[发明专利]基于深度学习和自适应阈值法的鼻翼黑头图像检测方法

说明书

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。

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；