JP2013090752A - シミ分類方法、シミ分類装置およびシミ分類プログラム - Google Patents
シミ分類方法、シミ分類装置およびシミ分類プログラム Download PDFInfo
- Publication number
- JP2013090752A JP2013090752A JP2011234244A JP2011234244A JP2013090752A JP 2013090752 A JP2013090752 A JP 2013090752A JP 2011234244 A JP2011234244 A JP 2011234244A JP 2011234244 A JP2011234244 A JP 2011234244A JP 2013090752 A JP2013090752 A JP 2013090752A
- Authority
- JP
- Japan
- Prior art keywords
- color
- spot
- stain
- feature amount
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000005484 gravity Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 210000003491 skin Anatomy 0.000 description 11
- 230000000877 morphologic effect Effects 0.000 description 8
- 230000001788 irregular Effects 0.000 description 3
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 239000002537 cosmetic Substances 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 101100269850 Caenorhabditis elegans mask-1 gene Proteins 0.000 description 1
- 206010039796 Seborrhoeic keratosis Diseases 0.000 description 1
- 206010064127 Solar lentigo Diseases 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000003780 keratinization Effects 0.000 description 1
- 238000013532 laser treatment Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 201000003385 seborrheic keratosis Diseases 0.000 description 1
- 210000000434 stratum corneum Anatomy 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
【課題】シミを高精度に分類することができるシミ分類方法を提供する。
【解決手段】被験者の皮膚を撮影して得られた画像の色空間を変換した色空間変換画像を生成し、色空間変換画像に含まれるシミを検出し、検出されたシミについて、形態特徴量および色特徴量を算出し、算出された形態特徴量および色特徴量に基づいて、機械学習法によりシミを分類する。
【選択図】図１
【解決手段】被験者の皮膚を撮影して得られた画像の色空間を変換した色空間変換画像を生成し、色空間変換画像に含まれるシミを検出し、検出されたシミについて、形態特徴量および色特徴量を算出し、算出された形態特徴量および色特徴量に基づいて、機械学習法によりシミを分類する。
【選択図】図１
Description
この発明は、シミ分類方法、シミ分類装置およびシミ分類プログラムに関する。
シミ（色素班）は、メラニン色素が皮膚に沈着することにより生じるもので、形態特徴や色特徴、角質層の状態などの違いから一般に６〜７種類に分類される。医療用レーザー治療や化粧品の分野では、シミの種別に応じた治療や、化粧品を提供するために、被験者のシミを正確に分類することが試みられている。
例えば、特許文献１に提案されたシミの分類方法では、異なる波長の紫外線を皮膚に照射して紫外線カメラで撮影することにより、波長ごとにシミのコントラストの異なる画像が得られ、このコントラストの違いに基づいてシミの分類が行われている。
例えば、特許文献１に提案されたシミの分類方法では、異なる波長の紫外線を皮膚に照射して紫外線カメラで撮影することにより、波長ごとにシミのコントラストの異なる画像が得られ、このコントラストの違いに基づいてシミの分類が行われている。
しかしながら、紫外線の波長ごとに異なるシミのコントラストを評価するだけではシミを高精度に分類することは困難である。
この発明は、このような従来の問題点を解消するためになされたもので、シミを高精度に分類することができるシミ分類方法、シミ分類装置およびシミ分類プログラムを提供することを目的とする。
この発明に係るシミ分類方法は、被験者の皮膚を撮影して得られた画像の色空間を変換した色空間変換画像を生成し、前記色空間変換画像に含まれるシミを検出し、検出されたシミについて、形態特徴量および色特徴量を算出し、算出された前記形態特徴量および前記色特徴量に基づいて、機械学習法によりシミを分類するものである。
ここで、前記形態特徴量は、検出されたシミについて、重心位置座標、近似楕円の主軸、近似楕円の短軸、近似円の半径、周囲長および円形度をそれぞれ示す特徴量を含むのが好ましい。また、前記色特徴量は、検出されたシミについて、シミの明るさおよびシミの重心位置から外側に向けて広がる色分布をそれぞれ示す特徴量を含むのが好ましい。
また、色分布を示す前記色特徴量は、検出されたシミのシミ画像をシミの重心位置から外側に向けて複数の領域に分割して作成した複数のマスクと、前記シミ画像を色成分毎に分解して作成した複数の色分解画像とをそれぞれ乗算することにより色成分毎の分割評価値を算出し、前記分割評価値の平均値および標準偏差を算出することで求めることができる。また、色分布を示す前記色特徴量は、検出されたシミのシミ画像をシミの重心位置から外側に向けて複数の領域に分割して作成した複数のマスクと、前記シミ画像を色成分毎に分解して作成した複数の色分解画像とをそれぞれ乗算することにより色成分毎の分割評価値を算出し、シミの重心を含むマスク領域の前記分割評価値とそれ以外のマスク領域の前記分割評価値とのそれぞれの比率から求めることもできる。
また、シミの分類は、分類木、ランダムフォレスト、バギングまたはＡｄａｂｏｏｓｔを用いた前記機械学習法により行われるのが好ましい。
また、色分布を示す前記色特徴量は、検出されたシミのシミ画像をシミの重心位置から外側に向けて複数の領域に分割して作成した複数のマスクと、前記シミ画像を色成分毎に分解して作成した複数の色分解画像とをそれぞれ乗算することにより色成分毎の分割評価値を算出し、前記分割評価値の平均値および標準偏差を算出することで求めることができる。また、色分布を示す前記色特徴量は、検出されたシミのシミ画像をシミの重心位置から外側に向けて複数の領域に分割して作成した複数のマスクと、前記シミ画像を色成分毎に分解して作成した複数の色分解画像とをそれぞれ乗算することにより色成分毎の分割評価値を算出し、シミの重心を含むマスク領域の前記分割評価値とそれ以外のマスク領域の前記分割評価値とのそれぞれの比率から求めることもできる。
また、シミの分類は、分類木、ランダムフォレスト、バギングまたはＡｄａｂｏｏｓｔを用いた前記機械学習法により行われるのが好ましい。
この発明に係るシミ分類装置は、被験者の皮膚を撮影して得られた画像の色空間を変換した色空間変換画像を生成する色空間変換部と、前記色空間変換画像に含まれるシミを検出するシミ検出部と、前記シミ検出部により検出されたシミについて、形態特徴量および色特徴量を算出する特徴量算出部と、前記特徴量算出部により算出された前記形態特徴量および前記色特徴量に基づいて、機械学習法によりシミを分類するシミ分類部とを備えたものである。
この発明に係るシミ分類プログラムは、被験者の皮膚を撮影して得られた画像の色空間を変換した色空間変換画像を生成するステップと、前記色空間変換画像に含まれるシミを検出するステップと、検出されたシミについて、形態特徴量および色特徴量を算出するステップと、算出された前記形態特徴量および前記色特徴量に基づいて、機械学習法によりシミを分類するステップとをコンピュータに実行させるためのものである。
この発明によれば、被験者の皮膚を撮影して得られた画像からシミを検出すると共に検出されたシミの形態特徴量および色特徴量に基づいて機械学習法によりシミを分類するので、シミを高精度に分類することが可能となる。
以下、この発明の実施の形態を添付図面に基づいて説明する。
図１に、この発明の一実施の形態に係るシミ分類方法を行うシミ分類装置の構成を示す。シミ分類装置は、カメラ１を備え、このカメラ１に色空間変換部２、シミ検出部３、特徴量算出部４、シミ分類部５および分類結果出力部６が順次接続されている。
カメラ１は、被験者の皮膚を撮影するものであり、例えば被験者の顔Ｆに対して正面に配置することで顔Ｆに発生したシミを撮影することができる。なお、カメラ１は、被験者の皮膚を安全に撮影できる可視光カメラを用いるのが好ましいが、紫外線カメラまたは赤外線カメラを用いて撮影することもできる。
図１に、この発明の一実施の形態に係るシミ分類方法を行うシミ分類装置の構成を示す。シミ分類装置は、カメラ１を備え、このカメラ１に色空間変換部２、シミ検出部３、特徴量算出部４、シミ分類部５および分類結果出力部６が順次接続されている。
カメラ１は、被験者の皮膚を撮影するものであり、例えば被験者の顔Ｆに対して正面に配置することで顔Ｆに発生したシミを撮影することができる。なお、カメラ１は、被験者の皮膚を安全に撮影できる可視光カメラを用いるのが好ましいが、紫外線カメラまたは赤外線カメラを用いて撮影することもできる。
色空間変換部２は、カメラ１に接続され、カメラ１で撮影された撮影画像の色空間を変換した色空間変換画像を生成する。色空間変換画像は、例えばＬ＊ａ＊ｂ＊色空間、ＬＣＨ色空間、またはＹＣＣ色空間などに変換した画像を用いることができる。シミ検出部３は、色空間変換部２で生成された色空間変換画像に含まれるシミの検出を行う。例えば、色空間変換画像を２値化処理することでシミの検出を行うことができる。
特徴量算出部４は、シミ検出部３により検出されたシミについて、形態特徴量および色特徴量をそれぞれ算出する。シミ分類部５は、特徴量算出部４により算出された形態特徴量および色特徴量に基づいて、機械学習法により統計的にシミの分類を行う。機械学習法としては、分類木、ランダムフォレスト、バンギングまたはＡｄａｂｏｏｓｔなどを用いることができる。
分類結果出力部６は、モニタまたはプリンタなどから構成され、シミ分類部５により分類された被験者のシミの種別を出力する。
特徴量算出部４は、シミ検出部３により検出されたシミについて、形態特徴量および色特徴量をそれぞれ算出する。シミ分類部５は、特徴量算出部４により算出された形態特徴量および色特徴量に基づいて、機械学習法により統計的にシミの分類を行う。機械学習法としては、分類木、ランダムフォレスト、バンギングまたはＡｄａｂｏｏｓｔなどを用いることができる。
分類結果出力部６は、モニタまたはプリンタなどから構成され、シミ分類部５により分類された被験者のシミの種別を出力する。
特徴量算出部４により算出されるシミの形態特徴量および色特徴量について説明する。
シミは、図２に示すように、シミの大きさおよび円形度を含む形態特徴量と、シミの明るさおよび色分布を含む色特徴量とから、肝班、日光黒子、脂漏性角化症、雀卵班、ホクロなどの６〜７種類に分類される。
具体的には、肝班は、色が薄い褐色（赤味よりも青味が強い）で且つ色分布が均一であり、目元輪郭付近に発生するもので、形状が扇形または楕円など多様で且つ４ｃｍ〜５ｃｍの大きさを有し、輪郭形状がいびつで且つ輪郭コントラストが不明瞭といった特徴を有する。また、日光黒子は、色が薄い褐色から濃い褐色まで幅広く且つ色分布がほぼ均一であり、顔全体に発生するもので、楕円から真円に近い形状を有すると共に直径２ｍｍ〜１０ｍｍ程度の大きさを有し、輪郭形状がいびつで且つ輪郭コントラストが明瞭であるといった特徴を有する。脂漏性角化症は、色が褐色から濃い褐色で且つ色分布は中心部が濃く、顔全体に発生するもので、楕円から真円に近い形状を有すると共に直径５ｍｍ〜１０ｍｍ程度の大きさを有し、輪郭形状が比較的滑らかで且つ輪郭コントラストが明瞭であるといった特徴を有する。雀卵班は、色が薄い褐色（青味が強い）で且つ色分布が均一であり、顔全体に点在または多数分布して発生するもので、楕円から真円に近い形状を有すると共に直径が数ｍｍ程度の大きさを有し、輪郭形状がいびつで且つ輪郭コントラストが不明瞭から明瞭なものまで幅広いといった特徴を有する。ホクロは、色が濃い茶褐色から黒色であり、顔全体に発生するもので、楕円から真円に近い形状を有すると共に直径２ｍｍ〜１０ｍｍ程度の大きさを有し、輪郭形状が比較的滑らかで且つ輪郭コントラストが明瞭であるといった特徴を有する。
シミは、図２に示すように、シミの大きさおよび円形度を含む形態特徴量と、シミの明るさおよび色分布を含む色特徴量とから、肝班、日光黒子、脂漏性角化症、雀卵班、ホクロなどの６〜７種類に分類される。
具体的には、肝班は、色が薄い褐色（赤味よりも青味が強い）で且つ色分布が均一であり、目元輪郭付近に発生するもので、形状が扇形または楕円など多様で且つ４ｃｍ〜５ｃｍの大きさを有し、輪郭形状がいびつで且つ輪郭コントラストが不明瞭といった特徴を有する。また、日光黒子は、色が薄い褐色から濃い褐色まで幅広く且つ色分布がほぼ均一であり、顔全体に発生するもので、楕円から真円に近い形状を有すると共に直径２ｍｍ〜１０ｍｍ程度の大きさを有し、輪郭形状がいびつで且つ輪郭コントラストが明瞭であるといった特徴を有する。脂漏性角化症は、色が褐色から濃い褐色で且つ色分布は中心部が濃く、顔全体に発生するもので、楕円から真円に近い形状を有すると共に直径５ｍｍ〜１０ｍｍ程度の大きさを有し、輪郭形状が比較的滑らかで且つ輪郭コントラストが明瞭であるといった特徴を有する。雀卵班は、色が薄い褐色（青味が強い）で且つ色分布が均一であり、顔全体に点在または多数分布して発生するもので、楕円から真円に近い形状を有すると共に直径が数ｍｍ程度の大きさを有し、輪郭形状がいびつで且つ輪郭コントラストが不明瞭から明瞭なものまで幅広いといった特徴を有する。ホクロは、色が濃い茶褐色から黒色であり、顔全体に発生するもので、楕円から真円に近い形状を有すると共に直径２ｍｍ〜１０ｍｍ程度の大きさを有し、輪郭形状が比較的滑らかで且つ輪郭コントラストが明瞭であるといった特徴を有する。
このようなシミの特徴に基づいて、シミの種別に応じた形態特徴量と色特徴量を、図２に示すように予め設定することができる。形態特徴量としては、例えば重心位置座標、近似楕円の主軸長、近似楕円の短軸長、近似楕円の主軸長と短軸長の軸比率、近似円の半径、周囲長および円形度をそれぞれ示す特徴量を含むことができ、色特徴量としては、例えばシミの明るさおよび色分布をそれぞれ示す特徴量を含むことができる。
特徴量算出部４は、被験者のシミを撮影して得られた画像情報に基づいて、上記のようなシミの形態特徴量と色特徴量の算出を行う。また、シミ分類部５では、シミの種別に応じて設定された形態特徴量と色特徴量に基づいて機械学習法が予め設計されており、特徴量算出部４で算出された形態特徴量と色特徴量を機械学習法により統計的に処理することで、被験者のシミが分類される。
特徴量算出部４は、被験者のシミを撮影して得られた画像情報に基づいて、上記のようなシミの形態特徴量と色特徴量の算出を行う。また、シミ分類部５では、シミの種別に応じて設定された形態特徴量と色特徴量に基づいて機械学習法が予め設計されており、特徴量算出部４で算出された形態特徴量と色特徴量を機械学習法により統計的に処理することで、被験者のシミが分類される。
次に、シミ分類装置により行われるシミ分類方法について説明する。
まず、図１に示すように、被験者の顔Ｆが正面からカメラ１により撮影され、その撮影画像データがカメラ１から色空間変換部２に出力される。色空間変換部２は、図３に示すように、撮影画像をＬ＊ａ＊ｂ＊色空間などに変換した色空間変換画像を生成する。生成された色空間変換画像は色空間変換部２からシミ検出部３に出力され、シミ検出部３によりシミＳの検出が行われる。シミ検出部３は、例えば色空間変換画像を２値化処理した２値化画像を生成し、この２値化画像から所定の閾値を有するものをシミＳとして検出することができる。
まず、図１に示すように、被験者の顔Ｆが正面からカメラ１により撮影され、その撮影画像データがカメラ１から色空間変換部２に出力される。色空間変換部２は、図３に示すように、撮影画像をＬ＊ａ＊ｂ＊色空間などに変換した色空間変換画像を生成する。生成された色空間変換画像は色空間変換部２からシミ検出部３に出力され、シミ検出部３によりシミＳの検出が行われる。シミ検出部３は、例えば色空間変換画像を２値化処理した２値化画像を生成し、この２値化画像から所定の閾値を有するものをシミＳとして検出することができる。
このようにして検出されたシミＳを含む２値化画像はシミ検出部３から特徴量算出部４に出力され、特徴量算出部４により形態特徴量と色特徴量の算出が行われる。
形態特徴量としては、図３に示すように、２値化画像に含まれるシミＳについて、例えば重心位置座標、近似楕円の主軸長、近似楕円の短軸長、近似楕円の主軸長と短軸長の比率、近似円の半径、周囲長および円形度がそれぞれ算出される。ここで、重心座標位置は、シミの頂点座標を（Ｘｉ，Ｙｉ）（ただし、ｉ＝１，２・・・ｎ）とすると、下記式（１）で表すことができる。
（（１／ｎ）ΣＸｉ，（１／ｎ）ΣＹｉ） ・・・ （１）
また、近似楕円の主軸長と短軸長との軸比率は、軸比率＝主軸長／短軸長×１００で表すことができる。さらに、円形度は、円形度＝（４π×面積）／周囲長２で表すことができる。
形態特徴量としては、図３に示すように、２値化画像に含まれるシミＳについて、例えば重心位置座標、近似楕円の主軸長、近似楕円の短軸長、近似楕円の主軸長と短軸長の比率、近似円の半径、周囲長および円形度がそれぞれ算出される。ここで、重心座標位置は、シミの頂点座標を（Ｘｉ，Ｙｉ）（ただし、ｉ＝１，２・・・ｎ）とすると、下記式（１）で表すことができる。
（（１／ｎ）ΣＸｉ，（１／ｎ）ΣＹｉ） ・・・ （１）
また、近似楕円の主軸長と短軸長との軸比率は、軸比率＝主軸長／短軸長×１００で表すことができる。さらに、円形度は、円形度＝（４π×面積）／周囲長２で表すことができる。
また、特徴量算出部４は、シミＳの明るさおよびシミＳの重心位置から外側に向けて広がる色分布を色特徴量として算出する。色分布を示す色特徴量は、例えば図４に示すように、シミＳの重心位置から外側に向けて複数のマスクで画像処理することにより算出することができる。
すなわち、撮影画像から生成された色空間変換画像について、色成分毎に分解した色分解画像をそれぞれ生成すると共に２値化画像を生成する。色分解画像としては、例えばＬ＊成分、ａ＊成分、ｂ＊成分、Ｃ＊成分およびＨｕｅ成分に色空間変換画像をそれぞれ分解した画像を生成して用いることができる。ここで、Ｌ＊成分は明度、ａ＊成分は赤と緑に対応した補色成分、ｂ＊成分は黄色と青に対応した補色成分、Ｃ＊成分は彩度、Ｈｕｅ成分は色相をそれぞれ示している。一方、色空間変換画像から生成された２値化画像は、異なる倍率で縮小されることで倍率の異なる複数の縮小画像が生成される。縮小画像としては、例えば８０％、６０％、４０％および２０％に２値化画像をそれぞれ縮小した画像を生成して用いることができる。続いて、シミＳの重心位置を同心として４つの縮小画像と縮小していない２値化画像をそれぞれ重ねることで、シミＳの重心位置から外側に向けて５つの領域Ｄ１〜Ｄ５に分割された分割画像が生成される。そして、５つの分割領域Ｄ１〜Ｄ５にそれぞれ対応するマスク２〜６を作成すると共にシミＳの外側領域に対応するマスク１を作成する。
すなわち、撮影画像から生成された色空間変換画像について、色成分毎に分解した色分解画像をそれぞれ生成すると共に２値化画像を生成する。色分解画像としては、例えばＬ＊成分、ａ＊成分、ｂ＊成分、Ｃ＊成分およびＨｕｅ成分に色空間変換画像をそれぞれ分解した画像を生成して用いることができる。ここで、Ｌ＊成分は明度、ａ＊成分は赤と緑に対応した補色成分、ｂ＊成分は黄色と青に対応した補色成分、Ｃ＊成分は彩度、Ｈｕｅ成分は色相をそれぞれ示している。一方、色空間変換画像から生成された２値化画像は、異なる倍率で縮小されることで倍率の異なる複数の縮小画像が生成される。縮小画像としては、例えば８０％、６０％、４０％および２０％に２値化画像をそれぞれ縮小した画像を生成して用いることができる。続いて、シミＳの重心位置を同心として４つの縮小画像と縮小していない２値化画像をそれぞれ重ねることで、シミＳの重心位置から外側に向けて５つの領域Ｄ１〜Ｄ５に分割された分割画像が生成される。そして、５つの分割領域Ｄ１〜Ｄ５にそれぞれ対応するマスク２〜６を作成すると共にシミＳの外側領域に対応するマスク１を作成する。
このようにして作成されたマスク１〜６は、Ｌ＊成分画像、ａ＊成分画像、ｂ＊成分画像、Ｃ＊成分画像およびＨｕｅ成分画像の５つの色分解画像にそれぞれ乗算されてマスク処理されることにより、それぞれのマスク領域において色成分毎に分割評価値が算出される。そして、マスク２〜６の各領域毎に分割評価値の平均値および標準偏差を算出することで色分布を示す色特徴量を求めることができる。また、マスク２〜６の各領域毎に算出された分割評価値の平均値を用いて、マスク２〜６の領域（シミ全体）にわたる分割評価値の平均値および標準偏差を算出することで色分布を示す色特徴量を求めることもできる。さらに、シミＳの重心位置を含むマスク６の領域における分割評価値の平均値と、マスク６以外のマスク１〜５の各領域における分割評価値の平均値とのそれぞれの比率を算出することで色分布を示す色特徴量を求めることもできる。
なお、色分布を示す色特徴量は、シミＳの色分布に対して指標となるものであればよく、上記以外にも分割評価値を用いて算出したものを用いることができる。
このように、撮影画像から検出されたシミＳについて、大きさおよび円形度を含む形態特徴量並びに明るさおよび色分布を含む色特徴量をそれぞれ詳細に算出することができる。
なお、色分布を示す色特徴量は、シミＳの色分布に対して指標となるものであればよく、上記以外にも分割評価値を用いて算出したものを用いることができる。
このように、撮影画像から検出されたシミＳについて、大きさおよび円形度を含む形態特徴量並びに明るさおよび色分布を含む色特徴量をそれぞれ詳細に算出することができる。
続いて、算出されたシミＳの形態特徴量と色特徴量は、特徴量算出部４からシミ分類部５に出力され、シミ分類部５により機械学習法を用いてシミＳの分類が行われる。
例えば、分類木によりシミＳを分類する場合には、円形度、ａ＊成分画像における分割評価値の標準偏差、近似楕円の軸比率、およびＬ＊成分画像における分割評価値の平均値が、シミの種別に応じて予め設定された形態特徴量と色特徴量に基づいて順次判定される。例えば、シミＳの円形度が０．５５未満で且つａ＊成分画像における分割評価値の標準偏差が１．３以上であれば日光黒子に分類され、シミＳの円形度が０．５５以上で且つａ＊成分画像における分割評価値の標準偏差が２．３５以上であればホクロに分類される。
シミＳが種別毎に分類された分類結果は、シミ分類部５から分類結果出力部６に出力され、分類結果出力部６により分類結果が表示される。
例えば、分類木によりシミＳを分類する場合には、円形度、ａ＊成分画像における分割評価値の標準偏差、近似楕円の軸比率、およびＬ＊成分画像における分割評価値の平均値が、シミの種別に応じて予め設定された形態特徴量と色特徴量に基づいて順次判定される。例えば、シミＳの円形度が０．５５未満で且つａ＊成分画像における分割評価値の標準偏差が１．３以上であれば日光黒子に分類され、シミＳの円形度が０．５５以上で且つａ＊成分画像における分割評価値の標準偏差が２．３５以上であればホクロに分類される。
シミＳが種別毎に分類された分類結果は、シミ分類部５から分類結果出力部６に出力され、分類結果出力部６により分類結果が表示される。
本実施の形態によれば、シミを分類する際の指標として一般的に用いられる形態特徴量と色特徴量をそれぞれ詳細に算出すると共に、この形態特徴量と色特徴量に基づいて機械学習法により統計的にシミＳの種別を判断するため、シミＳを高精度に分類することができる。また、被験者の皮膚を撮影するカメラ１として可視光カメラを用いることができるので、安全にシミの分類を行うことができる。
なお、上記のようなシミの分類は、入力手段、ＣＰＵ、メモリ、出力部などから構成されるコンピュータをシミ分類プログラムにより機能させることで実行することができる。すなわち、シミ分類プログラムがコンピュータを機能させることにより、入力手段が被験者の皮膚を撮影した撮影画像を取得し、取得された撮影画像に基づいて、ＣＰＵが色空間変換部２、シミ検出部３、特徴量算出部４、およびシミ分類部５を実行させ、シミ分類部５により分類されたシミの分類結果が出力部を構成する分類結果出力部６から出力される。
また、上記の実施の形態では、カメラ１で撮影された撮影画像の色空間を色空間変換部２がＬ＊ａ＊ｂ＊色空間に変換したが、これに限るものではなく、特徴量算出部４によるシミＳの特徴量の算出およびシミ分類部５によるシミＳの分類に適した色空間に変換することができる。
また、上記の実施の形態では、シミ検出部１によるシミＳの検出は色空間変換画像を２値化処理することで行われたが、シミＳを検出できればこれに限るものではなく、例えばテンプレートマッチングなどの画像認識技術を用いることができる。
また、上記の実施の形態では、特徴量算出部４によるシミＳの色分布を示す色特徴量は、シミＳの重心位置から外側に向けて広がる色分布を算出したが、シミＳの色分布を詳細に算出できればこれに限るものではなく、例えばシミＳの最も色の濃い位置を中心としてそこから外側に向けて広がる色分布を算出することもできる。
また、上記の実施の形態では、シミ検出部１によるシミＳの検出は色空間変換画像を２値化処理することで行われたが、シミＳを検出できればこれに限るものではなく、例えばテンプレートマッチングなどの画像認識技術を用いることができる。
また、上記の実施の形態では、特徴量算出部４によるシミＳの色分布を示す色特徴量は、シミＳの重心位置から外側に向けて広がる色分布を算出したが、シミＳの色分布を詳細に算出できればこれに限るものではなく、例えばシミＳの最も色の濃い位置を中心としてそこから外側に向けて広がる色分布を算出することもできる。
次に、シミ分類装置を用いて実際にシミを分類した実施例について説明する。
この実施例は、被験者３０名の皮膚を撮影した撮影画像からシミ部分を切り出して得られた各種類６０枚のシミ画像を用いて、シミの形態特徴量と色特徴量をそれぞれ求め、求められた形態特徴量と色特徴量に基づいて種類の異なる機械学習法によりシミの分類を行ったものである。機械学習法には、分類木、ランダムフォレスト、バギングおよびＡｄａｂｏｏｓｔを用いた。
その結果、表１に示すように、シミ分類の正解率は、全ての機械学習法において８０％以上を示すと共にその平均値は９０％以上となり、高精度にシミを分類できることが分かった。特に、ランダムフォレストを用いた場合には、全ての種類のシミにおいて、シミ分類の正解率が９０％以上を示し、ランダムフォレストがシミの分類に適していることが示唆された。
この実施例は、被験者３０名の皮膚を撮影した撮影画像からシミ部分を切り出して得られた各種類６０枚のシミ画像を用いて、シミの形態特徴量と色特徴量をそれぞれ求め、求められた形態特徴量と色特徴量に基づいて種類の異なる機械学習法によりシミの分類を行ったものである。機械学習法には、分類木、ランダムフォレスト、バギングおよびＡｄａｂｏｏｓｔを用いた。
その結果、表１に示すように、シミ分類の正解率は、全ての機械学習法において８０％以上を示すと共にその平均値は９０％以上となり、高精度にシミを分類できることが分かった。特に、ランダムフォレストを用いた場合には、全ての種類のシミにおいて、シミ分類の正解率が９０％以上を示し、ランダムフォレストがシミの分類に適していることが示唆された。
１ カメラ、２ 色空間変換部、３ シミ検出部、４ 特徴量算出部、５ シミ分類部、６ 分類結果出力部、Ｆ 被験者の顔。
Claims (8)
- 被験者の皮膚を撮影して得られた画像の色空間を変換した色空間変換画像を生成し、
前記色空間変換画像に含まれるシミを検出し、
検出されたシミについて、形態特徴量および色特徴量を算出し、
算出された前記形態特徴量および前記色特徴量に基づいて、機械学習法によりシミを分類するシミ分類方法。 - 前記形態特徴量は、検出されたシミについて、重心位置座標、近似楕円の主軸、近似楕円の短軸、近似円の半径、周囲長および円形度をそれぞれ示す特徴量を含む請求項１に記載のシミ分類方法。
- 前記色特徴量は、検出されたシミについて、シミの明るさおよびシミの重心位置から外側に向けて広がる色分布をそれぞれ示す特徴量を含む請求項１に記載のシミ分類方法。
- 色分布を示す前記色特徴量は、検出されたシミのシミ画像をシミの重心位置から外側に向けて複数の領域に分割して作成した複数のマスクと、前記シミ画像を色成分毎に分解して作成した複数の色分解画像とをそれぞれ乗算することにより色成分毎の分割評価値を算出し、前記分割評価値の平均値および標準偏差を算出することで求められる請求項３に記載のシミ分類方法。
- 色分布を示す前記色特徴量は、検出されたシミのシミ画像をシミの重心位置から外側に向けて複数の領域に分割して作成した複数のマスクと、前記シミ画像を色成分毎に分解して作成した複数の色分解画像とをそれぞれ乗算することにより色成分毎の分割評価値を算出し、シミの重心を含むマスク領域の前記分割評価値とそれ以外のマスク領域の前記分割評価値とのそれぞれの比率から求められる請求項３または４に記載のシミ分類方法。
- シミの分類は、分類木、ランダムフォレスト、バギングまたはＡｄａｂｏｏｓｔを用いた前記機械学習法により行われる請求項１〜５のいずれか一項に記載のシミ分類方法。
- 被験者の皮膚を撮影して得られた画像の色空間を変換した色空間変換画像を生成する色空間変換部と、
前記色空間変換画像に含まれるシミを検出するシミ検出部と、
前記シミ検出部により検出されたシミについて、形態特徴量および色特徴量を算出する特徴量算出部と、
前記特徴量算出部により算出された前記形態特徴量および前記色特徴量に基づいて、機械学習法によりシミを分類するシミ分類部とを備えたシミ分類装置。 - 被験者の皮膚を撮影して得られた画像の色空間を変換した色空間変換画像を生成するステップと、
前記色空間変換画像に含まれるシミを検出するステップと、
検出されたシミについて、形態特徴量および色特徴量を算出するステップと、
算出された前記形態特徴量および前記色特徴量に基づいて、機械学習法によりシミを分類するステップとをコンピュータに実行させるためのシミ分類プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011234244A JP5794889B2 (ja) | 2011-10-25 | 2011-10-25 | シミ種別分類装置の作動方法、シミ種別分類装置およびシミ種別分類プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011234244A JP5794889B2 (ja) | 2011-10-25 | 2011-10-25 | シミ種別分類装置の作動方法、シミ種別分類装置およびシミ種別分類プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2013090752A true JP2013090752A (ja) | 2013-05-16 |
| JP5794889B2 JP5794889B2 (ja) | 2015-10-14 |
Family
ID=48614396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011234244A Active JP5794889B2 (ja) | 2011-10-25 | 2011-10-25 | シミ種別分類装置の作動方法、シミ種別分類装置およびシミ種別分類プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5794889B2 (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016009694A1 (ja) * | 2014-07-18 | 2016-01-21 | 富士フイルム株式会社 | うるおい感評価装置、うるおい感評価方法およびうるおい感評価プログラム |
| JP2016107096A (ja) * | 2014-12-05 | 2016-06-20 | 株式会社リコー | ランダムフォレストに基づく乾癬紅斑分類 |
| JP2017140420A (ja) * | 2014-02-05 | 2017-08-17 | カシオ計算機株式会社 | 医療用皮膚検査装置、皮膚病変を検査する方法並びにプログラム |
| WO2017179304A1 (ja) * | 2016-04-15 | 2017-10-19 | 株式会社資生堂 | 色ムラ部位の評価方法及び色ムラ部位評価装置 |
| CN108780497A (zh) * | 2017-11-14 | 2018-11-09 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
| JP2020531984A (ja) * | 2017-08-18 | 2020-11-05 | ザ プロクター アンド ギャンブル カンパニーＴｈｅ Ｐｒｏｃｔｅｒ ＆ Ｇａｍｂｌｅ Ｃｏｍｐａｎｙ | 色素沈着斑を識別するためのシステムおよび方法 |
| CN112330573A (zh) * | 2020-12-01 | 2021-02-05 | 厦门美图之家科技有限公司 | 基于人像的修图方法、装置、电子设备及存储介质 |
| JP2021108060A (ja) * | 2019-12-27 | 2021-07-29 | Ｂ−ｂｙ−Ｃ株式会社 | 画像処理システム、画像処理方法、および画像処理プログラム |
| US11534105B2 (en) | 2019-03-20 | 2022-12-27 | Keio University | Estimation method, estimation model generation method, program, and estimation device |
| CN117593781A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市宗匠科技有限公司 | 头戴式装置和应用于头戴式装置的提示信息生成方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0719839A (ja) * | 1993-06-30 | 1995-01-20 | Shiseido Co Ltd | 表面状態解析システム |
| JP2004321793A (ja) * | 2003-04-29 | 2004-11-18 | Inforward Inc | 皮膚画像のコンピュータ解析のための方法およびシステム |
| JP2007130329A (ja) * | 2005-11-11 | 2007-05-31 | Matsushita Electric Works Ltd | 画像による外観検査方法 |
| JP2008136518A (ja) * | 2006-11-30 | 2008-06-19 | Pola Chem Ind Inc | 色素細胞の重層と浸潤とを鑑別するための皮膚画像の作成方法 |
| JP2008237243A (ja) * | 2007-03-23 | 2008-10-09 | Shiseido Co Ltd | 紫外線を用いるシミの分類方法 |
-
2011
- 2011-10-25 JP JP2011234244A patent/JP5794889B2/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0719839A (ja) * | 1993-06-30 | 1995-01-20 | Shiseido Co Ltd | 表面状態解析システム |
| JP2004321793A (ja) * | 2003-04-29 | 2004-11-18 | Inforward Inc | 皮膚画像のコンピュータ解析のための方法およびシステム |
| JP2007130329A (ja) * | 2005-11-11 | 2007-05-31 | Matsushita Electric Works Ltd | 画像による外観検査方法 |
| JP2008136518A (ja) * | 2006-11-30 | 2008-06-19 | Pola Chem Ind Inc | 色素細胞の重層と浸潤とを鑑別するための皮膚画像の作成方法 |
| JP2008237243A (ja) * | 2007-03-23 | 2008-10-09 | Shiseido Co Ltd | 紫外線を用いるシミの分類方法 |
Non-Patent Citations (1)
| Title |
|---|
| 竹前 嘉修: "皮膚表面画像を用いた肌診断システム", 計測自動制御学会論文集, vol. 37, no. 11, JPN6012067130, JP, pages 1097 - 1103, ISSN: 0003127090 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017140420A (ja) * | 2014-02-05 | 2017-08-17 | カシオ計算機株式会社 | 医療用皮膚検査装置、皮膚病変を検査する方法並びにプログラム |
| JP2016022093A (ja) * | 2014-07-18 | 2016-02-08 | 富士フイルム株式会社 | うるおい感評価装置、うるおい感評価方法およびうるおい感評価プログラム |
| WO2016009694A1 (ja) * | 2014-07-18 | 2016-01-21 | 富士フイルム株式会社 | うるおい感評価装置、うるおい感評価方法およびうるおい感評価プログラム |
| JP2016107096A (ja) * | 2014-12-05 | 2016-06-20 | 株式会社リコー | ランダムフォレストに基づく乾癬紅斑分類 |
| US10786197B2 (en) | 2016-04-15 | 2020-09-29 | Shiseido Company, Ltd. | Evaluation method for site of color irregularity and color irregularity site evaluation apparatus |
| WO2017179304A1 (ja) * | 2016-04-15 | 2017-10-19 | 株式会社資生堂 | 色ムラ部位の評価方法及び色ムラ部位評価装置 |
| JP2017189536A (ja) * | 2016-04-15 | 2017-10-19 | 株式会社 資生堂 | 色ムラ部位の評価方法、色ムラ部位評価装置及び色ムラ部位評価装置評価プログラム |
| JP2020531984A (ja) * | 2017-08-18 | 2020-11-05 | ザ プロクター アンド ギャンブル カンパニーＴｈｅ Ｐｒｏｃｔｅｒ ＆ Ｇａｍｂｌｅ Ｃｏｍｐａｎｙ | 色素沈着斑を識別するためのシステムおよび方法 |
| CN108780497A (zh) * | 2017-11-14 | 2018-11-09 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
| US11534105B2 (en) | 2019-03-20 | 2022-12-27 | Keio University | Estimation method, estimation model generation method, program, and estimation device |
| JP2021108060A (ja) * | 2019-12-27 | 2021-07-29 | Ｂ−ｂｙ−Ｃ株式会社 | 画像処理システム、画像処理方法、および画像処理プログラム |
| JP7442172B2 (ja) | 2019-12-27 | 2024-03-04 | Ｂ－ｂｙ－Ｃ株式会社 | 画像処理システム、画像処理方法、および画像処理プログラム |
| CN112330573A (zh) * | 2020-12-01 | 2021-02-05 | 厦门美图之家科技有限公司 | 基于人像的修图方法、装置、电子设备及存储介质 |
| CN112330573B (zh) * | 2020-12-01 | 2024-02-06 | 厦门美图之家科技有限公司 | 基于人像的修图方法、装置、电子设备及存储介质 |
| CN117593781A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市宗匠科技有限公司 | 头戴式装置和应用于头戴式装置的提示信息生成方法 |
| CN117593781B (zh) * | 2024-01-18 | 2024-05-14 | 深圳市宗匠科技有限公司 | 头戴式装置和应用于头戴式装置的提示信息生成方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5794889B2 (ja) | 2015-10-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5794889B2 (ja) | シミ種別分類装置の作動方法、シミ種別分類装置およびシミ種別分類プログラム | |
| JP2013090751A (ja) | シミ検出方法、シミ検出装置およびシミ検出プログラム、並びに、シミ分類方法、シミ分類装置およびシミ分類プログラム | |
| Olugbara et al. | Segmentation of melanoma skin lesion using perceptual color difference saliency with morphological analysis | |
| Verma et al. | Detection and classification of diabetic retinopathy using retinal images | |
| KR102383183B1 (ko) | 정보 처리 장치, 정보 처리 시스템, 및, 프로그램 | |
| KR20200004841A (ko) | 셀피를 촬영하도록 사용자를 안내하기 위한 시스템 및 방법 | |
| US20180228426A1 (en) | Image Processing System and Method | |
| Dantcheva et al. | On the reliability of eye color as a soft biometric trait | |
| JP2015500722A (ja) | 皮膚ゾーンにおける皮膚症状を検出して数量化する方法および装置 | |
| US10650225B2 (en) | Image processing apparatus which determines category to which object in image belongs, method therefor, and object discrimination apparatus | |
| CN114937232A (zh) | 医废处理人员防护用具穿戴检测方法、系统和设备 | |
| KR20220147604A (ko) | 제스처 인식 | |
| CN110648336B (zh) | 一种舌质和舌苔的分割方法及装置 | |
| US20230401698A1 (en) | Image processing method and image processing apparatus using same | |
| JP2015154886A (ja) | うるおい感評価装置、うるおい感評価方法およびうるおい感評価プログラム | |
| JP5812719B2 (ja) | 頭髪撮影画像のデータ処理方法およびデータ比較方法 | |
| Schlett et al. | Multi-spectral iris segmentation in visible wavelengths | |
| JP5286574B2 (ja) | オブジェクト検出認識装置、オブジェクト検出認識方法、および、プログラム | |
| Fondon et al. | Perceptually adapted method for optic disc detection on retinal fundus images | |
| Islam et al. | A framework for detecting arsenic disease | |
| KR100910754B1 (ko) | 인체를 포함하는 실시간 입력 영상에서 격자기반 접근을 통한 피부 영역 검출 방법 | |
| Breneman | Towards early-stage malignant melanoma detection using consumer mobile devices | |
| JP7354761B2 (ja) | 距離推定装置、距離推定方法及び距離推定プログラム | |
| Lamberti | Classification of White Blood Cell Leukemia with Low Number of Interpretable and Explainable Features | |
| Alzubaydi et al. | Face Clip Detection System Using HSV Color Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140408 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20141210 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150106 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150227 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150804 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150811 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5794889 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |