基于多光谱成像技术的面部痤疮识别研究

孙哲，任玉，蔡红星，周建伟，蒋雨鹏

(长春理工大学物理学院 吉林省光谱探测科学与技术重点实验室,吉林 长春 130022)

痤疮是一种寻常型慢性皮肤疾病，通常伴有皮脂分泌过盛，滤泡表皮过度增生、炎症等问题，有时还会有疤痕的出现[1]。而痤疮的形成由多种原因导致，包括遗传、皮脂腺活动、细菌、皮肤状况、压力、食用不健康的食物、药物等[2]。我国临床上根据皮损性质和严重程度将痤疮分为三度四级[3]：1、轻度(Ⅰ级)：仅有粉刺；
2、中度(Ⅱ级)：炎性丘疹；
3、中度(Ⅲ级)：脓疱；
4、重度(Ⅳ级)：结节、囊肿。目前，常见的痤疮识别大多依赖于主观观测，多数患者通过临床医师的视觉诊断、进行计算和标记脸上的痤疮[4]，这种观察方法只能获取不准确的痤疮数量，且需要大量的时间和精力。市面上另一种痤疮识别方法是用传统的RGB相机来实现[5]，但由于其色彩的还原度较差，存在较大的识别误差。

为了解决这一问题，多光谱成像技术由于获取图像精度高，包含信息多等优点被应用到此领域，科研工作者对相关内容进行了大量研究[6-9]。郭长青[6]等人设计了一套多光谱成像系统，采集了人体皮肤和生活中常见物品的多光谱图像，并利用SVM分类器进行皮肤检测，实现了皮肤与其他类似目标的区分。万友铭[7]等人设计了一套肤质测评系统，利用多光谱光源，对目标皮肤区域进行图像采集。通过相应算法对皮肤图像进行处理，评估皮肤的异常。Shen[8]等人基于卷积神经网络开发了面部痤疮的自动诊断方法，对采集的多光谱图像进行特征提取，并使用二分类器对人脸面部皮肤和痤疮进行识别。Johnson[9]等人研发出了Skin Scanner for Neutrogena肤质识别系统(简称为SSN系统)，可实现对人体皮肤水分、纹理、色斑等识别，但是SSN系统无法独立运行，必须和手机一起配合使用。

综上所述，目前通过光学法对皮肤识别的研究有了一些实验基础。为了使痤疮识别系统民用化，本论文提出了一种基于多光谱成像技术的面部痤疮无创识别系统，搭建了一套基于多光谱相机的实验装置，即结合光照条件和多光谱相机记录不同严重程度痤疮患者的多光谱图像信息，对采集到的图像目标区域进行标定；
并根据人体皮肤独特的生理特征和光学特性，得出皮肤的光谱响应函数；
建立SVM痤疮样本分类模型，根据四个等级痤疮严重程度的光谱曲线差异性，有效实现痤疮三度四级分类，证实了研制的面部痤疮识别系统无创探测性和进行严重程度分类的可行性。

2.1 皮肤的光学特性

人类皮肤由表皮、真皮和皮下组织组成，厚度各不相同。表皮属于皮肤最外层的浅层结构,厚度约为0.5 mm[10]。真皮位于表皮之下,厚度约为1～2 mm，皮下组织位于真皮下层，含有脂肪、动脉等。当光束辐照到皮肤表面时，一部分光会反射出皮肤表面；
另一部分光会进入皮肤表皮和真皮,被皮肤组织和细胞反复吸收、散射，最终返出皮肤表面进入空气中[11]，这一部分光称为漫反射光，它携带了皮肤内部组织结构的信息。当这部分光被多光谱相机接收到，并最终反演出光谱信息，可以用来分析皮肤内部的状态，物理过程如图1所示。

图1 光在皮肤中传输的物理过程

经由皮肤组织和细胞溢出的漫反射光可以用Kubelka-Munk函数进行定量分析，其表达式为：

(1)

(2)

在漫反射分析中，R∞与样品中的组分浓度不成线性关系,反射吸光度是与组分含量成线性关系的反射函数。

漫反射吸光度A表达式为[12]：

(3)

通过获得的漫反射光谱转化为吸光度可与物质的成分建立关联。

皮肤的吸光度等光谱特性与皮肤的生理结构有着重要的关系[13]。由于皮肤在多光谱成像下的反射率谱特征表现独特，所以能区分正常皮肤和痤疮皮肤等相似的目标。为了更精确获取皮肤的光谱特性,使用光谱仪等相关设备在同等实验条件下进行测量，最终与多光谱相机反演谱线的趋势进行对比分析。

2.2 痤疮的物质特性

痤疮患者面部患处部位是由痤疮丙酸杆菌物质产生，成份为卟啉类衍生物[14]。卟啉这一物质对光的吸收有直接关系。研究发现卟啉是痤疮发生的直接原因[15]，它是一种大分子杂环化合物，分子式为C84H90N8O12S4。生物分子的光谱通常是由许多谱带叠加的结果，主要与C—H，O—H，N—H 等含氢基团的倍频和合频吸收叠加而成[16]。这一物质中所含的C—H 和O—H 化学键对光有较强的吸收，其衍生物也具有特征的紫外-可见吸收光谱，主要包括Soret带和Q带[17]，Soret带在420 nm左右，Q带在500～700 nm之间，存在四个吸收峰，分别为523.2 nm，563.6 nm，597.4 nm和656.6 nm[18]。利用高精度光谱仪测得正常皮肤与卟啉类衍生物光谱曲线如图2所示，其中图2(a)为正常皮肤，图2(b)(c)(d)(e)为带有卟啉类衍生物的不同严重程度痤疮皮肤，从图中可以看出(a)与(b)(c)(d)(e)的谱线线型存在差异，表现为(b)(c)(d)(e)在535 nm和575 nm处出现较为明显的吸收峰。

图2 正常与痤疮皮肤的精准反射率曲线

2.3 面部痤疮的SVM分类模型构建

本文采用SVM的方法，进行面部正常与不同严重程度痤疮皮肤的分类。SVM方法可解决有限小样本的分类问题[19]。支持向量机是在样本数据中寻找最优分类曲面从而将各类样本准确的分开，分类曲面可以更好地分离不同类别的样本数据，使样本和分类曲面之间的距离缩到最小，从而保证分类识别的准确性，降低错分样品的概率，实现样本数据的分类。

SVM的数据样本为x1,x2,x3……xn，分类超平面表达式写为

wT+b=0

(4)

其中，x为支持向量即落在分类面上的数据量，w为垂直于分类面的向量，b为位移量。

基于结构风险最小化的条件，平行超平面要将类别正确分开且它们之间的距离要达到最大，以确保找到的平行超平面的经验风险最小，并且对样本的错分概率小。所以平行超平面可以表示为：

wTx+b=1

(5)

wT+b=-1

(6)

f(x)=sgn{(wT·x)+b}

(7)

3.1 受试对象

实验样本选自长春市美容整形医院的100例痤疮患者，按严重程度分为4个小组，每组中20人作为样本集数据，5人作为训练集数据，以其正常皮肤部位和痤疮皮肤部位作为研究对象。被试皮肤应保持清洁、素颜，不得使用化妆品，以免影响实验结果。

3.2 检测环境

本实验在室温(25±1)℃，相对湿度25%，除辐照光源外的标准光学暗室中进行。

3.3 实验过程

实验装置包括：溴钨灯(LSP-T50型)、多光谱相机、光纤、相机三维旋转平台、固定架、光学实验平台等配套设施。本实验使用的多光谱相机如图3所示，为吉林求是光谱数据科技有限公司自主研制。

图3 多光谱相机示意图

此款多光谱相机可输出、探测物质的光谱信息和多光谱图像信息，其体积小、成本低廉、能量利用率高，在成像和物质识别方面相较于其它光谱探测设备有明显的优势。多光谱相机的具体测试参数如表1。

表1 多光谱相机的测试参数

溴钨灯开启后，需静置10分钟以上，目的是为了等待其发光稳定。将多光谱相机置于光学平台上固定，通过USB数据线与PC端连接；
调整多光谱相机与样本的距离，打开相机静置待稳定后，调试焦距使成像清晰。受试者在检测环境中接受面部正常与痤疮部位多光谱图像的采集，如图4所示。

图4 多光谱相机实验系统图

4.1 图像处理和多光谱信息分析

利用多光谱相机拍摄样本皮肤的多光谱图像，如图5(a)与6(a)所示。

为了实现对目标区域的识别，需要对多光谱图像进行算法处理。本文采用图像二值化[20]方法对采集的信息进行图像处理，其作用是便于识别图像中包含的痤疮信息，且此方法可加快识别效率。将两组痤疮样本的多光谱图像进行二值化处理，结果如图5(b)、图6(b)所示：

图5 痤疮样本一多光谱图像(a)与二值化处理图像(b)

图6 痤疮样本二多光谱图像(a)与二值化处理图像(b)

经二值化处理后的多光谱图像，可以清楚的辨析出痤疮部位与正常部位。图5(b)与6(b)白色区域为脸部区域，黑色的点代表痤疮区域。且这些黑点可以与采集到的多光谱图像上痤疮的位置、数量一一对应。白色区域并没有发现存在黑色的点，这说明对正常皮肤的判断是准确的，并不会出现识别失误的状况。

接下来使用Matlab软件对多光谱图像进行特征提取，反演出单像素点下的光谱曲线，光谱特征数据采集界面如7所示。

图7 特征提取软件页面

每个像素点可在400～800 nm范围内提取8通道光谱数据。图8为正常皮肤和四个等级痤疮皮肤反演出的光谱曲线。

图8 单像素点光谱曲线

将图8多光谱相机的反演光谱曲线结果与图2高精度光谱仪测得结果对比可知，400 nm～800 nm波段范围内正常和痤疮皮肤的光谱曲线在趋势上完全相同。多光谱相机反演出的痤疮皮肤光谱同样在500 nm～600 nm这个波段内存在特征峰，且问题皮肤与正常皮肤的谱线线型存在差异。同时可以看出相同严重程度皮肤反射率谱线在变化趋势上完全一致，不同严重程度的痤疮皮肤光谱强度存在差异，图8中(a)-(j)依次为正常皮肤-痤疮重度四级的光谱反演曲线，由此可实现多光谱相机反演光谱在痤疮严重程度上的分类效果。原因在于作为样本的痤疮患者的患处严重程度不同，对光的吸收不同，因此造成了谱线强度的差异。

4.2 面部痤疮的SVM分类结果分析

在建立模型前，通过随机法对两个样本集按4∶1的比例划分训练集和测试集，其中训练集有80个，测试集有20个。在Matlab中调用libsvm软件包中函数svmtrain和svmpredict对光谱原始数据集建立SVM分类模型，预测结果如图9所示。

图9 面部痤疮的分类结果

其中样本类别中“1”为正常皮肤，“2”为轻度Ⅰ级皮肤，“3”为中度Ⅱ级皮肤，“4”为中度Ⅲ级皮肤，“5”为重度Ⅳ级皮肤。分类的总准确率为90%，“3”(中度Ⅱ级)的准确率为75%，“4”(中度Ⅲ级)的准确率为75%，“1”(正常皮肤)、“2”(轻度Ⅰ级)和“5”(重度Ⅳ级)的准确率均为100%，具体结果如表2。

表2 面部痤疮的分类结果

由于中度Ⅱ级和中度Ⅲ级痤疮的形态相似，所以在分类鉴别时存在一定的误差，识别正确率为75%，而正常皮肤、轻度Ⅰ级和重度Ⅳ级痤疮的特征明显，识别准确都为100%，平均识别正确率为90%。

本文提出了一种基于多光谱成像技术识别痤疮的方法，并利用多光谱相机对此种方法进行实验验证。结果表明，基于此项技术的图像与光谱分析均能对痤疮进行有效识别分类，并且反演出的光谱信息与高精度光谱仪的反射率谱线趋势一致，而根据建立的SVM痤疮分类模型可实现较高的准确率，证实了基于多光谱技术进行痤疮识别的可行性，这种基于多光谱技术识别皮肤问题的方法在未来具有广阔的应用前景。