[发明专利]一种皮肤病图像分类方法

说明书

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。

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；