皮肤显微图像症状自动识别方法

摘要

本发明涉及一种皮肤显微图像症状的自动识别方法。它是向微机输入皮肤显微图像预处理后的症状分割图像，提取症状分割图像的特征参数转化成反映症状分类本质的特征向量，将该特征向量按基于支持向量机的识别算法进行识别运算而识别症状的属性，然后在微机显示器上以文字显示出该症状的属性。本发明为皮肤诊断系统奠定了基础，能够作为皮肤诊断系统的实现依据。

主权项

1.一种皮肤显微图像症状自动识别方法，其特征在于向微机输入皮肤显微图像预处理后的症状分割图像，提取症状分割图像的特征参数转化成反映症状分类本质的特征向量，将该特征向量按基于支持向量机的识别算法进行识别运算而识别症状的属性，然后在微机显示器上以文字显示出该症状的属性，具体步骤为：1)所述的提取症状分割图像特征参数转化成反映症状分类本质的特征向量的具体步骤为：a.提取症状的几何特征：(a)提取症状的面积：统计各类症状的分割图中像素值为1的数目，此数目就是症状的面积；(b)提取症状的最大、最小直径：将症状的分割图以与水平方向成θ角的方向投影，得到一个投影方向向量；统计在此向量内元素为1的个数，记为N(θ)；θ从0°到179°每次递增1°，得到180个N(θ)；将这180个N(θ)中的最大值作为症状的最大直径，最小值作为症状的最小直径；b.提取症状的颜色特征：(a)症状内部的颜色特征提取：选择症状内部的平均颜色量与背景皮肤的平均颜色量的差值作为颜色的特征：i.计算症状色调特征值，记为Hcha：Hcha＝(averHzh-averHbei)*360；式中：症状内部的平均色调值，记为averHzh；背景皮肤的平均色调值，记为averHbei；ii.计算症状饱和度(S)特征值，记为Scha：Scha＝averSzh-averSbei；式中：症状内部的平均饱和度值，记为averSzh；背景皮肤的平均饱和度值，记为averSbei；iii.计算症状强度(I)特征值，记为Icha：Icha＝averIzh-averIbei；式中：症状内部的平均强度值，记为averIzh；背景皮肤的平均强度值，记为averIbei；iv.计算症状灰度(G)特征值，记为Gcha：Gcha＝averGzh-averGbei；式中：症状内部的平均灰度值，记为averGzh；背景皮肤的平均灰度值，记为averGbei；(b)症状边缘的颜色特征提取：症状边缘的平均颜色量与背景皮肤的平均颜色量的差值作为颜色的特征外，还选择症状边缘的平均颜色量与症状内部的平均颜色量的差值作为颜色的特征：i.症状边缘的平均颜色量与背景皮肤的平均颜色量的差值●计算症状边缘与背景皮肤的色调差值，记为ebHcha：ebHcha＝(averHedge-averHbei)*360；式中：症状边缘的平均色调，记为averHedge；背景皮肤的平均色调，记为averHbei；●计算症状边缘与背景皮肤的饱和度差值，记为ebScha，ebScha＝averSedge-averSbei；式中：症状边缘的平均饱和度，记为averSedge；背景皮肤的平均饱和度，记为averSbei；●计算症状边缘与背景皮肤的强度差值，记为ebIcha，ebIcha＝averIedge-averIbei；式中：症状边缘的平均强度，记为averIedge：背景皮肤的平均强度，记为averIbei；●计算症状边缘与背景皮肤的灰度差值，记为ebGcha，ebGcha＝averGedge-averGbei；式中：症状边缘的平均灰度，记为averGedge；背景皮肤的平均灰度，记为averGbei；ii.症状边缘的平均颜色量与症状内部的平均颜色量的差值●计算症状边缘与症状内部的色调差值，记为ezHcha，ebHcha＝(averHedge-averHbei)*360，式中：症状边缘的平均色调，记为averHedge；症状内部的平均色调，记为averHzh；●计算症状边缘与症状内部的饱和度差值，记为ezScha，ezScha＝averSedge-averSzh，式中：症状边缘的平均饱和度，记为averSedge；症状内部的平均饱和度，记为averSzh；●计算症状边缘与症状内部的强度差值，记为ezIcha，ezIcha＝averIedge-averIzh，式中：症状边缘的平均强度，记为averIedge；症状内部的平均强度，记为averIzh；●计算症状边缘与症状内部的灰度差值，记为ezGcha，ezGcha＝averGedge-averGzh，式中：症状边缘的平均灰度，记为averGedge；症状内部的平均灰度，记为averGzh；(c)症状的形状特征的提取和转化运算：提取f(x，y)值，f(x，y)为图像在像素(x，y)处的值，整幅图像的(p+q)阶矩mpq按下式计算：$m_{\mathrm{pq}}=\underset{x}{\Sigma }\underset{y}{\Sigma }f(x,y)x^p{y}^p,p,q=\mathrm{0,1,2}···$ 图像的中心矩μpq按下式计算：${\mu }_{\mathrm{pq}}=\underset{x}{\Sigma }\underset{y}{\Sigma }{(x-\bar{x})}^p{(y-\bar{y})}^{q}f(x,y)$ 其中$\bar{x}=\underset{x}{\Sigma }\underset{y}{\Sigma }\mathrm{xf}(x,y)/\underset{x}{\Sigma }\underset{y}{\Sigma }f(x,y),\bar{y}=\underset{x}{\Sigma }\underset{y}{\Sigma }\mathrm{yf}(x,y)/\underset{x}{\Sigma }\underset{y}{\Sigma }f(x,y)$ 归一化中心矩ηpq按下式计算：${\eta }_{\mathrm{pq}}={\mu }_{\mathrm{pq}}/{\mu }_{00}^{\gamma }$ 式中γ＝(p+q+2)/2，p+q＝2，3，…从二阶矩和三阶矩可以导出一组不变矩的计算式：φ1＝η20+η02 ${\phi }_2={({\eta }_{20}-{\eta }_{02})}^2+4{\eta }_{11}^2$ φ3＝(η30-3η12)2+(3η21-η03)2 φ4＝(η30+η12)2+(η21+η03)2 φ5＝(η30-3η12)(η30+η12)×[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)×[3(η30+η12)2-(η21+η03)2]φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)φ7＝(3η21-η03)(η30+η12)×[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)×[3(η03+η12)2-(η12+η03)2]2)所述的识别运算的具体步骤为：a选择核函数：采用不同的内积核函数将导致不同的支持向量机算法，目前采用较多的3类核函数如下：i.多项式核函数：k(x，y)＝(x*y+1)d d＝1，2…..ii.RBF(Radial Basis Function)核函数：$K=(x,y)=\mathrm{epx}[-\frac{{\left|\right|x-y\left|\right|}^2}{2{\sigma }^2}]$ iii.Sigmoid核函数：K(x，y)＝tanh[b(x*y)-c]b训练：对于真实样本与虚假样本，分别令其理想输出为1和-1，采用SVM训练算法，即上述分类函数公式训练至收敛，此时即得一基于SVM的分类器；c.识别：待识别的样本输入分类器中，输出为一实数值，通过设定的阈值，可判定该样本的类别；a)～c)步是对于两类分类问题，对于皮肤显微图像分类，分成四类，因此，可以设计k(k-1)/2个分类器，每一个分类器都用两类数据来训练；d.对于黄褐斑和黑头样本重复b)，得到分类器SVM1；e.对于黄褐斑和粉刺样本重复b)，得到分类器SVM2；f.对于黄褐斑和雀斑样本重复b)，得到分类器SVM3；g.对于雀斑和黑头样本重复b)，得到分类器SVM4；h.对于雀斑斑和粉刺样本重复b)，得到分类器SVM5；i.对于黑头和粉刺样本重复b)，得到分类器SVM6；j.在分类的时候，采用一种打分策略：对于某个待分类的样本，分别用训练过程得到6个分类器进行测试，即第c)步骤，每个结果为1分，累计各类别的得分；k.选择得分最高者所对应的类别为测试数据的类别；l.识别率的计算；m.假定有n个初始样本，每次拿出其中一个样本做测试，其余n-1个做训练样本；n.对这n-1个训练样本，重复d)～i)步；o.再用另外一个样本做测试，得到一个准确度，0或者100％；p.这样的过程重复n次，结果每个样本都有一次作为测试样本，因此最后的准确度值取的是n次的平均值；q.选择核函数的方法，就是通过m)～p)步，选择出识别率最高的核函数。