一种基于图像识别的皮肤病特征提取方法与流程

本发明属于图像识别技术领域，具体涉及一种基于图像识别的皮肤病特征提取方法。

背景技术：

随着社会和科技发展，人们越来越关注身心健康状况，皮肤安全问题成为人们较关注身心健康状况之一。然而人类皮肤病的种类也越来越多且复杂，在初期就诊大多是依靠医生多年的经验以及自身的主观判断来给当前的症状下结论，这必然会导致会出现误判，而延误治疗的最佳时机，严重影响病人的身体健康。由于传统的方法对皮肤病的识别已经不能满足现代人们的要求，因此提出一种基于图像识别的皮肤病特征提取方法。

技术实现要素：

根据以上现有技术的不足，本发明所要解决的技术问题是提出一种基于图像识别的皮肤病特征提取方法，通过图像识别和支持向量机分类的方法确认皮肤病类型。

为了解决上述技术问题，本发明采用的技术方案为：一种基于图像识别的皮肤病特征提取方法，包括如下步骤：a：获取患病区域的皮肤图像，对图像进行预处理，去除图像噪音以及无关背景量，获取二值化的图像，对二值化的图像做欧式距离变换，获取欧式距离变换高亮线；b：将欧式距离变换后的图像进行垂直分割，划分病症区所处的区域度，提取感兴趣区域的纹理特征，将提取的纹理特征和正常皮肤图像的纹理特征进行对比；c：通过支持向量机对不同皮肤病图片进行识别和分类。

作为一种优选实施方式,所述步骤a中图像预处理的方法具体为：采用中值滤波的方法对皮肤图像进行预处理。所述步骤a中欧式距离变换后的图像用图像像素d(px,y,bm,n)表示：式中：d(·)代表欧式最短距离，px,y为中轴变换点集上的点，x和y为当前点的坐标值，bm,n为背景点集b上的点，m和n为当前点的坐标值。

作为一种优选实施方式,所述步骤a中对图像进行预处理后还包括对图像i旋转一个θ角度的步骤，旋转后的图像表示为：其中，x0和y0是变换前的坐标，x1和y1是变换后的坐标，xr1和yr1是变换前的中心坐标，xr2和yr2是变换后的中心坐标；变换后的宽度和高度表示为：

其中，width和height是变换前的宽度和高度，widthnew和heightnew是变换后的图像宽度和高度。

作为一种优选实施方式，所述步骤b具体为：

b1：在图像上创建一个边界矩形rbox，然后根据步骤a中的欧式距离变换将边界矩形rbox内区域提取出来；

b2：确定图像的边界点，包括规则点、分支点、边界点和圆弧点；

b3：对步骤b2中的欧式变换图的边界点进行判断，若是步骤a获取的高亮线所处的点属于规则点，则标记为第一高亮线且用鲜绿色的线表示；如果步骤a获取的高亮线是由分支点、边界点和圆弧点所得的不规则的一条中轴线，此时对于图中的高亮线进行左右边界划分，分别为ileft和iright，再通过三角形中线定理将左右边界线ileft和iright进行变换可确定出最终的高亮线，则标记为第二高亮线并用浅绿色的线表示，对于第二高亮线两端变换后的高亮线il-transform和ir-transform用粉色的两条线表示；

b4：通过共生矩阵法获取皮肤的不同病症纹理量，包括对比度、相关性、熵、均匀性、能量。

作为一种优选实施方式,所述步骤c中支持向量机的分类函数为：

其中，sgn为符号函数，l为样本数，xj'为训练样本的输入，i和j均为1到l中的任意一个样本数，yi为训练样本的输出，αi为拉格朗日系数，b为偏置量，j(x)是支持向量机的分类函数。

本发明有益效果是:由于机器视觉逐渐走进人们的生活，本发明不同的皮肤病的特征不同，每种皮肤病在不同的时期所呈现的特征也不同，将得到的图像纹理特征输入支持向量机，支持向量机对皮肤病进行识别和分类，其操作简单，能够降低依靠医生多年的经验对当前的症状下结论的误判，提高识别准确性。依据图像识别对病症种类进行准确地识别达到对病情“对症下药”，以减轻患者的痛苦，并获得最佳的治疗时间。

附图说明

下面对本说明书附图所表达的内容及图中的标记作简要说明：

图1是本发明的具体实施方式的方法流程图。

图2(a)是本发明的具体实施方式的欧式变换图的规则点图。

图2(b)是本发明的具体实施方式的欧式变换图的分支点图。

图2(c)是本发明的具体实施方式的欧式变换图的边界点图。

图2(d)是本发明的具体实施方式的欧式变换图的圆弧点图。

具体实施方式

下面通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

一种基于图像识别的皮肤病特征提取方法，主要包括以下三个模块：

第一模块为图像的预处理，预处理的主要有以下几个内容：a.图像噪音以及无关背景量对后续试验产生的影响，并使得皮肤病症区易于提取出来；b.欧氏距离变换，主要是为了图像的垂直分割做准备。

图像预处理的具体步骤如下：

步骤一：由于获取的图像样本经常会受到噪音的影响，因此要对其噪音进行去除，目的是减少无关变量对实验的影响。这里采用中值滤波即可。

步骤二：为了更好地获取欧式距离变换高亮线，对于样本图像需要进行旋转操作，图像i旋转一个θ角度，这里采用邻近取样法对图像进行处理，当图像被旋转某一角度时，新的宽度和高度能够被表示如公式(1)所示：

这里，width和height是原图的宽度和高度widthnew和heightnew是旋转后图像的宽度和高度。

旋转后的公式如(2)所示：

其中，x0和y0是原来的坐标，x1和y1是变换后的坐标，xr1和yr1是原图的中心坐标，xr2和yr2是变换后的中心坐标。

步骤三：欧式距离变换广泛应用在二值化图像上，尤其是在骨架的提取十分有效。因此通过在二值化图像上进行欧氏距离变换就可以获取到整个骨架中最亮像素的线。具体欧式图像变换过程为：定义一个2d(二维空间下)的m×n二值图像为s，首先设一个背景点集b(b∈s)，然后在设一个前景点集f(f∈s)，并且b∪f＝s，在此基础上让m作为中轴变换的点集，并且m∈f，这样从任意一个点px,y∈m到b的最短距离可利用式(3)求得：

式中：d(·)代表欧式最短距离，px,y为中轴变换点集上的点，x和y为当前点的坐标值，bm,n为背景点集b上的点，m和n为当前点的坐标值。

第二模块为特征提取：a.图像的垂直分割，其主要目的是准确地划分病症区所处的区域度；b.纹理特征的提取，其目的是提取皮肤病图像的纹理特征和正常皮肤图像的纹理特征并作对比，同时也是对垂直分割效果进行初步识别。

a.特征提取中的垂直分割具体步骤如下：

步骤一：为了限制图像区域，在图像上创建一个边界矩形rbox，且在图中用橙色虚线表示，然后根据第一模块中的欧式变换高亮像素将其提取出来。

步骤二：图像的边缘点需要被确定，在二维图中，骨架是由一系列的曲线集中而成；在三维图中骨架是由一系列的面和曲线集中而成。因此，在一个平面图形中其边缘点有如图2所示四种情况：规则点(有大于等于2个交点)、分支点(有相交线的点)、边界点(边界均只有一个点)、圆弧点(以圆弧为边界的点)。

步骤三：对上述中的欧式变换图的边界点进行判断。若是高亮线所处的点属于规则点，则标记为第一高亮线且用鲜绿色的线表示；如果获取的高亮线是由分支点、边界点和圆弧点所得的不规则的一条中轴线，“不规则”是指线段的两端不规则，其两端不规则的形状像分支点、边界点和圆弧点两端的形状，此时对于图中的高亮线进行左右边界划分，分别为ileft和iright，再通过三角形中线定理将左右边界线ileft和iright进行变换就可确定出最终的高亮线，则标记为第二高亮线并用浅绿色的线表示，对于第二高亮线两端变换后的高亮线il-transform和ir-transform用粉色的两条线表示。至于圆弧点、分支点、边界点也采用步骤三相同的操作。

步骤四：根据所标定的高亮线进行垂直分割，将图像ic的中轴线划分为10个部分，并对每一个区域的中轴线部分采用最小二乘法将对应的原中轴线转换成直线。

b.通过共生矩阵法可以获取皮肤的不同病症纹理量。令归一化后的灰度共生矩阵为g(i,j)，其中i和j表示灰度级像素，l表示图像的灰度级。由于描述灰度共生矩阵的特征值有许多，因此根据皮肤的不同病斑特点，选取了以下几种特征值：

(1)对比度：

对比度主要描述的是纹理沟纹的深浅程度，若对比度值a1越大，意味着纹理的沟纹越深，反之，若对比度值a1越小，意味着纹理的沟纹越浅，因此可以将a1的特征参数值作为皮肤病的不同病症的指标之一。

(2)相关性：

相关性主要描述了在图像分割过程中的水平和垂直方向上的相关元素的细节。

(3)熵：

熵是衡量图像内在的信息量，随纹理的改变而不同，当a3较大时，病斑纹理间的排列较为稀疏，当a3较小时，病斑纹理间的排列就较为紧凑，当熵为零时，则无纹理。

(4)均匀性：

惯性矩主要是用来描述图像纹理的粗糙程度，当a4的值越大，皮肤病区的纹理越粗，反之，则纹理越细。

(5)能量：

能量主要描述的是纹理粗细程度，是灰度共生矩阵在水平和垂直方向上元素的平方和。

最终得到多种不同皮肤病和正常皮肤的纹理特征参数。

第三模块是通过支持向量机(svm)对不同皮肤病图片进行识别和分类。

支持向量机(svm)是一种建立在统计学习理论基础上的统计方法，svm适用于小样本数的分类，并且能够得到全局最优解，svm最大的优点在于可以得到高维空间的分类函数通过选取合适的核函数，并且算法简单具有良好的鲁棒性，训练样本超平1面记为(ω·x)+b＝0。因此转换成约束式下表达式：

通过引入拉格朗日函数，最终可获得最优分类函数为：

式中，sgn为符号函数，l为样本数，xj'为训练样本的输入，i和j均为1到l中的任意一个样本数，yi为训练样本的输出，αi为拉格朗日系数，b为偏置量，j(x)是支持向量机的分类函数，该函数根据输入的对比度、相关性、熵、均匀性、能量这5个纹理量的数据对图像样本进行识别和分类。

svm分类器常用的核函数包括高斯径向基核函数函数如下：

高斯径向核函数：

式中，xi'为支持向量机的预测参数向量，σ为核函数内的参数值。

上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。