[发明专利]一种基于数据增强的零样本学习方法

权利要求书

1.一种基于数据增强的零样本学习方法，其特征在于，包括以下步骤：

1)画出病灶的轮廓，对轮廓采用形态学操作中的闭运算处理，即对轮廓先膨胀后腐蚀，使得病灶轮廓连续且封闭；

2)用连续梯度颜色填充方法对病灶填充颜色：在轮廓的几何中心M处选择填充颜色，在填充了颜色的轮廓上任意取一点A，A点的颜色填充为待融合时背景图片上该点处的颜色；

3)使用矩阵线性变换方法丰富填充了颜色的病灶的多样性，生成多张仿真病灶图片；

4)使用图像融合技术将仿真病灶图片与疾病背景图片进行融合：先用仿真病灶图片覆盖在背景图片上，然后将轮廓周围3个像素范围内像素点改为病灶颜色和背景图片颜色的平均值，最后对融合后的图片加以高斯白噪声就得到扩充的样本集；

5)用扩充的样本集训练VGG分类器，训练一个最优的分类器；

6)利用所述最优的分类器测试皮肤病病例，判断测试准确率是否达到阈值，若是，则结束；否则，返回步骤2)。

2.根据权利要求1所述的基于数据增强的零样本学习方法，其特征在于，步骤1)中，搭建Python环境，利用Python的Pyqt5包进行交互界面设计，所述交互界面包括皮肤病的选择、皮肤病背景图片选择、病灶轮廓的描绘、批量生成扩充样本集、扩充样本集的训练、实际皮肤病的病例分类测试六个部分；在所述交互 界面上选择疾病名称、疾病背景图片，画出病灶的轮廓。

3.根据权利要求1所述的基于数据增强的零样本学习方法，其特征在于，步骤4)中，使用经典的卷积神经网络结构VGG作为分类器，设置卷积神经网络每个超参数取不同的值，训练出多个分类器，根据分类器对真实疾病图片的分类正确率，选取正确率最高的超参数作为最终的超参数，利用最终的超参数，训练得到最优的分类器；所述超参数包括迭代次数、学习率。

4.根据权利要求1所述的基于数据增强的零样本学习方法，其特征在于，所述阈值为0.80。