一种基于深度网络的皮肤损伤图片分割方法技术

本发明专利技术涉及人工智能领域，更具体的，涉及一种基于深度网络的皮肤损伤图片分割方法，本发明专利技术不进行手工提取皮肤图片特征来进行分割任务，而是使用训练数据去自行学习适合于分割任务的深度卷积特征；本发明专利技术的预处理非常简单，只是进行图片像素值的归一化；此外，相比TDLS和Jafari使用引导滤波器的预处理方式解决光照和对比度变化较大的问题，本发明专利技术通过数据增强的方式丰富训练数据，让模型自行学习最优的特征表示以进行分割；本发明专利技术在真阳性率的指标上超过了现有的方法，而且在GPU和CPU上的运行时间都远低于现有的模型，可以做到实时的皮肤图像分割；本发明专利技术还使用了全连接的条件随机场作为后处理方法，可以有效地利用低层次的纹理颜色特征，锐化边缘区域的分割。

A Method of Skin Injury Image Segmentation Based on Depth Network

The invention relates to the field of artificial intelligence, and more specifically, to a skin injury image segmentation method based on depth network. The method does not extract skin image features manually to perform segmentation tasks, but uses training data to self-learn depth convolution features suitable for segmentation tasks. The pre-processing of the invention is very simple, and only normalizes the image pixel values. In addition, compared with TDLS and Jafari, TDLS and Jafari use the pre-processing method of guide filter to solve the problem of large changes in illumination and contrast, the present invention enriches training data through data enhancement, and allows the model to learn the optimal feature representation by itself for segmentation; the present invention exceeds the existing method in the index of true positive rate, and runs much less time on GPU and CPU than the present method. Some models can achieve real-time skin image segmentation; the present invention also uses fully connected conditional random fields as post-processing method, which can effectively utilize low-level texture color features to sharpen the segmentation of edge regions.

【技术实现步骤摘要】
一种基于深度网络的皮肤损伤图片分割方法
本专利技术涉及人工智能领域，更具体的，涉及一种基于深度网络的皮肤损伤图片分割方法。
技术介绍
目前的皮肤图像分割按照使用的皮肤图像类别可以分为两大类：基于皮肤镜图像的方法和基于普通相机拍摄图像的方法。针对皮肤镜图像的分割问题，已有很多的研究工作可以达到很好的结果。但皮肤镜图像的获取相对复杂和昂贵会成为相关技术的瓶颈。所以，目前的分割技术都更倾向于使用普通相机拍摄的皮肤图片。随着手机等移动设备拍照功能的完善，很容易获取高清晰度的皮肤图片。由于这些普通皮肤图片受光照、拍摄角度等因素影响而差异较大，所以对分割技术也提出了更高的要求。针对普通相机拍摄的皮肤图片已有不少的研究成果,如Jeffrey在2012年提出了,利用皮肤图片的纹理显著性的TDLS分割方法,Jafari等在2016年提出了基于卷积神经网络的分割模型。但是，TDLS方法基于手工提取的特征不能有效地针对当前的分割任务，因而导致分割的准确率较低，而且该方法的分割效率低下，需要1分钟才能完全给出一张皮肤图片的分割结果，用户体验方面较差。在此基础上，Jafari提出基于深度卷积网络的分割方法，通本文档来自技高网...

【技术保护点】
1.一种基于深度网络的皮肤损伤图片分割方法，其特征在于，包括以下步骤：步骤S1：对测试图像进行增强和预处理；步骤S2：将预处理后的测试图像输入到的卷积神经网络中进行训练，得到初步的分割结果和概率输出，根据初步的分割结果以及概率输出对卷积神经网络进行参数调整；步骤S3：对训练图像进行增强和预处理；步骤S4：将预处理后的训练图像输入到训练完成的卷积神经网络中进行训练，得到初步的分割结果以及概率输出；步骤S5：将分割结果和概率输出在全连接的条件随机场中进行迭代处理，得到最终的分割结果。

【技术特征摘要】
1.一种基于深度网络的皮肤损伤图片分割方法，其特征在于，包括以下步骤：步骤S1：对测试图像进行增强和预处理；步骤S2：将预处理后的测试图像输入到的卷积神经网络中进行训练，得到初步的分割结果和概率输出，根据初步的分割结果以及概率输出对卷积神经网络进行参数调整；步骤S3：对训练图像进行增强和预处理；步骤S4：将预处理后的训练图像输入到训练完成的卷积神经网络中进行训练，得到初步的分割结果以及概率输出；步骤S5：将分割结果和概率输出在全连接的条件随机场中进行迭代处理，得到最终的分割结果。2.根据权利要求1所述的一种基于深度网络的皮肤损伤图片分割方法，其特征在于，所述的步骤S1具体包括以下步骤：步骤S101：在图片中截取一个紧凑的一号矩形框，该矩形框恰好包围图片中损伤皮肤区域；步骤S102：随机截取一个包含一号矩形框的二号矩形框；步骤S103：把随机截取的图片重新缩放到固定的图片大小；步骤S104：缩放后，对图片引入随机噪声，包括随机改变图片亮度和对比度；步骤S105：对图片像素值做归一化操作，使得处理后的图片均值...

【专利技术属性】
技术研发人员：杨猛，罗文锋，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东,44