夏寅辉[1]2003年在《人脸皮肤纹理测量及识别方法研究》文中认为随着生活水平的提高，人们越来越关注人脸面部皮肤的美容及护理，因此皮肤纹理的分析测量与识别问题成为一个重要的研究课题，传统的目视观测已经不合人们的要求，本文在现有的理论和文献基础上，研究了一种基于图像纹理统计特征分析的人脸皮肤纹理测量及识别系统。 首先从人体皮肤的生理机理出发分析了客观定量评价人脸皮肤纹理在皮肤美容和护理医学中的重要性，给出了传统的测试方法的弊端，并介绍了模式识别与纹理分析技术及其目前的研究发展现状。 然后，深入研究了各种纹理的统计特征分析方法，包括空间灰度共生矩阵法、中心矩方法、游程长度法和极大极小值方法，定性地分析了这几种统计方法中各个特征的实际纹理意义，并且利用一组测试图像验证了灰度空间共生矩阵纹理特征的物理意义。接着，在研究了传统的BP网络算法的基础上，提出了一种新的改进BP网络算法即转移函数误差逆传播前馈网络算法—TFBP(Transfer Function Error Back Propagation)算法作为人工神经网络模式识别的分类识别算法。 最后设计了基于共聚焦显微镜和CCD摄像机的人脸皮肤图像采集系统，采用VC程序语言设计了皮肤图像的预处理和特征值计算过程程序，提出了采用空间灰度共生矩阵特征、中心矩特征、游程长度特征和极大极小值特征综合提取皮肤纹理特征的方法，从而更有效的对皮肤纹理进行分类与识别。在皮肤纹理图像的训练实验中，选用五类皮肤图像的15组样本作为数据，利用MATLAB中的神经网络工具箱对TFBP网络进行了训练，最后对六幅典型的人脸皮肤纹理图像进行了识别实验，分类识别正确率为83.3%，实验的结果证明了本文提出的人脸皮肤纹理测量分类识别系统方案的可行性和理论分析的正确性。
邹晓红[2]2005年在《基于TFBP网络的人脸皮肤纹理识别方法》文中认为为了可观地评价皮肤的质地,采用图像纹理分析中的空间灰度共生矩阵法提取皮肤纹理图像的重要特征,建立一种新的人脸皮肤纹理的测量识别模型。首先对采集到图像进行预处理,然后采用空间灰度共生矩阵法提取纹理图像的5个特征,最后通过TFBP网络对皮肤纹理图像的训练与分类识别实验结果很好的证明了这种纹理分析与测量方法的有效性。
廖馗任[3]2014年在《基于相位测量轮廓术的自然纹理叁维测量》文中指出随着科学技术的发展、社会的不断进步以及医疗事业的日益完善,人类的健康状况得到了很大幅度的改善,大大延长了整个人类的平均寿命,这种变化显着预示着在未来的若干年内与老龄化相关的皮肤病也会越来越多。从生理学来讲,人类随着年龄的增长,人的各个系统经历了一系列具有特征性的改变,表现为对环境变化的适应能力逐渐下降,这种对环境变化的适应能力逐渐下降是老化最显着的特点之一。皮肤是人体最重要的器官之一。测量皮肤老化和衰老的研究中,表面的纹理测量作为研究和评估药品和化妆品护肤方法的重要工具。在生态学、建筑学以及室内设计中,对于木材的甄选以及评判具有着非常大的现实意义,不同种类木材的功用差别巨大,在家居建筑中的角色也是差别巨大。而不同木材的纹理各有不同,于是,纹理就成为了有力鉴别木材种类的一项重要指标。于是,针对自然纹理的叁维轮廓测量便被提上了日程。本文通过对皮肤复制品的相对硬性结构,木材的硬弹性表面属性以及人体皮肤柔性结构特性的结合,建立相位测量轮廓术测量皮肤表面物理特性(重点是纹理特征)的系统,采集活体皮肤表面的叁维点云数据,并运用逆向工程软件对其进行处理。在已有的针对刚性工业材料而设计的叁维轮廓测量系统基础上,为了提高肤质测量性能,增加测量精确度,采用了更加优化数据采集速度以及测量精度的系统,同时改变环境对外界自然光的扰动降到更低,较好解决了受实验室环境等约束的优化操作问题。通过采用更加精密更具兼容性的设备组合,使系统可以承受对于活体被测物体如活体生物器官的轮廓信息采集,而非之前的只能适用于静止的对象,通过对植物切面纹理的测量验证了其更高的精确性,通过对活体人手皮肤纹理的测量验证了其对于皮肤纹理而非负向复制品的轮廓测量可行性。
许舒斐[4]2011年在《皮肤图像的纹理特征分析与老化评价》文中研究指明随着生活水平的提高,面部皮肤的美容及护理已经受到人们的广泛关注。因此,如何客观、定量地对纹理图像进行分析及识别是近年来图像处理领域的研究热点,在现实中有广泛的应用价值。本文在前人研究的基础上,结合数学算法和计算机模拟,研究了一种基于神经网络的图像纹理统计特征分析及识别系统。本文首先结合国内外的研究现状指出了当前研究存在的问题和将来的发展趋势,深入研究了空间灰度共生矩阵法、分形维数和Gabor小波变换法,分析了这几种统计方法中各个特征的实际纹理意义,通过比较分析各种方法的优缺点,提出了采用空间灰度共生矩阵法提取纹理特征。其次,通过分析比较现有的图像预处理方法,设计了能有效对皮肤图像进行预处理的方法,增强了图像的纹理信息。接着在研究了传统的BP网络算法的基础上,提出了一种改进的基于TFBP(Transfer Function Error Back Propagation)神经网络算法,即转移函数误差逆传播前馈网络算法作为人工神经网络模式识别的算法。最后,在皮肤纹理图像的训练实验中,利用MATLAB中的神经网络工具箱对TFBP网络进行了训练,接着对人脸皮肤纹理图像进行了仿真识别,分类识别正确率为87.5%。本文提出的基于TFBP神经网络算法实现了人脸纹理特征的快速分类和识别,实验结果证明了测量系统的可行性。
陈锦[5]2009年在《人脸皮肤粗糙度的量化评价及其在医学美容界的应用》文中研究指明皮肤表面是人体生理健康状况的一面镜子,随着生活水平的提高,人们越来越关注人脸面部皮肤的美容及护理。皮肤粗糙度随着年龄或外界的影响而变化,采用无创性定量描述皮肤纹理的分析方法,对皮肤生理和病理学研究或特殊类型化妆品的功效评价有重要意义。传统的目视观测无法保证评价结果的客观性与重复性,国际上广泛采用的硅胶复膜制备皮纹样本的方法操作极其麻烦,一般只有医院或美容机构专业的研究才会采用,不仅费时,而且价格昂贵[1]。鉴于现代数码技术和计算机视觉技术的成熟,本课题探索用很简便的方法(达到一定分辨率-700万像素的数码相机采集人脸皮肤图像)来对皮肤纹理进行测量,提取各种特征指标,分析其物理意义,在皮肤美容和护理医学中为客观定量评价人脸皮肤纹理粗糙度提供理论基础。本文首先从人体皮肤的生理机理出发分析了客观定量评价人脸皮肤纹理在皮肤美容和护理医学中的重要性,给出了纹理分析技术及其目前的研究发展现状。然后,深入研究了纹理的各种统计特征分析方法,包括共生矩阵法—空间灰度共生矩阵、灰度-梯度共生矩阵和灰度-平滑共生矩阵,Tamura纹理粗糙度法,分形维数法。定性地分析了这几种统计方法中各个特征的实际纹理意义,并且利用一组测试图像验证每种算法纹理特征的物理意义。
陈峰[6]2008年在《数码智能皮肤分析系统》文中研究指明本文对人脸皮肤表面参数进行了分析探讨,并建立了以数据管理和分析为一体的研究平台:数码智能皮肤分析系统,该系统分为数据采集、数据分析、数据管理和用户界面叁大主要的模块,通过对人脸皮肤图片分析,得出肤色、斑点、水分油份、纹理皱纹和毛孔几大指标,对皮肤表面状况进行了综合的评价,并完成了该系统第一阶段的迭代开发。本系统采用带USB接口的采集仪器进行图像采集并将其组件化,建立了基于ADO访问技术的数据管理功能,利用封装于DLL的识别算法对皮肤图像进行快速综合分析,同时采用友好、图形化的分析界面,使使用者能够对皮肤当前状态有直观的全面的认识,为进一步提出客观、重复性好的皮肤分析打下坚实的基础。文章也对系统中需要解决的图像处理问题做了初步的研究。在肤色检测中将理论和实际研究对象相结合改进了分类的阈值,在皮肤图像纹理的提取中,对传统的方法进行了改进和优化,在水分油份检测中,利用了统计回归方法建立相关模型取得了良好的效果。
张景源[7]2015年在《便携式人脸肤质检测与评价系统的设计与实现》文中进行了进一步梳理人脸肤质测试仪可以针对肤质状况给出科学的护肤建议,因此被广泛认可,拥有广阔的市场前景。目前国内外市场上的人脸肤质测试仪产品主要分为两类,一类是基于生物电阻抗测量法的金属探测式肤质检测仪,这类产品价格便宜但检测功能单一,精度也较低,另外一类是基于图像处理的大型检测仪,这类产品功能齐全但操作复杂,价格昂贵且体积巨大,往往适用于大型美容院和医疗机构,不适用于个体群众。鉴于此,本文重点从肤质指标检测的图像处理算法、肤质指标的评价模型、基于移动终端的应用模式叁个方面展开研究,以期获得多指标、高精度的便携式人脸肤质检测方案,并设计合理的评价模型,为不同年龄、不同地域人脸肤质数据的分析提供前期参考。本文开展的主要研究工作如下:(1)设计了基于图像处理的人脸肤质指标检测算法。其中油份、色素指标的检测是基于HSV颜色空间中S和V进行逻辑运算的颜色模型,毛孔大小指标的检测是基于双阈值分割和形态学运算相结合的手段,粗糙度指标的检测是基于灰度共生矩阵的特征值分析。并以台湾的CBS-1800检测仪系统为标准,对本文肤质指标检测算法的有效性进行验证。(2)设计了人脸肤质指标的评价模型。首先对20-25岁年龄段的60副人脸皮肤图像进行油份、色素、毛孔和粗糙度的检测,建立样本数据集,然后分别用SVM分类器、BP分类器和KNN分类器对样本集进行训练和测试,从分类识别率和时间复杂度两个角度对叁种分类器的性能进行对比分析,其中基于SVM分类器的肤质评价模型性能最优,其正确分类识别率均值为82.7308%。(3)研究了便携式人脸肤质检测与评价系统的实现方案。系统实现分为图像采集设备、后台服务器和Android客户端叁个部分。首先图像采集设备将拍摄的人脸皮肤图像通过蓝牙模块发送到手机APP,然后APP将皮肤图像上传到后台服务器进行图像处理,并对处理的结果进行评价,最后将肤质检测指标和评价结果下传到APP进行显示,实现肤质的检测与分析。
刘达志[8]2005年在《基于内容的敏感图像过滤系统研究与设计》文中研究指明信息过滤技术逐渐成为网络信息安全的一个重要研究课题,色情图像的过滤是信息过滤技术的一个重要方面,对维护网络空间的洁净、保护青少年身心健康具有重要的意义。色情图像的过滤问题实际是一个图像分类问题,我们对基于内容的图像过滤系统进行了研究,采用统计分类方法实现对色情图像的过滤,包括过滤关键技术、过滤算法的研究和系统的设计实现。关键技术有:肤色检测、皮肤的纹理分析检测、目标区域的分割、图像特征的提取、分类器的设计。 肤色检测在基于内容的敏感图像过滤系统中处于重要地位,是统计分类方法设计过程中特征提取的基础。对肤色特征、肤色检测过程中颜色空间的选择、多种肤色模型的比较和高亮与阴影区域的处理问题进行研究后,我们建立了一种基于椭圆边界的肤色模型用于肤色检测。实验表明,基于椭圆边界的肤色模型能够有效地检测出图像的皮肤区域。根据误检为肤色区域以及皮肤区域本身的特点,提出基于K-L变换的皮肤统计纹理特征提取方法与基于简单统计特征的皮肤检测方法,通过纹理分析来消除误检的皮肤区域。本文还对皮肤检测在过滤系统中的应用进行了介绍。 特征提取是统计分类方法的基础,我们综合利用多种特征实现对敏感图像的过滤,对在颜色或纹理处理后的掩码图像上主要的特征提取方法进行了描述,包括皮肤面积百分比与区域百分比、连通区域相关特征等。根据目标区域比背景区域具有更多的信息,我们提出了一种基于动态分块投票的感兴趣目标区域提取方法,并在该目标区域内进行敏感图像特征的提取,从而进一步有利于敏感图像的过滤。 分类器的设计是统计分类方法的关键。敏感图像过滤问题是一个小样本问题,而支持向量机具有学习记忆的能力,对于解决小样本、非线性和高维模式识别与分类问题具有很大的优点。因而,我们对SVMs的原理进行了介绍,然后对特征向量的构造、核函数的选择与训练方法、基于SVMs的敏感图像过滤算法的基本框架进行了描述。实验结果表明基于SVMs的过滤算法能够达到80%以上的判正率。 最后,我们采用将多个弱分类器串联的思想设计实现了一个单机版的敏感图像扫描原型系统,主要作为各种基于内容的图像过滤算法及关键技术的测试之用,是一个实验性的框架系统。
李天棋[9]2016年在《皮肤表面粗糙度检测技术的研究》文中认为皮肤的好坏不仅反映人体的生理健康状况,更重要的是它影响着一个人的外在形象,决定着人们的第一印象。因此,医学界以及护肤品销售商一直在致力于研究如何定量、客观的描述皮肤表面的状态。通过学习研讨相关知识的概念公式以及借鉴前人的经验,构建了一个完整的检测系统,用于评价皮肤粗糙度水平,重点在于研究图像纹理特征的统计分析法。文中开篇介绍了皮肤纹理的具体物理特征,皮肤变得粗糙后纹理特征发生的相应改变。从若能够有效的检测皮肤粗糙度会给医师带来的诸多便利,以及为护肤专家提供了客观的第一于的数据等方面,阐明了该项工作的意义。介绍了传统的和目前较为先进的检测手段,论述了不同方法在检测过程中的优势和弊端。分析了图像增强的多种方式,并进行了实验,对结果进行了分析对比,提出了用Gabor滤波对图像预处理来去除皮肤图像噪声,使纹理图像更适合于接下来的特征提取操作。下面就是纹理特征提取算法的学习,重点是对灰度共生矩阵算法和局部二值模式算法进行了深入的学习研究,并从算法的不足之处入手,考虑到局部二值模式法的优势,提出了采用将局部二值模式法与空间灰度共生矩阵法相结合的方法来提取皮肤纹理特征,即先利用均匀旋转不变的LBP算子对图像进行运算得到LBP图像,进而通过计算矩阵的多个特征统计量来反映皮肤纹理的特征,并与对图像直接求其灰度共生矩阵在实验效率以及后续分类的准确性上进行对比。然后,介绍了神经网络模式识别技术及目前的研究发展现状,在对传统的BP网络算法研究的基础上,采用了一种改进的BP网络算法作为分类识别算法。在MATLAB环境下编写了皮肤图像的预处理程序和特征提取程序,设计了基于便携式数码显微镜和计算机的手部皮肤图像采集系统。通过真实皮肤图像的测验,证明了利用局部二值模式法和灰度共生矩阵法相融合的方法提取的特征量是可靠的,在分类上是正确的且高效的。由此可以知,文中提出的关于皮肤粗糙度的检测系统在理论上是没有漏洞的,在实际操作中是可以投入使用的。
郑小小, 王云夏, 吴淑莲, 李晖[10]2014年在《基于神经网络中的NNTool对小鼠皮肤的识别方法》文中认为研究皮肤纹理经过UVB光照射后的变化情况并对其进行识别。具体地,采取图像纹理分析方法,对经过光照射后不同时期的小鼠皮肤图像提取纹理特征,进而建立一种新的皮肤纹理识别模型。采用空间灰度共生矩阵法提取图像纹理的4个主要特征,即:能量,熵,惯性矩,相关度,然后利用神经网络中的NNtool对皮肤纹理图像进行训练和分类识别。实验结果很好地证明了这种纹理分析和识别方法的可行性和有效性。
参考文献：
[1]. 人脸皮肤纹理测量及识别方法研究[D]. 夏寅辉. 燕山大学. 2003
[2]. 基于TFBP网络的人脸皮肤纹理识别方法[J]. 邹晓红. 传感技术学报. 2005
[3]. 基于相位测量轮廓术的自然纹理叁维测量[D]. 廖馗任. 广东工业大学. 2014
[4]. 皮肤图像的纹理特征分析与老化评价[D]. 许舒斐. 福建师范大学. 2011
[5]. 人脸皮肤粗糙度的量化评价及其在医学美容界的应用[D]. 陈锦. 电子科技大学. 2009
[6]. 数码智能皮肤分析系统[D]. 陈峰. 北京交通大学. 2008
[7]. 便携式人脸肤质检测与评价系统的设计与实现[D]. 张景源. 武汉理工大学. 2015
[8]. 基于内容的敏感图像过滤系统研究与设计[D]. 刘达志. 中国人民解放军信息工程大学. 2005
[9]. 皮肤表面粗糙度检测技术的研究[D]. 李天棋. 东北林业大学. 2016
[10]. 基于神经网络中的NNTool对小鼠皮肤的识别方法[J]. 郑小小, 王云夏, 吴淑莲, 李晖. 激光生物学报. 2014
标签：计算机软件及计算机应用论文; 灰度共生矩阵论文; 特征提取论文; 人脸识别算法论文; 图像融合论文; 灰度图像论文; 图像识别论文;