本發(fā)明屬于圖像識別技術(shù)領(lǐng)域，具體涉及一種基于圖像識別的皮膚病特征提取方法。

背景技術(shù)：

隨著社會和科技發(fā)展，人們越來越關(guān)注身心健康狀況，皮膚安全問題成為人們較關(guān)注身心健康狀況之一。然而人類皮膚病的種類也越來越多且復(fù)雜，在初期就診大多是依靠醫(yī)生多年的經(jīng)驗以及自身的主觀判斷來給當(dāng)前的癥狀下結(jié)論，這必然會導(dǎo)致會出現(xiàn)誤判，而延誤治療的最佳時機，嚴(yán)重影響病人的身體健康。由于傳統(tǒng)的方法對皮膚病的識別已經(jīng)不能滿足現(xiàn)代人們的要求，因此提出一種基于圖像識別的皮膚病特征提取方法。

技術(shù)實現(xiàn)要素：

根據(jù)以上現(xiàn)有技術(shù)的不足，本發(fā)明所要解決的技術(shù)問題是提出一種基于圖像識別的皮膚病特征提取方法，通過圖像識別和支持向量機分類的方法確認(rèn)皮膚病類型。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種基于圖像識別的皮膚病特征提取方法，包括如下步驟：a：獲取患病區(qū)域的皮膚圖像，對圖像進行預(yù)處理，去除圖像噪音以及無關(guān)背景量，獲取二值化的圖像，對二值化的圖像做歐式距離變換，獲取歐式距離變換高亮線；b：將歐式距離變換后的圖像進行垂直分割，劃分病癥區(qū)所處的區(qū)域度，提取感興趣區(qū)域的紋理特征，將提取的紋理特征和正常皮膚圖像的紋理特征進行對比；c：通過支持向量機對不同皮膚病圖片進行識別和分類。

作為一種優(yōu)選實施方式,所述步驟a中圖像預(yù)處理的方法具體為：采用中值濾波的方法對皮膚圖像進行預(yù)處理。所述步驟a中歐式距離變換后的圖像用圖像像素d(px,y,bm,n)表示：式中：d(·)代表歐式最短距離，px,y為中軸變換點集上的點，x和y為當(dāng)前點的坐標(biāo)值，bm,n為背景點集b上的點，m和n為當(dāng)前點的坐標(biāo)值。

作為一種優(yōu)選實施方式,所述步驟a中對圖像進行預(yù)處理后還包括對圖像i旋轉(zhuǎn)一個θ角度的步驟，旋轉(zhuǎn)后的圖像表示為：其中，x0和y0是變換前的坐標(biāo)，x1和y1是變換后的坐標(biāo)，xr1和yr1是變換前的中心坐標(biāo)，xr2和yr2是變換后的中心坐標(biāo)；變換后的寬度和高度表示為：

其中，width和height是變換前的寬度和高度，widthnew和heightnew是變換后的圖像寬度和高度。

作為一種優(yōu)選實施方式，所述步驟b具體為：

b1：在圖像上創(chuàng)建一個邊界矩形rbox，然后根據(jù)步驟a中的歐式距離變換將邊界矩形rbox內(nèi)區(qū)域提取出來；

b2：確定圖像的邊界點，包括規(guī)則點、分支點、邊界點和圓弧點；

b3：對步驟b2中的歐式變換圖的邊界點進行判斷，若是步驟a獲取的高亮線所處的點屬于規(guī)則點，則標(biāo)記為第一高亮線且用鮮綠色的線表示；如果步驟a獲取的高亮線是由分支點、邊界點和圓弧點所得的不規(guī)則的一條中軸線，此時對于圖中的高亮線進行左右邊界劃分，分別為ileft和iright，再通過三角形中線定理將左右邊界線ileft和iright進行變換可確定出最終的高亮線，則標(biāo)記為第二高亮線并用淺綠色的線表示，對于第二高亮線兩端變換后的高亮線il-transform和ir-transform用粉色的兩條線表示；

b4：通過共生矩陣法獲取皮膚的不同病癥紋理量，包括對比度、相關(guān)性、熵、均勻性、能量。

作為一種優(yōu)選實施方式,所述步驟c中支持向量機的分類函數(shù)為：

其中，sgn為符號函數(shù)，l為樣本數(shù)，xj'為訓(xùn)練樣本的輸入，i和j均為1到l中的任意一個樣本數(shù)，yi為訓(xùn)練樣本的輸出，αi為拉格朗日系數(shù)，b為偏置量，j(x)是支持向量機的分類函數(shù)。

本發(fā)明有益效果是:由于機器視覺逐漸走進人們的生活，本發(fā)明不同的皮膚病的特征不同，每種皮膚病在不同的時期所呈現(xiàn)的特征也不同，將得到的圖像紋理特征輸入支持向量機，支持向量機對皮膚病進行識別和分類，其操作簡單，能夠降低依靠醫(yī)生多年的經(jīng)驗對當(dāng)前的癥狀下結(jié)論的誤判，提高識別準(zhǔn)確性。依據(jù)圖像識別對病癥種類進行準(zhǔn)確地識別達到對病情“對癥下藥”，以減輕患者的痛苦，并獲得最佳的治療時間。

附圖說明

下面對本說明書附圖所表達的內(nèi)容及圖中的標(biāo)記作簡要說明：

圖1是本發(fā)明的具體實施方式的方法流程圖。

圖2(a)是本發(fā)明的具體實施方式的歐式變換圖的規(guī)則點圖。

圖2(b)是本發(fā)明的具體實施方式的歐式變換圖的分支點圖。

圖2(c)是本發(fā)明的具體實施方式的歐式變換圖的邊界點圖。

圖2(d)是本發(fā)明的具體實施方式的歐式變換圖的圓弧點圖。

具體實施方式

下面通過對實施例的描述，本發(fā)明的具體實施方式如所涉及的各構(gòu)件的形狀、構(gòu)造、各部分之間的相互位置及連接關(guān)系、各部分的作用及工作原理、制造工藝及操作使用方法等，作進一步詳細(xì)的說明，以幫助本領(lǐng)域技術(shù)人員對本發(fā)明的發(fā)明構(gòu)思、技術(shù)方案有更完整、準(zhǔn)確和深入的理解。

一種基于圖像識別的皮膚病特征提取方法，主要包括以下三個模塊：

第一模塊為圖像的預(yù)處理，預(yù)處理的主要有以下幾個內(nèi)容：a.圖像噪音以及無關(guān)背景量對后續(xù)試驗產(chǎn)生的影響，并使得皮膚病癥區(qū)易于提取出來；b.歐氏距離變換，主要是為了圖像的垂直分割做準(zhǔn)備。

圖像預(yù)處理的具體步驟如下：

步驟一：由于獲取的圖像樣本經(jīng)常會受到噪音的影響，因此要對其噪音進行去除，目的是減少無關(guān)變量對實驗的影響。這里采用中值濾波即可。

步驟二：為了更好地獲取歐式距離變換高亮線，對于樣本圖像需要進行旋轉(zhuǎn)操作，圖像i旋轉(zhuǎn)一個θ角度，這里采用鄰近取樣法對圖像進行處理，當(dāng)圖像被旋轉(zhuǎn)某一角度時，新的寬度和高度能夠被表示如公式(1)所示：

這里，width和height是原圖的寬度和高度widthnew和heightnew是旋轉(zhuǎn)后圖像的寬度和高度。

旋轉(zhuǎn)后的公式如(2)所示：

其中，x0和y0是原來的坐標(biāo)，x1和y1是變換后的坐標(biāo)，xr1和yr1是原圖的中心坐標(biāo)，xr2和yr2是變換后的中心坐標(biāo)。

步驟三：歐式距離變換廣泛應(yīng)用在二值化圖像上，尤其是在骨架的提取十分有效。因此通過在二值化圖像上進行歐氏距離變換就可以獲取到整個骨架中最亮像素的線。具體歐式圖像變換過程為：定義一個2d(二維空間下)的m×n二值圖像為s，首先設(shè)一個背景點集b(b∈s)，然后在設(shè)一個前景點集f(f∈s)，并且b∪f＝s，在此基礎(chǔ)上讓m作為中軸變換的點集，并且m∈f，這樣從任意一個點px,y∈m到b的最短距離可利用式(3)求得：

式中：d(·)代表歐式最短距離，px,y為中軸變換點集上的點，x和y為當(dāng)前點的坐標(biāo)值，bm,n為背景點集b上的點，m和n為當(dāng)前點的坐標(biāo)值。

第二模塊為特征提取：a.圖像的垂直分割，其主要目的是準(zhǔn)確地劃分病癥區(qū)所處的區(qū)域度；b.紋理特征的提取，其目的是提取皮膚病圖像的紋理特征和正常皮膚圖像的紋理特征并作對比，同時也是對垂直分割效果進行初步識別。

a.特征提取中的垂直分割具體步驟如下：

步驟一：為了限制圖像區(qū)域，在圖像上創(chuàng)建一個邊界矩形rbox，且在圖中用橙色虛線表示，然后根據(jù)第一模塊中的歐式變換高亮像素將其提取出來。

步驟二：圖像的邊緣點需要被確定，在二維圖中，骨架是由一系列的曲線集中而成；在三維圖中骨架是由一系列的面和曲線集中而成。因此，在一個平面圖形中其邊緣點有如圖2所示四種情況：規(guī)則點(有大于等于2個交點)、分支點(有相交線的點)、邊界點(邊界均只有一個點)、圓弧點(以圓弧為邊界的點)。

步驟三：對上述中的歐式變換圖的邊界點進行判斷。若是高亮線所處的點屬于規(guī)則點，則標(biāo)記為第一高亮線且用鮮綠色的線表示；如果獲取的高亮線是由分支點、邊界點和圓弧點所得的不規(guī)則的一條中軸線，“不規(guī)則”是指線段的兩端不規(guī)則，其兩端不規(guī)則的形狀像分支點、邊界點和圓弧點兩端的形狀，此時對于圖中的高亮線進行左右邊界劃分，分別為ileft和iright，再通過三角形中線定理將左右邊界線ileft和iright進行變換就可確定出最終的高亮線，則標(biāo)記為第二高亮線并用淺綠色的線表示，對于第二高亮線兩端變換后的高亮線il-transform和ir-transform用粉色的兩條線表示。至于圓弧點、分支點、邊界點也采用步驟三相同的操作。

步驟四：根據(jù)所標(biāo)定的高亮線進行垂直分割，將圖像ic的中軸線劃分為10個部分，并對每一個區(qū)域的中軸線部分采用最小二乘法將對應(yīng)的原中軸線轉(zhuǎn)換成直線。

b.通過共生矩陣法可以獲取皮膚的不同病癥紋理量。令歸一化后的灰度共生矩陣為g(i,j)，其中i和j表示灰度級像素，l表示圖像的灰度級。由于描述灰度共生矩陣的特征值有許多，因此根據(jù)皮膚的不同病斑特點，選取了以下幾種特征值：

(1)對比度：

對比度主要描述的是紋理溝紋的深淺程度，若對比度值a1越大，意味著紋理的溝紋越深，反之，若對比度值a1越小，意味著紋理的溝紋越淺，因此可以將a1的特征參數(shù)值作為皮膚病的不同病癥的指標(biāo)之一。

(2)相關(guān)性：

相關(guān)性主要描述了在圖像分割過程中的水平和垂直方向上的相關(guān)元素的細(xì)節(jié)。

(3)熵：

熵是衡量圖像內(nèi)在的信息量，隨紋理的改變而不同，當(dāng)a3較大時，病斑紋理間的排列較為稀疏，當(dāng)a3較小時，病斑紋理間的排列就較為緊湊，當(dāng)熵為零時，則無紋理。

(4)均勻性：

慣性矩主要是用來描述圖像紋理的粗糙程度，當(dāng)a4的值越大，皮膚病區(qū)的紋理越粗，反之，則紋理越細(xì)。

(5)能量：

能量主要描述的是紋理粗細(xì)程度，是灰度共生矩陣在水平和垂直方向上元素的平方和。

最終得到多種不同皮膚病和正常皮膚的紋理特征參數(shù)。

第三模塊是通過支持向量機(svm)對不同皮膚病圖片進行識別和分類。

支持向量機(svm)是一種建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的統(tǒng)計方法，svm適用于小樣本數(shù)的分類，并且能夠得到全局最優(yōu)解，svm最大的優(yōu)點在于可以得到高維空間的分類函數(shù)通過選取合適的核函數(shù)，并且算法簡單具有良好的魯棒性，訓(xùn)練樣本超平1面記為(ω·x)+b＝0。因此轉(zhuǎn)換成約束式下表達式：

通過引入拉格朗日函數(shù)，最終可獲得最優(yōu)分類函數(shù)為：

式中，sgn為符號函數(shù)，l為樣本數(shù)，xj'為訓(xùn)練樣本的輸入，i和j均為1到l中的任意一個樣本數(shù)，yi為訓(xùn)練樣本的輸出，αi為拉格朗日系數(shù)，b為偏置量，j(x)是支持向量機的分類函數(shù)，該函數(shù)根據(jù)輸入的對比度、相關(guān)性、熵、均勻性、能量這5個紋理量的數(shù)據(jù)對圖像樣本進行識別和分類。

svm分類器常用的核函數(shù)包括高斯徑向基核函數(shù)函數(shù)如下：

高斯徑向核函數(shù)：

式中，xi'為支持向量機的預(yù)測參數(shù)向量，σ為核函數(shù)內(nèi)的參數(shù)值。

上面對本發(fā)明進行了示例性描述，顯然本發(fā)明具體實現(xiàn)并不受上述方式的限制，只要采用了本發(fā)明的方法構(gòu)思和技術(shù)方案進行的各種非實質(zhì)性的改進，或未經(jīng)改進將本發(fā)明的構(gòu)思和技術(shù)方案直接應(yīng)用于其它場合的，均在本發(fā)明的保護范圍之內(nèi)。本發(fā)明的保護范圍應(yīng)該以權(quán)利要求書所限定的保護范圍為準(zhǔn)。