2020.4.7更新
前言：经历了两个星期身体和精神的双重折磨，我又回来了。疫情期间待在家里真的快要抑郁了，如果不是对未来还抱有一丝希望，差点要放弃自己了。
皮肤分割作业班级前十的方法分享（仅供参考）
NO.10 Ycrcb颜色空间+大津算法阈值分割
NO.9 Ycrcb椭圆空间分割图像 和 HSV分割图像 ，结果相与
NO.8 Ycrcb椭圆空间+自适应阈值法+人像背景去除 ，人像背景去除采用训练好的神经网络框架
（如果图片只是人体部分，人像背景去除的方法就不太适用）
NO.7 Ycrcb+HSV +腐蚀膨胀去除小连通域
NO.6 所有图像的Ycrcb颜色空间在crcb侧面的投影，拟合一个椭圆函数
NO.5 Inception Module (UNet) 卷积+反卷积
(好像是下载了一个皮肤分割的数据集进行训练的)
NO.4 Ycrcb 手动调节阈值时发现在皮肤区域的面积增长会有一个突变，于是以这个突变的点为阈值点。
（点评：与自适应阈值法类似吧，还是看阈值怎么找，不知道为啥效果会比自适应阈值好，如果有同学知道的话望赐教）
NO.3 Detectron2 COCO提取人的模型->Ycrcb提取cr空间->自适应阈值处理（数据集:Pratheepan ）
（如果图中没有完整的人像则不适用）
NO.2 光照补偿（5%Gama矫正）+Ycrcb椭圆模型（或cr分量阈值分割）
（这个方法真的有这么好的效果吗？存疑 ）
NO.1 人体部位解析（数据集LIP）->提取皮肤部分：脸、手臂、腿等
（哈哈，为啥我们当时没有想到人体解析？！这个方法确实效果很好，但是图像中必须存在完整的身体部位才能检测出来，如果图中只有皮肤的一部分，比如 肚子的一块皮肤，就不适用）
总结：尝试不同方法的结合会有意想不到的结果。方法各有利弊，加粗的是我觉得比较有学习意义的方法，日后有空可以尝试实现一下。(Ycrcb椭圆空间的方法我试过，但是因为python椭圆函数的参数只能是整数，效果不理想就没再深究。但也有同学采用椭圆模型做出了不错的结果，所以有时候效果好坏也看人品吧哈哈哈哈)
2020.3更新————————————————————————————————————
最近老师布置了一个小作业，检测图像中的皮肤。结果不是很理想，大概0.63的IOU。原因是没有留充足的时间准备，训练集也太少，图像预处理也没有搞好。等其他同学的方法分享了，我再更新一下吧。（感受到自己就是个渣渣）
1、基于颜色空间
已经有很多博客写了：
python：https://www.cnblogs.com/demodashi/p/9437559.html
c++:https://www.cnblogs.com/skyfsm/p/7868877.html
其中基于Ycrcb的效果比较好，但是非常容易受背景干扰（后俩张几乎背景都包含在里面了）。
我也把c++版本的 基于椭圆皮肤模型的方法用python 实现了一下，但是 python的画椭圆的函数只能输入int型数据，所以后来效果也不是很好，于是放弃。
2、基于随机森林的皮肤分割 参考文章：肤色检测（分割）via Random Forest
下载了文中的两篇2010 2012的论文读了一下，也下载了数据集，自己试了一遍，效果不错。
样本数：245057 （其中有50,000+正样本，剩余负样本）
特征： B G R（像素颜色，注意与opencv读取的颜色顺序一样）
类别： 2类（肤色1/非肤色2）
这个方法受背景影响小一点，但是对于皮肤上的反光、痘痘之类的，检测效果不如Ycrcb。
（1）随后我又加了去噪和磨皮：https://www.jianshu.com/p/3a028a908c19.
但是皮肤高光经过去噪或者磨皮以后会整个脸都变亮了，分割效果并没有提升。（但是真的变好看了）
（2）随后又加了去高光：
illuminationChange 的方法不好，它其实就类似于拿附近的像素点去填充（可能是我的mask搞得不好吧）
去反光参考博文：https://blog.csdn.net/weiwei9363/article/details/85046877
代码：https://github.com/jiemojiemo/some_specular_detection_and_inpainting_methods_for_endoscope_image
确实能够去除反光，但是会把眼球的白色当成反光一起处理了，真是心塞！
3、结果展示
依次是：原图 Ycrcb 随机森林 磨皮 去高亮
4、代码
https://download.csdn.net/download/weixin_40820983/12252163