基于全球CIELAB数据与k均值聚类的新型肤色分类方法及其在跨学科应用中的意义

这篇综述创新性地提出了一种基于光谱测量和k均值聚类（k-means）的客观肤色分类方法。研究通过采集全球2770名女性的CIELAB色彩空间数据，首次建立了包含6个肤色簇的科学分类体系，突破了传统Fitzpatrick皮肤分型（FST）和个体拓扑角（ITA）在肤色多样性表征上的局限。该研究为化妆品研发、皮肤病学诊断和计算机视觉领域提供了更精准的肤色量化工具，对推动包容性产品开发和医疗公平性具有重要价值。

　　

摘要

人类肤色在全球范围内存在显著差异，现有Fitzpatrick皮肤分型（FST）和个体拓扑角（ITA）系统主要针对光敏感性评估，难以全面捕捉肤色变异光谱。本研究通过分光光度计测量四大陆2770名女性的皮肤反射率，计算CIELAB值并应用k均值聚类，首次识别出6个客观肤色簇，为跨学科领域提供更精准的分类工具。

1 引言

肤色作为遗传、环境和生理因素共同作用的复杂表型，在皮肤病学诊断（如白癜风、黑素瘤）、化妆品个性化开发（如粉底色号匹配）以及计算机视觉（如人脸识别）等领域具有关键意义。传统FST系统依赖主观的日光反应性评估，而ITA仅采用L和b二维参数，均无法完整表征肤色多样性。本研究旨在建立基于CIELAB三维色彩空间的客观分类体系。

2 肤色分类系统发展史

从林奈基于肤色的种族分类，到Fitzpatrick的六型光敏分型，历史上肤色评估常与种族观念交织。现代ITA虽引入仪器测量，但仍聚焦光防护评估。新兴的Monk肤色量表（MSTS）虽扩展了视觉多样性，但缺乏色度学基础。这些系统均未解决肤色客观量化与分类的核心问题。

3 材料与方法

研究涵盖中、印、印尼、尼日利亚、英、美六国2777名18-55岁女性，使用柯尼卡美能达CM700d分光光度计测量面部多区域皮肤反射光谱（400-700nm），计算D65光源下的CIELAB值。采用Python的KMeans算法对10,595组Lab^*数据进行聚类，通过1%数据点阈值和视觉评估确定最优簇数为6。

4 结果

4.1 原始数据分析

测量数据显示L值跨度达27.12-73.71，远超既往欧洲人群研究（59.7-73.4）。各国中位数差异显著：尼日利亚最低（42.69），中国最高（64.87）。色度（C）和色调角（h°）范围分别为9.01-30.43和24.63°-79.64°，呈现丰富的地域特征。

4.2 全球肤色簇

六簇命名为：极浅（L=66.57）、浅冷调（61.35）、浅暖调（59.17）、中等（52.72）、深色（45.61）、极深（37.86）。各簇在LC^*h°空间呈阶梯分布，其中浅暖调人群在印尼占比达82.2%，而尼日利亚97.4%集中于深色/极深簇。

4.3 分类应用

通过ΔE₇₆色差公式将新测量值归类，如Lab^*=(50,10,16)样本距"中等"簇 centroid 最近（ΔE=3.99）。该系统在10°与2°标准观察者数据间显示92.5%的一致性。

5 结论与展望

该分类体系首次实现肤色客观量化，可优化化妆品配方开发、皮肤病风险分层及AI算法公平性。未来需扩展男性数据，并探索光谱-图像融合技术以捕获面部色彩异质性。研究为打破肤色评估中的历史偏见、推动真正包容性技术创新奠定基础。