[发明专利]基于光学的肌肤健康监测和预诊断智能方法

说明书

技术领域

本发明涉及智能信息终端设备及数据处理应用领域，具体为一种基于光学的肌肤健康监测和预诊断智能方法。

背景技术

随着智能信息终端技术的发展与提高，越来越多的设备与终端可以进行较为复杂的信息及数据处理，给一些传统的行业与业务带来全新的方式，例如，在个人美容与化妆领域，用户对于形象的要求也越来越强烈，而皮肤是个人形象表现的最直接体现，因此，基于皮肤美容、护理的行业与产业也非常的多，例如各类美容杂志、网站与推广机构，特别是广告行业的投入费用也是非常的巨大，但是用户一般还是借助于经验进行美容和化妆，以及通过自己的学习与他人的交流，另外还有就是通过专业的机构，例如美容院来进行美容与化妆，因此，至少存在以下不足，美容化妆水平及效果受到个人的知识、能力的局限性，以及所接触到的信息的流通性，如果是专业机构，也存在不便利以及费用较高的影响，以及美容化妆质量的差次不齐。

另外，现有的智能信息设备的日益流行及使用，已经成为生活中不可缺少的一个重要组成部分，例如，智能手机就是这样，并且具有摄像头，可以获得脸部和头像照片，可以对所获得的图像以及所显示的效果进行比较、选择，来结合对个人进行美容化妆，以及其它更多的应用，特别是对于皮肤可以有更多的应用与优化。

发明内容

本发明要解决的技术问题是提供一种将图像肌肤检测仪的数据与智能云连接，通过云的智能算法不断学习和改进肌肤检测仪的精度的基于光学的肌肤健康监测和预诊断智能方法。

为解决上述技术问题，本发明提供了几个相关的技术方案如下：一种基于光学的肌肤健康监测和预诊断智能方法，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，通过图像处理等方法，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。

作为改进，步骤2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，毛孔等对肌肤病理诊断有意义的特征；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，本专利中斑点的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，根据该二值图像求斑点区域的凸闭包；求该凸闭包的面积，最大直径等几何参数，如斑点面积SpotArea，斑点直径SpotDiameter；

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。本专利中敏感区域的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，根据该二值图像求敏感区域的凸闭包；求该凸闭包的面积，最大直径等几何参数，如敏感区域面积SensitivityArea，敏感区域直径SensitivityDiameter；

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。本专利中毛孔的Lab范围是110<L<120；提取毛孔的二值掩模图像，根据该二值图像求毛孔的个数和毛孔的几何参数；如毛孔个数PoreNum，毛孔平均面积PoreArea，毛孔直径PoreDiameter；