面部皮膚毛孔檢測算法

王 偉，李 賀，姜小明

(1.重慶郵電大學(xué) 生物信息學(xué)院，重慶 400065；2.重慶郵電大學(xué) 自動(dòng)化學(xué)院，重慶 400065；3.重慶郵電大學(xué) 重慶市醫(yī)用電子與信息技術(shù)工程研究中心，重慶 400065)

0 引 言

針對(duì)毛孔[1]的檢測，王賀等[2]提出HSV-Morph算法，利用HSV(Hue，Saturation，Value)顏色空間對(duì)采集的微距圖像進(jìn)行閾值分割處理，再利用形態(tài)學(xué)運(yùn)算去除干擾完成對(duì)毛孔特征點(diǎn)大小的檢測。但此算法在毛發(fā)油分等噪聲影響下，分割結(jié)果精度不足且會(huì)有邊緣誤差。Jae-Ho等[3]提出Otsu-KAPUA算法，利用直方圖線性擬合皮膚圖像以分離色素沉著和毛孔區(qū)域。但此算法對(duì)毛發(fā)等干擾沒有良好的魯棒性。蘇錦程等[4]基于毛孔色調(diào)特征，改進(jìn)傳統(tǒng)大津法計(jì)算最佳毛孔分割閾值，利用閾值進(jìn)行分塊分割。通過毛孔的尺寸、形狀特征，對(duì)分割后的候選目標(biāo)進(jìn)行毛孔篩選。文獻(xiàn)[5,6]針對(duì)全局面部皮膚，考慮到不同色素層上皮膚色素分布的差異，使用SURF(scale-invariant feature transform)和SIFT(speed up robust feature)算法檢測不同色素層上的皮膚特征，計(jì)算歐幾里德距離以描述不同層上相同檢測點(diǎn)的位置相似性，將最佳比例設(shè)置為閾值以得到最好的毛孔特征。

通過參考相關(guān)文獻(xiàn)，在毛發(fā)、皺紋、痤瘡、光照不均尤其是在油分的影響下，對(duì)局部皮膚圖像毛孔的判斷都不精確，因此需要對(duì)面部皮膚毛孔算法進(jìn)行改進(jìn)，使毛孔的檢測更為精準(zhǔn)。

1 特征分析

1.1 面部圖像特征分析

皮膚毛孔圖像是一種偏微距圖像，主要有以下特征：①分辨率高，色調(diào)一致，毛孔、毛發(fā)、皺紋以及油分等皮膚特征較為清晰；②由于油分、皺紋和光照不均勻等因素的影響，亮度不均勻；③當(dāng)毛孔粗大時(shí)色調(diào)偏暗，呈現(xiàn)不規(guī)則圓形，毛孔細(xì)致時(shí)，與周圍皮膚顏色相近；④毛發(fā)呈現(xiàn)細(xì)長狀，與毛孔相連；⑤毛孔粗大常伴有皮膚油分偏大，圖像亮區(qū)較多；⑥對(duì)于面部皮膚，常有紅血絲、痤瘡及丘疹等面部發(fā)紅的癥狀表現(xiàn)。

在皮膚毛孔直方圖方面，如圖1(a)所示，毛孔區(qū)域與背景區(qū)域顏色相近，緊密結(jié)合，且在圖1(b)中的灰度直方圖呈現(xiàn)單峰狀態(tài)特征，背景和顏色差別較小，較亮的區(qū)域與較暗的區(qū)域難以分離。

圖1 局部面部圖像及直方圖

為了更好的對(duì)毛孔進(jìn)行閾值分割，結(jié)合面部毛孔特點(diǎn)的各個(gè)顯著差異，利用濾波器進(jìn)行毛發(fā)、皺紋、油分等因素的削弱。

針對(duì)皮膚的膚色特征，國內(nèi)外提出了很多如色RGB、CMY、HSV的顏色空間模型[7]，RGB和CMY偏向于彩色模型，將亮度飽和度等信息一起存放，難以將其分離。而HSV空間將亮度、飽和度單獨(dú)分離出來，適用于皮膚的色彩感知。毛孔和周圍的皮膚環(huán)境顏色相近，加上油光等影響因素，很難單從顏色的角度將毛孔信息分離出來[8]。而毛孔區(qū)域具有高飽和度的特征，可以利用HSV中的S空間來分離毛孔信息與背景。

針對(duì)光照不均以及油分因素給毛孔檢測帶來的影響，采用同態(tài)濾波器修正圖像。一幅圖像可以表示為照射成分和反射成分的乘積，使用同態(tài)濾波可以更好地控制照射成分和反射成分，達(dá)到修正不均勻光照及油分過大的作用，并銳化毛孔邊緣。

由于人臉皮膚紅血絲分布較廣，且常伴有痤瘡、痘印及丘疹等癥狀，在分割時(shí)會(huì)隱藏很多毛孔細(xì)節(jié)，導(dǎo)致毛孔分割精確度不高。經(jīng)研究發(fā)現(xiàn)，毛孔信息在皮膚的黑色素層，而紅血絲、痤瘡等分布在皮膚的血色素層上。皮膚的表皮層中蘊(yùn)含著大量的黑色素，真皮層中蘊(yùn)含著大量的血紅蛋白。當(dāng)入射光照在皮膚上，黑色素和血紅蛋白的反射決定了皮膚呈現(xiàn)的顏色，而數(shù)字圖像是由R、G、B三通道組成，3個(gè)通道的值反映了物體表面的光反射入鏡頭的程度。通過構(gòu)建數(shù)字像素和色素的數(shù)學(xué)模型，獨(dú)立成分分析(ICA)把皮膚分為紅色素層和血色素層[9]篩選毛孔細(xì)節(jié)信息。

對(duì)于毛發(fā)噪聲的削減，提取S空間下的高頻和低頻成分，經(jīng)過低通濾波后保留了毛孔信息的低頻成分，再通過高斯高通濾波和高頻強(qiáng)調(diào)濾波計(jì)算毛孔信息的高頻成分。此種方式可以有效削弱毛發(fā)對(duì)毛孔分割的影響。

1.2 濾波器組的設(shè)計(jì)

綜上分析，為了有效解決毛發(fā)、皺紋、皮膚油分、光照不均以及皮膚紅血絲導(dǎo)致的分割精度差問題，設(shè)計(jì)出ICA-Homo濾波器組。ICA-Homo濾波器組是進(jìn)行預(yù)處理的工作，如圖2所示表示濾波器完整過程。輸入圖像I(x,y)在S空間同態(tài)濾波(homomorphic filter)后使用巴特沃斯低通濾波器(BLPF)進(jìn)行低通濾波得到低頻成分r(x,y)。同時(shí)對(duì)輸入圖像進(jìn)行ICA處理分離出皮膚圖像的黑色素層，把分離出來的黑色素層低通濾波處理得到低頻成分l(x,y)。

圖2 ICA-Homo濾波器組

低頻成分l(x,y)經(jīng)過高斯高通濾波(GHPF)的多次迭代，把迭代的結(jié)果進(jìn)行高頻強(qiáng)調(diào)(HFEF)得到高頻成分h(x,y)。

2 算法流程

2.1 算法整體流程

針對(duì)皮膚毛孔的特征與文獻(xiàn)算法的不足，本文提出一種針對(duì)面部局部皮膚圖像的毛孔檢測算法。

(1)預(yù)處理：針對(duì)局部面部皮膚圖像設(shè)計(jì)了一個(gè)ICA-Homo濾波器組，由于在飽和度S空間下，毛孔區(qū)域與普通區(qū)域信息差異較大，該濾波器組首先在HSV空間下分離S空間，進(jìn)行同態(tài)濾波，以消除光照不均帶來的影響。為了保證毛孔細(xì)節(jié)不被紅血絲和丘疹、痤瘡等因素等影響，利用ICA分離出原皮膚圖像的黑色素成分，進(jìn)行低通濾波得到低頻成分。同態(tài)濾波后的圖像進(jìn)行低通濾波和高通濾波，以提取毛孔信息的低頻和高頻成分，消除毛發(fā)、皺紋等其它因素的影響。

(2)閾值分割：對(duì)提取的低頻成分和高頻成分進(jìn)行分割。針對(duì)熵值法容易出現(xiàn)背景誤判、迭代法的初始閾值難以確定的問題，提出以最大熵值法和迭代法相結(jié)合的分割方式。

(3)邏輯運(yùn)算：對(duì)閾值分割后的低頻和高頻信息進(jìn)行邏輯運(yùn)算，保證分割結(jié)果的全面性。

2.2 預(yù)處理算法

步驟1分離S空間。HSV將亮度、飽和度單獨(dú)分離，適用于皮膚的色彩感知。其可以表示為一個(gè)圓錐體空間模型，飽和度S表示半徑，取值范圍是0-1，越接近1則表示越飽和；亮度V表示縱軸，取值為0-1，越接近1顏色越亮；色調(diào)H為角度。底面圓所在的平面對(duì)應(yīng)著亮度為1，繞V軸的角度表示色調(diào)信息，紅、綠、藍(lán)三原色分別對(duì)應(yīng)0度、120度和240度

(1)

(2)

利用毛孔的高飽和度特征，分離S空間的方式來分離毛孔和復(fù)雜的背景信息。采集到的面部圖像I(x,y)為RGB類型，按式(1)、式(2)轉(zhuǎn)化為HSV類型，并單獨(dú)分離出S空間Is(x,y)。

步驟2同態(tài)濾波修正。為了減少光照不均以及油分因素給檢測帶來的影響，采用同態(tài)濾波器修正圖像。皮膚圖像可以表示為照射成分和反射成分的乘積，使用同態(tài)濾波可以更好地控制照射成分和反射成分[10]。對(duì)輸入的Is(x,y)取自然對(duì)數(shù)后進(jìn)行傅里葉變換(DFT)得到F(u,v)。把F(u,v)代入如式(3)所示的同態(tài)濾波函數(shù)Hh(u,v)

Hh(u,v) =(γH-γL)[1-e-w[D2(u,v)/D02]] +γL

(3)

式中：γL和γH是濾波器的過渡區(qū)間，常數(shù)w控制函數(shù)邊坡的銳利度，D(u,v)是頻率域中點(diǎn)(u,v)到頻率矩形中心的距離。Hh(u,v)再經(jīng)過DFT的逆變換和指數(shù)運(yùn)算Exp輸出同態(tài)濾波后的圖像g(x,y)。

通過濾波器函數(shù)可以用不同的可控方式改變傅里葉變換的低頻和高頻，以便更好地控制照射反射成分，達(dá)到修正不均勻光照，銳化毛孔邊緣的作用。如圖3所示，對(duì)面部毛孔圖像S空間分離后進(jìn)行同態(tài)濾波的修正，從圖3(b)可以看出毛孔邊緣的細(xì)節(jié)得到強(qiáng)化，光照的不均勻也得到了改善。

圖3 同態(tài)濾波修正后的圖像對(duì)比

步驟3ICA分離黑色素層。由于毛孔信息會(huì)被皮膚中的紅血絲、痤瘡、痘印和丘疹等因素影響，導(dǎo)致不能精確識(shí)別毛孔信息。以皮膚層次結(jié)構(gòu)和光學(xué)模型為基礎(chǔ)，首先需要構(gòu)建數(shù)字圖像各通道和色素層之間的數(shù)學(xué)表達(dá)式。設(shè)皮膚色素濃度為c，色素顏色值為C；黑色素層和血紅蛋白層的色素濃度分別表示為cm、ch；v為平均光程j和吸光系數(shù)(extinction coefficient)h的乘積，如式(4)所示

(4)

p(x,y)與皮膚形狀相關(guān)，i為數(shù)字圖像R、G、B三通道，將B、G兩通道減去R通道的顏色值，公式簡化為向量表達(dá)式(5)

(5)

其中

(6)

(7)

c=[cm,ch]T

(8)

(9)

從式(5)可以看出，光密度空間顏色通道差值可以由黑色素層和血紅蛋白層表示，即式(8)中c向量，其中cm、ch相互獨(dú)立，可以通過盲源分離(blind source separation，BSS)方式來解決。利用ICA解決盲源分離的問題[11]，計(jì)算分離向量Q的值，得到黑色素濃度分布為Im(x,y)。

通過圖4可以看出，圖4(a)面部圖像痤瘡嚴(yán)重，紅血絲分布較廣影響檢測毛孔的精度，而圖4(b)分離出的黑色素層，痤瘡和紅血絲已被濾除，背景較為清晰，毛孔的細(xì)節(jié)部分得到強(qiáng)化。

圖4 ICA分離黑色素層圖像

步驟4低頻高頻濾波。同態(tài)濾波后進(jìn)行對(duì)圖像低頻部分的提取，削減毛發(fā)和皺紋等因素對(duì)分割毛孔的影響。在頻率域平滑圖像可通過衰減高頻來表示，為了更好平滑圖像采用巴特沃斯低通濾波器(BLPF)。對(duì)于S空間下的Is(x,y)和黑色素層Im(x,y)輸入傳遞函數(shù)式(10)

(10)

式中：n表示BLPF的階數(shù)，不同的階數(shù)有不同的截止頻率，截止位于原點(diǎn)D0處。此種濾波器可以更好地在低頻和高頻之間平滑過渡。S空間和黑色素層輸出分別為s(x,y)、l(x,y)。

經(jīng)過低通濾波后保留了毛孔信息的低頻成分，再通過高斯高通濾波和高頻強(qiáng)調(diào)濾波計(jì)算毛孔信息的高頻成分，強(qiáng)化毛孔的邊緣細(xì)節(jié)。GHPF會(huì)衰減傅里葉變換低頻成分而不會(huì)擾亂高頻成分的信息。為了更好地使圖像在閾值分割后完整提取毛孔的信息，使用多次迭代方式進(jìn)行GHPF的運(yùn)算，進(jìn)行N次迭代后，毛孔的邊界提取更為精確

(11)

利用高斯高通濾波器的結(jié)果，再進(jìn)行高頻強(qiáng)調(diào)濾波(HFEF)。如式(11)所示，在GHPF上加了常數(shù)K1，常數(shù)K1、K2會(huì)影響最終結(jié)果的高頻比例(其中K1≥0為控制距原點(diǎn)的偏移量，K2≥0為控制高頻的比例)最終輸出S空間下低高頻濾波的最后結(jié)果h(x,y)。

如圖5所示，圖5(a)組所示的3張?jiān)济娌棵讏D片，經(jīng)過轉(zhuǎn)化HSV并分離S空間后如圖5(b)組所示，可以看出毛孔邊緣得到強(qiáng)化，修正了不均勻光照，但依舊可以看到毛發(fā)等復(fù)雜的背景因素。最終的濾波結(jié)果圖5(c)組中毛孔以外的毛發(fā)、皺紋、不均勻光照以及皮膚油分等背景因素得到有效的濾除，毛孔邊緣也有了進(jìn)一步的強(qiáng)化。

圖5 ICA-Homo濾波器實(shí)現(xiàn)

2.3 改進(jìn)最大熵的閾值分割算法

對(duì)于皮膚圖像閾值分割的方式有很多種，如大律法(Otsu)、分水嶺算法、聚類算法，以及上文所提到的Otsu-KAPUA算法、HSV-Morph算法等。針對(duì)面部局部皮膚的各種特征，提出把熵值法和迭代法相結(jié)合的方式，進(jìn)行毛孔圖像的分割。

利用最大熵值法分割圖像時(shí)，最佳閾值處于目標(biāo)和背景兩類之間，能夠?qū)深悎鼍斑M(jìn)行較好的分離。但針對(duì)皮膚等背景復(fù)雜的圖像，分割效果較差。毛孔與背景灰度差相差不大，熵值法容易出現(xiàn)背景誤判，從而造成毛孔信息的過度選擇，從而采用迭代法分割進(jìn)行對(duì)熵值法的閾值的削減。

在本方法中，首先利用最大熵值法對(duì)整個(gè)圖像求出基礎(chǔ)的閾值Te；大律法求出背景與目標(biāo)的比例作為迭代分割的初始比例，由此求出初始閾值T0；通過T0再次劃分新的背景與目標(biāo)區(qū)域，迭代產(chǎn)生新的閾值Td，在所求閾值小于基礎(chǔ)閾值時(shí)，重復(fù)迭代過程，最終閾值為基礎(chǔ)閾值與迭代閾值的均值。由此完成對(duì)最大閾值法的收斂，解決對(duì)毛孔信息過度選擇的問題。具體過程如下描述：

步驟1在一個(gè)系統(tǒng)中，不同屬性提供的能量不同，熵值也不同[12]。最大熵值法選擇閾值使前景和后景的兩個(gè)灰度級(jí)分布最大，用熵值來測量信息。設(shè)u1,u2…un表示觀察到的灰度級(jí)的頻率(n代表灰度級(jí)的數(shù)量)，pi表示在直方圖上特定灰度級(jí)發(fā)生的比率，如式(12)所示

(12)

假設(shè)前景區(qū)域?yàn)槟繕?biāo)，背景全為噪聲，目標(biāo)包含的灰度范圍為0,1…s，背景包含的像素點(diǎn)的灰度范圍為s+1,…m，由此可以得出如式(13)、式(14)所示決策目標(biāo)的信息熵HO以及背景的信息熵HB

(13)

(14)

其中

(15)

(16)

(17)

則所求圖像熵的判別函數(shù)為HO+HB，最佳分割閾值滿足條件如式(18)所示

Te= arg max(HO+HB)

(18)

步驟2為了更快速地進(jìn)行迭代，利用大律法(Otsu)確定初始閾值[13]。以O(shè)tsu閾值分割后的二值圖像為計(jì)算目標(biāo)和背景的比例，設(shè)比例為1/N0，遍歷整個(gè)灰度圖像的像素點(diǎn)，尋找整個(gè)像素區(qū)域的最大值Gmax和最小值Gmin。則預(yù)分割閾值為式(19)所示

T0=(Gmax+Gmin)/N0

(19)

根據(jù)Otsu確定的預(yù)分割閾值，將圖像再次分為目標(biāo)Gu與背景區(qū)域Gd，如式(20)、式(21)求出兩部分的平均灰度值，設(shè)G(i,j)為圖像(i,j)的灰度值

(20)

(21)

其中，Q(i,j)為(i,j)的權(quán)重系數(shù)，初始閾值k=0。重新定義如式(22)閾值Tdk+1

Tdk+1=(Gu+Gd)/Ni

(22)

Ni= N0+ir

(23)

循環(huán)上述過程，當(dāng)Tdk=Tdk+1時(shí)結(jié)束迭代。

步驟3為解決目標(biāo)與灰度差不明顯時(shí)的誤判，通過迭代法收斂最大熵的閾值，每經(jīng)過一次迭代，迭代閾值會(huì)逐漸變大，直至所得閾值大于Te時(shí)迭代停止。通過式(23)執(zhí)行i次運(yùn)算(其中r為常數(shù))得到Td1,Td2…Tdm(Td1,Td2…Tdm≤Te)，最終閾值為式(24)所示

(24)

采用ICA-Homo中S空間經(jīng)同態(tài)濾波后高頻成分h(x,y)測試改進(jìn)的最大熵閾值分割算法如圖6所示。

圖6 最大熵分割改進(jìn)前后對(duì)比

由圖6(b)組可以看出，在未改進(jìn)前的閾值分割中，背景得到誤判，導(dǎo)致毛孔分割面積過大且很多被分割錯(cuò)誤的毛孔，影響最終分割后毛孔的大小和數(shù)量。而改進(jìn)后與改進(jìn)前相比，分割較為精確，背景和目標(biāo)能較好分離，毛孔細(xì)節(jié)保留完整。

2.4 邏輯運(yùn)算

在對(duì)ICA分離得到的低頻成分l(x,y)和S空間下同態(tài)濾波后的高頻成分h(x,y)分別進(jìn)行閾值分割后得到低頻和高頻的二值圖像S(l)、S(h)，為了能完整提取到毛孔，對(duì)閾值處理后的圖片進(jìn)行邏輯或運(yùn)算合并圖像

S=S(l)|S(h)

(25)

式中：S是最終邏輯運(yùn)算的二值結(jié)果，以圖1(a)為例，經(jīng)過本算法的毛孔結(jié)果對(duì)比如圖7所示。

圖7 毛孔分割算法結(jié)果

其中，圖7(a)為油分偏多的皮膚原始圖像，圖7(b)中的圓圈是人工毛孔的標(biāo)識(shí)結(jié)果，圖7(c)是本算法閾值分割后的毛孔分割結(jié)果，圖7(d)中深灰色部分為毛孔原圖像和分割后圖像疊加結(jié)果。經(jīng)閾值分割前后的對(duì)比，分割后的毛孔和大小精度與原始圖像基本吻合。為了有效量化檢測的結(jié)果，本文定義有效檢測率(EDR)、誤檢率(WDR)兩個(gè)指標(biāo)

(26)

(27)

把圖7的結(jié)果代入上式求得毛孔有效檢測率為95%，誤檢率為4%，驗(yàn)證了上述分析。

3 實(shí)驗(yàn)結(jié)果分析

3.1 分割結(jié)果對(duì)照

本文以6例不同人、不同皮膚特征的毛孔圖像來進(jìn)行分割結(jié)果的對(duì)照，并設(shè)計(jì)兩個(gè)對(duì)照組。對(duì)照組1主要探討皺紋、毛發(fā)以及光照不均對(duì)分割結(jié)果的影響；對(duì)照組2主要分析油分、痤瘡等因素對(duì)分割結(jié)果的影響。對(duì)兩個(gè)對(duì)照組分別采用Otsu算法，以及上文所提到的Otsu-KAPUA算法、HSV-Morph算法以及本文算法進(jìn)行毛孔分割，獲得最終對(duì)比結(jié)果。

圖8是驗(yàn)證在毛發(fā)和皺紋的影響下，驗(yàn)證對(duì)毛孔的分割效果，圖8A組屬于毛發(fā)較多的毛孔情況；圖8B組屬于在毛發(fā)較多的情況下，皺紋較多且光照不均勻；圖8C組為皺紋較多且深邃。下面是幾種閾值分割后的對(duì)比情況。

圖8 對(duì)照組1閾值分割結(jié)果

根據(jù)圖8對(duì)照組1閾值分割結(jié)果所示，在毛發(fā)、皺紋和光照不均的影響下，Otsu算法分割毛孔較為粗糙，受皺紋等復(fù)雜背景影響程度較大；Otsu-KAPUA算法能夠較完整的分割出毛孔，但受制于毛發(fā)的影響，對(duì)于皺紋的分割也存在問題，把大量皺紋等背景誤判為毛孔；HSV-Morph算法能夠的規(guī)避皺紋等因素，但對(duì)毛孔分割不精確，大量毛孔未被識(shí)別分割。而本文算法能夠較好進(jìn)行毛孔的識(shí)別與分割，圖9量化表示毛孔分割結(jié)果。

圖9 對(duì)照組1特征分析折線圖

為了更好地分析分割結(jié)果，除了EDR和WDR之外，本文引入峰值信噪比(PSNR)和模糊系數(shù)(KBlur)作為對(duì)照參數(shù)[14]。PSNR是評(píng)價(jià)圖像的客觀標(biāo)準(zhǔn)之一，衡量圖片處理后的品質(zhì)，其值大小與處理后圖片質(zhì)量成正比。KBlur描述的則是圖像信息量的大小，其值的大小與分割結(jié)果質(zhì)量成反比。

如圖9折線圖所示，描述每組圖片4種算法的分割結(jié)果在EDR、WDR、PSNR和KBlur的量化特征數(shù)據(jù)。折線圖左邊為主坐標(biāo)軸，PSNR和KBlur的數(shù)據(jù)結(jié)果在主軸讀??；折線圖右邊為副坐標(biāo)軸，EDR和WDR的數(shù)據(jù)結(jié)果在副軸讀取。如圖9(a)所示，Otsu算法誤檢率過高，圖像模糊系數(shù)也偏大，分割不明確。Otsu-KAPUA算法有效檢測率高但誤檢率也偏高；HSV-Morph算法誤檢率大于有效檢測率；本文算法在4個(gè)參數(shù)下都有較好的結(jié)果，峰值信噪比最高，模糊系數(shù)最低，有效檢測率為95%，誤檢率為5%，具有較好的性能。圖9(b)和圖9(c)特征分析情況如同圖9(a)，3組圖片在本文算法下對(duì)毛孔的分割，平均有效檢測率約為95%，平均誤檢率為5%，算法在4組特征的測量下都取得了良好的效果，驗(yàn)證了本文算法在毛發(fā)、皺紋和光照不均的影響下對(duì)毛孔分割的有效性。

圖10是驗(yàn)證在油分和紅血絲、痤瘡等復(fù)雜背景的影響下，驗(yàn)證對(duì)毛孔的分割效果，圖10A組毛孔發(fā)紅，皮膚粗糙且較為模糊；圖10B組屬于在強(qiáng)烈油分下毛孔細(xì)致毛發(fā)較少；圖10C組是在強(qiáng)烈油分下毛孔粗糙，且紅腫，伴有紅血絲和痤瘡。下面是幾種閾值分割后的對(duì)比情況。

根據(jù)圖10閾值分割結(jié)果對(duì)照組2所示，在毛孔發(fā)紅，皮膚粗糙且清晰度不高的影響下，Otsu算法分割毛 孔較為粗糙，受皺紋、油分等復(fù)雜背景影響程度較大；Otsu-KAPUA算法能夠較完整的分割出毛孔，但對(duì)油分噪聲較為敏感，在強(qiáng)烈油分且伴有痤瘡的毛孔信息下無法準(zhǔn)確分割；HSV-Morph算法在強(qiáng)油分且毛孔細(xì)致時(shí)，大量毛孔未被分割，其它情況下，分割的信息有大量的噪聲。而本文算法能夠較好的毛孔的識(shí)別，表1～表3利用4種指標(biāo)量化表示毛孔分割結(jié)果。

表1 圖10A組數(shù)據(jù)特征分析

表2 圖10B組數(shù)據(jù)特征分析

表3 圖10C組數(shù)據(jù)特征分析

圖10 對(duì)照組2閾值分割結(jié)果

由表1～表3可知，在油分較大的情況下，其它算法的有效檢測率和峰值信噪比較低，誤檢率和模糊系數(shù)較大，不能較好完成毛孔分割。本算法在油分影響下毛孔粗大毛孔細(xì)致的檢測中也能達(dá)到較高的檢測率，在毛孔發(fā)紅、粗糙且清晰度不高圖10A組和強(qiáng)烈油分且伴有痤瘡的圖10C組，毛孔達(dá)到全部檢測；在強(qiáng)油分、毛孔細(xì)致的皮膚圖10B組中，毛孔的有效檢測率也達(dá)到71.4%，驗(yàn)證了本文算法在油分、痤瘡等復(fù)雜背景影響下對(duì)毛孔分割的有效性。

對(duì)兩個(gè)對(duì)照組進(jìn)行分析可得，Otsu算法在噪聲干擾大且直方圖不具有顯著雙峰特征的局部面部圖像中處理的效果并不理想[15,16]，分割結(jié)果較為凌亂，不能區(qū)分毛孔的具體輪廓；Otsu-KAPUA算法能夠較為清晰識(shí)別毛孔的輪廓，但易受毛發(fā)、皺紋的影響，把毛發(fā)和背景信息誤識(shí)別為毛孔；HSV-Morph算法能夠較好分離皺紋下的毛孔，但誤檢率過高，識(shí)別精度不高；本文算法在能夠在油分、毛發(fā)、皺紋、光照不均和伴有丘疹等環(huán)境下，較為精確檢測毛孔信息，具有較強(qiáng)的抗干擾能力。

3.2 性能指標(biāo)

本文以手持USB數(shù)碼顯微鏡采集的70例面部皮膚圖像作為數(shù)據(jù)集進(jìn)行本算法的毛孔分割的測試，人工對(duì)圖像中毛孔的位置及數(shù)量進(jìn)行標(biāo)記分析。如圖11毛孔數(shù)量識(shí)別折線圖。

圖11 毛孔數(shù)量識(shí)別

折線圖所顯示的分別是毛孔人工標(biāo)記的真實(shí)值數(shù)量，本算法有效檢測的毛孔數(shù)量以及算法的錯(cuò)誤檢測的毛孔數(shù)量，可見真實(shí)毛孔數(shù)量與有效檢測數(shù)量相差不大，基本保持在重合狀態(tài)，錯(cuò)檢的毛孔數(shù)量總體不高。通過式(26)、式(27)計(jì)算得到EDR約為96%，WDR為4.8%，通過毛孔數(shù)量折線圖和所測得的數(shù)據(jù)可以看出本文算法對(duì)毛孔檢測準(zhǔn)確度的提高相對(duì)有效。

為了判別毛孔大小精度，更有效的對(duì)毛孔大小進(jìn)行分析，需測量分割后每張面部圖片毛孔的平均直徑大小以及人工標(biāo)注毛孔平均直徑大小。定義算法所測的每幅面部圖像平均毛孔直徑大小為dl，人工標(biāo)注平均毛孔直徑大小為da，誤差范圍為Ed

(28)

(29)

其中，設(shè)最終處理后的二值圖像有M個(gè)待測毛孔，ND是每個(gè)毛孔塊容納的像素總數(shù)，pix是每個(gè)像素點(diǎn)代表的實(shí)際大小，N為圖像總數(shù)。

如圖12所示，折線圖所顯示的分別是本算法所測得算法直徑以及標(biāo)注直徑，由圖像可知算法直徑和標(biāo)注直徑在所測試的70例面部圖像數(shù)據(jù)集中幅度相同，重合度較高。利用計(jì)算得到EDR約為96%，WDR為4.8%，通過式(29)測得均方根誤差Ed為0.0304，綜合驗(yàn)證本文算法能夠在油分、毛發(fā)、皺紋、光照不均和伴有丘疹、痤瘡的復(fù)雜背景環(huán)境的影響下有效提高毛孔數(shù)量準(zhǔn)確度和毛孔大小精度。

圖12 毛孔大小識(shí)別

4 結(jié)束語

本文提出了一種針對(duì)皮膚圖像的毛孔檢測算法，構(gòu)建了ICA-Homo濾波器組以及提出了改進(jìn)最大熵的毛孔分割方法。在進(jìn)行的對(duì)比實(shí)驗(yàn)中本文算法相較于其它算法，對(duì)于毛孔分割效果顯著增強(qiáng)，有效消除皮膚毛發(fā)、光照不均、皺紋、皮膚油分及紅血絲、痤瘡等復(fù)雜背景因素的影響，使毛孔有效檢測率達(dá)到96%，毛孔大小誤差范圍為0.0304，提高毛孔數(shù)量準(zhǔn)確度和毛孔大小的精度，具有較強(qiáng)的魯棒性。本文的主要算法主要針對(duì)于局部面部皮膚圖像，對(duì)于全局人臉毛孔分割還存在一些分割不準(zhǔn)確問題，在今后的研究中有待于進(jìn)一步的改善。