CN108596273A - 一种皮肤病图像分类方法 - Google Patents

Abstract

本发明公开了一种皮肤病图像分类方法，涉及图像处理技术领域。本发明包括如下步骤：步骤S01选取图像预处理方式；步骤S02选择组件分类器；步骤S03选择训练方式和整体模型结构；步骤S04模型训练；步骤S05新样本预测。本发明通过给用户输入的皮肤病图像进行预处理，利用深度卷积神经网络作为组件分类器，将设计的整体模型结构通过训练方式训练模型，得到端对端模型，对测试图片进行预测，完成图像分类任务，提高了皮肤病图像的辨识精准度，方便用户快速判断病情，能够得到有效及时医治。

Description

一种皮肤病图像分类方法

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于深度卷积神经网络集成的皮肤病图像分类方法。

背景技术

图像分类，是判断给定图像的内容在已有固定的分类标签集合中属于何种具体类别的过程。

图像内容的视角变化、大小变化、形变、遮挡、光照条件、背景干扰等都是分类任务面临的困难，加之皮肤病种类繁多，有的疾病类间差异小，辨识困难，因此皮肤病图像分类是一个较难的问题。传统的机器学习方法一般首先提取图像特征，然后利用特征建模。特征一般为人为挑选，不够灵活，也不够准确，往往不能充分反映图像关键信息，因此准确率不能令人满意。深度学习技术在计算机视觉领域表现优异，在皮肤病图像分类任务中也可取得较好的效果，但其准确率仍有进一步提升的空间。

发明内容

本发明的目的在于提供一种皮肤病图像分类方法，通过将用户输入图片进行图像预处理，利用深度卷积神经网络作为组件分类器，训练模型对测试集进行预测，完成图像分类任务，解决了现有的皮肤病图像分类难、精准度不足的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种皮肤病图像分类方法，包括如下步骤：

步骤S01选取图像预处理方式：针对皮肤病图像具体分析，选取预处理方式；

步骤S02选择组件分类器：选择深度卷积神经网络作为组件分类器，设计整体模型结构；

步骤S03选择训练方式和整体模型结构：根据预处理方式的复杂程度及计算机的承受能力，确定训练模型的方式；

步骤S04模型训练：使用训练集训练端对端模型；

步骤S05新样本预测：使用训练好的模型对测试集进行预测，完成图像分类任务。

优选地，所述步骤S01中，预处理方式包括：图像颜色平衡、去除毛发和疾病区域检测；

其中，所述图像颜色平衡通过simplest color balance或gray world算法，用于提升图片质量；所述去除毛发通过掩膜重建算法，用于将图片进行降噪；所述疾病区域检测通过overfeat或RCNN算法，用于统一皮肤病图片的尺寸规则。

优选地，所述步骤S03中，通过组件分类器提取图像特征，再进行拼接或其他组合；所述组件分类器为深度卷积网络ResNet。

优选地，所述步骤S04中，模型训练方法包括：

方法一：

步骤S11经过不同预处理的图像训练组件ResNet，标签与原图像相同；

步骤S12获取各个组件ResNet的特征层拼接到一起，对应原图像的标签；

步骤S13添加若干层全连接层，训练人工神经网络；

步骤S14根据整体模型分类表现，交替调整特征层和人工神经网络；

步骤S15固定各部分的参数，将整体作为预测模型；

方法二：

步骤S21将组件ResNet的输出层去掉，并将特征层拼接在一起；

步骤S22再添加若干层全连接层；

步骤S23添加一个输出层；

步骤S24将模型作为一个整体来训练，并直接实现端到端的预测。

本发明具有以下有益效果：

本发明通过给用户输入的皮肤病图像进行预处理，利用深度卷积神经网络作为组件分类器，将设计的整体模型结构通过训练方式训练模型，得到端对端模型，对测试图片进行预测，完成图像分类任务，提高了皮肤病图像的辨识精准度，方便用户快速判断病情，能够得到有效及时医治。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种皮肤病图像分类方法步骤图；

图2为本发明组件神经网络分类器ResNet结构示意图；

图3为本发明一种实现模型训练方法的步骤图；

图4为本发明另一种实现模型训练方法的步骤图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，本发明为一种皮肤病图像分类方法，包括如下步骤：

步骤S01选取图像预处理方式：针对皮肤病图像具体分析，选取预处理方式，例如疾病区域检测、颜色平衡等，用于突出某些重点信息或排除不必要的干扰；

步骤S02选择组件分类器：选择深度卷积神经网络作为组件分类器，设计整体模型结构，例如ResNet,VGGNet等；

步骤S03选择训练方式和整体模型结构：根据预处理方式的复杂程度及计算机的承受能力，确定训练模型的方式，并确定整体模型的结构，已将组件分类器整合；

步骤S04模型训练：使用训练集训练端对端模型；

步骤S05新样本预测：使用训练好的模型对测试集进行预测，完成图像分类任务。

本发明实施例皮肤病图像分类方法，利用了多种预处理方式，突出图像中重点信息，并将深度卷积网络作为组件分类器集成到一起，能够有效的分类器性能。

其中，步骤S01中，预处理方式包括：图像颜色平衡、去除毛发和疾病区域检测；

其中，图像颜色平衡通过simplest color balance或gray world算法，用于提升图片质量；去除毛发通过掩膜重建算法，用于将图片进行降噪；疾病区域检测通过overfeat或RCNN算法，用于皮损定位以及细化处理。

其中，步骤S03中，通过组件分类器提取图像特征，再进行拼接或其他组合；组件分类器为深度卷积网络ResNet。

请参阅图2所示，深度卷积网络ResNet作为组件分类器，一个ResNet就是由多个模块堆叠而成的，此时组件分类器得到的特征选定为卷积网络的最后层全连接层，对于每个ResNet来说，这个特征都是2048维的。

将组件ResNet得到的特征拼接到一起，作为皮肤病图像的特征，用以得到分类概率；可以将拼接后的特征层与输出概率层直接相连，也可以在两层之间添加全连接层，即额外设计一个人工神经网络。

请参阅图3-4所示，步骤S04中，模型训练方法包括：

方法一：

步骤S11经过不同预处理的图像训练组件ResNet，标签与原图像相同；

步骤S12获取各个组件ResNet的特征层拼接到一起，对应原图像的标签；

步骤S13添加若干层全连接层，训练人工神经网络；

步骤S14根据整体模型分类表现，交替调整特征层和人工神经网络；

步骤S15固定各部分的参数，将整体作为预测模型；

方法二：

步骤S21将组件ResNet的输出层去掉，并将特征层拼接在一起；

步骤S22再添加若干层全连接层；

步骤S23添加一个输出层；

步骤S24将模型作为一个整体来训练，并直接实现端到端的预测。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读取存储介质中。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (4)

1.一种皮肤病图像分类方法，其特征在于，包括如下步骤：

步骤S01选取图像预处理方式：针对皮肤病图像具体分析，选取预处理方式；

步骤S02选择组件分类器：选择深度卷积神经网络作为组件分类器，设计整体模型结构；

步骤S03选择训练方式和整体模型结构：根据预处理方式的复杂程度及计算机的承受能力，确定训练模型的方式；

步骤S04模型训练：使用训练集训练端对端模型；

步骤S05新样本预测：使用训练好的模型对测试集进行预测，完成图像分类任务。

2.根据权利要求1所述的一种皮肤病图像分类方法，其特征在于，所述步骤S01中，预处理方式包括：图像颜色平衡、去除毛发和疾病区域检测；

其中，所述图像颜色平衡通过simplest color balance或gray world算法，用于提升图片质量；所述去除毛发通过掩膜重建算法，用于将图片进行降噪；所述疾病区域检测通过overfeat或RCNN算法，用于统一皮肤病图片的尺寸规则。

3.根据权利要求1所述的一种皮肤病图像分类方法，其特征在于，所述步骤S03中，通过组件分类器提取图像特征，再进行拼接或其他组合；所述组件分类器为深度卷积网络ResNet。

4.根据权利要求1所述的一种皮肤病图像分类方法，其特征在于，所述步骤S04中，模型训练方法包括：

方法一：

步骤S11经过不同预处理的图像训练组件ResNet，标签与原图像相同；

步骤S12获取各个组件ResNet的特征层拼接到一起，对应原图像的标签；

步骤S13添加若干层全连接层，训练人工神经网络；

步骤S14根据整体模型分类表现，交替调整特征层和人工神经网络；

步骤S15固定各部分的参数，将整体作为预测模型；

方法二：

步骤S21将组件ResNet的输出层去掉，并将特征层拼接在一起；

步骤S22再添加若干层全连接层；

步骤S23添加一个输出层；

步骤S24将模型作为一个整体来训练，并直接实现端到端的预测。