本发明涉及美容医疗领域，特别是指一种色斑检测识别方法。
背景技术：
传统的色斑检测和识别方法多使用图像分割或增强的技术获得，结合规则进行色斑检测，在识别方面，多使用模板匹配或者是近邻匹配得到色斑的种类。以上方法要求图像有很好的可分割性，但现实场景中，由于拍摄设备，光照等多种因素的影响，对图像进行好的分割比较困难，导致色斑检测和识别误差较大；同时，由于分割算法需要人工进行参数调整，而人工调整参数多数通过在一定数量的采样图像上进行，不能反映图像整体的分布，所以分割算法的可迁移性较差。
技术实现要素：
本发明提出一种具有良好迁移性，且精度高的色斑检测识别方法。
本发明的技术方案是这样实现的：
一种色斑检测识别方法，包括以下步骤：
步骤一：采集N张人脸图片，其中N≥1000，人脸图片包含所有色斑种类及色斑的变种图片；
步骤二：对每一张人脸图片上的色斑按照预先设定的方式标注色斑区域以及色斑种类，设定该信息为标注信息并进行保存；
步骤三：根据像素点的色斑检测模型，提取色斑的颜色特征及小波变换特征，设定该信息为特征向量一并进行保存；
步骤四：对每一种色斑的特征向量一及标注信息进行读取并进行迭代直至获得每一种色斑的颜色特征均值及小波变换特征均值并进行保存，其迭代过程使用SVM(支持向量机)；
步骤五：每一色斑以其中心为中心点，并以包围该色斑的最小矩形提取色斑图片，将这些图片统一warping(弯曲)到同一尺寸大小的正方形；提取warping后的色斑图片中的颜色、纹理及斑点特征并设定该类信息为特征向量二；
步骤六：对每一种色斑的特征向量二及标注信息进行读取并进行迭代直至获得每一种色斑的颜色均值、纹理均值及斑点特征均值并进行保存，其迭代过程使用SVM(支持向量机)；
步骤七：读取待检测的人脸图片上的色斑信息，对其进行形态学的去噪、粘结、平滑处理后与所述颜色特征均值及小波变换特征均值进行匹配获得色斑区域；再将该待检测的色斑信息与颜色均值、纹理均值及斑点特征均值进行匹配识别色斑种类；输出获得的色斑区域与色斑种类信息。
本发明提供的一种色斑检测识别方法，通过步骤一与二建立人脸图片数据库即色斑数据库，通过步骤三与四分析色斑数据库中的特征向量一信息，获得色斑区域模型，通过步骤五与步骤六分析色斑数据库中的特征向量二信息，获得色斑种类模型，然后根据区域模型及色斑种类模型对待检测的人脸图片进行识别，从而可以完成高精度的检测与识别，本发明通过将训练模型运用于色斑检测领域，同时将计算机视觉领域非常有效的颜色、纹理、小波等特征作为识别考量的参数，从而可以提高识别的精度；且该方法还可以更进一步的运用于色斑特征构造与特征组合方向，因此具有良好的迁移性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种色斑检测识别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，一种色斑检测识别方法，包括以下步骤：
步骤一：采集N张人脸图片，其中N≥1000，人脸图片包含所有色斑种类及色斑的变种图片；在此步骤各种N的数值越大，种类则越齐全，且能为后续的执行步骤提升更高的精度。
步骤二：对每一张人脸图片上的色斑按照预先设定的方式标注色斑区域以及色斑种类，设定该信息为标注信息并进行保存；此步骤可预先设定不同的标注方式。其标注方式需要满足：1、标注标准必须统一；2、需要标注两个信息，一个是色斑的区域，通过不规则的曲线标注即可，另一个是标注对应色斑区域的色斑种类。标注结果保存分成两部分，色斑区域直接在图上用可辨识的颜色曲线标注出来即可，色斑种类以及对应的图片名在excel或者txt文本中保存一一对应。
步骤三：根据像素点的色斑检测模型，提取色斑的颜色特征及小波变换特征，设定该信息为特征向量一并进行保存；在此步骤中基于像素点的色斑检测模型进行判断，即判断某一个像素点是否属于色斑区域，而判断一个像素点是否属于色斑区域，和其本身的颜色信息、纹理信息以及周围小区域的颜色纹理信息都有关。因此提取色斑以及其周围小区域的颜色特征及小波变换特征。
步骤四：对每一种色斑的特征向量一及标注信息进行读取并进行迭代直至获得每一种色斑的颜色特征均值及小波变换特征均值并进行保存，其迭代过程使用SVM(支持向量机)；此步骤亦可称为使用SVM(支持向量机)训练分类模型，每一种色斑其包含多种参数，其迭代的过程中参数不断被进行调整，最终获得颜色特征均值及小波变换特征均值；该颜色特征均值及小波变换特征均值为接近对应的色斑的真实参数的最佳值，且其为一个区域范围值。
步骤五：每一色斑以其中心为中心点，并以包围该色斑的最小矩形提取色斑图片，将这些图片统一warping到同一尺寸大小的正方形；提取warping后的色斑图片中的颜色、纹理及斑点特征并设定该类信息为特征向量二；此步骤中色斑中心为其外接矩形的中心。而采用最小矩形提取色斑图片是由于其包含的色斑信息度最为精准。
步骤六：对每一种色斑的特征向量二及标注信息进行读取并进行迭代直至获得每一种色斑的颜色均值、纹理均值及斑点特征均值并进行保存，其迭代过程使用SVM；与步骤四原理类似，该过程也亦可称为使用SVM(支持向量机)训练分类模型，但其参数不同，其读取的数值为warping后的色斑图片的数值，获得的色斑的颜色均值、纹理均值及斑点特征均值亦为接近对应的色斑的真实参数的最佳值，且其为一个区域范围值。
步骤七：读取待检测的人脸图片上的色斑信息，对其进行形态学的去噪、粘结、平滑处理后与所述颜色特征均值及小波变换特征均值进行匹配获得色斑区域；再将该待检测的色斑信息与颜色均值、纹理均值及斑点特征均值进行匹配识别色斑种类；输出获得的色斑区域与色斑种类信息。其中进行形态学的去噪、粘结、平滑处理为本领域一种基本操作手段，此步骤可实现自动检测与识别的过程，且将计算机视觉领域非常有效的颜色、纹理、小波等特征作为识别考量的参数，从而可以提高识别的精度。
优选的，所有色斑种类根据性质可分为活性斑、定性斑；亦可以根据类别包括常见的雀斑、黑斑、黄褐斑等等；而若出现新的斑种时，也可以通过重复步骤一至七的方式增加该斑种的特征信息，从而实现检测与识别的功能。
优选的，在执行步骤二时，预先设定的方式为根据不同的色斑预先设定不同的颜色与编号进行分类。当然其不限于此分类方式，其还可以仅根据编号的方式进行分类，
本发明提供的一种色斑检测识别方法，通过步骤一与二建立人脸图片数据库即色斑数据库，其过程可以预先设定，且通过专业人士进行标注操作则可进一步提高精准度，通过步骤三与四分析色斑数据库中的特征向量一信息，获得色斑区域模型，此过程可以根据需要适当的增加次数；通过步骤五与步骤六分析色斑数据库中的特征向量二信息，获得色斑种类模型，此过程也可以根据需要适当的增加次数；然后根据区域模型及色斑种类模型对待检测的人脸图片进行识别，从而可以完成高精度的检测与识别，本发明通过将训练模型运用于色斑检测领域，同时将计算机视觉领域非常有效的颜色、纹理、小波等特征作为识别考量的参数，从而可以提高识别的精度；且该方法还可以更进一步的运用于色斑特征构造与特征组合方向，因此具有良好的迁移性，且本发明在美容医疗领域具有极强的适用性；从而可以大大的提高医生的效率，以及判断的精准度，并通过此方式建立更大的数据库资源，更为科学，摆脱传统的仅靠经验和领域知识的主观经验。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。