一种皮肤镜图像处理方法、装置及设备与流程

本申请涉及图像处理领域，具体涉及一种皮肤镜图像处理方法、装置及设备。

背景技术

随着家庭医生概念的到来，越来越多的家庭希望在不出门的情况下就能和医生进行沟通，从而得到一些专业的诊断结果。为此，一些家庭诊疗设备也应运而生，如家用血压仪、家用血糖仪、家用眼底镜等，皮肤镜设备作为皮肤病的诊疗设备也逐渐成为各个家庭的必备仪器。皮肤镜设备是一种可以放大数十倍的皮肤显微镜，是用来观察皮肤色素性疾患的利器，利用其获取的皮肤镜图像能够用于对皮肤疾病进行诊断。

目前，家庭医生通过皮肤镜图像对皮肤病变人工进行评估，但是，对于一般的家庭医生，准确且自信的确定是否存在需要皮肤活检或专家转诊的皮肤病变仍缺乏必要培训，所以，目前亟需一种能够通过皮肤镜图像准确识别出皮肤病变的有效方法。

技术实现要素：

为解决上述问题，本申请提供了一种皮肤镜图像处理方法、装置及设备，具体技术方案如下：

第一方面，本申请提供了一种皮肤镜图像处理方法，所述方法包括：

接收待处理皮肤镜图像；

对所述待处理皮肤镜图像进行图像特征提取，得到所述待处理皮肤镜图像的特征向量；

将所述待处理皮肤镜图像的特征向量作为经过训练的第一分类模型的输入参数，经过所述第一分类模型的处理后，得到第一分类结果；

根据所述第一分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。

可选的，所述根据所述第一分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果之前，还包括：

对所述待处理皮肤镜图像进行边缘提取处理，得到所述待处理皮肤镜图像的边缘提取图像；

将所述待处理皮肤镜图像的边缘提取图像作为经过训练的第二分类模型的输入参数，经过所述第二分类模型的处理后，得到第二分类结果；

相应的，所述根据所述第一分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果，具体为：

综合所述第一分类结果和所述第二分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。

可选的，所述对所述待处理皮肤镜图像进行图像特征提取，得到所述待处理皮肤镜图像的特征向量之前，还包括：

对所述待处理皮肤镜图像进行图像模糊增强处理。

可选的，所述对所述待处理皮肤镜图像进行图像模糊增强处理之前，还包括：

对所述待处理皮肤镜像进行滤波去噪处理。

可选的，所述将所述待处理皮肤镜图像的特征向量作为经过训练的第一分类模型的输入参数，经过所述第一分类模型的处理后，得到第一分类结果之前，还包括：

获取第一图像训练集，所述第一图像训练集包括若干具有皮肤病变标签的皮肤镜图像；

分别对所述第一图像训练集中的各个皮肤镜图像进行图像特征提取，得到各个皮肤镜图像的特征向量；

利用各个皮肤镜图像的特征向量对预先生成的第一分类模型进行训练，得到经过训练的第一分类模型。

可选的，所述将所述待处理皮肤镜图像的边缘提取图像作为经过训练的第二分类模型的输入参数，经过所述第二分类模型的处理后，得到第二分类结果之前，还包括：

获取第二图像训练集，所述第二图像训练集包括若干具有皮肤病变标签的皮肤镜图像；

分别对所述第二图像训练集中的各个皮肤镜图像进行边缘提取处理，得到各个皮肤镜图像的边缘提取图像；

利用各个皮肤镜图像的边缘提取图像对预先生成的第二分类模型进行训练，得到经过训练的第二分类模型。

可选的，所述分别对经过所述预处理的皮肤镜图像进行图像特征提取，或者所述分别对经过所述预处理的皮肤镜图像进行边缘提取处理之前，还包括：

对所述具有皮肤病变标签的皮肤镜图像分别进行预处理，所述预处理包括滤波去噪处理以及图像模糊增强处理。

可选的，所述预处理还包括预设角度的旋转处理和\或镜像处理。

第二方面，本申请还提供了一种皮肤镜图像处理装置，所述装置包括：

接收模块，用于接收待处理皮肤镜图像；

第一提取模块，用于对所述待处理皮肤镜图像进行图像特征提取，得到所述待处理皮肤镜图像的特征向量；

第一分类模块，用于将所述待处理皮肤镜图像的特征向量作为经过训练的第一分类模型的输入参数，经过所述第一分类模型的处理后，得到第一分类结果；

确定模块，用于根据所述第一分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。

可选的，所述装置还包括：

第二提取模块，用于对所述待处理皮肤镜图像进行边缘提取处理，得到所述待处理皮肤镜图像的边缘提取图像；

第二分类模块，用于将所述待处理皮肤镜图像的边缘提取图像作为经过训练的第二分类模型的输入参数，经过所述第二分类模型的处理后，得到第二分类结果；

相应的，所述确定模块，具体用于：

综合所述第一分类结果和所述第二分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。

可选的，所述装置还包括：

第一预处理模块，用于对所述待处理皮肤镜图像进行图像模糊增强处理。

可选的，所述装置还包括：

第二预处理模块，用于对所述待处理皮肤镜像进行滤波去噪处理。

可选的，所述装置还包括：

第一获取模块，用于获取第一图像训练集，所述第一图像训练集包括若干具有皮肤病变标签的皮肤镜图像；

第三提取模块，用于分别对所述第一图像训练集中的各个皮肤镜图像进行图像特征提取，得到各个皮肤镜图像的特征向量；

第一训练模块，用于利用各个皮肤镜图像的特征向量对预先生成的第一分类模型进行训练，得到经过训练的第一分类模型。

可选的，所述装置还包括：

第二获取模块，用于获取第二图像训练集，所述第二图像训练集包括若干具有皮肤病变标签的皮肤镜图像；

第四提取模块，用于分别对所述第二图像训练集中的各个皮肤镜图像进行边缘提取处理，得到各个皮肤镜图像的边缘提取图像；

第二训练模块，用于利用各个皮肤镜图像的边缘提取图像对预先生成的第二分类模型进行训练，得到经过训练的第二分类模型。

可选的，所述装置还包括：

第三预处理模块，用于对所述具有皮肤病变标签的皮肤镜图像分别进行预处理，所述预处理包括滤波去噪处理以及图像模糊增强处理。

可选的，所述预处理还包括预设角度的旋转处理和\或镜像处理。

第三方面，本申请提供了一种皮肤镜图像处理设备，所述设备包括存储器和处理器，

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令，执行第一方面的任一项所述的皮肤镜图像处理方法。

本申请提供的皮肤镜图像处理方法中，在接收待处理皮肤镜图像后，对所述待处理皮肤镜图像进行图像特征提取，得到所述待处理皮肤镜图像的特征向量；将所述待处理皮肤镜图像的特征向量作为经过训练的第一分类模型的输入参数，经过所述第一分类模型的处理后，得到第一分类结果；最终，根据所述第一分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。本申请利用第一分类模型对皮肤镜图像进行皮肤病变的识别，与现有技术中缺乏必要培训的人工评估皮肤病变方式相比，本申请利用经过大量样本训练的第一分类模型对皮肤镜图像进行识别能够得到较准确的皮肤病变结果，且识别效率较高。

另外，本申请还可以利用第二分类模型对皮肤镜图像的边缘提取图像进行识别，最终综合第一分类模型和第二分类模型的分类结果确定皮肤病变结果，进一步的提高了皮肤病变结果的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种皮肤镜图像处理方法的流程图；

图2为本申请实施例提供的另一种皮肤镜图像处理方法的流程图；

图3为本申请实施例提供的一种皮肤镜图像处理装置的结构示意图；

图4为本申请实施例提供的另一种皮肤镜图像处理装置的结构示意图；

图5为本申请实施例提供一种皮肤镜图像处理设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

皮肤镜图像是利用皮肤镜设备获取的图像，由于皮肤镜图像能够反映皮肤病变情况，所以，医生可以基于皮肤镜图像对皮肤疾病进行诊断。但是，对皮肤疾病的诊断，尤其是判断是否存在需要皮肤活检或专家转诊的皮肤病变，需要比较专业的知识，一般的家庭医生可能缺乏相关的专业知识，所以无法给出准确的皮肤病变结果。

基于此，本申请提供了一种皮肤镜图像处理方法，基于经过大量皮肤镜图像训练的分类模型，对皮肤镜图像进行皮肤病变的识别，从而确定患者是否患有皮肤疾病，以及确定患者患有哪类皮肤疾病等。具体的，本申请在接收到待处理皮肤镜图像后，对该待处理皮肤镜图像进行图像特征提取，得到该待处理皮肤镜图像的特征向量。将该特征向量作为经过训练的第一分类模型的输入参数，经过该第一分类模型的处理后，得到第一分类结果，最终根据该第一分类结果确定皮肤镜图像上的皮肤病变结果。本申请利用经过大量样本训练的分类模型对皮肤镜图像进行自动化识别，能够得到较准确的皮肤病变结果，且识别效率较高。

以下具体介绍本申请提供的一种皮肤镜图像处理方法的实施例，参考图1，为本申请实施例提供的一种皮肤镜图像处理方法的流程图，该方法具体包括：

s101：接收待处理皮肤镜图像。

本申请实施例中，待处理皮肤镜图像是利用皮肤镜设备获取的图像，待处理皮肤镜图像能够反映皮肤病变情况，基于待处理皮肤镜图像能够获知患者是否患有皮肤病变等。

本申请实施例将待处理皮肤镜图像作为处理对象，其中，待处理皮肤镜图像可以是一张图像，也可以是多张图像，也就是说，本申请实施例可以同时对多张待处理皮肤镜图像进行皮肤病变结果的识别，以进一步提高识别效率。

s102：对所述待处理皮肤镜图像进行图像特征提取，得到所述待处理皮肤镜图像的特征向量。

本申请实施例中，在接收到待处理皮肤镜图像后，对其进行图像特征提取，以得到该待处理皮肤镜图像的特征向量。其中，该特征向量能够体现该待处理皮肤镜图像的特征。实际应用中通常采用尺度不变特征变换(scale-invariantfeaturetransform，sift)算法对皮肤镜图像进行特征提取，在此对具体特征提取方法不做限制。

为了使得待处理皮肤镜图像中能够反映皮肤病变情况的图像效果更清晰，本申请实施例在对待处理皮肤镜图像进行图像特征提取之前，首先对该待处理皮肤镜图像进行滤波去噪处理，以去除图像上的噪声。

一种可选的实施方式中，可以利用均值滤波对待处理皮肤镜图像进行滤波去噪处理，该方法是一种应用线性函数去噪的方法。具体的，假定f(x，y)为一帧含有污染噪声的原始图像，g(x,y)为经过滤波去噪处理的图像，在滤波去噪处理过程中，g(x,y)的取值为像素点(x,y)位置邻近图像区域的像素灰度值的平均值，通过平均值运算确定的经过滤波去噪处理的图像中减少了突出的像素点(即噪声点)，从而抑制噪声干扰，具体的，上述利用均值滤波完成图像去噪处理的过程可以用公式(1)表示，公式(1)如下：

其中，以(x,y)为中心点，尺寸为m×n的区域为邻近图像区域。

另外，公式(1)中的函数运算也可以使用模板计算的方式等价代替，其中，均值滤波模板大小为m×n。实际应用中，可以根据具体需要来调节均值滤波模板中的各个比重权值，例如，下面大小为3×3的均值滤波模板为常用模板，其中的各个比重权值可以根据具体需要进行调节；具体的，常用模板如下，其中的比重权值分别为1/9，1/10，1/16：

值得注意的是，以上的均值滤波只是对皮肤镜图像进行滤波去噪处理的一种方式，本申请实施例还可以利用其他方式实现滤波去噪，在此不再一一介绍。

另外，由于皮肤镜设备获取到的皮肤镜图像可能存在不清晰的情况，为了将皮肤镜图像中的特征体现的更明显，从而得到更准确的皮肤病变识别结果，本申请实施例在对待处理皮肤镜图像进行图像特征提取之前，还可以对其进行图像模糊增强处理。具体的，本申请可以在完成上述对待处理皮肤镜图像进行滤波去噪处理后，对该待处理皮肤镜图像进行图像模糊增强处理。

实际应用中，对待处理皮肤镜图像进行图像模糊增强处理之前，首先对其进行灰度化处理，基于灰度化后的图像进行图像模糊增强处理，以下介绍一种图像模糊增强处理的具体方式：

步骤1)，根据公式(2)将待处理皮肤镜图像的数据模糊化；

其中，fij表示像素点(i,j)的灰度值，l表示经过灰度化处理的待处理皮肤镜图像的灰度级；μij表示像素点(i,j)的隶属度；当fij＝0时，μij为最小值0，当fij＝l-1，μij为最大值1，也就是说，μij的取值范围为[0,1]。

具体的，利用公式(2)可以将待处理皮肤镜图像从数据空间转换到模糊空间，确定该待处理皮肤镜图像的模糊矩阵。其中，模糊矩阵中包含各个像素点的隶属度。

步骤2)，在完成μij的计算后，利用公式(3)对该待处理皮肤镜图像实施模糊增强运算；

其中，μc表示渡越点，μc的值不一定等于0.5，通常根据需求进行设定；i(μij)表示对隶属度μij实施模糊增强运算后得到的隶属值；

具体的，i(μij)用于表示减小(当μij＞μc)或增大(当μij≤μc)μij的值；当μij≤μc时，非线性变换运算会使μij的值增大，因而使像素点(i，j)的低灰度值fij增大；反过来，当μij＞μc时，非线性变换运算会使μij的值减小，因此使像素点(i，j)的高灰度值fij减小。本申请实施例利用上述模糊增强运算能够对待处理皮肤镜图像上的每个像素点的隶属值进行增强。

步骤3)，在模糊空间上对待处理皮肤镜图像通过非线性函数计算增强后，需要每个像素点的隶属度μij进行取逆变换，将待处理皮肤镜图像从模糊空间转换回数据空间，获得增强处理后的图像；其中，用于取逆变换的公式(4)如下：

f′ij＝(l-1)μij(4)

其中，f′ij表示μij经过取逆变换后得到的灰度值。

具体的，利用上述取逆变换公式(4)能够将增强处理后的图像上的各个像素点的隶属度转化成灰度值，得到待处理皮肤镜图像实施模糊增强运算后的结果。

步骤4)，对步骤3)中得到的增强处理后的图像进行对比度的调整，得到最终的完成图像模糊增强处理的图像；

具体的，利用公式(5)、(6)、(7)、(8)计算经过对比度调整后的完成图像模糊增强处理的图像上的各个像素点的灰度值；

其中，f表示初始图像，通常为经过滤波去噪处理后的皮肤镜图像；gk表示作为卷积核的高斯函数；fk表示经过二维离散卷积计算后的图像；k为高斯函数个数；kk的取值满足公式(6)；可以选取^k为3，选取σ为5,20,100；

具体的，利用公式(5)对初始图像f做二维离散卷积计算，获得处理后的图像fk；然后，利用公式(7)分别计算每个卷积处理得到的图像fk和初始图像f的比值：

最后，利用公式(8)进行线性加权计算，调节图像对比度，得到处理结果f″；

其中，wk为加权系数，通常取1/2，f″为图像f中像素点的灰度值。

本申请实施例中，经过上述步骤1)至步骤4)处理的皮肤镜图像的特征体现的更明显，最终有助于得到更准确的皮肤病变识别结果。

相继经过上述滤波去噪处理、图像模糊增强处理的待处理皮肤镜图像，在完成特征向量的提取后，继续执行s103。

s103：将所述待处理皮肤镜图像的特征向量作为经过训练的第一分类模型的输入参数，经过所述第一分类模型的处理后，得到第一分类结果。

本申请实施例中，在s102获取到待处理皮肤镜图像的特征向量后，将该特征向量作为经过训练的第一分类模型的输入参数，该第一分类模型基于该特征向量进行分类，得到该待处理皮肤镜图像对应的第一分类结果。

实际应用中，在第一分类模型用于对皮肤镜图像进行皮肤病变识别之前，预先对该第一分类模型进行训练，具体的训练过程在后续进行介绍。

s104：根据所述第一分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。

本申请实施例中，在第一分类模型输出该待处理皮肤镜图像的第一分类结果后，根据该第一分类结果，确定该待处理皮肤镜图像上的皮肤病变结果。

一种可选的实施方式中，如果该第一分类模型的分类结果为0和1，且0代表皮肤病变结果为无病变或无某种皮肤病变，1代表皮肤病变结果为有病变或有某种皮肤病变；则根据第一分类结果可以确定该待处理皮肤镜图像上是否存在皮肤病变，或者可以确定是否存在某种皮肤病变，如黑色素瘤。

另一种可选的实施方式中，如果该第一分类模型的分类结果为0、1、2……，且0代表皮肤病变结果为无病变，1、2……分别代表1种皮肤疾病类型(如黑色素瘤等)；则根据第一分类结果确定可以确定该待处理皮肤镜图像上是否存在的皮肤病变，且在确定存在皮肤病变时可以获知具体的皮肤疾病类型。

本申请实施例提供的皮肤镜图像处理方法，利用经过训练的第一分类模型，基于图像特征向量对皮肤镜图像进行皮肤病变的识别，确定患者的皮肤病变结果。与现有技术中缺乏必要培训的人工评估皮肤病变方式相比，本申请实施例利用经过大量样本训练的第一分类模型对皮肤镜图像进行识别能够得到较准确的皮肤病变结果，且识别效率较高。

为了更准确的确定皮肤镜图像上的皮肤病变结果，本申请实施例还提供了一种皮肤镜图像处理方法，在上述方法实施例的基础上，本申请实施例还可以利用经过训练的第二分类模型对待处理皮肤镜图像进行分类，得到第二分类结果，最终综合第一分类结果和第二分类结果，确定待处理皮肤镜图像上的皮肤病变结果，与上述方法实施例相比，本申请实施例能够得到更准确的皮肤疾病诊断结果。

以下具体介绍本申请实施例提供的另一种皮肤镜图像处理方法的实施例，参考图2，为本申请实施例提供的另一种皮肤镜图像处理方法的流程图，该方法具体包括：

s201：接收待处理皮肤镜图像。

s202：对所述待处理皮肤镜图像进行图像特征提取，得到所述待处理皮肤镜图像的特征向量。

s203：将所述待处理皮肤镜图像的特征向量作为经过训练的第一分类模型的输入参数，经过所述第一分类模型的处理后，得到第一分类结果。

本申请实施例中的s201-s203与上述方法实施例中的s101-s103相同，可参照理解，在此不再赘述。

s204：对所述待处理皮肤镜图像进行边缘提取处理，得到所述待处理皮肤镜图像的边缘提取图像。

由于皮肤上的病变区域的边缘形状(如黑色素瘤的边缘不规则)等也影响疾病的诊断，为此，本申请实施例还可以基于边缘提取图像对皮肤镜图像上的皮肤病变进行检测。具体的，本申请实施例可以在对待处理皮肤镜图像依次进行滤波去噪处理、图像模糊增强处理等后，对该待处理皮肤镜图像进行边缘提取处理，得到该待处理皮肤镜图像的边缘提取图像，其中，边缘提取图像能够体现该待处理皮肤镜图像的边缘特征。

实际应用中，对皮肤镜图像进行边缘提取处理可以采用苏贝尔sobel算子，其中，sobel算子包含两个方向模板，这两个方向模板用于计算皮肤镜图像的横向边缘和纵向边缘，并利用计算得到的横向边缘和纵向边缘分别和图像卷积进行运算，最终得到水平和垂直边缘的梯度近似值。

以下举例说明，假设a表示初始皮肤镜图像，gx与gy分别表示水平及垂直边缘的梯度近似值，计算公式以及水平垂直模板如下：

其中，水平模板：垂直模板：

则计算公式：

实际应用中，在通过上述计算公式得到水平和垂直边缘的梯度近似值后，继续按照公式g＝|h|+|v|来近似求取该皮肤镜图像的整体梯度值。本申请实施例通过上述sobel算子能够计算得到该待处理皮肤镜图像经过边缘提取处理后的边缘提取图像。

值得注意的是，上述sobel算子只是用于实现图像边缘提取的其中一种方式，本申请实施例对其他方式不进行限制。

s205：将所述待处理皮肤镜图像的边缘提取图像作为经过训练的第二分类模型的输入参数，经过所述第二分类模型的处理后，得到第二分类结果。

本申请实施例中，在s204获取到待处理皮肤镜图像的边缘提取图像后，将该边缘提取图像作为经过训练的第二分类模型的输入参数，该第二分类模型基于该边缘提取图像进行分类，得到该待处理皮肤镜图像对应的第二分类结果。

实际应用中，在第二分类模型用于对皮肤镜图像进行皮肤病变识别之前，预先对该第二分类模型进行训练，具体的训练过程在后续进行介绍。

s206：综合所述第一分类结果和所述第二分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。

在得到第一分类结果和第二分类结果后，为了更准确的确定待处理皮肤镜图像上的皮肤病变结果，本申请实施例综合第一分类结果和第二分类结果，最终确定出皮肤病变结果。

一种可选的实施方式中，如果第一分类结果为无病变，且第二分类结果为无病变，则综合二者的结果，最终待处理皮肤镜图像上的皮肤病变结果可以为无病变；如果第一分类结果为有病变，且第二分类结果为有病变，则综合二者的结果，最终待处理皮肤镜图像上的皮肤病变结果可以为有病变；另外，如果第一分类结果和第二分类结果中仅由一个为有病变，则综合二者的结果，最终待处理皮肤镜图像上的皮肤病变结果为不确定。

另外，对于分类结果为具体皮肤疾病类型的情况，只有在第一分类结果和第二分类结果均为某一种确定的皮肤疾病类型时，才能够确定待处理皮肤镜图像上的皮肤病变结果为该种皮肤疾病类型，否则皮肤病变结果为不确定。

本申请实施例利用第一分类模型基于图像特征向量对皮肤镜图像上的皮肤病变进行识别，以及利用第二分类模型基于边缘提取图像对皮肤镜图像上的皮肤病变识别，最终综合二者的分类结果确定该皮肤镜图像上的皮肤病变结果，与上述方法实施例相比，本申请实施例进一步的提高了皮肤疾病诊断的准确性。

另外，本申请在利用第一分类模型和第二分类模型对皮肤镜图像进行处理之前，首先需要对预先生成的第一分类模型和第二分类模型进行训练，具体的，对第一分类模型的训练方法如下：

s1，获取第一图像训练集，所述图像训练集包括若干具有皮肤病变标签的皮肤镜图像。

s2，分别对第一图像训练集中的各个皮肤镜图像进行图像特征提取，得到各个皮肤镜图像的特征向量；

s3，利用各个皮肤镜图像的特征向量对预先生成的第一分类模型进行训练，得到经过训练的第一分类模型。

本申请实施例中，获取若干具有皮肤病变标签的皮肤镜图像作为训练样本组成第一图像训练集，用于对预先生成的第一分类模型进行训练。实际应用中，具有皮肤病变标签的皮肤镜图像可以是来自专业皮肤病医生的手动标注，也可以是其他方式得到，在此不做限定。

皮肤病标签可以为表明对应的皮肤镜图像是否具有病变的标签，也可以是表明对应的皮肤镜图像具有某种皮肤疾病类型的标签，在此不对标签的形式进行限定，标签的类型决定皮肤病变的识别程度，如果训练样本的标签为是否具有病变，则最终的皮肤病变结果也为是否具有病变，如果训练样本的标签为具有某种皮肤疾病类型，则最终的皮肤病变结果也可以为识别出某种皮肤疾病类型。

为了更充分的对具有皮肤病变标签的皮肤镜图像进行学习，本申请实施例可以对第一图像训练集中的各个皮肤镜图像进行预设角度的旋转处理或镜像处理，得到角度变换图像，并将角度变换图像也加入第一图像训练集中，作为训练样本。通过上述对皮肤镜图像的预处理，能够更充分的对已有的皮肤镜图像进行各个角度特征的学习，同时也进一步的扩充了训练样本的数量。值得注意的是，加入第一图像训练集的角度变换图像也具有对应的皮肤镜图像的皮肤病变标签。

另外，在利用第一图像训练集中的训练样本对第一分类模型进行训练之前，首先对各个训练样本分别进行预处理，包括依次进行预设角度的旋转处理和\或镜像处理、滤波去噪处理、图像模糊增强处理，具体的处理过程可参照前述方法实施例的描述，在此不再赘述。

本申请实施例中，将第一图像训练集中具有皮肤病变标签的皮肤镜图像进行图像特征提取后，得到各个皮肤镜图像的特征向量，利用各个皮肤镜图像的特征向量对预先生成的第一分类模型进行训练，得到经过训练的第一分类模型，用于对皮肤镜图像进行皮肤病变的识别。

对第二分类模型的训练方法与上述对第一分类模型的训练方法类似，可参照理解。具体的，对第二分类模型的训练方法如下：

s11，获取第二图像训练集，所述第二图像训练集包括若干具有皮肤病变标签的皮肤镜图像；

s12，分别对第二图像训练集中的各个皮肤镜图像进行边缘提取处理，得到各个皮肤镜图像的边缘提取图像；

s13，利用各个皮肤镜图像的边缘提取图像对预先生成的第二分类模型进行训练，得到经过训练的第二分类模型。

第二图像训练集与上述第一图像训练集可以是同一个图像训练集，即包括相同的训练样本，也可以是不同的图像训练集，具体的，对第二图像训练集中具有皮肤病变标签的皮肤镜图像的预处理，可参照对第一图像训练集中具有皮肤病变标签的皮肤镜图像的预处理进行理解，在此不再赘述。其中，预处理包括预设角度的旋转处理和\或镜像处理，滤波去噪处理以及图像模糊增强处理等。

另外，在对第二分类模型进行训练的过程中，将第二图像训练集中具有皮肤病变标签的皮肤镜图像进行边缘提取处理后，得到各个皮肤镜图像的边缘提取图像，利用各个皮肤镜图像的边缘提取图像对预先生成的第二分类模型进行训练，得到经过训练的第二分类模型，用于对皮肤镜图像进行皮肤病变的识别。具体的，对皮肤镜图像进行边缘提取处理的过程可参照前述方法实施例的描述，在此不再赘述。

本申请实施例中，利用大量的训练样本对第一分类模型和第二分类模型进行训练后，得到经过训练的第一分类模型和第二分类模型，后续同时利用两种模型对皮肤镜图像上的皮肤病变进行识别，综合二者的分类结果，能够更高效更准确的得到皮肤疾病诊断结果。

与上述方法实施例相对应的，本申请还提供了一种皮肤镜图像处理装置，参考图3，为本申请实施例提供的一种皮肤镜图像处理装置的结构示意图，所述装置包括：

接收模块301，用于接收待处理皮肤镜图像；

第一提取模块302，用于对所述待处理皮肤镜图像进行图像特征提取，得到所述待处理皮肤镜图像的特征向量；

第一分类模块303，用于将所述待处理皮肤镜图像的特征向量作为经过训练的第一分类模型的输入参数，经过所述第一分类模型的处理后，得到第一分类结果；

确定模块304，用于根据所述第一分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。

本申请实施例还提供了一种皮肤镜图像处理装置，参考图4，为本申请实施例提供的另一种皮肤镜图像处理装置的结构示意图，所述装置不仅包括图1中的各个模块，还可以包括：

第二提取模块401，用于对所述待处理皮肤镜图像进行边缘提取处理，得到所述待处理皮肤镜图像的边缘提取图像；

第二分类模块402，用于将所述待处理皮肤镜图像的边缘提取图像作为经过训练的第二分类模型的输入参数，经过所述第二分类模型的处理后，得到第二分类结果；

相应的，所述确定模块304，具体用于：

综合所述第一分类结果和所述第二分类结果，确定所述待处理皮肤镜图像上的皮肤病变结果。

所述装置还包括：

第一预处理模块，用于对所述待处理皮肤镜图像进行图像模糊增强处理。

所述装置还包括：

第二预处理模块，用于对所述待处理皮肤镜像进行滤波去噪处理。

为了对第一分类模型进行训练，所述装置还包括：

第一获取模块，用于获取第一图像训练集，所述第一图像训练集包括若干具有皮肤病变标签的皮肤镜图像；

第三提取模块，用于分别对所述第一图像训练集中的各个皮肤镜图像进行图像特征提取，得到各个皮肤镜图像的特征向量；

第一训练模块，用于利用各个皮肤镜图像的特征向量对预先生成的第一分类模型进行训练，得到经过训练的第一分类模型。

为了对第二分类模型进行训练，所述装置还包括：

第二获取模块，用于获取第二图像训练集，所述第二图像训练集包括若干具有皮肤病变标签的皮肤镜图像；

第四提取模块，用于分别对所述第二图像训练集中的各个皮肤镜图像进行边缘提取处理，得到各个皮肤镜图像的边缘提取图像；

第二训练模块，用于利用各个皮肤镜图像的边缘提取图像对预先生成的第二分类模型进行训练，得到经过训练的第二分类模型。

为了提高对第一分类模型和第二分类模型训练的准确性，所述装置还包括：

第三预处理模块，用于对所述具有皮肤病变标签的皮肤镜图像分别进行预处理，所述预处理包括滤波去噪处理以及图像模糊增强处理。

为了丰富训练样本，所述预处理还包括预设角度的旋转处理和\或镜像处理。

本申请实施例提供的皮肤镜图像处理装置，利用经过训练的第一分类模型，基于图像特征向量对皮肤镜图像进行皮肤病变的识别，确定患者的皮肤病变结果。与现有技术相比，本申请实施例能够得到较准确的皮肤病变结果，且识别效率较高。

另外，本申请实施例提供的皮肤镜图像处理装置，还可以利用第二分类模型基于边缘提取图像对皮肤镜图像上的皮肤病变识别，最终综合二者的分类结果确定该皮肤镜图像上的皮肤病变结果，进一步的提高了皮肤疾病诊断的准确性。

相应的，本发明实施例还提供一种皮肤镜图像处理设备，参见图5所示，可以包括：

处理器501、存储器502、输入装置503和输出装置504。皮肤镜图像处理设备中的处理器501的数量可以一个或多个，图5中以一个处理器为例。在本发明的一些实施例中，处理器501、存储器502、输入装置503和输出装置504可通过总线或其它方式连接，其中，图5中以通过总线连接为例。

存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的软件程序以及模块，从而执行皮肤镜图像处理设备的各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置503可用于接收输入的数字或字符信息，以及产生与皮肤镜图像处理设备的用户设置以及功能控制有关的信号输入。

具体在本实施例中，处理器501会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现上述皮肤镜图像处理方法中的各种功能。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请实施例所提供的一种皮肤镜图像处理方法、装置及设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。