Python傳統圖像處理之皮膚區域檢測詳解

Posted on by

1.RGB空間

膚色在RGB模型下的范圍基本滿足以下約束：

在均勻光照下應滿足以下判別式：

R>95 AND G>40 B>20 AND MAX(R,G,B)-MIN(R,G,B)>15 AND ABS(R-G)>15 AND R>G AND R>B

在側光拍攝環境下：

R>220 AND G>210 AND B>170 AND ABS(R-G)<=15 AND R>B AND G>B

代碼：

def skinMask_rgb(image):
    b, g, r = cv2.split(image)
    mask_uniformity = (r>95)*(g>40)*(b>20)* (np.max(image, axis=2) -np.min(image,axis=2)>15)* (abs(r-g)>15)*(r>g)*(r>b)
    mask_side = (r>220)*(g>210)*(b>170)*(abs(r-g)<=15)*(r>b)*(g>b)
    mask = mask_uniformity|mask_side
    skin = np.array(mask, np.uint8)*255
    ratio = np.sum(skin/255)/(image.shape[0]*image.shape[1])
 
    return skin, ratio

效果：

2.Ycrcb空間

在RGB空間裡人臉的膚色受亮度影響相當大，所以膚色點很難從非膚色點中分離出來，也就是說在此空間經過處理後，膚色點是離散的點，中間嵌有很多非膚色。如果把RGB轉為YCrCb空間的話，可以忽略Y(亮度)的影響，因為該空間受亮度影響很小，膚色會產生很好的類聚。這樣就把三維的空間降為二維的CrCb，膚色點會形成一定得形狀。

133≤Cr≤173

77≤Cb≤127

代碼：

def skinMask_YCrCb(image):
    YCrCb = cv2.cvtColor(image, cv2.COLOR_BGR2YCR_CB) #轉換至YCrCb空間
    (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值
    skin = np.zeros(cr.shape, dtype = np.uint8)
    (x,y) = cr.shape
    
    cr_mask1 = cr >= 133
    cr_mask2 = cr <= 173
    cr_mask = cr_mask1 * cr_mask2
 
    cb_mask1 = cb >= 77
    cb_mask2 = cb <= 127
    cb_mask = cb_mask1 * cb_mask2
    mask = cr_mask * cb_mask
    skin[mask] = 255
 
    ratio = np.sum(skin/255)/(x*y)
    return skin, ratio

效果：

3.Ycrcb空間+otsu

Y表示明亮度（Luminance或Luma），也就是灰階值。Cr反映瞭RGB輸入信號紅色部分與RGB信號亮度值之間的差異。而Cb反映的是RGB輸入信號藍色部分與RGB信號亮度值之間的差異。

將RGB圖像轉換到YCrCb顏色空間，提取Cr分量圖像。對Cr做自二值化閾值分割處理（Otsu法）。

代碼：

def skinMask_YCrCb_otsu(image):
    YCrCb = cv2.cvtColor(image, cv2.COLOR_BGR2YCR_CB) #轉換至YCrCb空間
    (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值
    
    ret, skin = cv2.threshold(cr, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)
 
    ratio = np.sum(skin/255)/(image.shape[0]*image.shape[1])
    return skin, ratio

效果：

4.HSV空間

7<H<20

28<S<256

50<V<256

代碼：

def skinMask_hsv(image):
    hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
    h, s, v = cv2.split(hsv)
 
    mask = (h>7)*(h<20)*(s>28)*(v>50)
    skin = np.array(mask, np.uint8)*255
    ratio = np.sum(skin/255)/(image.shape[0]*image.shape[1])
    return skin, ratio

效果：

5.opencv自帶膚色檢測類AdaptiveSkinDetector

已經從opencv 3以上版本中移除，opencv 2中函數。

6.基於橢圓模型

將皮膚信息映射到YCrCb空間，則在CrCb二維空間中這些皮膚像素點近似成一個橢圓分佈。因此如果我們得到瞭一個CrCb的橢圓，下次來一個坐標(Cr, Cb)我們隻需判斷它是否在橢圓內（包括邊界），如果是，則可以判斷其為皮膚，否則就是非皮膚像素點。

代碼：

def skinMask_ellipse(image):
    YCrCb = cv2.cvtColor(image, cv2.COLOR_BGR2YCR_CB) #轉換至YCrCb空間
    (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值
 
    skinCrCbHist = np.zeros((256,256),np.uint8)
    skinCrCbHist = cv2.ellipse(skinCrCbHist, (113, 155), (23, 15), 43.0, 0.0, 360.0, (255, 255, 255), -1)
    cv2.imwrite("ww.jpg", skinCrCbHist)
 
    skin = cv2.remap(skinCrCbHist, cb.astype(np.float32), cr.astype(np.float32), interpolation=cv2.INTER_LINEAR)
    ratio = np.sum(skin/255)/(image.shape[0]*image.shape[1])
    return skin, ratio

效果：

橢圓模型

效果

7.直方圖反向投影

反向投影可以用來做圖像分割，尋找感興趣區間。可以尋找任何的roi，這裡將其用作尋找人體膚色。它會輸出與輸入圖像大小相同的圖像，每一個像素值代表瞭輸入圖像上對應點屬於目標對象的概率，簡言之，輸出圖像中像素值越高的點越可能代表想要查找的目標。直方圖投影經常與camshift（追蹤算法）算法一起使用。

操作步驟：

（1）截取若幹張不同膚色的圖片，最好覆蓋常見的所有膚色（如下圖）

（2）對所有膚色的圖片一起做色彩直方圖（利用OpenCV中的calcHist函數）

（3）新建一個與待檢測圖片同尺寸的灰度圖片，找到待檢測圖片中每顆像素點的顏色在色彩直方圖中對應柵格的數值（即統計中出現的次數），並將該數值賦值予新建灰度圖片中與該檢測像素同位置的像素（利用OpenCV中的calcBackProject函數）。圖像中像素亮度越高，待檢測圖像該位置處是膚色的概率越大。

代碼：

def skinMask_hist_backproject(target, roi_image):
    #roi圖片，就想要找的的圖片
    hsv = cv2.cvtColor(roi_image,cv2.COLOR_BGR2HSV)
 
    #目標搜索圖片
    hsvt = cv2.cvtColor(target,cv2.COLOR_BGR2HSV)
 
    #計算目標直方圖
    roihist = cv2.calcHist([hsv],[0,1],None,[180,256],[0,180,0,256])
    #歸一化，參數為原圖像和輸出圖像，歸一化後值全部在2到255范圍
    cv2.normalize(roihist,roihist,0,255,cv2.NORM_MINMAX)
    dst = cv2.calcBackProject([hsvt],[0,1],roihist,[0,180,0,256],1)
 
 
    #卷積連接分散的點
    disc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
    dst = cv2.filter2D(dst,-1,disc)
 
    ret,skin = cv2.threshold(dst,50,255,0)
 
    ratio = np.sum(skin/255)/(target.shape[0]*target.shape[1])
return skin, ratio

效果： 

 

以上就是Python傳統圖像處理之皮膚區域檢測詳解的詳細內容，更多關於Python 皮膚區域檢測的資料請關註WalkonNet其它相關文章！

推薦閱讀：