[发明专利]一种基于深度学习的皮肤图像实际面积估算方法

说明书

本发明提供一种基于深度学习的皮肤图像实际面积估算方法，包括以下步骤：S1.对所拍摄的皮肤图像进行预处理，得到其毛孔密度图，并将它作为皮肤图像的标签；S2.构建PDINet卷积神经网络模型，将所拍摄的皮肤图像以及对应的标签毛孔密度图作为模型的输入，并使用随机梯度下降法训练模型；S3.利用训练好的模型对拍摄的皮肤图像生成其毛孔密度图，进而对密度图进行积分，得到该图像上毛孔的数量，再根据公式得出所拍摄皮肤的实际尺寸。本发明使用卷积神经网络学习毛孔特征，结构简单，复杂度低，提高了毛孔计数估计的精确度。

技术领域

本发明涉及深度学习技术领域，更具体地一种基于深度学习的皮肤图像实际面积估算方法。

背景技术

目前的皮肤面积测量方案包括直尺测量法、方格纸测量法、拍照手动测量法和自动测量法等。

直尺测量法利用直尺测量皮肤的长短径，再作乘法运算测得皮肤面积。该方案需接触皮肤，并且误差很大。

方格纸测量法利用透明方格纸，通过对皮肤包含的方格个数进行计数，确定皮肤面积。该方案需接触皮肤，且误差较大。

拍照手动测量法拍摄皮肤照片，利用图像软件，手动分割皮肤轮廓并计算面积。该方案虽然无需接触皮肤，但工作量异常庞大。

自动测量法利用边缘识别等算法，自动分割皮肤并计算面积。该方案工作量小，但无法识别复杂皮肤，例如成分复杂、存在杂质等皮肤，并会受环境亮度等拍摄环境的影响，皮肤边缘识别成功率低，稳定性差。

针对以上问题，需要一种高精度、高稳定性的基于深度学习的皮肤图像实际面积估算方法。

发明内容

为了克服上述的缺陷，本发明提出一种基于深度学习的皮肤图像实际面积估算方法。

为解决上述技术问题，本发明采用的技术方案是：

一种基于深度学习的皮肤图像实际面积估算方法，包括以下步骤:

S1.对所拍摄的皮肤图像进行预处理，生成皮肤毛孔密度图，并将该毛孔密度图作为对应拍摄的皮肤图像标签；

S2.构建PDINet卷积神经网络模型，将所拍摄的皮肤图像以及所对应的毛孔密度图标签作为该模型的输入，并使用随机梯度下降法训练模型；

S3.利用训练好的模型对拍摄的皮肤图像进行测试，对该模型所生成的毛孔密度图进行积分，得到该图像上的毛孔数量。

在一种优选方案中，所述的S1中生成皮肤毛孔密度图的具体步骤如下，对于每一张所拍摄的皮肤图像，通过公式将原图转换为毛孔密度图，其公式如下：

其中x表示图片某像素位置上的一个毛孔，N表示图片上所有毛孔的数量，i∈N，δ(x)是狄拉克δ函数，G(x)是高斯核函数。该损失函数的意义是计算模型预测的毛孔密度与其基准之间的欧氏距离。

在一种优选方案中，所述的卷积神经网络模型包括前端网络和后端网络；前端网络包括十个卷积层，三个池化层，后端网络包括一个卷积层，六个空洞卷积层；其中前端网络包括卷积层C1、卷积层C2、卷积层C3、卷积层C4、卷积层C5、卷积层C6、卷积层C7、卷积层C8、卷积层C9、卷积层C10、池化层P1、池化层P2和池化层P3；后端网络包括卷积层C6，空洞卷积层DC1、空洞卷积层DC2、空洞卷积层DC3、空洞卷积层DC4、空洞卷积层DC5、空洞卷积层DC6。

S25.将步骤S24中得到的2W*2H*64的P2下采样特征图输入到C5卷积层。通过128个3*3的滤波器，使用1个像素的步长，使用relu激活函数，对P2下采样特征图进行卷积操作，输出2W*2H*128的C3卷积特征图。由于C6、C7与C5卷积参数完全一致，所以如同C5卷积层的操作流程，2W*2H*128的特征图经过C6、C7卷积层后，输出2W*2H*128的C7卷积层特征图。