编程检测图像中的肤色可以使用以下方法：

方法一：基于颜色空间的方法

import cv2
import numpy as np

# 加载图像
image = cv2.imread('image.jpg')

# 将图像从BGR颜色空间转换为HSV颜色空间
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 定义肤色的HSV范围
lower_skin = np.array([0, 48, 80], dtype=np.uint8)
upper_skin = np.array([20, 255, 255], dtype=np.uint8)

# 根据肤色范围创建掩码
skin_mask = cv2.inRange(hsv_image, lower_skin, upper_skin)

# 对原始图像进行掩码操作，只保留肤色区域
result = cv2.bitwise_and(image, image, mask=skin_mask)

# 显示结果图像
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

方法二：基于机器学习的方法

import cv2
import numpy as np
from sklearn.cluster import KMeans

# 加载图像
image = cv2.imread('image.jpg')

# 将图像转换为一维数据
pixels = image.reshape(-1, 3)

# 使用KMeans算法对像素进行聚类
kmeans = KMeans(n_clusters=2, random_state=0).fit(pixels)

# 获取肤色类别的标签
skin_label = np.argmax(np.bincount(kmeans.labels_))

# 根据肤色类别创建掩码
skin_mask = np.where(kmeans.labels_ == skin_label, 255, 0).astype(np.uint8)

# 将掩码图像恢复为与原始图像相同的形状
skin_mask = skin_mask.reshape(image.shape[:2])

# 对原始图像进行掩码操作，只保留肤色区域
result = cv2.bitwise_and(image, image, mask=skin_mask)

# 显示结果图像
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

这两种方法都可以用于检测图像中的肤色，可以根据具体需求选择合适的方法。