[发明专利]基于光学的肌肤健康监测和预诊断智能方法

权利要求书

1.一种基于光学的肌肤健康监测和预诊断智能方法，其特征在于，包括如下步骤：

步骤1，客户端上传用户拍摄的光学肌肤图像，并存储在服务器端，服务器将每个用户上传的肌肤图像存入数据库；

步骤2，服务器端的学习算法，根据用户的历史肌肤图像，提取多种特征，通过智能学习算法，学习得到每个用户的个体健康肌肤模型；

步骤3，已知用户个体健康肌肤模型时，输入当前肌肤图像，通过图像处理，评价用户当前的肌肤状态并且预测用户肌肤在未来可能会出现的健康问题；

步骤4，将计算和分析得到的当前肌肤状态分值和肌肤健康问题的预警输出到客户端；

所述步骤2中的“学习算法”为，对肌肤图像提取多种特征，包括：肤色、斑点尺寸和颜色、敏感度和毛孔；对健康肌肤建立数学模型，模型为logistic模型；根据历史肌肤图像，训练得到健康肌肤模型；

算法详细过程如下

已知用户健康肌肤图像I，分别提取以下特征：

(1)肤色特征：肌肤图像颜色空间转换到Lab颜色空间，对Lab颜色分量分别统计直方图，得到HistL，HistA，HistB三个256维的向量；

(2)斑点特征：包括斑点尺寸大小和斑点色素；

斑点尺寸提取方法为：肌肤图像中，斑点的颜色深于正常肌肤的颜色，斑点的Lab范围是L<120，a，b介于110与130之间；提取斑点区域的二值掩模图像，根据该二值掩模图像求斑点区域的凸闭包；求该凸闭包的面积和最大直径；

斑点色素：在上述提取到的斑点区域的凸闭包内，统计肌肤图像像素的Lab颜色直方图，得到SpotHistL，SpotHistA，SpotHistB三个256维向量；

(3)肌肤敏感度特征：包括敏感区域大小和局部敏感程度；

敏感区域大小提取方法：敏感肌肤的表现是肌肤局部泛红，毛细血管可见，敏感区域的Lab范围是L>130，a，b介于110与130之间；提取敏感区域的二值掩模图像，根据该二值掩模图像求敏感区域的凸闭包；求该凸闭包的面积、凸闭包最大直径、敏感区域面积和敏感区域直径；

局部敏感程度：敏感程度与局部肌肤的泛红程度正相关，在上述提取到的敏感区域的凸闭包内，统计肌肤图像像素的Lab颜色直方图，得到SensitivityHistL，SensitivityHistA，SensitivityHistB三个256维向量；

(4)毛孔特征：

毛孔是肌肤图像中暗色小坑，毛孔的Lab范围是110<L<120；提取毛孔的二值掩模图像，根据该二值掩模图像求毛孔的个数、毛孔平均面积和毛孔直径；

将上述肤色特征、斑点特征、肌肤敏感度特征和毛孔特征拼接为一个特征向量，作为该肌肤图像的特征x，输入肌肤数学模型；

健康肌肤数学模型为logistic模型：

F(x)＝1/(1+exp(-b'*x)) (1)

其中，x为通过肌肤图像提取的特征，F为用户对本人肌肤的评价分值，b是健康肌肤模型参数；服务器存储了大量用户的肌肤图像和用户本人对肌肤的评价分值，每一个样本i，都对应肌肤图像Ii，特征向量xi和分值Fi；

已知肌肤图像和用户的评价分值，通过最小二乘法估计式(1)的健康肌肤模型参数b，即可得到健康肌肤数学模型；

所述步骤3的“当前肌肤状态评价/未来肌肤健康预测”方法为，提取当前肌肤图像特征，根据个体健康肌肤模型分析对比当前检测到的特征值和预测的特征值之间的差异，据此给出当前肌肤状态的评价和未来可能的肌肤健康问题，算法详细过程如下：

(1)当前肌肤状态评价

已知当前肌肤图像I，根据步骤2的图像特征提取方法，提取该图像的特征向量x，将该特征向量带入式(1)，得到的数值，即为当前肌肤状态分值；

(2)未来肌肤健康预测

已知当前肌肤图像，根据步骤2的图像特征提取方法，分别提取该图像的肤色，斑点尺寸和颜色，敏感度和毛孔特征，将这些特征与用户的健康肌肤图像特征比较，计算这些特征之间的距离，当距离大于阈值时，表示该特征变化较大，向用户发送报警；否则，不报警。