1.一种基于迁移学习的皮肤病临床图像多分类方法,其特征在于:包括如下步骤:步骤1:建立服务器集群,在服务器集群中建立图像采集模块、图像预处理模块和迁移学习模块;
步骤2:图像采集模块通过互联网获取皮肤病图像,建立用于存储皮肤病图像的图像数据库;
步骤3:图像预处理模块对图像数据库中的所有皮肤病图像进行预处理,其步骤如下:步骤S1:根据以下公式对皮肤病图像进行高斯滤波去噪:
其中,x0,y0表示目标像素点的位置,x和y为当前参与计算的像素点的坐标位置,σ是标准差,σ越大,曲线越扁平,σ取值为2,高斯核的大小为3×3像素;
步骤S2:对步骤S1获得的滤波后的皮肤病图像进行彩色图像的直方图均衡化处理,将皮肤病图像从RGB彩色空间转换到YUV色彩空间,对Y通道分量进行直方图均衡化,使得Y通道像素值在每个灰阶里面的分布大致相当,然后将均衡化之后的Y通道与未处理的U、V通道进行合并,最后再转回到RGB色彩空间,生成预处理后图片;
步骤S3:重复执行步骤S1到步骤S2,直到图像数据库中的所有皮肤病图像均完成预处理;
步骤4:迁移学习模块对预处理后的图片按照分层抽样的方式进行划分归类,生成训练集和测试集:对预处理后的图片添加标签,标签采用one‑hot的编码格式,选择交叉熵作为损失函数,损失函数定义为 其中yi表示真实类别的标签, 表示预测输出,n类的分类采用Softmax作为划分归类的类别输出预测,即,类别为归类为训练集或归类为测试集;
步骤5:将训练集中的图像压缩至224×224像素的图像,然后将所有图像的像素点归一化到(0,1),作为第一输入;
步骤6:将测试集中的图像压缩至448×448像素的图像,在图像中间截取一块224*224的图像,并把像素值归一化到(0,1)作为第二输入;
步骤7:使用tensorflow框架,加载ResNet预训练模型,冻结除了最后一层全连接层以外的所有层的参数,只训练全连接层,在模型后加入全局池化层,输出两个1024维的特征向量;
步骤8:将步骤7获得的两个1024维的特征向量进行合并,得到2048维的特征向量,在模型最后添加一个具有1024隐藏单元和LeakyRelu作为激活函数的全连接层,经过softmax函数进行三分类,并输出三分类概率值;
步骤9:根据三分类概率值对图像数据库中存储的皮肤病图像进行分类。
2.如权利要求1所述的一种基于迁移学习的皮肤病临床图像多分类方法,其特征在于:所述皮肤病图像来源包括全年龄段和全性别的皮肤病图像,疾病部位包括手、脚、面部和背部,皮肤颜色包括白色、黄色、黑色和褐色,拍摄环境包括采光、拍摄距离的差异。
3.如权利要求1所述的一种基于迁移学习的皮肤病临床图像多分类方法,其特征在于:在执行步骤S2时,直方图均衡化处理的算法包括如下步骤:步骤A1:根据以下公式计算Y通道图像的灰度直方图:
其中n为像素总数,nk为灰度级Sk的像素个数;
步骤A2:根据以下公式计算Y通道图像的累计直方图:
步骤A3:根据以下公式计算目的图像的像素:
Dj=L·CDF(Si),其中Dj是目的图像的像素,CDF(Si)是Y通道图像灰度为i的累计分布;
步骤A4:根据步骤A1到步骤A3的结果创建灰度变化的查找表;
步骤A5:应用查找表,将Y通道图像转换为灰度均衡的图像。