Phân tích da bằng camera điện thoại hoạt động thế nào?

Vì thế, chỉ số mà một ứng dụng trả về thường là ước tính dựa trên dữ liệu hình ảnh, không mặc nhiên tương đương với phép đo bằng thiết bị chuyên dụng. Những đặc điểm nhìn thấy được như màu da, mức độ đồng đều, đốm, đường nhăn hay kết cấu bề mặt phù hợp hơn với ảnh RGB. Các đại lượng như độ ẩm, lượng bã nhờn hoặc mất nước qua da không được camera RGB đo trực tiếp.

Camera điện thoại tạo dữ liệu RGB về da như thế nào?

Khi chụp da, ánh sáng từ môi trường chiếu lên bề mặt rồi phản xạ vào ống kính. Cảm biến của điện thoại chuyển lượng ánh sáng nhận được thành tín hiệu điện. Thông qua bộ lọc màu trên cảm biến và quá trình xử lý ảnh, tín hiệu này được biểu diễn chủ yếu bằng ba thành phần đỏ, xanh lá và xanh dương — R, G và B.

Với một ảnh RGB 8 bit/kênh phổ biến, mỗi kênh có 256 mức giá trị. Một pixel vì thế có thể được mô tả bằng bộ ba số R-G-B. Thuật toán có thể so sánh hàng nghìn hoặc hàng triệu pixel để tìm sự khác biệt về màu sắc và cấu trúc giữa các vùng trên khuôn mặt.

Tuy nhiên, giá trị RGB không phải là phép đo tuyệt đối về da. Trước khi ảnh được lưu, điện thoại thường đã thực hiện nhiều công đoạn như nội suy màu, cân bằng trắng, giảm nhiễu, điều chỉnh phơi sáng, tăng độ nét và ánh xạ tông màu. Hai điện thoại chụp cùng một vùng da vì thế có thể tạo ra giá trị pixel khác nhau dù tình trạng da không thay đổi.

Đây là điểm quan trọng khi phân tích da bằng camera điện thoại: camera cung cấp dữ liệu đầu vào quang học, còn độ chính xác của kết quả phụ thuộc vào cách ứng dụng kiểm soát và diễn giải dữ liệu đó.

Vì sao ảnh phải được chuẩn hóa trước khi phân tích?

Thuật toán cần phân biệt biến đổi thực sự của da với biến đổi do điều kiện chụp. Nếu ánh sáng ấm hơn, ảnh có thể đỏ hoặc vàng hơn; nếu phơi sáng tăng, da trông sáng hơn; nếu khuôn mặt quay lệch, bóng đổ có thể làm một vùng trông tối hoặc có kết cấu mạnh hơn.

Vì vậy, một hệ thống phân tích thường bắt đầu bằng việc kiểm tra chất lượng ảnh và xác định khuôn mặt. Các mốc như mắt, mũi, miệng và đường viền khuôn mặt giúp phần mềm định vị những vùng da cần phân tích. Tóc, môi, mắt, lông mày và các khu vực bị che khuất có thể được loại khỏi vùng tính toán để tránh đưa pixel không thuộc da vào kết quả.

Tiếp theo là quá trình chuẩn hóa. Thuật toán có thể hiệu chỉnh độ sáng, cân bằng màu, giảm ảnh hưởng của bóng, chuẩn hóa tương phản hoặc sử dụng một vùng tham chiếu để giảm sai lệch giữa các lần chụp. Trong hệ thống yêu cầu độ ổn định màu cao hơn, việc hiệu chuẩn bằng mục tiêu màu hoặc thông tin đặc tính của camera còn giúp các giá trị thu được gần với một hệ quy chiếu chung hơn.

Chuẩn hóa không thể phục hồi thông tin vốn không tồn tại trong ảnh. Nếu vùng da bị cháy sáng, mất nét hoặc bị bộ lọc làm mịn quá mạnh, chi tiết bề mặt đã bị mất và thuật toán không thể tái tạo chính xác chỉ bằng xử lý hậu kỳ.

Thuật toán đọc màu sắc và kết cấu da ra sao?

Sau khi có vùng da đủ chất lượng, thuật toán có thể phân tích hai nhóm tín hiệu chính: màu sắc và cấu trúc không gian của pixel.

Với màu sắc, dữ liệu RGB có thể được sử dụng trực tiếp hoặc chuyển sang các không gian màu khác. CIE Lab*, chẳng hạn, tách độ sáng L* khỏi hai trục màu a* và b*. Cách biểu diễn này giúp thuật toán tách một phần biến đổi về độ sáng khỏi biến đổi sắc độ, từ đó thuận lợi hơn khi đánh giá sự đồng đều màu hoặc những vùng có sắc đỏ khác biệt. Dù vậy, một giá trị màu chỉ có ý nghĩa định lượng tốt khi điều kiện chụp và phép hiệu chuẩn đủ ổn định; nó không tự động trở thành chỉ số sinh học của da.

Với kết cấu, thuật toán không chỉ nhìn màu của từng pixel mà còn xem các pixel thay đổi như thế nào trong vùng lân cận. Độ tương phản cục bộ, biên, gradient, tần số không gian hoặc các mô tả texture có thể phản ánh đường nhăn, bề mặt không đồng đều và những chi tiết nhỏ. Khi độ phân giải, tiêu cự và khoảng cách chụp phù hợp, các cấu trúc như lỗ chân lông hoặc đường nhăn nhỏ cũng có thể tạo ra mẫu hình đủ rõ để phân tích.

Một số hệ thống dùng các đặc trưng được thiết kế trước; hệ thống dùng học sâu có thể để mạng nơ-ron học trực tiếp các mẫu màu và texture từ dữ liệu huấn luyện. Khác biệt nằm ở cách tạo đặc trưng, nhưng cả hai đều dựa trên thông tin mà ảnh đã ghi được. Học sâu không giúp camera nhìn thấy một tín hiệu quang học vốn không có trong ảnh RGB.

Mô hình chuyển đặc trưng ảnh thành chỉ số da thế nào?

Trích xuất đặc trưng mới chỉ cho biết ảnh chứa những mẫu hình nào. Để biến chúng thành kết quả như điểm số, vùng bất thường về màu, mức độ đường nhăn hoặc chỉ số kết cấu, hệ thống cần một quy tắc hoặc mô hình ánh xạ.

Với phương pháp dựa trên quy tắc, nhà phát triển có thể đặt ngưỡng cho độ tương phản, màu hoặc kích thước của một cấu trúc. Với machine learning, mô hình được huấn luyện bằng nhiều ảnh đi kèm nhãn tham chiếu. Nhãn có thể là đánh giá của chuyên gia, phân loại thủ công hoặc số liệu từ một thiết bị đo khác. Mô hình học quan hệ thống kê giữa đặc điểm trong ảnh và nhãn này, sau đó dùng quan hệ đã học để ước tính trên ảnh mới.

Do đó, ý nghĩa của một “điểm da” phụ thuộc mạnh vào dữ liệu dùng để xây dựng nó. Nếu mô hình được huấn luyện để dự đoán một thang đánh giá thị giác, kết quả phản ánh thang đó. Nếu mô hình được huấn luyện với giá trị từ thiết bị chuyên dụng, kết quả là một phép ước tính gián tiếp của giá trị tham chiếu trong phạm vi mà mô hình đã được kiểm chứng.

Đây cũng là lý do hai ứng dụng có thể cho điểm khác nhau trên cùng một ảnh. Chúng có thể dùng vùng phân tích, phép chuẩn hóa, nhãn huấn luyện, kiến trúc mô hình và thang điểm khác nhau. Một con số có vẻ chính xác đến nhiều chữ số không đồng nghĩa với việc nó là phép đo vật lý trực tiếp.

Những yếu tố nào làm kết quả thay đổi?

Ánh sáng là một trong những nguồn sai lệch lớn nhất vì camera chỉ ghi nhận ánh sáng phản xạ. Ánh sáng ban ngày, đèn LED lạnh và đèn vàng có phân bố phổ khác nhau; chúng có thể làm cùng một làn da tạo ra các giá trị RGB khác nhau. Bóng trên khuôn mặt cũng làm thay đổi cả màu lẫn mức tương phản mà thuật toán sử dụng để đánh giá texture.

Bản thân điện thoại là một biến số khác. Cảm biến, ống kính và thuật toán xử lý ảnh khác nhau giữa các mẫu máy. Cân bằng trắng tự động, HDR, làm nét, giảm nhiễu và làm đẹp khuôn mặt đều có thể thay đổi dữ liệu trước khi ứng dụng phân tích. Đặc biệt, bộ lọc làm mịn da có thể xóa đúng những chi tiết mà thuật toán cần để đánh giá kết cấu.

Cách chụp cũng ảnh hưởng trực tiếp đến khả năng so sánh. Thay đổi khoảng cách làm thay đổi số pixel đại diện cho một vùng da; thay đổi góc chụp làm thay đổi hình học và bóng; mất nét làm giảm chi tiết tần số cao. Mỹ phẩm, kem chống nắng, dầu trên bề mặt hoặc mồ hôi còn làm thay đổi cách ánh sáng phản xạ.

Ngoài chất lượng ảnh, độ tin cậy còn phụ thuộc vào dữ liệu huấn luyện của mô hình. Nếu một nhóm màu da, loại camera hoặc điều kiện chiếu sáng xuất hiện quá ít trong dữ liệu huấn luyện, hiệu năng trên nhóm đó có thể giảm. Vì thế, khả năng hoạt động tốt trên một tập ảnh không tự động bảo đảm kết quả tương đương với mọi thiết bị và mọi người dùng.

Khi mục tiêu là theo dõi thay đổi qua nhiều ngày, tính nhất quán thường quan trọng hơn việc tạo một bức ảnh đẹp. Dùng cùng điện thoại, cùng camera, ánh sáng tương tự, khoảng cách tương tự, góc mặt tương tự và tắt các bộ lọc làm đẹp giúp giảm số biến không liên quan đến da.

Camera điện thoại phân tích được gì và giới hạn ở đâu?

Ảnh RGB phù hợp nhất với những đặc điểm có biểu hiện quang học trên bề mặt da. Thuật toán có thể định lượng sự phân bố màu, mức độ không đồng đều, các đốm nhìn thấy, vùng có sắc đỏ khác biệt, đường nhăn, kết cấu và một số cấu trúc nhỏ như lỗ chân lông khi ảnh có đủ chi tiết. Nó cũng có thể theo dõi sự thay đổi tương đối của những đặc điểm này nếu các lần chụp được chuẩn hóa.

Ngược lại, camera RGB thông thường không trực tiếp đo độ ẩm của lớp sừng, lượng bã nhờn, mất nước qua biểu bì hay các đặc tính nằm sâu dưới bề mặt. Những đại lượng này thường cần cảm biến hoặc phương pháp đo chuyên biệt. Một mô hình AI vẫn có thể đưa ra ước tính nếu đã học mối tương quan giữa ảnh và kết quả thiết bị đo, nhưng khi đó camera vẫn không đo đại lượng đó trực tiếp; mô hình chỉ suy luận từ dấu hiệu hình ảnh có liên quan.

Đây là khác biệt giữa phân tích hình ảnh da và đo đặc tính sinh lý của da. Điện thoại có lợi thế về tính sẵn có, chi phí thấp và khả năng chụp lặp lại, nhưng đổi lại môi trường chụp và chuỗi xử lý ảnh khó kiểm soát bằng thiết bị chuyên dụng.

Tương tự, kết quả từ camera điện thoại không nên được tự động xem là chẩn đoán y khoa. Một thuật toán có thể phát hiện hoặc định lượng mẫu hình trong ảnh, nhưng chẩn đoán cần xem xét thêm biểu hiện lâm sàng, tiền sử và những dữ liệu mà ảnh RGB đơn lẻ không cung cấp. Khi mục đích là đánh giá bệnh lý hoặc quyết định điều trị, dữ liệu từ ứng dụng phân tích ảnh chỉ nên được coi là thông tin hỗ trợ, không phải phép thay thế cho đánh giá chuyên môn.

Phân tích da bằng camera điện thoại hoạt động bằng cách biến ánh sáng nhìn thấy phản xạ từ da thành ảnh RGB, sau đó dùng chuỗi thuật toán để chuẩn hóa ảnh, xác định vùng da, trích xuất màu và kết cấu rồi ánh xạ các đặc trưng đó thành chỉ số hoặc vùng cần quan tâm.

Giá trị của phương pháp nằm ở khả năng phân tích và theo dõi các dấu hiệu nhìn thấy được bằng thiết bị phổ biến. Giới hạn của nó cũng xuất phát từ chính nguồn dữ liệu đó: kết quả chịu ảnh hưởng của ánh sáng, camera, xử lý ảnh và mô hình, đồng thời không thể trực tiếp đo những đặc tính sinh lý hoặc cấu trúc mà ảnh RGB không ghi nhận.