一种小样本皮肤图像分类方法技术

一种小样本皮肤图像分类方法，包括以下步骤：S1：初始化分类器，包括分类器结构初始化和分类器权重初始化；S2：获取图像数据；S3：对数据进行分类和标记；S4：HOG梯度特征提取，LBP纹理特征提取；S5：迭代更新分类器；S6：判断分类器是否达到精度要求，若是，则保存当前参数并结束程序，若否，则继续训练。本发明专利技术所述的方法集合了HOG和LBP两种特征提取方法，同时结合深度学习，具有高识别精度的优势。

【技术实现步骤摘要】
一种小样本皮肤图像分类方法
本专利技术涉及深度学习、方向梯度直方图(HistogramofOrientedGradient,HOG)和局部二值模式(LocalBinaryPattern，LBP)，尤其是一种小样本皮肤图像分类方法。
技术介绍
面部皮肤是全身皮肤的橱窗，同时也是全身仪表的象征，所以面部皮肤健康的情况对人们的精神影响极大，牵扯到生活、家庭、社交、学习和工作等方面。因此，面部皮肤的健康情况越来越受到人们的重视。目前，国内的皮肤质量评价大多依靠美容师主观判断，受主观因素影响较大，不能精确定量，信息丢失量大，方法复杂，花费时间多，不能对长期的治疗保养效果进行科学评估。但在国外，如德国和日本等，在该领域研究颇深，远远领先于我国，能够利用仪器和特性算法，科学快速的评估皮肤表面皱纹、毛孔、斑点等的大小和数量并作出分级，让客人很清楚的看到自己的皮肤状况和存在的问题，从而更好的配合美容师和皮肤科医生的治疗。深度学习是机器学习领域一个新兴的研究方向，它通过模仿人脑结构，实现对复杂输入数据的高效处理，智能地学习不同的知识，而且能够有效地解决多类复杂的智能问题。随着大数据时代的到来和计算机硬件的巨大进步，深度学习技术尤其是卷积神经网络(convolutionalneuralnetwork，CNN)，在图像分类、检测等很多任务中相对传统模式识别方法取得了令人瞩目的突破。CNN本质上是一个多层、高度非线性的神经网络，可充分挖掘高维数据中存在的内在结构，自发地从原始数据中习得有用的特征表达。就图像分类任务而言，相对于传统方法多步骤、过程复杂的特点，CNN往往是“端到端”模型，即输入一张图像，便能输出该图像类别。相比于单纯利用传统方法和人眼观察，在皮肤分析领域引入深度学习方法能够更准确更科学地对皮肤情况进行分类和分级。虽然这是一条行之有效的思路，可问题同样不容忽视。众所周知，深度学习方法在视觉认知任务中已经取得了巨大的成功，但是这些监督学习方法需要大量的标注数据和多次迭代去训练他们的参数，而在现实情况下获取足够的标注数据需要耗费大量的人力物力资源，因此，针对特定任务探索出一种小样本皮肤图像分类方法是极其有必要的。目前国内基于深度学习的皮肤处理方法专利较少，而加入分类和少量样本这两个前提条件后使得相关专利更为匮乏。其中专利201711275019.7提出了一种基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统，但此专利技术具有较强的针对性且最终目的是为了分割皮肤图片中的病变部分。而本专利提出的方法适用于大部分皮肤情况，如毛孔、皱纹等，的分级和分类，具有较好的应用前景和较高的应用价值。
技术实现思路
为了实现少样本图片分类的目的，本专利技术结合传统特征提取方法和深度学习方法两种技术，提出一种分类精度较高的小样本皮肤图像分类方法。本专利技术为解决上述技术问题所采用的技术方案如下：一种小样本皮肤图像分类方法，包括以下步骤：S1：初始化分类器，包括分类器结构初始化和分类器权重初始化；S2：获取图像数据；S3：对数据进行分类和标记；S4：HOG梯度特征提取，LBP纹理特征提取；S5：迭代更新分类器；S6：判断分类器是否达到精度要求，若是，则保存当前参数并结束程序，若否，则继续训练。进一步，所述步骤S1包含以下步骤：S1.1：初始化分类器结构，此分类器的输入分为两个通道，分别为HOG特征通道和LBP特征通道；S1.2：整个网络结构在第二层卷积后进行结合，结合方式为将两部分特征图联结到一起；S1.3：特征图结合后再经过一个卷积层和两个全连接层后得出结果。再进一步，所述步骤S2包括以下步骤：S2.1：采用人工实地相机采集的方法补充图像数据；S2.2：采用网络爬虫的方法从互联网爬取对应需求的图像数据；S2.3：采用特定算法或技术手段对图片进行增量处理。更进一步，所述步骤S3包括以下步骤：S3.1：手动对采集到的图片数据进行标注和分类；S3.2：将数据分为训练数据和测试数据。所述步骤S4包含以下步骤：S4.1：使用HOG方法对图片进行梯度特征提取，过程如下：(4.1.1)灰度化；(4.1.2)采用Gamma矫正法对输入图像进行颜色空间的标准化；Gamma压缩公式为：I(x,y)＝I(x,y)gamma其中，x为图像横轴坐标点，y为图像纵轴坐标点，I(x,y)为图像坐标(x,y)像素点的值，gamma为矫正值；(4.1.3)计算图像每个像素的梯度(包括大小和方向)；(4.1.4)将图像划分成小区域(cell)；(4.1.5)统计每个小区域的梯度直方图(不同梯度的个数)，即可形成每个小区域的描述符(descriptor)；(4.1.6)将每几个小区域组成一个区域块(block)，一个区域块内所有小区域的特征描述符串联起来便得到该区域块的HOG特征描述符；(4.1.7)将目标图像内的所有区域块的HOG特征描述符串联起来就可以得到该目标图像的HOG特征描述符了；S4.2：使用LBP方法对图片进行纹理特征提取，过程如下：(4.2.1)首先将检测窗口划分为n×n的小区域；(4.2.2)对于每个小区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；(4.2.3)然后计算每个小区域的直方图，即每个数字出现的频率；然后对该直方图进行归一化处理；(4.2.4)最后将得到的每个小区域的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；S4.3：将提取到的特征存入文件中。所述步骤S5包含以下步骤：S5.1：将同一张图片的HOG特征数据部分送入到网络结构中的HOG特征通道，LBP特征数据部分送入到网络结构中的LBP特征通道；S5.2：按S5.1所述方式将训练集按批次送入网络中进行迭代训练。所述步骤S6包含以下步骤：S6.1：使用测试数据集对分类器进行精度测试；S6.2：若精度达到要求，则结束程序，所未到达精度要求，则重回S5继续训练。本专利技术具有如下有益效果：(1)本专利技术所述的方法具有针对少样本图片分类的优势，具有很好的应用前景；(2)本专利技术所述的方法集合了HOG和LBP两种特征提取方法，同时结合深度学习，具有高识别精度的优势。附图说明图1为一种小样本皮肤图像分类方法的流程图图2为HOG特征提取的流程图具体实施方式下面结合附图对本专利技术作进一步描述。参照图1和图2，一种小样本皮肤图像分类方法，包括以下步骤：S1：初始化分类器，包括分类器结构初始化和分类器权重初始化；S2：获取图像数据；S3：对数据进行分类和标记；S4：HOG梯度特征提取，LBP纹理特征提取；S5：迭代更新分类器；S6：判断分类器是否达到精度要求，若是，则保存当前参数并结束程序，若否，则继续训练。进一步，所述步骤S1包含以下步骤：S1.1：初始化分类器结构，此分类器的输入分为两个通道，分别为HOG特征通道和LBP特征通道；S1.2：整个网络结构在第二层卷积后进行结合，结合方式为将两部分特征图联结到一起；S1.3：特征图结合后再经过一个卷积层和两个全连接层后得出结果。再进一步，所述步骤S2包括以下步骤：S2.1：采用人工实地相机采集的方法补本文档来自技高网...

【技术保护点】
1.一种小样本皮肤图像分类方法，其特征在于，所述方法包括以下步骤：S1：初始化分类器，包括分类器结构初始化和分类器权重初始化；S2：获取图像数据；S3：对数据进行分类和标记；S4：HOG梯度特征提取，LBP纹理特征提取；S5：迭代更新分类器；S6：判断分类器是否达到精度要求，若是，则保存当前参数并结束程序，若否，则继续训练。

【技术特征摘要】
1.一种小样本皮肤图像分类方法，其特征在于，所述方法包括以下步骤：S1：初始化分类器，包括分类器结构初始化和分类器权重初始化；S2：获取图像数据；S3：对数据进行分类和标记；S4：HOG梯度特征提取，LBP纹理特征提取；S5：迭代更新分类器；S6：判断分类器是否达到精度要求，若是，则保存当前参数并结束程序，若否，则继续训练。2.根据权利要求1所述的一种小样本皮肤图像分类方法，其特征在于：所述步骤S1包含以下步骤：S1.1：初始化分类器结构，此分类器的输入分为两个通道，分别为HOG特征通道和LBP特征通道；S1.2：整个网络结构在第二层卷积后进行结合，结合方式为将两部分特征图联结到一起；S1.3：特征图结合后再经过一个卷积层和两个全连接层后得出结果。3.根据权利要求1或2所述的一种小样本皮肤图像分类方法，其特征在于：所述步骤S2包括以下步骤：S2.1：采用人工实地相机采集的方法补充图像数据；S2.2：采用网络爬虫的方法从互联网爬取对应需求的图像数据；S2.3：采用特定算法或技术手段对图片进行增量处理。4.根据权利要求1或2所述的一种小样本皮肤图像分类方法，其特征在于：所述步骤S3包括以下步骤：S3.1：手动对采集到的图片数据进行标注和分类；S3.2：将数据分为训练数据和测试数据。5.根据权利要求1或2所述的一种小样本皮肤图像分类方法，其特征在于：所述步骤S4包括以下步骤：S4.1：使用HOG方法对图片进行梯度特征提取，过程如下：(4.1.1)灰度化；(4.1.2)采用Gamma矫正法对输入图像进行颜色空间的标准化；Gamma压缩公式为：I(x,y)＝I(x,y)gamma其中，x为图像横轴坐标点，y为图像纵轴坐标点，I(x,y)为图像坐标(x,y)像素点的值，gamma为...

【专利技术属性】
技术研发人员：宣琦，任星宇，刘毅，徐东伟，陈晋音，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33