[发明专利]一种基于深度学习算法确定图像清晰度的方法及系统

说明书

本发明公开了一种基于深度学习算法确定图像清晰度的方法及系统，包括：获取包含舌部区域的原始脸部图像数据集，并进行清晰程度的标注；对经过标注的原始脸部图像数据集进行数据增强处理，以获取经过数据增强的脸部图像数据集；在残差网络的框架基础上搭建深度网络，建立优化器与所述残差网络的关联关系，以构成图像清晰度判断模型，并利用所述经过数据增强的脸部图像数据集对所述图像清晰度判断模型进行训练和测试，以确定经过训练的图像清晰度判断模型；对待测的包含舌部区域的脸部图像进行预处理，并利用所述经过训练的图像清晰度判断模型对经过预处理的脸部图像进行分析，以确定所述待测的包含舌部区域的脸部图像的图像清晰度。

技术领域

本发明涉及深度学习技术领域，并且更具体地，涉及一种基于深度学习算法确定图像清晰度的方法及系统。

背景技术

随着计算机视觉与深度学习的快速发展，也推进了图像分析在中医领域的进步。为了实现智能面舌诊断，那么对就医者拍摄的面部、舌部的图像清晰度有很高要求，因而，在诊断之前就需要对图像进行模糊判断，以提高面舌诊的准确性。传统图像处理方案或者是特征工程加机器学习分类的方案，存在以下问题，包括：a.对于图像特征提取困难；b.人工筛选特征且采用传统机器学习训练的模型泛化能力差、鲁棒性差；c.用机器学习或传统的图像处理方法得到的结果准确率低；d.在图像处理过程中阈值难以选取。

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

因此，需要于深度学习算法确定图像清晰度的方法。

发明内容

本发明提出一种基于深度学习算法确定图像清晰度的方法及系统，以解决如何自动确定图像清晰度的问题。

为了解决上述问题，根据本发明的一个方面，提供了一种基于深度学习算法确定图像清晰度的方法，所述方法包括：

获取包含舌部区域的原始脸部图像数据集，并根据原始脸部图像的清晰程度分别对每个原始脸部图像进行清晰程度的标注；

对经过标注的原始脸部图像数据集进行数据增强处理，以获取经过数据增强的脸部图像数据集；

在残差网络的框架基础上搭建深度网络，建立优化器与所述残差网络的关联关系，以构成图像清晰度判断模型，并利用所述经过数据增强的脸部图像数据集对所述图像清晰度判断模型进行训练和测试，以确定经过训练的图像清晰度判断模型；

对待测的包含舌部区域的脸部图像进行预处理，并利用所述经过训练的图像清晰度判断模型对经过预处理的脸部图像进行分析，以确定所述待测的包含舌部区域的脸部图像的图像清晰度。

优选地，其中所述对经过标注的原始脸部图像数据集进行数据增强处理，以获取经过数据增强的脸部图像数据集，包括：

利用颜色空间变换处理、亮度调整处理、饱和度调整处理、通道变换处理、随机裁剪处理、水平镜像处理和归一化处理中的至少一种处理方式，对经过标注的原始脸部图像数据集中的脸部图像数据进行处理，以获取经过数据增强的脸部图像数据集。

优选地，其中所述残差网络为ResNet-18，由17层卷积层和1层完全连接层组成；所述深度网络为SENet，对于SENet，在ResNet-18的框架基础上，加入通道注意力机制，在训练过程中用来选取权重。

优选地，其中所述利用所述经过数据增强的脸部图像数据集对所述图像清晰度判断模型进行训练和测试，以确定经过训练的图像清晰度判断模型，包括：