申请/专利权人：深圳市禾葡兰信息科技有限公司

申请日：2022-12-09

公开（公告）日：2024-03-19

公开（公告）号：CN115937145B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/20;G06V10/56;G06V10/764;G06V10/80;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.04.25#实质审查的生效;2023.04.07#公开

摘要：本发明涉及智能决策领域，揭露一种基于大数据分析的肌肤健康可视化方法、装置及设备，所述方法包括：对肌肤图像进行光线增强处理，对光线增强图像进行颜色反转处理，得到颜色反转图像，确定颜色反转图像的肌肤健康因素；对颜色反转图像进行细节特征提取，计算图像细节特征的全局依赖图，对全局依赖图进行语义特征提取，对图像细节特征与图像语义特征进行特征融合处理；识别肌肤健康类别，选取健康评价区域，对健康评价区域进行区域卷积‑池化操作，计算卷积‑池化区域的健康类别等级；计算肌肤图像的肌肤健康评分，对肌肤图像进行肌肤健康可视化处理，得到可视化肌肤健康图像。本发明可以提高肌肤健康可视化准确率。

主权项：1.一种基于大数据分析的肌肤健康可视化方法，其特征在于，所述方法包括：获取肌肤图像，对所述肌肤图像进行光线增强处理，得到光线增强图像，对所述光线增强图像进行颜色反转处理，得到颜色反转图像，确定所述颜色反转图像的肌肤健康因素；所述对所述肌肤图像进行光线增强处理得到光线增强图像，包括：对所述肌肤图像进行频域空间映射得到频域空间图像；对所述频域空间图像进行频率滤波处理得到频率滤波图像；对所述频率滤波图像进行逆频域空间映射得到所述光线增强图像；所述对所述光线增强图像进行颜色反转处理，得到颜色反转图像，包括：提取所述光线增强图像的颜色三分量；识别所述颜色三分量的颜色级别；基于所述颜色级别，对所述颜色三分量进行数值反转操作，得到反转三分量；利用所述反转三分量在所述光线增强图像中进行颜色覆盖处理，得到所述颜色反转图像；对所述颜色反转图像进行细节特征提取，得到图像细节特征，计算所述图像细节特征的全局依赖图，对所述全局依赖图进行语义特征提取，得到图像语义特征，对所述图像细节特征与所述图像语义特征进行特征融合处理，得到特征融合图像；通过对所述颜色反转图像进行细节特征提取，以保留图像中较多的细节特征中的边缘特征，增强对图像边缘信息的敏感度；所述对所述颜色反转图像进行细节特征提取，得到图像细节特征，包括：对所述颜色反转图像进行维度扩充处理，得到维度扩充图像；对所述维度扩充图像进行通道特征处理，得到图像通道特征；对所述图像通道特征进行特征关联处理，得到图像关联特征；对所述图像关联特征进行比例还原处理，得到所述图像细节特征；首先用1×1卷积扩张所述颜色反转图像的特征图的通道数，实现特征图维度的增加，提升特征空间维度信息的提取数量，并且使用Relu激活函数，将输入送入3×3的深度卷积核中；其次，用3×3的深度卷积核提取每个通道的特征，在保证网络准确率的基础上减少了参数量，从而减少了计算量，然后用Relu激活函数获取各个通道的相关性，然后输出结果到1×1卷积层进行比例还原，然后使用激活函数为Linear输出特征；所述计算所述图像细节特征的全局依赖图，包括：对所述图像细节特征进行平均池化处理，得到平均池化特征；对所述平均池化特征进行多层感知操作，得到多层感知特征；根据所述多层感知特征，利用下述公式计算所述图像细节特征的全局依赖图： 其中，MF表示所述全局依赖图，MLP表示多层感知算法，MLPAvgPoolF表示第一层多层感知层输出的多层感知特征，表示第一层多层感知层之后的激活函数，表示第二层多层感知层输出的多层感知特征，σ表示第二层多层感知层之后的激活函数，F表示所述图像细节特征，AvgPoolF表示所述平均池化特征；通过计算所述图像细节特征的全局依赖图，以利用通道注意力机制对所述图像细节特征进行特征权重分配增加特征之间的区分度；通过对所述全局依赖图进行语义特征提取，以获取所述全局依赖图中特征的上下文语义信息，增强后续依据特征进行分类的准确率；所述对所述全局依赖图进行语义特征提取得到图像语义特征，通过利用空洞空间卷积池化金字塔实现语义特征提取；其中，所述空洞空间卷积池化金字塔为对所给定的输入以不同采样率的空洞卷积并行采样，以多个比例捕捉图像的上下文；基于所述肌肤健康因素，识别所述特征融合图像的肌肤健康类别，根据所述肌肤健康类别，从所述颜色反转图像中选取健康评价区域，对所述健康评价区域进行区域卷积-池化操作，得到卷积-池化区域，计算所述卷积-池化区域的健康类别等级；所述对所述健康评价区域进行区域卷积-池化操作，得到卷积-池化区域，包括：利用下述公式对所述健康评价区域进行多层卷积处理，得到多层卷积区域：G＝zH*Matrix+Bias其中，G表示所述多层卷积区域，H表示卷积核，Matrix是灰度图矩阵，*表示卷积核与灰度图矩阵进行卷积运算，Bias表示偏置值；利用下述公式对所述多层卷积区域进行特征池化处理，得到所述卷积-池化区域：Fp＝MAXXm,n,Xm+1,n,Xm,n+1,Xm+1,n+1其中，Fp表示所述卷积-池化区域，m和n表示所述多层卷积区域中在池化层范围之内的四角图像像素中左上角像素的横坐标与纵坐标，MAX表示最大值；所述基于所述肌肤健康因素识别所述特征融合图像的肌肤健康类别包括：识别所述特征融合图像的像素类别概率；基于所述像素类别概率，在所述肌肤健康因素中选取目标因素；将所述目标因素作为所述肌肤健康类别；根据肌肤健康类别从颜色反转图像中选取健康评价区域，以在后续对每个肌肤健康类别所对应的图像区域进行健康程度和健康等级评价，通过分别对每个肌肤健康类别进行单独评价，减少了多个肌肤健康类别混合评价的低效率，提升肌肤健康分析的准确率；根据所述肌肤健康类别与所述健康类别等级，计算所述肌肤图像的肌肤健康评分，基于所述肌肤健康评分，对所述肌肤图像进行肌肤健康可视化处理，得到可视化肌肤健康图像；所述根据所述肌肤健康类别与所述健康类别等级，计算所述肌肤图像的肌肤健康评分，包括：获取所述肌肤健康类别的特征融合图像；从所述特征融合图像中查询所述肌肤健康类别的类别概率指数；查询所述健康类别等级的等级概率指数；根据所述类别概率指数与所述等级概率指数，利用下述公式计算所述肌肤健康评分： 其中，P表示所述肌肤健康评分，i表示所述类别概率指数，k表示所述肌肤健康类别的数目，j表示所述等级概率指数。

全文数据：

权利要求：

百度查询： 深圳市禾葡兰信息科技有限公司 基于大数据分析的肌肤健康可视化方法、装置及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD