黑头识别方法、装置及计算机可读存储介质与流程

本发明涉及图像处理技术领域，尤其涉及一种黑头识别方法、装置及计算机可读存储介质。

背景技术：

黑头又称黑头粉刺，为开放性粉刺，是由皮脂、细胞屑和细菌组成的一种“栓”样物，阻塞在毛囊开口处而形成的，加上空气中的尘埃、污垢和氧化作用，使其接触空气的一头逐渐变黑。黑头问题困扰着大部分人，为了去除黑头，目前采取的方法主要有面膜吸附法和仪器吸附法，采用面膜进行吸附的方法其去除效果差，同时各种化学成分的面膜也容易对皮肤造成损害。

目前，很多人通过去黑头仪来吸除黑头，在使用时通过自己肉眼观察黑头情况，来确定黑头吸除档位，由于肉眼可能只能观察到某些浅层的黑头，这样难免会出现档位控制不当的情况，使得黑头无法吸除干净。因此，亟需一种可智能识别黑头的方法，以便于用户了解自己的黑头情况，进而控制合适的档位进行吸除，或使得去黑头仪可根据黑头情况智能选择合适的黑头吸除档位。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现要素：

本发明的主要目的在于提供一种黑头识别方法、装置及计算机可读存储介质，旨在解决现有技术中无法智能高效地对黑头进行识别检测的问题。

为实现上述目的，本发明提供一种黑头识别方法，所述黑头识别方法包括以下步骤：

获取待识别图像，并对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标；

基于所述疑似黑头目标对所述待识别图像进行分割，得到包含疑似黑头目标的分割图像；

对所述分割图像进行特征提取，得到图像特征信息，并基于预设规则对所述图像特征信息进行检测识别，得到黑头识别结果。

可选地，所述对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标的步骤包括：

对所述待识别图像进行二值化处理，得到二值化图像；

对所述二值化图像进行轮廓检测，并根据检测结果将所述待识别图像中存在轮廓的区域作为疑似黑头目标。

可选地，所述对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标的步骤之前，还包括：

对所述待识别图像进行图像增强处理；

所述对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标的步骤包括：

对经图像增强处理的待识别图像进行处理，得到所述待识别图像中的疑似黑头目标。

可选地，所述基于预设规则对所述图像特征信息进行检测识别，得到黑头识别结果的步骤包括：

检测所述图像特征信息是否满足预设条件；

若所述图像特征信息满足预设条件，则判定所述分割图像中的疑似黑头目标为黑头；

获取图像特征信息满足预设条件的分割图像的数量，以得到黑头数量。

可选地，所述基于预设规则对所述图像特征信息进行检测识别，得到黑头识别结果的步骤包括：

根据所述图像特征信息构建图像特征向量，并计算所述图像特征向量与预设特征向量之间的相似度值；

判断所述相似度值是否小于预设阈值；

若所述相似度值小于预设阈值，则判定所述分割图像中的疑似黑头目标为黑头；

获取相似度值小于预设阈值的分割图像的数量，以得到黑头数量。

可选地，所述图像特征信息包括颜色特征、形状特征和纹理特征中的一种或多种。

可选地，所述黑头识别方法还包括：

根据所述黑头识别结果在所述待识别图像中标记出黑头的位置。

此外，为实现上述目的，本发明还提供一种黑头识别装置，所述黑头识别装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的黑头识别程序，所述黑头识别程序被所述处理器执行时实现如上所述的黑头识别方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有黑头识别程序，所述黑头识别程序被处理器执行时实现如上所述的黑头识别方法的步骤。

本发明提供一种黑头识别方法、装置及计算机可读存储介质，通过获取待识别图像，对该待识别图像进行处理，得到待识别图像中的疑似黑头目标；然后基于疑似黑头目标对待识别图像进行分割，得到包含疑似黑头目标的分割图像；最后，对分割图像进行特征提取，得到图像特征信息，并基于预设规则对图像特征信息进行检测识别，得到黑头识别结果。通过上述方式，本实施例可实现对黑头的智能高效识别，可便于用户了解自己的黑头情况，当应用于去黑头仪中时，还可以通过智能高效识别得到黑头的情况，进而来智能调节适宜的黑头吸除模式。

附图说明

图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本发明黑头识别方法第一实施例的流程示意图；

图3为本发明第一实施例中步骤s20的细化流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的终端结构示意图。

本发明实施例终端可以是智能手机，也可以是服务器、pc(personalcomputer，个人计算机)、平板电脑、便携计算机等终端设备。

如图1所示，该终端可以包括：处理器1001，例如cpu(centralprocessingunit，中央处理器)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真wireless-fidelity，wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、rf(radiofrequency，射频)电路，传感器、音频电路、wi-fi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及黑头识别程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的黑头识别程序，并执行以下操作：

获取待识别图像，并对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标；

基于所述疑似黑头目标对所述待识别图像进行分割，得到包含疑似黑头目标的分割图像；

对所述分割图像进行特征提取，得到图像特征信息，并基于预设规则对所述图像特征信息进行检测识别，得到黑头识别结果。

进一步地，处理器1001可以调用存储器1005中存储的黑头识别程序，还执行以下操作：

对所述待识别图像进行二值化处理，得到二值化图像；

对所述二值化图像进行轮廓检测，并根据检测结果将所述待识别图像中存在轮廓的区域作为疑似黑头目标。

进一步地，处理器1001可以调用存储器1005中存储的黑头识别程序，还执行以下操作：

对所述待识别图像进行图像增强处理；

对经图像增强处理的待识别图像进行处理，得到所述待识别图像中的疑似黑头目标。

进一步地，处理器1001可以调用存储器1005中存储的黑头识别程序，还执行以下操作：

检测所述图像特征信息是否满足预设条件；

若所述图像特征信息满足预设条件，则判定所述分割图像中的疑似黑头目标为黑头；

获取图像特征信息满足预设条件的分割图像的数量，以得到黑头数量。

进一步地，处理器1001可以调用存储器1005中存储的黑头识别程序，还执行以下操作：

根据所述图像特征信息构建图像特征向量，并计算所述图像特征向量与预设特征向量之间的相似度值；

判断所述相似度值是否小于预设阈值；

若所述相似度值小于预设阈值，则判定所述分割图像中的疑似黑头目标为黑头；

获取相似度值小于预设阈值的分割图像的数量，以得到黑头数量。

进一步地，所述图像特征信息包括颜色特征、形状特征和纹理特征中的一种或多种。

进一步地，处理器1001可以调用存储器1005中存储的黑头识别程序，还执行以下操作：

根据所述黑头识别结果在所述待识别图像中标记出黑头的位置。

基于上述硬件结构，提出本发明黑头识别方法各个实施例。

本发明提供一种黑头识别方法。

参照图2，图2为本发明黑头识别方法第一实施例的流程示意图。

在本实施例中，该黑头识别方法包括：

步骤s10，获取待识别图像，并对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标；

在本实施例中，本发明实施例的终端可以是智能手机、服务器、pc等，还可以是去黑头仪中的控制装置。本实施例中以服务器为例进行说明。

在本实施例中，服务器在获取到待识别图像时，先对该待识别图像进行处理，得到待识别图像中的疑似黑头目标。其中，待识别图像具体的获取场景可以为：用户在通过带摄像装置的去黑头仪吸除黑头时，可通过摄像装置拍摄目标吸除部位的图像，然后将图片发送至去黑头仪中的控制装置，控制装置在接收到该图像时，可自动触发黑头识别指令；或者，用户通过移动终端或专用摄像机拍摄所需识别部位的图像，然后通过对应的app(application，应用程序)选择黑头识别选项，并上传图像，以触发黑头识别指令。此时，服务器在接收到该黑头识别指令时，根据该黑头识别指令获取待识别图像。

具体的，参照图3，步骤“对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标”包括：

步骤s11，对所述待识别图像进行二值化处理，得到二值化图像；

步骤s12，对所述二值化图像进行轮廓检测，并根据检测结果将所述待识别图像中存在轮廓的区域作为疑似黑头目标。

在获取到待识别图像后，先对待识别图像进行二值化处理，得到二值化图像。其中，二值化处理，是指将待检测灰度图像上的像素点的灰度值设置为0或255，从而使整个图像呈现出明显的黑白效果，得到对应的二值图像，在本实施例中，作为一优选实施例，可采用自适应阈值这种方法进行二值化处理，其中自适应阈值的确定可以根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值，这样做的好处在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。作为另一优选实施例，还可以采用下述方法来进行二值化处理：具体的，可通过图像读取函数imread()函数读取待识别图像，可得到numpy(python的一种开源的科学计算库)数组，即待识别图像各像素点对应的rgb值，然后遍历numpy数组，以对提取到的待识别图像的rgb值进行色彩统计，将统计结果中最大统计值所对应的rgb值确定为肤色rgb值，进而通过rgb值与灰度值之间的转换公式，来将该最大统计值所对应的rgb转化为灰度值，并将该灰度值设为目标阈值，并根据该目标阈值来进行二值化处理，其中，rgb值与灰度值之间的转换公式可以为：灰度值＝(r*30+g*59+b*11+50)/100。

然后，对二值化图像进行轮廓检测，并根据检测结果将待识别图像中存在轮廓的区域作为疑似黑头目标。其中，轮廓检测，指在包含目标和背景的数字图像中，忽略背景和目标内部的纹理以及噪声干扰的影响，采用一定的技术和方法来实现目标轮廓提取的过程，简单来说，可以理解为图像中具有相同颜色或密度的位于边界的连续点的集合。轮廓检测可以通过opencv(opensourcecomputervisionlibrary，开源计算机视觉库)中的findcontours()函数来计算得到轮廓。通过轮廓检测得到的轮廓，为图像中不同于正常皮肤的污垢，如黑头和粉刺等，或其他疑似黑头的东西，如痣，即可根据检测结果将待识别图像中存在轮廓的区域作为疑似黑头目标。

步骤s20，基于所述疑似黑头目标对所述待识别图像进行分割，得到包含疑似黑头目标的分割图像；

在确定出待识别图像中的疑似黑头目标后，基于疑似黑头目标对待识别图像进行分割，得到包含疑似黑头目标的分割图像。其中，分割图像的数量即等于疑似黑头目标的数量，每个分割图像中包含一个疑似黑头目标，在进行分割时，可以根据各轮廓的形状，截取各轮廓的外接矩形，作为分割图像。

步骤s30，对所述分割图像进行特征提取，得到图像特征信息，并基于预设规则对所述图像特征信息进行检测识别，得到黑头识别结果。

然后，分别对各个分割图像进行特征提取，得到图像特征信息，并基于预设规则对图像特征信息进行检测识别，得到黑头识别结果。其中，图像特征信息包括颜色特征、形状特征和纹理特征中的一种或多种，具体的特征提取方法可参照现有技术，此处不作赘述。当然，除上述特征外，在具体实施例中，还可以提取其他特征信息，然后结合各种相关特征信息来对图像特征信息进行检测识别。可以理解的是，选用的特征越多，识别结果的准确性越高。此外，需要说明的是，各特征可由一个或多个指标参数构成，颜色特征包括主色彩(即比例最高的色彩)在整幅分割图像中所占的比例，主色彩的rgb(红绿蓝)值、主色彩的hsv(色调h，饱和度s，明度v)值等指标参数的一种或多种，形状特征包括周长、面积、最长轴、方位角、边界矩阵、形状系数、偏心率、圆形度等指标参数的一种或多种，纹理特征包括能量、熵、对比度和相关性等指标参数中的一种或多种。当然，可以理解的是，上述特征所包括的指标参数并不限于上述列举出的。

其中，步骤“基于预设规则对所述图像特征信息进行检测识别，得到黑头识别结果”可以包括：

步骤a1，检测所述图像特征信息是否满足预设条件；

作为其中一种检测识别方式，可通过检测图像特征信息是否满足预设条件，以判断疑似黑头目标是否为黑头。其中，预设条件可以设定为各特征信息需满足的特征条件，特征条件可设为在一定的阈值范围内，若各特征信息分别满足其对应的条件，或各特征信息满足其对应条件数量达到预设值时，则判定图像特征信息满足预设条件。预设条件根据实际情况进行设定，图像特征信息是否满足预设条件的判定方式也可以根据实际情况进行设定，此处不作具体限定。

步骤a2，若所述图像特征信息满足预设条件，则判定所述分割图像中的疑似黑头目标为黑头；

步骤a3，获取图像特征信息满足预设条件的分割图像的数量，以得到黑头数量。

若判定图像特征信息满足预设条件，此时，则判定分割图像中的疑似黑头目标为黑头，然后，还可以获取图像特征信息满足预设条件的分割图像的数量，以得到黑头数量，黑头数量即等于图像特征信息满足预设条件的分割图像的数量。

具体的，步骤“基于预设规则对所述图像特征信息进行检测识别，得到黑头识别结果”还可以包括：

步骤a4，根据所述图像特征信息构建图像特征向量，并计算所述图像特征向量与预设特征向量之间的相似度值；

作为另一种检测识别方式，还可以根据图像特征信息构建图像特征向量，并计算图像特征向量与预设特征向量之间的相似度值，然后根据相似度值来判断疑似黑头目标是否为黑头。具体的，可根据图像特征信息中各指标参数按预设顺序构建得到图像特征向量，如{v1,v2,…,vn}，其中，v1，v2，…，vn分别表示各指标参数。此外，预设特征向量是根据真正的黑头的指标参数预先设定的，其构建方法与图像特征向量的构建方法相似，预设特征向量可以包括一个或多个，当为多个时，可判断计算得到的多个相似度值中是否存在小于预设阈值的相似度值，若存在，则判断分割图像中的疑似黑头目标为黑头。对于相似度值的计算方式，可通过余弦相似度、或杰卡德jaccard距离、欧式距离等来表征两者之间的相似度值。

步骤a5，判断所述相似度值是否小于预设阈值；

步骤a6，若所述相似度值小于预设阈值，则判定所述分割图像中的疑似黑头目标为黑头；

步骤a7，获取相似度值小于预设阈值的分割图像的数量，以得到黑头数量。

然后判断该相似度值是否小于预设阈值，若该相似度值小于预设阈值，说明两者比较相似，此时，则判定分割图像中的疑似黑头目标为黑头，进而获取相似度值小于预设阈值的分割图像的数量，以得到黑头数量。若该相似度值大于或等于预设阈值，说明两者相差较大，此时，则判定分割图像中的疑似黑头目标不为黑头。

本发明实施例提供一种黑头识别方法，通过获取待识别图像，对该待识别图像进行处理，得到待识别图像中的疑似黑头目标；然后基于疑似黑头目标对待识别图像进行分割，得到包含疑似黑头目标的分割图像；最后，对分割图像进行特征提取，得到图像特征信息，并基于预设规则对图像特征信息进行检测识别，得到黑头识别结果。通过上述方式，本实施例可实现对黑头的智能高效识别，可便于用户了解自己的黑头情况，当应用于去黑头仪中时，还可以通过智能高效识别得到黑头的情况，进而来智能调节适宜的黑头吸除模式。

进一步的，基于图2所示的第一实施例，提出本发明黑头识别方法的第二实施例中。

在本实施例中，在步骤“对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标”之前，该黑头识别方法还包括：

对所述待识别图像进行图像增强处理；

在本实施例中，为提高待识别图像中疑似黑头目标与正常皮肤之间的对比度，便于后续获取疑似黑头目标，进而提高后续黑头识别结果的准确性，可在获取到待识别图像时，对该待识别图像进行图像增强处理，其中，图像增强是采用一系列技术去改善图像的视觉效果，或将图像转换成一种更适合于机器进行分析和处理的形式。图像增强处理是有选择地突出某些感兴趣的信息，抑制一些不需要的信息，提高图像的使用价值。其中，具体的图像增强处理过程可参照现有技术，此处不再赘述。此外，在具体实施例中，图像增强处理方法并不限于上述的基于频率协调的显著性检测方法，还可以为基于空间域的显著性检测方法及其他可增强图像内部区域对比度的方法。

此时，步骤“对所述待识别图像进行处理，得到所述待识别图像中的疑似黑头目标”包括：

对经图像增强处理的待识别图像进行处理，得到所述待识别图像中的疑似黑头目标。

然后，对经图像增强处理的待识别图像进行处理，得到待识别图像中的疑似黑头目标，进而继续执行后续步骤，其执行过程可参照上述第一实施例，此处不作赘述。

本实施例中通过对待识别图像进行图像增强处理，可提高待识别图像中疑似黑头目标与正常皮肤之间的对比度，突出疑似黑头目标，从而可便于后续获取疑似黑头目标，提高后续黑头识别结果的准确性。

进一步的，为便于用户查看图像中黑头的具体位置，在上述步骤s30之后，该黑头识别方法还包括：

根据所述黑头识别结果在所述待识别图像中标记出黑头的位置。

在本实施例中，在得到黑头识别结果，即确定出疑似黑头目标是否为黑头，并获取到黑头的数量之后，可根据黑头识别结果在待识别图像中标记出黑头的位置，以便于用户可在图像中查看黑头的具体位置和数量情况，进而了解自身的皮肤状况。

本发明还提供一种黑头识别装置，该黑头识别装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的黑头识别程序，所述黑头识别程序被所述处理器执行时实现如以上任一项实施例所述的黑头识别方法的步骤。

本发明黑头识别装置的具体实施例与上述黑头识别方法各实施例基本相同，在此不作赘述。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有黑头识别程序，所述黑头识别程序被处理器执行时实现如以上任一项实施例所述的黑头识别方法的步骤。

本发明计算机可读存储介质的具体实施例与上述黑头识别方法各实施例基本相同，在此不作赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。