脸部青春痘的治疗方法

2024-04-10

脸部青春痘的治疗方法（精选6篇）

篇1：脸部青春痘的治疗方法

1、早晚洗脸时，用盐轻轻按摩脸部,再用水冲净，不仅可去除青春痘亦可消除绉纹。

2、用马铃薯,磨成泥用来洗脸，一阵子就好了。

3、治疗痘子到超市买决明子，在每天晚餐后泡来喝隔日痘子消失，小腹平平，体重也减轻喽!

4、在痘痘涂上少许茶油精。

5、准备牙膏3~4公分，蛋白2小匙，香精油2滴(香精油不能是纯的) 。先将全部的材料加在一起搅拌，然后涂抹在痘痘上。

6、柠檬汁蛋清将柠檬挤出的汁混入一个蛋清内，打匀，涂在面部，半小时后就形成了面膜，再过30 分钟后用清水洗掉即可。我使用两个星期，毛孔真的变小了，小痘痘也不见了，皮肤开始变得白而嫩。

7、芦荟，利用芦荟清热解毒的特有作用，治疗青春痘非常有效。治疗时可将芦荟鲜叶涂在患处，使能软化皮肤，消炎止痛，不留痕迹。如青春痘发得比较严重，可以内服芦荟叶汁，早晚

各1次，每次10毫升。坚持一段时间，可收到令人满意的效果。

8、绿豆粉面膜。绿豆有清热解毒的功效，治疗青春痘效果显著。

9、西瓜面膜。西瓜可去油脂，改善皮肤出油状况。

材料：吃剩的西瓜(几片)。

做法：把西瓜的果肉剔除，露出青色的果皮，敷在脸上5-10分钟再洗干净。

注意：敷完脸后记得洗干净脸皮上西瓜留下的甜味，否则可能会吸引小蚂蚁来野餐。

10、薄荷蛋白面膜。可改善油脂分泌，增加皮肤弹性。材料：生蛋白(一个)，薄荷(一茶匙)，脱脂奶粉(一汤匙)，搅拌器具(汤匙、碗)。

做法：把蛋白，薄荷与脱脂奶粉混合后涂在脸上约15分钟，再用温水洗干净。

注意：敷脸的时间不要太长，否则脸会感觉紧绷且干干的。

篇2：脸部青春痘的治疗方法

饮食和浮肿是与当天吃了什么有着密切的关系，一些多盐，重口味的食物尽量少吃或者不吃，可以多喝点蜂蜜水搭配上一颗瘦脸果，对于瘦脸、消除脸部水肿都有不错的效果。

第二：多吃排水食物

黄瓜、红豆、薏仁、都是不错的排水食物，当然不能马上立竿见影，但是长期坚持就一定会有效果哦!

第三：常泡澡

泡澡是最佳消除浮肿的方法，利用水的温度来提高身体的新陈代谢，促进血液循环，这样就能将多余的废物水分从身体内扫光。

第四：多运动

常常运动的朋友们，气色与体态都比不爱运动的人好的多，而且脸部也不易浮肿，其中有氧运动效果最好。

第五：少吃寒冷的食物

多吃寒冷的食物会增加肠胃的负担，导致肠胃疲惫不堪。而且使体内的水分滞留下来，让体内积水导致浮肿，所以少摄取寒冷的食物。

第六：日常小动作

1.在双手的中指指腹倒一些精华液，然后用指腹沿着从嘴角到耳边的方向向上按压，注意方向不要颠倒，按摩10次后移到下一个动作。

篇3：脸部青春痘的治疗方法

ASM (Active Shape Models) 是基于几何形状信息的方法之一, 由Cootes[1,2]等于1992年提出。它采用点分布模型 (Point Distribution Model, PDM) 描述形状变化, 另一方面计算各特征点法线方向上灰度值的一阶偏导, 并建立局部纹理模型。在搜索时通过纹理模型得到当前点的最佳匹配位置, 然后调节形状模型, 最终达到对特征的精确定位。由于匹配准则的问题ASM容易陷入局部极小点, 对于初始位置要求比较高。

Wiskott等[3]将Gabor小波用于人脸识别领域, 提出了弹性图的概念并用于脸部特征的定位。该方法可以适用于一定程度的姿态及表情变化, 实践证明是有效的。由于该方法在搜索时需要在整幅图上寻找特征点的最佳匹配位置, 这一过程十分费时, 计算量也很大。Jiao等[4]使用Gabor小波提取局部纹理特征, Gabor特征的幅值与相位包含了丰富的人脸局部纹理信息, 在搜索时可以提供指导。由进一步的研究分析可知, 不仅特征点的Gabor系数特征包含局部纹理的有用信息, 特征点周围邻域中各点的Gabor系数特征也是很有用的。基于此, 提出了一种基于局部信息的脸部特征定位方法RGASM (Region Gabor ASM) 。

1 标准ASM介绍

1.1 形状建模

如图1所示, 在ASM中目标形状用分布在脸轮廓、眼睛及嘴等位置处的一组点的坐标来表示, 同类目标形状构成一个训练集。为了描述训练集中各形状相对于平均形状的变化, 需要建立一个点分布模型 (PDM) 。该模型给出训练集中各形状的平均形状, 同时提供一些参数, 通过调整这些参数可以控制形状的变化。

训练集中的形状矢量数学的表示为X=[x1, x2, …, xn, y1, y2, …, yn]T, 通过Procrustes方法[5]将训练集中所有形状进行对齐, 然后对形状矢量进行主成分分析, 得到

$\bar{X} = \bar{X} + Ρ b$ (1)

其中, $\bar{X}$ 是平均形状, P是特征向量矩阵, b是形状参数。

矢量b定义了一组形状参数, 可以通过改变b中的元素值使式 (1) 中的形状变化。为了使变化后的形状近似于训练集中的形状, 应该将b中元素值的变化范围加以限制。

1.2 局部纹理模型

局部纹理模型用来描述每个特征点周围区域的纹理特征, ASM的纹理模型是通过统计在特征点所在位置处法线方向采样所得的灰度剖面的一阶差分的变化得到的。

对于第i幅图像的第j个特征点, 在其法线方向采样得到灰度剖面gij, 计算得到训练集中所有图像对于第j个特征点的灰度剖面gij (i=1, 2, …, N) , 将它们归一化并求得平均值gj以及方差矩阵Sj, 从而建立局部纹理模型。

1.3 搜索过程

采用1.1节和1.2节中方法, 可以训练出一个灵活的形状模型及局部纹理模型。利用它们可以对新的人脸图像进行特征点搜索, 搜索过程的示意图, 如图2所示。

其中关键是求解达到最佳位置的偏移量。搜索时, 同样沿法线方向采样得到比建模时长的搜索剖面, 在其中寻找与该点对应的灰度模型的均值矢量最匹配的子特征矢量, 并将该子特征矢量中心位置作为当前点的最佳匹配位置。目标函数为子特征矢量gs与该点对应模型的均值矢量 $\bar{g}_{j}$ 的Mahalanobis距离

$f_{j} (g_{s}) = (g_{s} - \bar{g}_{j})^{t} S^{- 1} (g_{s} - \bar{g}_{j})$ (2)

分析可知, 在当前位置处搜索当前点的最佳匹配位置就需要使得fj (gs) 取得最小值。

根据以上所述, 在搜索时通过纹理模型得到当前点的最佳匹配位置, 然后调节纹理模型, 通过不断的迭代直到形状的改变量可以忽略不计为止。

2 基于Gabor小波变换的脸部特征定位方法

2.1 利用Gabor小波变换提取局部纹理特征

1964年, Gabor[6]提出了著名的以自己名字命名的Gabor函数, 它是高斯函数在频域中的平移, 能够同时在时域和频域中很好的兼顾对信号分析的分辨率要求。二维Gabor函数较好的描述了哺乳动物初级视觉系统对简单视觉神经元的感受特性。Daugman[7]于上世纪80年代首次将其应用在计算机视觉领域。

二维Gabor函数表达形式为

$ψ_{j} (\vec{x}) = \frac{k_{j}^{2}}{σ^{2}} \exp (- \frac{k_{j}^{2} x^{2}}{2 σ^{2}}) [\exp (i \vec{k}_{j} \vec{x}) - \exp (- \frac{σ^{2}}{2})]$ (3)

其中

选择5个不同频率, v=0, …, 4及8个方向μ=0, …, 7, 从而得到40个不同的Gabor滤波器j=μ+8v。式 (7) 括号中的第二项可以使该小波核与直流分量无关, 即可以消除积分项∫ψj $(\vec{x}) d^{2} \vec{x},$ 这使得滤波器对图像光照不均的鲁棒性较好。

对图像 $Ι (\vec{x})$ 中的一点 $\vec{x} = (x, y)$ , 定义该点灰度值与Gabor函数的卷积为

$J_{j} (\vec{x}) =$ ∫ $Ι ({\vec{x}}^{'}) ψ_{j} (\vec{x} - {\vec{x}}^{'}) d^{2} {\vec{x}}^{'}$ (4)

依次用不同频率与方向组合成的40个Gabor函数进行卷积得到40个复系数, 称它们为一个Jet, 记作Jj=ajexp (iϕj) , 用它来表示局部纹理特征。其中幅值 $a_{j} (\vec{x})$ 部分随着 $\vec{x}$ 的变化缓慢变化, 相位部分 $ϕ_{j} (\vec{x})$ 以与Gabor核频率相近的速度旋转。

2.2 纹理建模

对于训练集中每幅人脸图像, 笔者定义了一组特征点, Pi (i=1, 2, …, n) , n是特征点的个数 (选取了58个) 。对于每个点, Gabor特征计算方法如下

以第i幅图第j个特征点为中心在其周围选取一个半径为4的圆形邻域Rij, 这里i=1, 2, …, N, N为训练集中图像的个数, j=1, 2, …, n, n是特征点的个数, 计算该区域内每个点对应的Gabor Jet, 将这些Jet连接合成一个新的复矢量JetL, J′ij作为该点的局部特征。假设第j个点对应的J′ij (i=1, …, N) 服从多变量高斯分布, 求其均值为

${\bar{J}}^{'}_{j} = \frac{1}{Ν} å_{i = 1}^{Ν} J^{'}_{i j}$ (5)

从而用每个均值来代替表示所有的J′ij。

2.3 搜索过程

搜索与标准ASM的搜索过程类似, 只是在估计当前点的偏移量时有所不同。当前点偏移量的估计采取在特征点当前位置周围取块进行全搜索的方法, 具体做法如下:以当前Pj点为中心在其周围取一个大小为16×16的方形邻域Rej, 采用与建模时相同方法计算邻域中每个点处的特征复矢量Jjs (s=1, …, 256) 。在Jjs中搜索与该点模型相似度最大的, 并将对应点的位置作为当前点的新位置。选取的判定准则为

$f (s) = (J_{j s} - {\bar{J}}^{'}_{j})^{Τ} (J_{j s} - {\bar{J}}^{'}_{j})$ (6)

可知, 只需使上式中f (s) 取得最小值便可以获得当前点Pj的偏移量dxj。相同的方法计算得到各点的偏移量, 从而得到形状的改变量dx。

3 实验结果及分析

为了测试文中提出的方法RGASM的有效性, 将它与ASM方法进行比较。这里所用的人脸库是IMM库, 从库中挑选了每人两幅共80幅人脸图像作为训练集。图像的大小为640×480, 每幅图已经进行了特征点的人工标定。特征点个数为58个, 分布在眉毛、眼睛、鼻子、嘴以及外轮廓部位。

这里分别做两种误差估计, 一种是针对单幅图像的偏差估计, 计算给定图像中搜索得到的特征点位置与对应的人工标定位置的偏移量。如图4所示, x坐标为特征点搜索所得位置与目标位置的平均偏移量 (以像素为单位) , y坐标为偏移量为对应值的特征点个数占图像中特征点总数的百分比。

从图4可以看出, 通过RGASM方法得到的定位结果在平均误差上小于ASM的平均定位误差, 方差也较小, 算法对各特征点定位效果均衡。因此, 与ASM方法相比, 采用RGASM方法进行特征定位可以在单幅图像的特征点意义上取得好的定位效果。

另一种是针对整个测试集的平均偏差估计, 度量准则为欧式距离

$D = \frac{1}{Ν} \sum_{i = 1}^{Ν} (\frac{1}{n} \sum_{j = 1}^{n} \sqrt{(x_{i j} - x^{'}_{i j})^{2} + (y_{i j} - y^{'}_{i j})^{2}})$ (7)

其中N为测试图像的个数, n为标定特征点的个数, 这里N取值为30, 为58。 (xij, yij) 表示在第i幅测试图像中的j个标定点人工标定的位置, 而 (x′ij, y′ij) 为搜索得到的位置坐标。

表1给出了RGASM方法与ASM方法在特征定位上的效果比较情况。该测试说明在训练集较小时RGASM方法在定位精度上与ASM相比具有一定的优势。

测试是在CPU为Pentium (R) 43.0 GHz的计算机上完成的, 采用标准ASM方法处理一幅图像的平均时间为0.2～0.4 s, 文中的RGASM方法的平均时间为0.6～0.9 s。可以看出, 文中提出的方法是有效、可行的。

4 结束语

文中提出了一种基于局部纹理信息的脸部特征定位方法, 在纹理建模时对特征点及其给定邻域各点均做Gabor变换以作为该特征点的局部纹理特征, 然后采用统计方法进行局部纹理建模, 搜索时采用在当前位置周围取块进行全搜索的方法进行特征的搜索定位。实验结果表明, 该方法是一种有效的脸部特征定位方法。

摘要：在深入研究主动形状模型 (Active Shape Model, ASM) 的基础上, 提出了一种在ASM中结合特征点的邻域Gabor信息进行局部纹理建模的方法, 并改进了搜索策略。实验结果表明, 该方法与传统ASM定位方法相比提高了特征定位的精度。

关键词：主动形状模型,Gabor小波,脸部特征定位

参考文献

[1]Cootes T F, Taylor C J.Active Shape Models-smart Snakes[C].Proc.of British Machine Vision Confer-ence.Springer Verlag, 1992:266-275.

[2] Cootes T F, Taylor C J, Cooper D H, et al.Active Shape Models-their Training and Application[J].Computer Vision and Image Understanding, 1995, 1 (61) :38-59.

[3]Wiskott L, Fellous J M, Krüger N, et al.Face Recog-niton by Elastic Bunch Graph Matching[J].IEEE Trans.on Pattern Analysis and Machine Intelligence, 1997, 19 (7) :775-779.

[4]Jiao F, Li S, hum H Y, et al.Face Alignment Using Statistical Models and Wavelet Feature[C].Proc.of IEEE Conf.on Computer Vision and Pattern Recogni-tion, Madison, USA, 2003:321-327.

[5] Goodall C.Procrustes Methods in the Statistical Analysis of Shape[J].Journal of the Royal Statistical Society B, 1991, 53 (2) :285-339.

[6] Gabor D.Theory of Communication[J].Journal of the Institute of Electrical Engineers, 1946, 93 (26) :429-457.

篇4：脸部泄露的秘密

尽管不要以貌取人的告诫早已陈腐过时,但第一印象仍是极具影响力的。在见到一张陌生脸的最初十分之一秒内,我们已经对这张脸的主人作出了判断——或富有爱心,或可以信赖,或争强好胜,或个性外向,或称职能干等等。那种不自觉的瞬间判断一旦形成,就会出人意料地难以改变。更何况,对于一张特定的脸,不同的人会得出极为相似的结论。

人们还会根据这些瞬间判断,采取相应的行动。面相看上去颇为能干的政客,竞选获胜的概率会更大一些。盛气凌人的CEO,更可能经营一家有利可图的公司。长着娃娃脸的男子和那些貌似富于同情心的人,往往在护理职业中占有过高的比例。

被视为盛气凌人的士兵,晋级升职的速度往往较快。当娃娃脸的男子出现在法庭上时,他们要比面容老成的同伙更可能被开脱罪责。

这样的瞬间判断有什么依据吗?正如普林斯顿大学心理学家托多罗夫所指出的,不同的人固然会对特定的脸得出相似的结论,但这一事实并不意味着面相与人格之间真的存在某种对应关系。

然而,还是有一些令人怦然心动的证据表明:我们的脸可能会泄露某种揭示我们性格的秘密。1966年,密歇根大学的心理学家曾要求84名先前从未谋面的大学本科生,一言不发地坐上15分钟,完全根据外貌来评估彼此的人格特征。对于外向型、神经质和开放型这3种特征,观察者的瞬间判断符合真实人格记录的频度大大超过以往的概率。

近年来,研究人员对外貌与人格之间的联系展开了重新调查,最引人注目的当推英国斯特林大学的利特尔等。他们指出,密歇根研究对混淆性因素没有加以严格的控制,参与者可能被姿势、动作、衣着等因素所左右。但是,当利特尔一伙人运用大头照而不是真人被试对象进行重新试验时,他们也发现面相与人格之间存在着联系——虽然仅限于外向型和神经质两种类型。从这些试验中不难看出,我们对面部的瞬间判断确实蕴含着一定的真实性。尚未被充分弄清的是,为什么我们会如此迅捷地作出面部判断?利特尔认为,由于这些判断是如此迅捷和一致,由于它们的确能揭示某些人格侧面,因此更可能是进化让我们完成了捕捉此类信号的磨砺。

以貌取人是一种:“过度概括”

英国圣安德鲁斯大学的泽布罗维奇说,瞬间判断在很多场合并不准确。据她解释,我们动辄以貌取人的迅捷性,常常是对更加基本的回应的一种“过度概括”。就如同在一些飞蛾、蝴蝶和鱼类身上,长有炫耀性的圆形标志——眼点,这些眼点对食虫动物发挥着一种威慑力量。但眼点并不等同于眼睛,长有娃娃脸的人也并不全是孩子气十足,但观察者很可能对他们作出如是反应。我们对丑陋容貌所作出的反应情况也相仿,据她解释,这便是对病人或天生畸形者的进化性厌恶的一种过度概括。

有专家认为,我们在进化中形成了一种本能,善于根据面部表情来推断当事人的情绪;建立在面相基础上的人格评判,便是对这种本能的过度概括。

“千万别装鬼脸”

某些人格特征究竟是如何写到我们脸上去的呢?说到这,我们不由得会回想起父母辈相沿已久的告诫千万别装鬼脸,因为脸部会那样“凝固”住的。按照这种理论,我们的人格在塑造我们的脸部长相。20年前的一项研究为此提供了佐证:经常生气的老人即使被要求摆出不偏不倚的表情时也会显得恼怒不已。相伴一生的愁容满面和怪相鬼脸,似乎烙下了深深的岁月痕迹。

达尔文对此也有过精辟的论述“不同的人会根据各自的禀赋,频繁地使用不同的脸部肌肉;因此,那些肌肉的发育也许会得以强化,脸部的皱痕或纹路也会因其习惯性收缩而变得更加昭然若揭。”我们拥有一张与内心世界相映的脸。看来,达尔文又一次走在了他的时代前面。