[发明专利]一种基于深度网络的皮肤损伤图片分割方法

权利要求书

1.一种基于深度网络的皮肤损伤图片分割方法，其特征在于，包括以下步骤：

步骤S1：对测试图像进行增强和预处理；

步骤S2：将预处理后的测试图像输入到的卷积神经网络中进行训练，得到初步的分割结果和概率输出，根据初步的分割结果以及概率输出对卷积神经网络进行参数调整；

步骤S3：对训练图像进行增强和预处理；

步骤S4：将预处理后的训练图像输入到训练完成的卷积神经网络中进行训练，得到初步的分割结果以及概率输出；

步骤S5：将分割结果和概率输出在全连接的条件随机场中进行迭代处理，得到最终的分割结果。

2.根据权利要求1所述的一种基于深度网络的皮肤损伤图片分割方法，其特征在于，所述的步骤S1具体包括以下步骤：

步骤S101：在图片中截取一个紧凑的一号矩形框，该矩形框恰好包围图片中损伤皮肤区域；

步骤S102：随机截取一个包含一号矩形框的二号矩形框；

步骤S103：把随机截取的图片重新缩放到固定的图片大小；

步骤S104：缩放后，对图片引入随机噪声，包括随机改变图片亮度和对比度；

步骤S105：对图片像素值做归一化操作，使得处理后的图片均值为0，方差为1。

3.根据权利要求2所述的一种基于深度网络的皮肤损伤图片分割方法，其特征在于，所述的步骤S103的固定的图片大小为224×224。

4.根据权利要求2所述的一种基于深度网络的皮肤损伤图片分割方法，其特征在于，所述的步骤S2具体包括以下步骤：

步骤S201：设定条件随机场的能量函数定义如下：

这里y指的是全卷积神经网络的预测结果，下标i表明像素位置，能量函数的第一项为单一势能函数ψ_u(y_i)＝-log P(y_i)，这里P(y_i)表示网络预测像素位置i类别y_i的概率大小；

步骤S202：设能量函数的第二项定义为：

其中，μ为标签兼容函数，f_i和f_j为像素位置i的图片特征，κ^(m)为第m个核函数以及其权值ω^〔m〕，

步骤S203：使用如下两个核函数，分别为：

其中μ(y_i，y_j)＝[y_i≠y_j]，核函数的特征输入包括像素位置和RGB颜色信息，即公式中的p_i，p_j，I_i，I_j。

5.根据权利要求1所述的一种基于深度网络的皮肤损伤图片分割方法，其特征在于，步骤S2中卷积神经网络的训练使用二分类的交叉熵损失函数进行训练。