[发明专利]基于跨连接的卷积神经网络齿痕舌象分类方法及系统

权利要求书

1.一种基于跨连接的卷积神经网络齿痕舌象分类方法，其特征在于，包括：

获取舌象图像，并对所述舌象图像进行多尺度舌体分割预处理，以获得第一舌体图像；

对所述第一舌体图像进行图像增强处理，以获得突出齿痕特征信息的第二舌体图像；

根据预设的分类器对所述第二舌体图像进行分类，所述分类器采用基于多元信息的跨连接层卷积神经网络构造形成；

所述根据预设的分类器对所述第二舌体图像进行分类，包括：

分别提取所述第二舌体图像中的齿痕特征和RGB三色特征，形成四通道特征；

将所述四通道特征输入至所述分类器中，以对所述第二舌体图像进行分类；

所述对所述舌象图像进行多尺度舌体分割预处理，以获得第一舌体图像，包括：

根据灰度投影法去除所述舌象图像中的皮肤干扰部分，获得第一分割图像；

根据Otsu算法自动阈值分割去除所述第一分割图像中的牙齿及剩余皮肤部分，获得第二分割图像；

根据梯度边缘提取方法提取所述第一分割图像轮廓，并将获得的舌体轮廓与所述第二分割图像相交，获得所述第一舌体图像；

所述对所述第一舌体图像进行图像增强处理，以获得突出齿痕特征信息的第二舌体图像，包括：

通过直方图均衡化改变所述第一舌体图像的对比度，以突出齿痕特征信息，获得所述第二舌体图像。

2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括输入层、若干个卷积层、若干个池化层、全连接层以及输出层，至少两个所述池化层跨连接至所述全连接层。

3.根据权利要求1或2所述的方法，其特征在于，还包括采用正向传播阶段和/或反向传播阶段对所述卷积神经网络进行训练的过程；其中，

所述正向传播阶段的训练过程是通过卷积层和池化层提取特征的过程；

所述反向传播阶段的训练过程是采用反向传播算法传递误差的过程，并采用随机梯度下降算法，更新网络中的权值参数。

4.根据权利要求3所述的方法，其特征在于，所述正向传播阶段如下：

对于卷积层，第l层卷积层的第j个特征图表示为：

其中，M_j是输入卷积层的特征图的集合，表示连接l-1中第i个特征图和第l层中第j个特征图的卷积核，f(·)为ReLU激活函数，表示偏置；

对于池化层，第n层池化层中第i个特征图表示为：

其中，为连接权重，max(·)为最大池化操作，f(·)为ReLU激活函数，为偏置；

对于全连接层，输出向量z^k表示为：

z^k＝f((α^k)^Tv^k-1+b^k)；  (3)

其中，v^k-1表示k-1层特征图拉成的向量，α^k为连接权重，b^k为偏置，f(·)为ReLU激活函数；

对于输出层，采用softmax分类器，输出的概率预测结果公式为：

其中，计算的是输入分类为类别j时的概率，w是权值参数，softmax分类器的损失函数为：

其中，1{·}是示性函数，1{值为真}＝1，1{值为假}＝0。