CN110084279A - 一种确定分类标签的方法及装置 - Google Patents
一种确定分类标签的方法及装置 Download PDFInfo
- Publication number
- CN110084279A CN110084279A CN201910252708.9A CN201910252708A CN110084279A CN 110084279 A CN110084279 A CN 110084279A CN 201910252708 A CN201910252708 A CN 201910252708A CN 110084279 A CN110084279 A CN 110084279A
- Authority
- CN
- China
- Prior art keywords
- hole
- picture
- structure picture
- shape structure
- original image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种确定分类标签的方法及装置,所述方法包括:获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。所述装置执行上述方法。本发明实施例提供的确定分类标签的方法及装置,通过对用于训练预设模型的所有样本图片进行分类,且分类类型包括洞状结构第一目标图片分类标签,提高样本图片的分类标签选择的合理性和准确度。
Description
技术领域
本发明实施例涉及图片处理技术领域,尤其涉及一种确定分类标签的方法及装置。
背景技术
胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点,具备广泛的应用价值。
现有技术采用人工方式识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类,为了更加准确、高效地识别原始图片,需要构建模型,但是模型在使用之前通常需要进行训练,针对上述原始图片的训练样本(可以是样本图片)的选择、以及对样本图片的分类标签的确定,尚没有有效的方法。
因此,如何避免上述缺陷,提高样本图片的分类标签选择的合理性和准确度,成为亟须解决的问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种确定分类标签的方法及装置。
本发明实施例提供一种确定分类标签的方法,包括:
获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;
对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
本发明实施例提供一种确定分类标签的装置,包括:
获取单元,用于获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;
分类单元,用于对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
本发明实施例提供一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下方法:
获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;
对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
本发明实施例提供一种非暂态计算机可读存储介质,包括:
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如下方法:
获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;
对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
本发明实施例提供的确定分类标签的方法及装置,通过对用于训练预设模型的所有样本图片进行分类,且分类类型包括洞状结构第一目标图片分类标签,提高样本图片的分类标签选择的合理性和准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明确定分类标签的方法实施例流程图;
图2(a)~图2(h)均为本发明实施例拍摄的小洞结构图片的截图;
图3(a)~图3(h)均为本发明实施例拍摄的花朵状结构图片的截图;
图4(a)~图4(h)均为本发明实施例拍摄的含有堵塞物的大洞结构图片的截图;
图5(a)~图5(h)均为本发明实施例拍摄的中空大洞结构图片的截图;
图6(a)~图6(h)均为本发明实施例拍摄的宽幅洞缘结构图片的截图;
图7(a)~图7(h)均为本发明实施例拍摄的紧闭放射状结构图片的截图;
图8(a)~图8(h)均为本发明实施例拍摄的开放放射状结构图片的截图;
图9(a)~图9(h)均为本发明实施例拍摄的小型放射状结构图片的截图;
图10为本发明确定分类标签的装置实施例结构示意图;
图11为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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他实施例,都属于本发明保护的范围。
图1为本发明确定分类标签的方法实施例流程图,如图1所示,本发明实施例提供的一种确定分类标签的方法,包括以下步骤:
S101:获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片。
具体的,装置获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片。需要说明的是:该原始图片是通过胶囊内镜拍摄的,对胶囊内镜的工作过程作如下说明:
·胶囊内镜从口腔进入消化道,再从肛门自然排出体外。
·胶囊内镜的电池续航力有限,其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。
·胶囊内镜的每次活动都产生域内检查图片和域外检查图片。
·域内检查图片是对消化道某一段所进行的拍摄结果。
·域外检查图片是除了域内检查图片以外,胶囊内镜顺便拍到的图片。
·全部图片均可自动识别,无需任何人工介入(包括图像预处理)。
·识别图像后,将胶囊内镜拍摄的图片分为六个大类(125个小类),自动保存于125个图片文件夹中,其中,六个大类可以为:
第一大类:一类域外分类标签(10个类别)。
第二大类:二类域外分类标签(13个类别)。
第三大类:基于局部结构特征的第一目标图片分类标签(10个类别)。
第四大类:洞状结构第一目标图片分类标签(8个类别)。
第五大类:基于全局结构特征的第一目标图片分类标签(24个类别)。
第六大类:第二目标图片分类标签(56个类别)。
·能够自动识别口腔、食道、胃、十二指肠、小肠和大肠等消化道的不同部位。
每粒胶囊内镜每次可以拍摄的原始图片的数量可以为2000~3000张,即胶囊内镜获取到的图片集中的图片数量。
可以从医院信息系统中导出、未经任何处理的胶囊内镜拍摄的原始图片(JPG格式)。即上述样本图片可以是上述的六个大类(125个小类)对应的所有图片,本发明实施例着重对上述第四大类进行说明。
S102:对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
具体的,装置对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。凸起特征可以包括肿胀、颗粒状物凸起。指定颜色特征可以包括红色、白色,不作具体限定。异常特征可以作为某些疾病诊断过程中的中间参考特征,仅仅依赖该异常特征还不足以诊断出疾病。洞状结构第一目标图片可以与异常特征图片进行比照,从而识别出异常特征。所述洞状结构第一目标图片可以包括:
大洞结构图片、小洞结构图片、花朵状结构图片和放射状结构图片;其中,所述大洞结构图片中的洞状结构的洞状开口面积与原始图片面积的比值大于第一预设比例阈值、所述小洞结构图片中的洞状结构的洞状开口面积与原始图片面积的比值小于所述第一预设比例阈值、所述花朵状结构图片中包含有花朵状的、非中空开口;所述放射状结构图片中包含有若干条向中心汇聚的线条、且所有线条在中心汇聚成一个点、和/或形成一个开孔,这个结构通常表示贲门,幽门,胃窦或者其他放射状解剖结构。第一预设比例阈值可以根据实际情况自主设置。大洞结构图片,即图片中央有一个比较大的圆形,不规则形或者中空型的洞状结构,洞的中央可以是黑暗的,也可以有堵塞物。洞壁所占图幅面积不大,洞壁上也没有花纹或微小结构。图片数量占比大约5%。洞状结构中会出现各种类型的异常特征,由于洞状结构是比较复杂的结构,在这个背景下的对异常特征的识别难度也是比较大的。特别是某些特征不太明显的异常特征,在这种复杂的结构背景下,识别难度就更大。图2(a)~图2(h)均为本发明实施例拍摄的小洞结构图片的截图,图2(a)~图2(h)各图之间相互独立,都分别是小洞结构图片的表现形式。这类图片的特征是:
小洞结构图片:小洞结构图片中的洞状结构的洞状开口面积与原始图片面积的比值小于所述第一预设比例阈值、在图像中央出现一个小的黑洞。多数情况下是远距离拍摄的幽门、假幽门等结构。洞的面积占据整个图幅(即原始图片)的面积比例少于25%(即第一预设比例阈值),其余部分是相对单一/缺少纹理的内容。
图3(a)~图3(h)均为本发明实施例拍摄的花朵状结构图片的截图,图3(a)~图3(h)各图之间相互独立,都分别是花朵状结构图片的表现形式。这类图片的特征是:
花朵状结构图片:所述花朵状结构图片中包含有花朵状的、非中空开口。形如菊花、牡丹花、以及各种纤细花瓣状的解剖结构。该图片带有丰富的位置信息,例如:贲门、幽门、胃角、胃窦等。
本发明实施例提供的确定分类标签的方法,通过对用于训练预设模型的所有样本图片进行分类,且分类类型包括洞状结构第一目标图片分类标签,提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上,所述洞状结构第一目标图片包括:
大洞结构图片、小洞结构图片、花朵状结构图片和放射状结构图片;其中,所述大洞结构图片中的洞状结构的洞状开口面积与原始图片面积的比值大于第一预设比例阈值、所述小洞结构图片中的洞状结构的洞状开口面积与原始图片面积的比值小于所述第一预设比例阈值、所述花朵状结构图片中包含有花朵状的、非中空开口;所述放射状结构图片中包含有若干条向中心汇聚的线条、且所有线条在中心汇聚成一个点、和/或形成一个开孔。可参照上述说明,不再赘述。
本发明实施例提供的确定分类标签的方法,通过进一步细分洞状结构第一目标图片,进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上,所述大洞结构图片包括:
含有堵塞物的大洞结构图片、中空大洞结构图片、宽幅洞缘结构图片;其中,所述含有堵塞物的大洞结构图片的洞为圆洞、且洞中包含有指定颜色和指定形状的堵塞物、所述中空大洞结构图片的洞为不规则形洞、且不规则形洞不包含有任何堵塞物、所述宽幅洞缘结构图片的洞为不规则圆洞、不规则形洞不包含有任何堵塞物、且不规则圆洞的周围存在宽幅边缘结构。
具体的,装置中的所述大洞结构图片包括:
含有堵塞物的大洞结构图片、中空大洞结构图片、宽幅洞缘结构图片;其中,所述含有堵塞物的大洞结构图片的洞为圆洞、且洞中包含有指定颜色和指定形状的堵塞物、所述中空大洞结构图片的洞为不规则形洞、且不规则形洞不包含有任何堵塞物、所述宽幅洞缘结构图片的洞为不规则圆洞、不规则形洞不包含有任何堵塞物、且不规则圆洞的周围存在宽幅边缘结构。指定颜色可以为白色,不作具体限定。指定形状可以为块状,不作具体限定。需要说明的是:不规则形洞的形状不为圆形;不规则圆洞的形状为近似圆形,但不是标准的圆形,标准的圆形可以理解为:圆上的任一点到圆心的距离都相等,且为圆的半径,近似圆形可以理解为:至少存在一点,该点到圆心的距离不等于圆的半径。宽幅边缘结构可以理解为:不规则圆洞对应的圆圈与拍摄物边缘对应的圆圈相内切。
图4(a)~图4(h)均为本发明实施例拍摄的含有堵塞物的大洞结构图片的截图,图4(a)~图4(h)各图之间相互独立,都分别是含有堵塞物的大洞结构图片的表现形式。这类图片的特征是:
含有堵塞物的大洞结构图片:所述含有堵塞物的大洞结构图片的洞为圆洞、且洞中包含有指定颜色和指定形状的堵塞物,这类图片的主体是一个位居拍摄物中央的圆洞,圆洞中有一团白色团块堵塞物。圆洞的周围没有纹理结构。
图5(a)~图5(h)均为本发明实施例拍摄的中空大洞结构图片的截图,图5(a)~图5(h)各图之间相互独立,都分别是中空大洞结构图片的表现形式。这类图片的特征是:
中空大洞结构图片:所述中空大洞结构图片的洞为不规则形洞、且不规则形洞不包含有任何堵塞物;这类图片的主体是一个位居拍摄物中央的不规则形洞,洞中央没有团块堵塞物。
图6(a)~图6(h)均为本发明实施例拍摄的宽幅洞缘结构图片的截图,图6(a)~图6(h)各图之间相互独立,都分别是宽幅洞缘结构图片的表现形式。这类图片的特征是:
宽幅洞缘结构图片:所述宽幅洞缘结构图片的洞为不规则圆洞、不规则形洞不包含有任何堵塞物、且不规则圆洞的周围存在宽幅边缘结构。这类图片的主体是一个位居拍摄物中央的近似圆洞,没有团块堵塞物,有一个宽幅边缘结构,边缘上没有纹理。
本发明实施例提供的确定分类标签的方法,通过进一步细分洞状结构第一目标图片,进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上,所述指定颜色为白色。
本发明实施例提供的确定分类标签的方法,通过进一步细分指定颜色,进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上,所述指定形状为块状。
本发明实施例提供的确定分类标签的方法,通过进一步细分指定形状,进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上,所述放射状结构图片包括:
紧闭放射状结构图片、开放放射状结构图片和小型放射状结构图片;其中,所述紧闭放射状结构图片的若干条向中心汇聚的线条在中心汇聚成一个点;所述开放放射状结构图片的若干条向中心汇聚的线条在中心形成一个开孔;所述小型放射状结构图片的若干条向中心汇聚的线条整体区域面积与原始图片面积的比值小于第二预设比例阈值。
具体的,装置中的所述放射状结构图片包括:
紧闭放射状结构图片、开放放射状结构图片和小型放射状结构图片;其中,所述紧闭放射状结构图片的若干条向中心汇聚的线条在中心汇聚成一个点;所述开放放射状结构图片的若干条向中心汇聚的线条在中心形成一个开孔;所述小型放射状结构图片的若干条向中心汇聚的线条整体区域面积与原始图片面积的比值小于第二预设比例阈值。第二预设比例阈值可以根据实际情况自主设置,需要说明的是:整体区域面积是若干条向中心汇聚的线条作为整体组成的区域面积,而不是汇聚成的点或开孔对应的区域面积。
图7(a)~图7(h)均为本发明实施例拍摄的紧闭放射状结构图片的截图,图7(a)~图7(h)各图之间相互独立,都分别是紧闭放射状结构图片的表现形式。这类图片的特征是:
紧闭放射状结构图片:所述紧闭放射状结构图片的若干条向中心汇聚的线条在中心汇聚成一个点,当胃部收缩时,洞状结构就可能表现出这种紧闭的放射状结构。
图8(a)~图8(h)均为本发明实施例拍摄的开放放射状结构图片的截图,图8(a)~图8(h)各图之间相互独立,都分别是开放放射状结构图片的表现形式。这类图片的特征是:
开放放射状结构图片:所述开放放射状结构图片的若干条向中心汇聚的线条在中心形成一个开孔。如果当胃部收缩得不是很剧烈时,放射状结构中间会留有一个开孔,该开孔通常较小。
图9(a)~图9(h)均为本发明实施例拍摄的小型放射状结构图片的截图,图9(a)~图9(h)各图之间相互独立,都分别是小型放射状结构图片的表现形式。这类图片的特征是:
小型放射状结构图片:所述小型放射状结构图片的若干条向中心汇聚的线条整体区域面积与原始图片面积的比值小于第二预设比例阈值。从侧面远景拍摄的放射状结构,整个结构只占整个图幅的40%(第二预设比例阈值)以下面积,但放射状的结构完整保留。
本发明实施例提供的确定分类标签的方法,通过进一步细分洞状结构第一目标图片,进一步能够提高样本图片的分类标签选择的合理性和准确度。
图10为本发明确定分类标签的装置实施例结构示意图,如图10所示,本发明实施例提供了一种确定分类标签的装置,包括获取单元1001和分类单元1002,其中:
获取单元1001用于获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;分类单元1002用于对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
具体的,获取单元1001用于获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;分类单元1002用于对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
本发明实施例提供的确定分类标签的装置,通过对用于训练预设模型的所有样本图片进行分类,且分类类型包括洞状结构第一目标图片分类标签,提高样本图片的分类标签选择的合理性和准确度。
本发明实施例提供的确定分类标签的装置具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图11为本发明实施例提供的电子设备实体结构示意图,如图11所示,所述电子设备包括:处理器(processor)1101、存储器(memory)1102和总线1103;
其中,所述处理器1101、存储器1102通过总线1103完成相互间的通信;
所述处理器1101用于调用所述存储器1102中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种确定分类标签的方法,其特征在于,包括:
获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;
对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
2.根据权利要求1所述的方法,其特征在于,所述洞状结构第一目标图片包括:
大洞结构图片、小洞结构图片、花朵状结构图片和放射状结构图片;其中,所述大洞结构图片中的洞状结构的洞状开口面积与原始图片面积的比值大于第一预设比例阈值、所述小洞结构图片中的洞状结构的洞状开口面积与原始图片面积的比值小于所述第一预设比例阈值、所述花朵状结构图片中包含有花朵状的、非中空开口;所述放射状结构图片中包含有若干条向中心汇聚的线条、且所有线条在中心汇聚成一个点、和/或形成一个开孔。
3.根据权利要求2所述的方法,其特征在于,所述大洞结构图片包括:
含有堵塞物的大洞结构图片、中空大洞结构图片、宽幅洞缘结构图片;其中,所述含有堵塞物的大洞结构图片的洞为圆洞、且洞中包含有指定颜色和指定形状的堵塞物、所述中空大洞结构图片的洞为不规则形洞、且不规则形洞不包含有任何堵塞物、所述宽幅洞缘结构图片的洞为不规则圆洞、不规则形洞不包含有任何堵塞物、且不规则圆洞的周围存在宽幅边缘结构。
4.根据权利要求3所述的方法,其特征在于,所述指定颜色为白色。
5.根据权利要求3所述的方法,其特征在于,所述指定形状为块状。
6.根据权利要求2所述的方法,其特征在于,所述放射状结构图片包括:
紧闭放射状结构图片、开放放射状结构图片和小型放射状结构图片;其中,所述紧闭放射状结构图片的若干条向中心汇聚的线条在中心汇聚成一个点;所述开放放射状结构图片的若干条向中心汇聚的线条在中心形成一个开孔;所述小型放射状结构图片的若干条向中心汇聚的线条整体区域面积与原始图片面积的比值小于第二预设比例阈值。
7.一种确定分类标签的装置,其特征在于,包括:
获取单元,用于获取用于训练预设模型的样本图片;所述预设模型用于识别原始图片;
分类单元,用于对所有样本图片进行分类;其中,分类类型包括洞状结构第一目标图片分类标签;所述洞状结构第一目标图片是拍摄物外表面不包含异常特征、且包含有洞状结构的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
8.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910252708.9A CN110084279A (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910252708.9A CN110084279A (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084279A true CN110084279A (zh) | 2019-08-02 |
Family
ID=67413992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910252708.9A Pending CN110084279A (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084279A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106133724A (zh) * | 2014-03-27 | 2016-11-16 | 富士胶片株式会社 | 类似病例检索装置、类似病例检索方法及类似病例检索程序 |
US9576219B2 (en) * | 2015-07-14 | 2017-02-21 | ADANI Systems, Inc. | Method and system for detection of contraband narcotics in human digestive tract |
CN107240091A (zh) * | 2017-04-21 | 2017-10-10 | 安翰光电技术(武汉)有限公司 | 胶囊内窥镜图像预处理系统及方法 |
CN107440671A (zh) * | 2017-08-28 | 2017-12-08 | 榆林市星元医院 | 一种消化内镜异物测量系统 |
CN108492272A (zh) * | 2018-03-26 | 2018-09-04 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN109523522A (zh) * | 2018-10-30 | 2019-03-26 | 腾讯科技(深圳)有限公司 | 内窥镜图像的处理方法、装置、系统及存储介质 |
-
2019
- 2019-03-29 CN CN201910252708.9A patent/CN110084279A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106133724A (zh) * | 2014-03-27 | 2016-11-16 | 富士胶片株式会社 | 类似病例检索装置、类似病例检索方法及类似病例检索程序 |
US9576219B2 (en) * | 2015-07-14 | 2017-02-21 | ADANI Systems, Inc. | Method and system for detection of contraband narcotics in human digestive tract |
CN107240091A (zh) * | 2017-04-21 | 2017-10-10 | 安翰光电技术(武汉)有限公司 | 胶囊内窥镜图像预处理系统及方法 |
CN107440671A (zh) * | 2017-08-28 | 2017-12-08 | 榆林市星元医院 | 一种消化内镜异物测量系统 |
CN108492272A (zh) * | 2018-03-26 | 2018-09-04 | 西安交通大学 | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 |
CN109523522A (zh) * | 2018-10-30 | 2019-03-26 | 腾讯科技(深圳)有限公司 | 内窥镜图像的处理方法、装置、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
吴钟琪等: "内镜检查", 《医学临床三基训练 医师分册》 * |
潘国宗等: "胃镜", 《中华医学百科全书 临床医学 消化病学》 * |
苏鲁: "正常结肠", 《胃肠道内镜彩色图谱》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tseng et al. | Detecting and counting harvested fish and identifying fish types in electronic monitoring system videos using deep convolutional neural networks | |
Garcia et al. | Automatic segmentation of fish using deep learning with application to fish size measurement | |
CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
Rachmadi et al. | Vehicle color recognition using convolutional neural network | |
CN107809582A (zh) | 图像处理方法、电子装置和计算机可读存储介质 | |
CN110765865B (zh) | 基于改进的yolo算法的水下目标检测方法 | |
CN109740721A (zh) | 麦穗计数方法及装置 | |
CN110084275A (zh) | 一种训练样本的选取方法及装置 | |
Rong et al. | Pest identification and counting of yellow plate in field based on improved mask r-cnn | |
CN113221864A (zh) | 多区域深度特征融合的病鸡视觉识别模型构建及应用方法 | |
CN112184699A (zh) | 水产品健康检测方法、终端设备及存储介质 | |
CN112232977A (zh) | 水产品养殖评估方法、终端设备及存储介质 | |
CN110163798A (zh) | 渔场围网破损检测方法及系统 | |
CN115100732A (zh) | 钓鱼检测方法、装置、计算机设备及存储介质 | |
CN115578423A (zh) | 基于深度学习的鱼类关键点检测、个体追踪和生物量估算方法及系统 | |
CN111563439A (zh) | 一种水产生物病害检测方法、装置及设备 | |
CN110490159A (zh) | 识别显微图像中的细胞的方法、装置、设备及存储介质 | |
CN110110750A (zh) | 一种原始图片的分类方法及装置 | |
CN110084279A (zh) | 一种确定分类标签的方法及装置 | |
CN110097080A (zh) | 一种分类标签的构建方法及装置 | |
CN110110749A (zh) | 一种训练集中的图片处理方法及装置 | |
CN104809438B (zh) | 一种检测电子眼的方法和设备 | |
CN110163253A (zh) | 鱼浮头程度检测方法及系统 | |
Pengying et al. | Underwater fish classification of trout and grayling | |
CN110097082A (zh) | 一种训练集的拆分方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |