CN110097083A - 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
- CN110097083A CN110097083A CN201910251213.4A CN201910251213A CN110097083A CN 110097083 A CN110097083 A CN 110097083A CN 201910251213 A CN201910251213 A CN 201910251213A CN 110097083 A CN110097083 A CN 110097083A
- Authority
- CN
- China
- Prior art keywords
- picture
- feature
- tag along
- along sort
- samples pictures
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,能够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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,且分类类型包括基于局部结构特征的第一目标图片分类标签,能够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边缘缺陷图片的截图;
图3(a)~图3(h)均为本发明实施例拍摄的鱼尾结构图片的截图;
图4(a)~图4(h)均为本发明实施例拍摄的裂隙结构图片的截图;
图5(a)~图5(h)均为本发明实施例拍摄的交错结构图片的截图;
图6(a)~图6(g)均为本发明实施例拍摄的均质整图的截图;
图7(a)~图7(h)均为本发明实施例拍摄的满月状结构图片的截图;
图8(a)~图8(h)均为本发明实施例拍摄的阴影结构图片的截图;
图9(a)~图9(h)均为本发明实施例拍摄的线状结构图片的截图;
图10(a)~图10(h)均为本发明实施例拍摄的切割结构图片的截图;
图11(a)~图11(h)均为本发明实施例拍摄的线形结构图片的截图;
图12(a)~图12(h)均为本发明实施例拍摄的不相交结构图片的截图;
图13为本发明确定分类标签的装置实施例结构示意图;
图14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三大类进行说明。
S102:对所有样本图片进行分类;其中,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。异常特征可以包括凸起特征和/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。所述局部带有形状变化的第一目标图片可以包括:
边缘缺陷图片、鱼尾结构图片、裂隙结构图片、交错结构图片;其中,所述边缘缺陷图片的边缘部分有残缺的洞状或半放射状结构;所述鱼尾结构图片的边缘部分有褶皱结构;所述裂隙结构图片包含有两条以内贯穿全图的纹理;所述交错结构图片包含相互交汇在一起的多条曲线。图2(a)~图2(h)均为本发明实施例拍摄的边缘缺陷图片的截图,图2(a)~图2(h)各图之间相互独立,都分别是边缘缺陷图片的表现形式。这类图片的特征是:
边缘缺陷图片(clear_simple_edgegap):所述边缘缺陷图片的边缘部分有残缺的洞状或半放射状结构、边缘缺陷图片通常是对洞状结构侧面拍摄的结果,大部分图幅结构简单。由于很多异常特征也出现在这个区域,因此,这个类别的图片有很强的对照作用。
图3(a)~图3(h)均为本发明实施例拍摄的鱼尾结构图片的截图,图3(a)~图3(h)各图之间相互独立,都分别是鱼尾结构图片的表现形式。这类图片的特征是:
鱼尾结构图片(clear_simple_fishtail):所述鱼尾结构图片的边缘部分有褶皱结构、鱼尾状结构通常是胃角结构的延伸,由于镜头移动到了远离胃角的区域,造成完整的胃角移出了拍摄范围,只剩下很少一部分,长得非常像鱼尾一般的褶皱结构。这类图片通常很少出现异常特征。
图4(a)~图4(h)均为本发明实施例拍摄的裂隙结构图片的截图,图4(a)~图4(h)各图之间相互独立,都分别是裂隙结构图片的表现形式。这类图片的特征是:
裂隙结构图片(clear_structur_chink):所述裂隙结构图片包含有两条以内贯穿全图的纹理,其余部分是相对简单的基底内容,各种类型的异常特征都有可能出现在这个背景之上,因此,它的对照意义非常重要。
图5(a)~图5(h)均为本发明实施例拍摄的交错结构图片的截图,图5(a)~图5(h)各图之间相互独立,都分别是交错结构图片的表现形式。这类图片的特征是:
交错结构图片(clear_structur_cross):所述交错结构图片包含相互交汇在一起的多条曲线,各种类型的异常特征都有可能出现在这个背景之上,因此,它的对照意义非常重要。
所述局部带有色调变化的第一目标图片可以包括:
满月状结构图片、阴影结构图片、其中,所述满月状结构图片为局部带有色调变化的均质整图;所述均质整图中的拍摄物外表面平坦光滑、没有纹理、颜色均一;所述阴影结构图片为明暗渐变、且明亮区域与阴暗区域的面积各占一半。
图6(a)~图6(g)均为本发明实施例拍摄的均质整图的截图,图6(a)~图6(g)各图之间相互独立,都分别是均质整图的表现形式。这类图片的特征是:
均质整图(beta_whole):拍摄物外表面平坦光滑、没有纹理、颜色均一,尽管拍摄质量很高,但由于内容过于单一,已经失去医学判断价值(无法判断拍摄对象所处的位置、角度、器官载体、解剖特征等)。图片的数量占比大约是5.8%,这个比例非常高。这类图片由于失去医学价值,尽管表面上不是垃圾图片(对应干扰图片,即无法用于图片识别的图片),但实际上和“垃圾图片”没有什么分别。后续处理过程中完全可以忽略。
图7(a)~图7(h)均为本发明实施例拍摄的满月状结构图片的截图,图7(a)~图7(h)各图之间相互独立,都分别是满月状结构图片的表现形式。这类图片的特征是:
满月状结构图片(clear_simple_fullmoon):所述满月状结构图片为局部带有色调变化的均质整图;所述均质整图中的拍摄物外表面平坦光滑、没有纹理、颜色均一、即均质整图没有明暗过度和起伏,而满月状结构有明暗起伏,看起来更像一个球星结构,而不是一个圆形结构。大量的异常特征图片产生于满月状结构的图片中,因此,这个类别的对照意义非常大。
图8(a)~图8(h)均为本发明实施例拍摄的阴影结构图片的截图,图8(a)~图8(h)各图之间相互独立,都分别是阴影结构图片的表现形式。这类图片的特征是:
阴影结构图片(clear_simple_shadow):所述阴影结构图片为明暗渐变、且明亮区域与阴暗区域的面积各占一半,中间有明显的半明半暗区域。很多异常特征(如息肉)会出现在这个结构半明半暗的区域。在这个区域发现和识别异常特征是很困难的,因此,如果有一个相似对照背景的图片类别作对照,就会提高发现异常特征的概率。
所述局部带有形状变化和色调变化的第一目标图片包括:
线状结构图片、切割结构图片、线形结构图片和不相交结构图片,其中,所述线状结构图片包含有两条以内的、没有贯穿全图的棱状结构、且还包含有部分阴暗区域;所述切割结构图片包含有至少一条贯穿全图的棱状结构、且还包含有部分阴暗区域;所述线形结构图片包含有两条以内贯穿全图的粗壮棱状结构、且还包含有部分阴暗区域;所述不相交结构图片包含多组不相交的粗壮棱状结构、且还包含有部分阴暗区域。
图9(a)~图9(h)均为本发明实施例拍摄的线状结构图片的截图,图9(a)~图9(h)各图之间相互独立,都分别是线状结构图片的表现形式。这类图片的特征是:
线状结构图片(clear_simple_line):所述线状结构图片包含有两条以内的、没有贯穿全图的棱状结构、且还包含有部分阴暗区域,(棱状结构较短,没有贯穿全图,且为细状),细状可以理解为棱状的通径小于预设阈值,预设阈值可以根据实际情况自主设置,并有部分阴影区域(对应阴暗区域),其余部分光滑,没有纹理,或不够明显。很多异常特征图片也具有类似的背景结构,因此,这个类别的图片可以与异常特征图片形成很好的对照。
图10(a)~图10(h)均为本发明实施例拍摄的切割结构图片的截图,图10(a)~图10(h)各图之间相互独立,都分别是切割结构图片的表现形式。这类图片的特征是:
切割结构图片(clear_simple_cut):切割结构图片包含有至少一条贯穿全图的棱状结构、且还包含有部分阴暗区域,特征非常鲜明,有些锯齿状或者折线状的明暗交界线也会出现在这个类别中。拆分这个类别的目的是为了和上述阴影结构图片(明暗渐变)的进行区分,异常特征在这两个不同类别的图片背景上的识别方式是有区别的,因此,切割结构图片用于对照所述阴影结构图片,以识别与切割结构相对应的异常特征。
图11(a)~图11(h)均为本发明实施例拍摄的线形结构图片的截图,图11(a)~图11(h)各图之间相互独立,都分别是线形结构图片的表现形式。这类图片的特征是:
线形结构(clear_structur_line):包含有两条以内贯穿全图的粗壮棱状结构、且还包含有部分阴暗区域,粗壮棱状结构与上述细壮棱状结构相对,可以理解为棱状的通径大于预设阈值,可以用于识别点状异常结构特征;所述点状异常结构特征为异常结构所在的区域面积小于预设面积的结构特征,预设面积可以根据实际情况自主设置。点状异常结构特征与面状异常结构特征相对,面状异常结构特征为异常结构所在的区域面积大于预设面积的结构特征、所述点状异常结构可以为息肉等,不作具体限定。所述面状异常结构可以为弥漫性发红等,不作具体限定。
图12(a)~图12(h)均为本发明实施例拍摄的不相交结构图片的截图,图12(a)~图12(h)各图之间相互独立,都分别是不相交结构图片的表现形式。这类图片的特征是:
不相交结构图片:不相交结构图片包含多组不相交的粗壮棱状结构、且还包含有部分阴暗区域,粗壮棱状结构可以是直线的,也可以是曲线的,不相交结构图片可用于识别出血的异常结构特征,即通常出血容易在这个结构中表现出来。
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,且分类类型包括基于局部结构特征的第一目标图片分类标签,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,所述局部带有形状变化的第一目标图片包括:
边缘缺陷图片、鱼尾结构图片、裂隙结构图片、交错结构图片;其中,所述边缘缺陷图片的边缘部分有残缺的洞状或半放射状结构;所述鱼尾结构图片的边缘部分有褶皱结构;所述裂隙结构图片包含有两条以内贯穿全图的纹理;所述交错结构图片包含相互交汇在一起的多条曲线。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,通过进一步细分局部带有形状变化的第一目标图片,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,所述局部带有色调变化的第一目标图片包括:
满月状结构图片、阴影结构图片、其中,所述满月状结构图片为局部带有色调变化的均质整图;所述均质整图中的拍摄物外表面平坦光滑、没有纹理、颜色均一;所述阴影结构图片为明暗渐变、且明亮区域与阴暗区域的面积各占一半。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,通过进一步细分局部带有色调变化的第一目标图片,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,所述局部带有形状变化和色调变化的第一目标图片包括:
线状结构图片、切割结构图片、线形结构图片和不相交结构图片,其中,所述线状结构图片包含有两条以内的、没有贯穿全图的棱状结构、且还包含有部分阴暗区域;所述切割结构图片包含有至少一条贯穿全图的棱状结构、且还包含有部分阴暗区域;所述线形结构图片包含有两条以内贯穿全图的粗壮棱状结构、且还包含有部分阴暗区域;所述不相交结构图片包含多组不相交的粗壮棱状结构、且还包含有部分阴暗区域。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,通过进一步细分局部带有形状变化和色调变化的第一目标图片,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,所述切割结构图片用于对照所述阴影结构图片,以识别与切割结构相对应的异常特征。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,通过将切割结构图片用于比照区分阴影结构图片,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,从而便于网络模型识别图片。
在上述实施例的基础上,所述线形结构图片用于识别点状异常结构特征;所述点状异常结构特征为异常结构所在的区域面积小于预设面积的结构特征。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,通过将线形结构图片用于识别点状异常结构特征,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,从而便于网络模型识别点状异常结构特征的图片。
在上述实施例的基础上,所述不相交结构图片用于识别出血的异常结构特征。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,通过将不相交结构图片用于识别出血的异常结构特征,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,从而便于网络模型识别出血的异常结构特征的图片。
图13为本发明确定分类标签的装置实施例结构示意图,如图13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1301和分类单元1302,其中:
获取单元1301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1302用于对所有样本图片进行分类;其中,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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1301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1302用于对所有样本图片进行分类;其中,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,且分类类型包括基于局部结构特征的第一目标图片分类标签,能够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14为本发明实施例提供的电子设备实体结构示意图,如图14所示,所述电子设备包括:处理器(processor)1401、存储器(memory)1402和总线1403;
其中,所述处理器1401、存储器1402通过总线1403完成相互间的通信;
所述处理器1401用于调用所述存储器1402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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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 (10)
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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;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,所述局部带有形状变化的第一目标图片包括:
边缘缺陷图片、鱼尾结构图片、裂隙结构图片、交错结构图片;其中,所述边缘缺陷图片的边缘部分有残缺的洞状或半放射状结构;所述鱼尾结构图片的边缘部分有褶皱结构;所述裂隙结构图片包含有两条以内贯穿全图的纹理;所述交错结构图片包含相互交汇在一起的多条曲线。
3.根据权利要求2所述的方法,其特征在于,所述局部带有色调变化的第一目标图片包括:
满月状结构图片、阴影结构图片、其中,所述满月状结构图片为局部带有色调变化的均质整图;所述均质整图中的拍摄物外表面平坦光滑、没有纹理、颜色均一;所述阴影结构图片为明暗渐变、且明亮区域与阴暗区域的面积各占一半。
4.根据权利要求3所述的方法,其特征在于,所述局部带有形状变化和色调变化的第一目标图片包括:
线状结构图片、切割结构图片、线形结构图片和不相交结构图片,其中,所述线状结构图片包含有两条以内的、没有贯穿全图的棱状结构、且还包含有部分阴暗区域;所述切割结构图片包含有至少一条贯穿全图的棱状结构、且还包含有部分阴暗区域;所述线形结构图片包含有两条以内贯穿全图的粗壮棱状结构、且还包含有部分阴暗区域;所述不相交结构图片包含多组不相交的粗壮棱状结构、且还包含有部分阴暗区域。
5.根据权利要求4所述的方法,其特征在于,所述切割结构图片用于对照所述阴影结构图片,以识别与切割结构相对应的异常特征。
6.根据权利要求4所述的方法,其特征在于,所述线形结构图片用于识别点状异常结构特征;所述点状异常结构特征为异常结构所在的区域面积小于预设面积的结构特征。
7.根据权利要求4所述的方法,其特征在于,所述不相交结构图片用于识别出血的异常结构特征。
8.一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,分类类型包括基于局部结构特征的第一目标图片分类标签;所述第一目标图片分类标签是基于局部带有形状变化和/或色调变化的第一目标图片来确定的;所述第一目标图片是拍摄物外表面不包含异常特征的原始图片;所述异常特征包括凸起特征和/或指定颜色特征。
9.一种电子设备,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7任一所述的方法。
10.一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7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910251213.4A CN110097083A (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 |
---|---|---|---|
CN201910251213.4A CN110097083A (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 |
---|---|
CN110097083A true CN110097083A (zh) | 2019-08-06 |
Family
ID=67444229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910251213.4A Pending CN110097083A (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) | CN110097083A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564580A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 基于集成学习的胃镜图像辅助处理系统及方法 |
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 CN201910251213.4A patent/CN110097083A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107564580A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 基于集成学习的胃镜图像辅助处理系统及方法 |
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 (1)
Title |
---|
JEAN MARC CANARD等: "《消化内镜临床与实践》", 31 July 2017, 上海科学技术出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10970842B2 (en) | Method and device for identifying pathological picture | |
Tseng et al. | Detecting and counting harvested fish and identifying fish types in electronic monitoring system videos using deep convolutional neural networks | |
CN110046631B (zh) | 用于自动推断时空图像的变化的系统和方法 | |
US9292729B2 (en) | Method and software for analysing microbial growth | |
French et al. | Deep neural networks for analysis of fisheries surveillance video and automated monitoring of fish discards | |
CN110084275A (zh) | 一种训练样本的选取方法及装置 | |
US11880981B2 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
CN111986183A (zh) | 一种染色体散型图像自动分割识别系统及装置 | |
CN108109133A (zh) | 一种基于数字图像处理技术的蚕卵自动计数方法 | |
CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
CN113689431B (zh) | 工业产品外观缺陷检测方法和装置 | |
CN112634274B (zh) | 一种基于机器视觉的肥育猪肉肉质评价方法及系统 | |
Salazar-Reque et al. | An image processing method to automatically identify Avocado leaf state | |
CN110097083A (zh) | 一种确定分类标签的方法及装置 | |
CN110110750A (zh) | 一种原始图片的分类方法及装置 | |
CN110097080B (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 | |
CN112634266B (zh) | 喉镜图像的半自动标注方法、介质、设备及装置 | |
CN110097082A (zh) | 一种训练集的拆分方法及装置 | |
CN113255766B (zh) | 一种图像分类方法、装置、设备和存储介质 | |
Xu et al. | Tag completion with defective tag assignments via image-tag re-weighting | |
CN110083727A (zh) | 一种确定分类标签的方法及装置 | |
CN110110746A (zh) | 一种确定分类标签的方法及装置 | |
CN110070112A (zh) | 一种确定分类标签的方法及装置 | |
CN110084278A (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 |
Application publication date: 20190806 |
|
RJ01 | Rejection of invention patent application after publication |