一種基于聯合特征約束的毛孔檢測算法*

蘇錦程， 胡 勇， 鞏彩蘭

(1.中國科學院大學，北京 100049; 2.中國科學院 上海技術物理研究所，上海 200083;3.中國科學院 紅外探測與成像技術重點實驗室，上海 200083)

0 引 言

針對粗大毛孔的美容需求不斷增加，需要一種對毛孔的精確檢測以及定量化的評估方法，應用在皮膚狀況評價、化妝品功效評定、治療效果評估等方面。

Zhang Q和Whangbo T等人[1]，提出了一種全局光照均勻處理算法，實現了毛孔檢測；李成龍等人[2]利用 濾波器組抑制色斑，通過閾值分割出皺紋和毛孔，再通過長寬比篩選得到毛孔目標；王賀等人[3]利用毛孔在皮膚上的顏色特性，在色度、飽和度、純度(hue,saturation,value,HSV)空間內進行分割，實現了毛孔的檢測；Sun J Y等人[4]利用多尺度三角網，利用毛孔的分布特性，實現了更加精確的提取。

當前毛孔檢測相關研究較少，且主要集中于小區域檢測，在較大區域檢測中，毛孔目標較小，受到色斑、膚色不均、皮膚表面油光和光照等多種因素的影響更大，容易產生錯檢。

本文綜合分析了當前毛孔檢測算法，結合較大區域檢測的實際應用需求，提出了一種基于聯合特征約束的毛孔檢測算法,通過毛孔色調、尺寸、形狀等特征的聯合約束，有效抑制了背景的影響并實現了毛孔的精確提取。

1 毛孔特征分析和算法總體流程

1.1 毛孔圖像特征分析

毛孔特征如下：1)色調特征：對比皮膚，毛孔色調偏暗；2)形狀特征：毛孔形狀近圓形；3)尺寸特征：屬于小目標。

背景特征如下：1)色調特征：整體亮度不均勻。(主要影響因素有皮膚油光、膚色不均、光照不均、斑點等)；2)形狀特征：斑點不規則形狀，細微毛發細長；3)尺寸特征：毛孔尺寸遠小于斑點。

可知毛孔檢測的關鍵點在于：1)消除圖像整體亮度不均勻的影響；2)消除斑點、毛發等目標的影響。

1.2 檢測算法總體流程

本文通過利用毛孔色調、形狀、 尺寸三個方面的特征，針對圖像整體亮度不均勻、背景復雜等影響因素，設計了基于聯合特征約束的毛孔檢測方法。

1)預處理：輸入普通白光下拍攝的待處理區域三原色(RGB)圖像，取油光干擾少的B波段作為灰度圖像，執行反向拉伸操作，使得毛孔在圖像上表現為高亮度目標。

2)背景抑制：對拉伸后圖像進行中值濾波操作，利用原圖減去濾波后圖像，得到差分圖像，突出毛孔目標，然后采用腐蝕消除部分毛發影響。

3)分塊分割：基于大津法自適應選取分塊閾值，并利用補償項修正，將預處理后的圖像分割為前景和背景，實現毛孔的初步檢測。

4)精細篩選：計算每個前景目標的大小，將過小的噪聲消除。計算毛孔的圓形度，消除細微毛發和皮膚紋理帶來的錯檢，得到最終毛孔檢測結果。

2 檢測算法相關原理

2.1 基于中值濾波的背景抑制

均勻的光照和背景是圖像分割的理想條件，在非均勻光照和背景下進行目標分割，易導致暗部分割錯誤，將背景錯誤分類為前景。

頂帽變換[5]是典型的背景抑制方法，即利用一個結構元b，通過開操作或閉操作從一幅圖像f中刪除物體，而不是擬合被刪除的物體。然后，通過差操作得到一幅僅保留已刪除分量的圖像That。其中，具體的結構元b可根據目標物體選擇

That=f-(f°b)

(1)

反向處理后，圖像中毛孔表現為偏亮的小圓斑，由于光照、油光、斑點等因素影響，背景不均勻，直接分割難度大。基于頂帽變換思想，本文考慮利用中值濾波將形狀和亮度較為均勻的毛孔濾除，將原圖與濾波圖相減。這樣的處理保留了毛孔信號，而背景接近0值，從而抑制了不均勻背景的影響。

中值濾波[6]是基于統計排序的非線性濾波方法，可以在濾除脈沖噪聲的同時，有效保護信號的邊緣不被模糊，即

g(x,y)=median{f(x-i,y-j)},(i,j)∈S

(2)

式中g(x,y),f(x,y)為像素灰度值，S為模板窗口。如圖1所示，通過基于中值濾波的背景抑制處理，圖像背景近似于0，毛孔目標突出，大大降低了目標分割的難度。

圖1 差分結果(拉伸)

2.2 數學形態學處理

如圖2所示，經背景抑制處理后，不均勻背景的影響被削弱，進一步觀察發現，背景抑制結果圖中受細微毛發的影響。

腐蝕是形態學處理[7]的基本操作之一，選取結構元素X，將圖像X的每一個與結構元素全等的自己B+x收縮為點x，腐蝕可以消除邊界處的干擾點，毛發很細，可當作毛孔邊界的線條狀排布的干擾點，通過腐蝕處理基本可以消除

XΘB={x|B+x?X}

(3)

如圖2箭頭所指，細微毛發纖細扁長，直接采用形態學處理可基本消除細微毛發及部分噪聲的影響。另外，由于毛孔目標亮度存在擴散現象，因此，腐蝕不會影響毛孔的檢測。如圖2所示，處理后細微毛發的影響基本被消除。

圖2 原圖及形態學處理結果

2.3 改進的自適應閾值分割

(4)

傳統的Ostu算法對灰度直方圖為雙峰形狀的圖像分割效果好，但對于某些圖像而言，目標與背景方差差別較大，背景灰度值小于目標灰度值，當背景方差小時，Ostu法得到的閾值將會低于理想的閾值。Ostu只考慮最大類間方差，沒有綜合類內方差，使得分割效果不佳[9]。在背景抑制后的毛孔圖像灰度直方圖中，目標部分的方差較大，而背景部分的方差小，因此，直接采用Ostu算法所計算的閾值并非最佳。

如圖5(a)所示，采用全局Ostu分割時，右側暗部的分割效果不佳。為了進一步消除光照不均造成的亮度不均，本文采用分塊分割的方式處理。

在多個圖像塊的目視毛孔理想分割閾值和Ostu閾值的統計中發現，兩者之差基本穩定在3左右。因此在Ostu算法計算閾值thOstu的基礎上引入一個補償項δ(本文δ=3)進行修正，可獲得更好的分割效果，毛孔分割閾值為

th=thOstu+δ

(5)

選取部分圖像塊對比分割效果，如圖3所示，Ostu閾值把大部分非0像素都分割為目標。而修正閾值能更準確地分割目標，保持目標的形狀。特別是在幾乎沒有毛孔的均勻圖像塊中，可有效減少錯誤分割。

圖3 閾值修正前后分割結果局部對比

綜上所述，本文針對毛孔檢測問題，對傳統的Ostu方法進行改進，先對圖像進行分塊，在塊內計算Ostu閾值，并增加補償值修正，最后利用修正后的閾值進行分割，具體流程如圖4。通過圖5的對比可發現，分塊分割進一步抑制了亮度不均的影響，總體上較好地實現了對毛孔的分割。

圖4 改進的Ostu算法流程

圖5 分割結果對比

2.4 精細篩選

通過圖6(a)所示初步分割結果與圖6(c)所示原圖對比發現，分割結果中的主要錯檢，一部分來源于背景估計誤差所帶來的小噪聲，尺寸小于毛孔。另一部分是細微毛發和皮膚紋理帶來的錯檢，形狀各異。

本文利用毛孔的尺寸以及形狀特征，采用大小和圓形度兩個量化指標對分割結果進行篩選。其中，大小定義為候選目標的像素數num，認為num小于閾值th_num的候選目標是噪聲，從圖像中刪去，結果如圖6(b)所示。另外，圓形度的定義為候選目標面積S1占最小內切圓面積S2的比例P=S1/S2，認為P小于閾值th_P的候選目標是細微毛發，從圖像中刪去，最終篩選結果疊加圖如圖6(d)所示。

圖6 精細篩選結果

3 實驗結果和分析

本文以MATLAB為平臺進行實驗，硬件環境為CPU 2.20 GHz，內存為4 GB。圖像采集設備為Visia第七代皮膚檢測儀，實驗圖像尺寸為715×673，覆蓋大部分臉頰區域，包含了斑點、毛發、油光、光照等因素影響。

在具體實驗中，設置中值濾波窗口半徑r為8，圖像塊大小為60，閾值補償值δ為3，尺寸閾值th_num為8，以及圓形度篩選閾值th_P為5。若采用其他圖像采集設備，可根據具體光照情況、與被攝人員的距離調整參數。

本文算法實驗對比結果如圖7所示，利用文獻[2,3]算法實驗結果作為對比。

圖7 各算法實驗結果對比

將精確率定義為正確檢測的數量比算法檢測總數量。召回率定義為正確檢測數量比人工標記的數量。對20張不同人的臉頰區域圖像依照同樣實驗方法進行實驗，統計結果如表1所示(σ為標準差)。

表1 檢測效果指標統計表

HSV法在亮度圖像和飽和度圖像上閾值分割，結合分割結果作為最終檢測結果。該方法僅利用了毛孔的顏色信息，在檢測帶斑點和非均勻光照的大區域圖像時檢測性能較差。

ε濾波器法將毛孔信號看作高頻信號中的大幅度分量，利用低通線性濾波器和ε非線性濾波器的組合，抑制了色斑和噪聲的影響，在光照均勻區域中精確率較高。由于線性濾波器的均勻作用，檢測目標輪廓較為光滑，形狀信息有損失。兩種對比算法均未實現自適應閾值的最佳毛孔分割。

本文聯合色調、形狀、尺寸多特征進行毛孔檢測，從統計指標上看，同時具有較高的精確率和召回率。從目視效果上看，在非均勻光照條件下檢測出了大部分毛孔目標，且形狀保持較好，更有利于毛孔目標的精確評估。

4 結束語

本文針對較大區域皮膚圖像，基于毛孔色調、尺寸、形狀等特征分析，充分考慮了毛孔檢測的各影響因素，提出了一種基于聯合特征約束的毛孔檢測算法。仿真結果表明，該聯合特征約束算法具有高精度和低誤檢的特點。在光照不均、斑點較多、皮膚毛發多等檢測條件下，具有穩定的檢測性能。

從實驗結果中發現，在與毛孔尺寸相當的皮損、痤瘡區域，不能很好地區分。由于采用灰度圖像，沒有充分利用RGB三個通道的信息，下一步可考慮利用豐富的顏色信息，對皮膚圖像的各項特征進行更加精細的區分，從而實現皮膚特征的精確檢測和評估。