System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,尤其涉及一种痘痘分级方法、装置、设备及存储介质。
技术介绍
1、痘痘又称为寻常痤疮,是毛囊皮脂腺单位的一种慢性炎症性疾病,好发于青年男女的面部、前胸和后背。根据痘痘皮损性质和严重程度一般分为3度4级。
2、对痘痘严重程度的传统分级方法主要还是依赖于专业医生长期积累的经验。目前,逐渐开始使用深度学习模型对痘痘严重程度的分级提供辅助信息。
3、然而,在现有模型训练的过程中,一般主要针对图像整体呈现出的痘痘严重程度进行严重等级标注,缺少对痘痘自身的特征对严重程度的影响,如痘痘的大小和数量等。同时为了减少模型训练的计算量和降低过拟合的风险,对输入的痘痘图像一般都会有尺寸限制,痘痘图像可能存在像素模糊,并且痘痘图像的外观相似且严重程度相近,导致目前所使用的深度学习模型无法对痘痘图像中的痘痘特征进行有效识别,从而对痘痘严重程度的分级结果并不准确。
技术实现思路
1、本专利技术提供了一种痘痘分级方法、装置、设备及存储介质,以解决现有深度学习模型输出的痘痘严重程度分级结果不准确的问题,提高严重程度的分级准确性,为痘痘分级结果提供可靠的参考信息。
2、根据本专利技术的一方面,提供了一种痘痘分级方法,包括:
3、获取待检测图像;
4、通过目标图像分割模型对所述待检测图像进行图像分割,获得目标掩码图像;所述目标图像分割模型通过训练样本图像训练unet++网络模型得到;
5、对所述待检测图像和所述目标掩码图像进
6、通过目标痘痘分级模型对所述目标拼接图像进行分级处理,获得所述待检测图像的严重等级;所述目标痘痘分级模型通过训练样本图像训练初始痘痘分级模型得到。
7、进一步的,对所述待检测图像和所述目标掩码图像进行通道拼接,得到目标拼接图像,包括:
8、将所述待检测图像和所述目标掩码图像在每个相同像素位置上的目标像素点按通道进行像素拼接,得到初始拼接图像;
9、通过通道自适应层对所述初始拼接图像的通道数量进行降维处理,获得目标拼接图像。
10、进一步的,所述通道自适应层包括:
11、三个卷积核为11的卷积层以及relu激活层。
12、进一步的,将所述待检测图像和所述目标掩码图像在每个相同像素位置上的目标像素点按通道进行像素拼接,得到初始拼接图像,包括:
13、获取所述待检测图像中的每个像素点的三通道像素值;
14、获取所述目标掩码图像中的每个像素点对应的掩码值;
15、对于所述待检测图像和所述目标掩码图像在同一像素位置上的目标像素点,将所述三通道像素值和所述掩码值进行拼接,获得所述目标像素点的四通道像素值;
16、将各所述目标像素点的四通道像素值的集合确定为所述初始拼接图像。
17、进一步的,所述通过训练样本图像训练unet++网络模型包括:
18、建立unet++网络模型;
19、将训练样本图像输入所述unet++网络模型得到预测掩码图像;所述训练样本图像标注有痘痘掩码标签;
20、根据所述预测掩码图像和所述痘痘掩码标签形成的第一损失函数值训练所述unet++网络模型的参数;
21、返回执行将所述训练样本图像输入所述unet++网络模型得到预测掩码图像的操作,直到得到目标图像分割模型。
22、进一步的,通过训练样本图像训练初始痘痘分级模型,包括:
23、建立初始痘痘分级模型;
24、将训练样本图像输入所述初始痘痘分级模型得到痘痘分级预测结果;所述训练样本图像标注有痘痘分级标签;
25、根据所述痘痘分级预测结果和所述痘痘分级标签形成的第二损失函数值训练所述初始痘痘分级模型的参数;
26、返回执行将训练样本图像输入所述初始痘痘分级模型得到痘痘分级预测结果的操作,直到得到目标痘痘分级模型。
27、进一步的,所述初始痘痘分级模型为inception net神经网络模型。
28、根据本专利技术的另一方面,提供了一种痘痘分级装置,包括:
29、图像获取模块,用于获取待检测图像;
30、图像分割模块,用于通过目标图像分割模型对所述待检测图像进行图像分割,获得目标掩码图像;所述目标图像分割模型通过训练样本图像训练unet++网络模型得到;
31、图像拼接模块,用于对所述待检测图像和所述目标掩码图像进行通道拼接,得到目标拼接图像;
32、分级模块,用于通过目标痘痘分级模型对所述目标拼接图像进行分级处理,获得所述待检测图像的严重等级;所述目标痘痘分级模型通过训练样本图像训练初始痘痘分级模型得到。
33、根据本专利技术的另一方面,提供了一种电子设备,所述电子设备包括:
34、至少一个处理器;以及
35、与所述至少一个处理器通信连接的存储器;其中,
36、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本专利技术任一实施例所述的痘痘分级方法。
37、根据本专利技术的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的痘痘分级方法。
38、本专利技术实施例的技术方案,通过获取待检测图像,通过目标图像分割模型对待检测图像进行图像分割,获得目标掩码图像;目标图像分割模型通过训练样本图像训练unet++网络模型得到;对待检测图像和目标掩码图像进行通道拼接,得到目标拼接图像;通过目标痘痘分级模型对目标拼接图像进行分级处理,获得待检测图像的严重等级;目标痘痘分级模型通过训练样本图像训练初始痘痘分级模型得到。通过将目标图像分割模型获得的目标掩码图像作为先验知识与待检测图像通道拼接后输入目标痘痘分级模型,获得痘痘分级结果。通过在痘痘分级过程中引入目标掩码图像作为先验知识,借助先验知识有效识别痘痘的全局特征和局部特征,解决了现有深度学习模型无法有效识别痘痘的全局特征和局部特征,导致输出的痘痘严重程度分级结果不准确的问题;提高了严重程度的分级准确性,为痘痘分级结果提供可靠的参考信息。
39、应当理解,本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征,也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种痘痘分级方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,对所述待检测图像和所述目标掩码图像进行通道拼接,得到目标拼接图像,包括:
3.根据权利要求2所述的方法,其特征在于,所述通道自适应层包括:
4.根据权利要求2所述的方法,其特征在于,将所述待检测图像和所述目标掩码图像在每个相同像素位置上的目标像素点按通道进行像素拼接,得到初始拼接图像,包括:
5.根据权利要求1所述的方法,其特征在于,所述通过训练样本图像训练UNet++网络模型包括:
6.根据权利要求1所述的方法,其特征在于,通过训练样本图像训练初始痘痘分级模型,包括:
7.根据权利要求1所述的方法,其特征在于,所述初始痘痘分级模型为Inception Net神经网络模型。
8.一种痘痘分级装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1
...【技术特征摘要】
1.一种痘痘分级方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,对所述待检测图像和所述目标掩码图像进行通道拼接,得到目标拼接图像,包括:
3.根据权利要求2所述的方法,其特征在于,所述通道自适应层包括:
4.根据权利要求2所述的方法,其特征在于,将所述待检测图像和所述目标掩码图像在每个相同像素位置上的目标像素点按通道进行像素拼接,得到初始拼接图像,包括:
5.根据权利要求1所述的方法,其特征在于,所述通过训练样本图像训练unet++网络模型包...
【专利技术属性】
技术研发人员:王念欧,郦轲,刘文华,万进,
申请(专利权)人:深圳市宗匠科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。