和皮膚紋理帶來的錯(cuò)檢，得到最終毛孔檢測結(jié)果。

2 檢測算法相關(guān)原理

2.1 基于中值濾波的背景抑制

均勻的光照和背景是圖像分割的理想條件，在非均勻光照和背景下進(jìn)行目標(biāo)分割，易導(dǎo)致暗部分割錯(cuò)誤，將背景錯(cuò)誤分類為前景。

頂帽變換[5]是典型的背景抑制方法，即利用一個(gè)結(jié)構(gòu)元b，通過開操作或閉操作從一幅圖像f中刪除物體，而不是擬合被刪除的物體。然后，通過差操作得到一幅僅保留已刪除分量的圖像That。其中，具體的結(jié)構(gòu)元b可根據(jù)目標(biāo)物體選擇

That=f-(f°b)

(1)

反向處理后，圖像中毛孔表現(xiàn)為偏亮的小圓斑，由于光照、油光、斑點(diǎn)等因素影響，背景不均勻，直接分割難度大?；陧斆弊儞Q思想，本文考慮利用中值濾波將形狀和亮度較為均勻的毛孔濾除，將原圖與濾波圖相減。這樣的處理保留了毛孔信號，而背景接近0值，從而抑制了不均勻背景的影響。

中值濾波[6]是基于統(tǒng)計(jì)排序的非線性濾波方法，可以在濾除脈沖噪聲的同時(shí)，有效保護(hù)信號的邊緣不被模糊，即

g(x,y)=median{f(x-i,y-j)},(i,j)∈S

(2)

式中g(shù)(x,y),f(x,y)為像素灰度值，S為模板窗口。如圖1所示，通過基于中值濾波的背景抑制處理，圖像背景近似于0，毛孔目標(biāo)突出，大大降低了目標(biāo)分割的難度。

圖1 差分結(jié)果(拉伸)

2.2 數(shù)學(xué)形態(tài)學(xué)處理

如圖2所示，經(jīng)背景抑制處理后，不均勻背景的影響被削弱，進(jìn)一步觀察發(fā)現(xiàn)，背景抑制結(jié)果圖中受細(xì)微毛發(fā)的影響。

腐蝕是形態(tài)學(xué)處理[7]的基本操作之一，選取結(jié)構(gòu)元素X，將圖像X的每一個(gè)與結(jié)構(gòu)元素全等的自己B+x收縮為點(diǎn)x，腐蝕可以消除邊界處的干擾點(diǎn)，毛發(fā)很細(xì)，可當(dāng)作毛孔邊界的線條狀排布的干擾點(diǎn)，通過腐蝕處理基本可以消除

XΘB={x|B+x?X}

(3)

如圖2箭頭所指，細(xì)微毛發(fā)纖細(xì)扁長，直接采用形態(tài)學(xué)處理可基本消除細(xì)微毛發(fā)及部分噪聲的影響。另外，由于毛孔目標(biāo)亮度存在擴(kuò)散現(xiàn)象，因此，腐蝕不會影響毛孔的檢測。如圖2所示，處理后細(xì)微毛發(fā)的影響基本被消除。

圖2 原圖及形態(tài)學(xué)處理結(jié)果

2.3 改進(jìn)的自適應(yīng)閾值分割

(4)

傳統(tǒng)的Ostu算法對灰度直方圖為雙峰形狀的圖像分割效果好，但對于某些圖像而言，目標(biāo)與背景方差差別較大，背景灰度值小于目標(biāo)灰度值，當(dāng)背景方差小時(shí)，Ostu法得到的閾值將會低于理想的閾值。Ostu只考慮最大類間方差，沒有綜合類內(nèi)方差，使得分割效果不佳[9]。在背景抑制后的毛孔圖像灰度直方圖中，目標(biāo)部分的方差較大，而背景部分的方差小，因此，直接采用Ostu算法所計(jì)算的閾值并非最佳。

如圖5(a)所示，采用全局Ostu分割時(shí)，右側(cè)暗部的分割效果不佳。為了進(jìn)一步消除光照不均造成的亮度不均，本文采用分塊分割的方式處理。

在多個(gè)圖像塊的目視毛孔理想分割閾值和Ostu閾值的統(tǒng)計(jì)中發(fā)現(xiàn)，兩者之差基本穩(wěn)定在3左右。因此在Ostu算法計(jì)算閾值thOstu的基礎(chǔ)上引入一個(gè)補(bǔ)償項(xiàng)δ(本文δ=3)進(jìn)行修正，可獲得更好的分割效果，毛孔分割閾值為

th=thOstu+δ

(5)

選取部分圖像塊對比分割效果，如圖3所示，Ostu閾值把大部分非0像素都分割為目標(biāo)。而修正閾值能更準(zhǔn)確地分割目標(biāo)，保持目標(biāo)的形狀。特別是在幾乎沒有毛孔的均勻圖像塊中，可有效減少錯(cuò)誤分割。

圖3 閾值修正前后分割結(jié)果局部對比

綜上所述，本文針對毛孔檢測問題，對傳統(tǒng)的Ostu方法進(jìn)行改進(jìn)，先對圖像進(jìn)行分塊，在塊內(nèi)計(jì)算Ostu閾值，并增加補(bǔ)償值修正，最后利用修正后的閾值進(jìn)行分割，具體流程如圖4。通過圖5的對比可發(fā)現(xiàn)，分塊分割進(jìn)一步抑制了亮度不均的影響，總體上較好地實(shí)現(xiàn)了對毛孔的分割。

圖4 改進(jìn)的Ostu算法流程

圖5 分割結(jié)果對比

2.4 精細(xì)篩選

通過圖6(a)所示初步分割結(jié)果與圖6(c)所示原圖對比發(fā)現(xiàn)，分割結(jié)果中的主要錯(cuò)檢，一部分來源于背景估計(jì)誤差所帶來的小噪聲，尺寸小于毛孔。另一部分是細(xì)微毛發(fā)和皮膚紋理帶來的錯(cuò)檢，形狀各異。

本文利用毛孔的尺寸以及形狀特征，采用大小和圓形度兩個(gè)量化指標(biāo)對分割結(jié)果進(jìn)行篩選。其中，大小定義為候選目標(biāo)的像素?cái)?shù)num，認(rèn)為num小于閾值th_num的候選目標(biāo)是噪聲，從圖像中刪去，結(jié)果如圖6(b)所示。另外，圓形度的定義為候選目標(biāo)面積S1占最小內(nèi)切圓面積S2的比例P=S1/S2，認(rèn)為P小于閾值th_P的候選目標(biāo)是細(xì)微毛發(fā)，從圖像中刪去，最終篩選結(jié)果疊加圖如圖6(d)所示。

圖6 精細(xì)篩選結(jié)果

3 實(shí)驗(yàn)結(jié)果和分析

本文以MATLAB為平臺進(jìn)行實(shí)驗(yàn)，硬件環(huán)境為CPU 2.20 GHz，內(nèi)存為4 GB。圖像采集設(shè)備為Visia第七代皮膚檢測儀，實(shí)驗(yàn)圖像尺寸為715×673，覆蓋大部分臉頰區(qū)域，包含了斑點(diǎn)、毛發(fā)、油光、光照等因素影響。

在具體實(shí)驗(yàn)中，設(shè)置中值濾波窗口半徑r為8，圖像塊大小為60，閾值補(bǔ)償值δ為3，尺寸閾值th_num為8，以及圓形度篩選閾值th_P為5。若采用其他圖像采集設(shè)備，可根據(jù)具體光照情況、與被攝人員的距離調(diào)整參數(shù)。

本文算法實(shí)驗(yàn)對比結(jié)果如圖7所示，利用文獻(xiàn)[2,3]算法實(shí)驗(yàn)結(jié)果作為對比。

圖7 各算法實(shí)驗(yàn)結(jié)果對比

將精確率定義為正確檢測的數(shù)量比算法檢測總數(shù)量。召回率定義為正確檢測數(shù)量比人工標(biāo)記的數(shù)量。對20張不同人的臉頰區(qū)域圖像依照同樣實(shí)驗(yàn)方法進(jìn)行實(shí)驗(yàn)，統(tǒng)計(jì)結(jié)果如表1所示(σ為標(biāo)準(zhǔn)差)。

表1 檢測效果指標(biāo)統(tǒng)計(jì)表

HSV法在亮度圖像和飽和度圖像上閾值分割，結(jié)合分割結(jié)果作為最終檢測結(jié)果。該方法僅利用了毛孔的顏色信息，在檢測帶斑點(diǎn)和非均勻光照的大區(qū)域圖像時(shí)檢測性能較差。

ε濾波器法將毛孔信號看作高頻信號中的大幅度分量，利用低通線性濾波器和ε非線性濾波器的組合，抑制了色斑和噪聲的影響，在光照均勻區(qū)域中精確率較高。由于線性濾波器的均勻作用，檢測目標(biāo)輪廓較為光滑，形狀信息有損失。兩種對比算法均未實(shí)現(xiàn)自適應(yīng)閾值的最佳毛孔分割。

本文聯(lián)合色調(diào)、形狀、尺寸多特征進(jìn)行毛孔檢測，從統(tǒng)計(jì)指標(biāo)上看，同時(shí)具有較高的精確率和召回率。從目視效果上看，在非均勻光照條件下檢測出了大部分毛孔目標(biāo)，且形狀保持較好，更有利于毛孔目標(biāo)的精確評估。

4 結(jié)束語

本文針對較大區(qū)域皮膚圖像，基于毛孔色調(diào)、尺寸、形狀等特征分析，充分考慮了毛孔檢測的各影響因素，提出了一種基于聯(lián)合特征約束的毛孔檢測算法。仿真結(jié)果表明，該聯(lián)合特征約束算法具有高精度和低誤檢的特點(diǎn)。在光照不均、斑點(diǎn)較多、皮膚毛發(fā)多等檢測條件下，具有穩(wěn)定的檢測性能。

從實(shí)驗(yàn)結(jié)果中發(fā)現(xiàn)，在與毛孔尺寸相當(dāng)?shù)钠p、痤瘡區(qū)域，不能很好地區(qū)分。由于采用灰度圖像，沒有充分利用RGB三個(gè)通道的信息，下一步可考慮利用豐富的顏色信息，對皮膚圖像的各項(xiàng)特征進(jìn)行更加精細(xì)的區(qū)分，從而實(shí)現(xiàn)皮膚特征的精確檢測和評估。