[發明專利]一種基于深度學習的皮膚圖像實際面積估算方法

有效

• 申請號: 201910385989.5
• 申請日: 2019-05-09
• 公開（公告）號: CN110263806B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 李東;彭國豪;王穎;莊洪林
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06T7/00;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

1.一種基于深度學習的皮膚圖像實際面積估算方法，其特征在于，包括以下步驟：

S1.拍攝皮膚圖像并對所拍攝的皮膚圖像進行預處理，生成皮膚毛孔密度圖，并將該毛孔密度圖作為對應拍攝的皮膚圖像標簽；

S2.構建PDINet卷積神經網絡模型，將所拍攝的皮膚圖像以及所對應的毛孔密度圖標簽作為該模型的輸入，并使用隨機梯度下降法訓練模型；所述PDINet卷積神經網絡模型包括前端網絡和后端網絡；前端網絡包括十個卷積層和三個池化層，后端網絡包括一個卷積層和六個空洞卷積層；其中前端網絡包括卷積層C1、卷積層C2、卷積層C3、卷積層C4、卷積層C5、卷積層C6、卷積層C7、卷積層C8、卷積層C9、卷積層C10、池化層P1、池化層P2和池化層P3；后端網絡包括卷積層C11，空洞卷積層DC1、空洞卷積層DC2、空洞卷積層DC3、空洞卷積層DC4、空洞卷積層DC5、空洞卷積層DC6；具體包括以下步驟：

S21.將8W*8H*1大小的皮膚圖像輸入到PDINet模型的C1卷積層，通過32個3*3的濾波器，使用1個像素的步長，使用relu激活函數，對皮膚毛孔密度圖進行卷積操作，輸出8W*8H*32的C1卷積層特征圖，其中8W為特征圖的寬度，8H為特征圖的高度，32為濾波器的數量；C1和C2具有相同的卷積參數，8W*8H*32的特征圖經過C2卷積層后，輸出8W*8H*32的C2卷積層特征圖；

S22.將步驟S21中得到的8W*8H*32的C2卷積層特征圖輸入到P1池化層，將C2卷積特征圖切分為2*2個子區域，取每個區域的最大值，輸出4W*4H*32的P1下采樣特征圖；

S23.將步驟S22中得到的4W*4H*64的P1下采樣特征圖輸入到C3卷積層，通過64個3*3的濾波器，使用1個像素的步長，使用relu激活函數，對P1下采樣特征圖進行卷積操作，輸出4W*4H*64的C3卷積特征圖；C4與C3卷積參數完全一致，4W*4H*64的特征圖經過C4卷積層后，輸出4W*4H*64的C4卷積層特征圖；

S24.將步驟S23中得到的4W*4H*64的C4卷積層特征圖輸入到P2池化層，將C4卷積特征圖切分為2*2個子區域，取每個區域的最大值，輸出2W*2H*64的P2下采樣特征圖；

S25.將步驟S24中得到的2W*2H*64的P2下采樣特征圖輸入到C5卷積層，通過128個3*3的濾波器，使用1個像素的步長，使用relu激活函數，對P2下采樣特征圖進行卷積操作，輸出2W*2H*128的C3卷積特征圖，C6、C7與C5卷積參數完全一致，2W*2H*128的特征圖經過C6、C7卷積層后，輸出2W*2H*128的C7卷積層特征圖；

S26.將步驟S25中得到的2W*2H*128的C7卷積層特征圖輸入到P3池化層，將C7卷積特征圖切分為2*2個子區域，取每個區域的最大值，輸出W*H*128的P3下采樣特征圖；

S27.將步驟S26中得到的W*H*128的P3下采樣特征圖輸入到C8卷積層，通過256個3*3的濾波器，使用1個像素的步長，使用relu激活函數，對P3下采樣特征圖進行卷積操作，輸出W*H*256的C8卷積特征圖，C9、C10與C8卷積參數完全一致，W*H*256的特征圖經過C9、C10卷積層后，輸出W*H*512的C10卷積層特征圖；

S28.將步驟S27中得到的W*H*256的C10卷積層特征圖輸入到DC1空洞卷積層，通過256個3*3的擴張濾波器，濾波器的擴張率設定為2，使用relu激活函數，對C10卷積特征圖進行卷積操作，輸出W*H*256的DC1空洞卷積特征圖，DC2、DC3與DC1卷積參數完全一致，W*H*256的特征圖經過DC2、DC3空洞卷積層后，輸出W*H*256的DC3空洞卷積層特征圖；

S29.將步驟S28中得到的W*H*256的DC3空洞卷積層特征圖輸入到DC4空洞卷積層，通過128個3*3的擴張濾波器，濾波器的擴張率設定為2，使用relu激活函數，對DC3空洞卷積特征圖進行卷積操作，輸出W*H*128的DC4空洞卷積特征圖；

S210.將步驟S29中得到的W*H*128的DC4空洞卷積層特征圖輸入到DC5空洞卷積層，通過64個3*3的擴張濾波器，濾波器的擴張率設定為2，使用relu激活函數，對DC4空洞卷積特征圖進行卷積操作，輸出W*H*64的DC5空洞卷積特征圖；

S211.將步驟S210中得到的W*H*64的DC5空洞卷積層特征圖輸入到DC6空洞卷積層，通過32個3*3的擴張濾波器，濾波器的擴張率設定為2，使用relu激活函數，對DC5空洞卷積特征圖進行卷積操作，輸出W*H*64的DC6空洞卷積特征圖；

S212.將步驟S211中得到的W*H*32的DC6空洞卷積層特征圖輸入到C11卷積層，通過1個1*1的濾波器，使用1個像素的步長，使用relu激活函數，對DC6空洞卷積特征圖進行卷積操作，輸出W*H*1的C11卷積特征圖；

S213.將步驟S212中得到的W*H*1的C11卷積特征圖進行雙線性插值操作，使特征圖擴大至原來的8倍，即得到8W*8H*1的特征圖，得到8W*8H*1的特征圖后，通過構建損失函數，利用隨機梯度下降法，優化損失函數，使PDINet模型的參數調整到最優狀態；

S3.利用訓練好的模型對拍攝的皮膚圖像進行測試，對該模型所生成的毛孔密度圖進行積分，得到該圖像上的毛孔數量并根據毛孔數量進行計算得皮膚圖像的實際面積。