CN110083727B - 一种确定分类标签的方法及装置 - Google Patents

Abstract

本发明实施例提供一种确定分类标签的方法及装置，所述方法包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。所述装置执行上述方法。本发明实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括一类域外分类标签，能够提高样本图片的分类标签选择的合理性和准确度。

Description

一种确定分类标签的方法及装置

技术领域

本发明实施例涉及图片处理技术领域，尤其涉及一种确定分类标签的方法及装置。

背景技术

胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点，具备广泛的应用价值。

现有技术采用人工方式识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类，为了更加准确、高效地识别原始图片，需要构建模型，但是模型在使用之前通常需要进行训练，针对上述原始图片的训练样本(可以是样本图片)的选择、以及对样本图片的分类标签的确定，尚没有有效的方法。

因此，如何避免上述缺陷，提高样本图片的分类标签选择的合理性和准确度，成为亟须解决的问题。

发明内容

针对现有技术存在的问题，本发明实施例提供一种确定分类标签的方法及装置。

本发明实施例提供一种确定分类标签的方法，包括：

获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；

对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

本发明实施例提供一种确定分类标签的装置，包括：

获取单元，用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；

分类单元，用于对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；

对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

本发明实施例提供一种非暂态计算机可读存储介质，包括：

所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：

获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；

对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

本发明实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括一类域外分类标签，能够提高样本图片的分类标签选择的合理性和准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明确定分类标签的方法实施例流程图；

图2(a)～图2(h)均为本发明实施例拍摄的全曝光图片的截图；

图3(a)～图3(g)均为本发明实施例拍摄的全黑图片的截图；

图4(a)～图4(g)均为本发明实施例拍摄的半曝光图片的截图；

图5(a)～图5(g)均为本发明实施例拍摄的局部曝光图片的截图；

图6(a)～图6(g)均为本发明实施例拍摄的结构模糊图片的截图；

图7(a)～图7(h)均为本发明实施例拍摄的细节模糊图片的截图；

图8(a)～图8(g)均为本发明实施例拍摄的在胶囊内镜入口之前的图片的截图；

图9(a)～图9(g)均为本发明实施例在食道中拍摄的图片截图；

图10(a)～图10(h)均为本发明实施例拍摄的口腔图片的截图；

图11(a)～图11(h)均为本发明实施例拍摄的肠道图片的截图；

图12为本发明确定分类标签的装置实施例结构示意图；

图13为本发明实施例提供的电子设备实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明确定分类标签的方法实施例流程图，如图1所示，本发明实施例提供的一种确定分类标签的方法，包括以下步骤：

S101：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片。

具体的，装置获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片。需要说明的是：该原始图片是通过胶囊内镜拍摄的，对胶囊内镜的工作过程作如下说明：

·胶囊内镜从口腔进入消化道，再从***自然排出体外。

·胶囊内镜的电池续航力有限，其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。

·胶囊内镜的每次活动都产生域内检查图片和域外检查图片。

·域内检查图片是对消化道某一段所进行的拍摄结果。

·域外检查图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片。

·全部图片均可自动识别，无需任何人工介入(包括图像预处理)。

·识别图像后，将胶囊内镜拍摄的图片分为六个大类(125个小类)，自动保存于125个图片文件夹中，其中，六个大类可以为：

第一大类：一类域外分类标签(10个类别)。

第二大类：二类域外分类标签(13个类别)。

第三大类：基于局部结构特征的第一目标图片分类标签(14个类别)。

第四大类：洞状结构第一目标图片分类标签(8个类别)。

第五大类：基于全局结构特征的第一目标图片分类标签(24个类别)。

第六大类：第二目标图片分类标签(56个类别)。

·能够自动识别口腔、食道、胃、十二指肠、小肠和大肠等消化道的不同部位。

每粒胶囊内镜每次可以拍摄的原始图片的数量可以为2000～3000张，即胶囊内镜获取到的图片集中的图片数量。

可以从医院信息***中导出、未经任何处理的胶囊内镜拍摄的原始图片(JPG格式)。即上述样本图片可以是上述的六个大类(125个小类)对应的所有图片，本发明实施例着重对上述第一大类进行说明。

S102：对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

具体的，装置对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。所述拍摄缺陷可以包括：

全曝光图片、全黑图片、半曝光图片、局部曝光图片、结构模糊图片和细节模糊图片；其中，所述全曝光图片、所述半曝光图片和所述局部曝光图片是根据图片曝光区域的面积进行区分的；所述结构模糊图片和所述细节模糊图片是根据图片模糊区域的面积进行区分的。图2(a)～图2(h)均为本发明实施例拍摄的全曝光图片的截图，图2(a)～图2(h)各图之间相互独立，都分别是全曝光图片的表现形式。这类图片的特征是：

全曝光图片(alpha_all_white)：图幅90％以上面积过曝光，有的接近100％过曝光，过曝光部分RGB数值接近于均质白色，残存的非过曝光部分，仅出现于图片边缘的环形区域。这类图片的数量占比大约是1.8％。这部分图片由于大部分过曝光，对分类来说已经失去了足够的分类判断依据，残存的信息也只能含糊地给出简单的判断。因此，这类图片基本可以归类于“垃圾图片(对应干扰图片，即对图片识别没有帮助的图片)”当中。

图3(a)～图3(g)均为本发明实施例拍摄的全黑图片的截图，图3(a)～图3(g)各图之间相互独立，都分别是全黑图片的表现形式。这类图片的特征是：

全黑图片(alpha_all_black)：全部为均质黑色，此类图片属于高度欠曝光图片，总数量占比大约是0.05％，数量很少。这类图片也可以被归类于“垃圾图片”。但是这类图片的意义在于，它们的特征高度单一和纯化，仅需要少量的训练样本就可以达到很高的识别能力和精度。

图4(a)～图4(g)均为本发明实施例拍摄的半曝光图片的截图，图4(a)～图4(g)各图之间相互独立，都分别是半曝光图片的表现形式。这类图片的特征是：

半曝光图片(alpha_hw_big)：图幅50％以上面积因过曝光失去纹理和颜色特征，过曝光部分RGB数值接近于均质白色，正常曝光部分也存在RGB偏向白色的现象。此类图片数量占比大约是1.6％。尽管图片中有大片的区域发生过曝光，但仍有相当一部分区域曝光正常，存留的信息足以确定是否有异常特征，以及异常特征的类型和严重程度。因此，这部分图片不能被认定为“垃圾图片”。可以与有异常特征的对照组进行特征比对，进而确定是作为垃圾图片还是异常特征图片。图4(a)～图4(g)是无异常特征的半曝光图片。

图5(a)～图5(g)均为本发明实施例拍摄的局部曝光图片的截图，图5(a)～图5(g)各图之间相互独立，都分别是局部曝光图片的表现形式。这类图片的特征是：

局部曝光图片(alpha_hw_small)：图幅20％-50％的面积因过曝光失去纹理和颜色特征，过曝光部分RGB数值接近于均质白色。此类图片数量占比大约是5％。尽管图片中有一部分的区域发生过曝光，但大部分区域曝光正常，存留的信息足以判断是否有异常特征，以及异常特征的类型和严重程度。因此，这部分图片不能被认定为“垃圾图片”。在分类体系中，这类图片被分为两个对照组：无异常特征的和有异常特征的。可以与有异常特征的对照组进行特征比对，进而确定是作为垃圾图片还是异常特征图片。图5(a)～图5(g)是无异常特征的局部曝光图片。

图6(a)～图6(g)均为本发明实施例拍摄的结构模糊图片的截图，图6(a)～图6(g)各图之间相互独立，都分别是结构模糊图片的表现形式。这类图片的特征是：

结构模糊图片(alpha_blur_flat)：由于对焦不准，或者液体浑浊不透明，导致图像结构线条模糊，或者结构信息完全消失，无法判别图像具体内容。图片数量占比约1.5％，由于失去有价值的信息，这类图片可以被归类于“垃圾图片”，后续处理过程可以完全忽略此类图片。

图7(a)～图7(h)均为本发明实施例拍摄的细节模糊图片的截图，图7(a)～图7(h)各图之间相互独立，都分别是细节模糊图片的表现形式。这类图片的特征是：

细节模糊图片(alpha_blur_blur)：由于对焦不准或者拍摄时晃动，导致图像细节线条模糊。但是图像结构信息保持完整，可以判别图像内容。图片数量占比7.8％，数量庞大。由于图像并不是完全模糊不清，大多数情况下，可以识别图像的拍摄位置和内容，特别是，如果这些图片里出现了异常特征信息，是很容易识别的。因此，不能把这类图片当作垃圾图片不去处理，相反，需要设立一个专门的类别，用于收集相似背景下的异常特征图片作对照分类，这个类别就是模糊异常特征集(focus_blur)。

待检测目标部位可以为胃部，该拍摄部位可以包括：

在所述胶囊内镜入口之前拍摄的图片、在食道中拍摄的图片、口腔图片、肠道图片。

图8(a)～图8(g)均为本发明实施例拍摄的在胶囊内镜入口之前的图片的截图，图8(a)～图8(g)各图之间相互独立，都分别是在胶囊内镜入口之前拍摄的图片的表现形式。这类图片的特征是：

胶囊内镜入口之前拍摄的图片内容繁杂，包含了检查室的场景，医生专门拍摄的病人病历信息，条码信息，病人的头像等。由于医院不同时期要求拍摄的内容不一样，不同医院要求拍摄的内容也不一样，医生不经意拍摄到的场景也不一样，因此，要准确地识别这一部分图片的内容，并不是一件很容易的事情，但是由于这本身超出了医学识别的范畴，因此，本发明实施例不做过多说明。如果要精确地识别这部分图片，基本方法就是把这个类别的图片进一步拆分成若干类别，以便方便人工神经网络准确识别。图片数量占比约3.6％，数量不小，对异常特征识别来说，是典型的“垃圾图片”。

图9(a)～图9(g)均为本发明实施例在食道中拍摄的图片截图，图9(a)～图9(g)各图之间相互独立，都分别是在食道中拍摄的图片的表现形式。这类图片的特征是：

较其他部位的图片，特征非常鲜明，相对容易识别。数量占比大约1.7％。如果需要对食道中可能产生的病变做分类识别，基本方法就是把这个类别的健康图片进一步拆分成大约8～10个子类别，而异常特征图片则根据需要拆分，以方便人工神经网络准确识别。

图10(a)～图10(h)均为本发明实施例拍摄的口腔图片的截图，图10(a)～图10(h)各图之间相互独立，都分别是口腔图片的表现形式。这类图片的特征是：

环境最为复杂，口腔内的器官较多，不同器官的特征差异性很大，牙齿、牙龈、舌尖、舌面、小舌、口腔侧壁、上颚等，各个部位特征各自不同。研究中还发现，胃部某些场景的图片，与口腔的某些特定场景的图片，经常发生混淆，为了应对这种混淆，需要设置一个单独的类别，把所有发生过混淆的这类图片收集在一起，命名为：口腔类似图片集(oral_like)，用于引导人工神经网络，不要把这类图片分到口腔类别当中。口腔图片数量占比1.2％，口腔类似图片数量占比约0.7％。

图11(a)～图11(h)均为本发明实施例拍摄的肠道图片的截图，图11(a)～图11(h)各图之间相互独立，都分别是肠道图片的表现形式。这类图片的特征是：

肠道图片的特征相对单一，作为域外拍摄图片，可以简单地分为平坦和结构两个类别，数量占比分别是2.4％和2％。肠道中含有大量的消化残渣，毫无疑问，这些消化残渣的图片是不折不扣的“垃圾图片”，这部分图片可以和胃部的消化残渣一起，放在消化残渣的专门类别中。

肠道图片和胃部图片的主要区别是肠绒毛，胃的内壁没有绒毛结构。因此肠道和胃部图片是比较容易区分的。

本发明实施例提供的确定分类标签的方法，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括一类域外分类标签，能够提高样本图片的分类标签选择的合理性和准确度。

在上述实施例的基础上，所述拍摄缺陷包括：

全曝光图片、全黑图片、半曝光图片、局部曝光图片、结构模糊图片和细节模糊图片；其中，所述全曝光图片、所述半曝光图片和所述局部曝光图片是根据图片曝光区域的面积进行区分的；所述结构模糊图片和所述细节模糊图片是根据图片模糊区域的面积进行区分的。

具体的，装置中的所述拍摄缺陷包括：

全曝光图片、全黑图片、半曝光图片、局部曝光图片、结构模糊图片和细节模糊图片；其中，所述全曝光图片、所述半曝光图片和所述局部曝光图片是根据图片曝光区域的面积进行区分的；所述结构模糊图片和所述细节模糊图片是根据图片模糊区域的面积进行区分的。需要说明的是：全曝光图片、全黑图片和结构模糊图片可以直接确定为干扰图片，而半曝光图片、局部曝光图片和细节模糊图片还需要通过对照图片集进行进一步确认。

本发明实施例提供的确定分类标签的方法，通过限定具体类型的拍摄缺陷，进一步能够提高样本图片的分类标签选择的合理性和准确度。

在上述实施例的基础上，所述方法还包括：

将所述半曝光图片和所述局部曝光图片分别与异常特征第一预设异常特征对照图片集进行特征比对；所述异常特征第一预设异常特征对照图片集为图像清晰的异常特征对照图片集，其中，异常特征包括凸起特征和/或指定颜色特征。

具体的，装置将所述半曝光图片和所述局部曝光图片分别与异常特征第一预设异常特征对照图片集进行特征比对；所述异常特征第一预设异常特征对照图片集为图像清晰的异常特征对照图片集，其中，异常特征包括凸起特征和/或指定颜色特征，该异常特征第一预设异常特征对照图片集对应上述有异常特征的对照组，以半曝光图片为例，通过将半曝光图片与异常特征第一预设异常特征对照图片集中的图片进行特征比对，如果特征不匹配，则说明比对结果为无异常特征，将对应的半曝光图片确定为干扰图片。如果特征匹配，则说明比对结果为有异常特征，将对应的半曝光图片确定为异常特征图片，需要说明的是：该异常特征图片为初步确定的异常特征图片，还可以进一步对该异常特征图片进行再识别。局部曝光图片的说明可参照上述半曝光图片的说明，不再赘述。

将比对结果为无异常特征的半曝光图片和无异常特征的局部曝光图片确定为干扰图片。

具体的，装置将比对结果为无异常特征的半曝光图片和无异常特征的局部曝光图片确定为干扰图片。可参照上述实施例，不再赘述。

将比对结果为有异常特征的半曝光图片和有异常特征的局部曝光图片确定为异常特征图片。

具体的，装置将比对结果为有异常特征的半曝光图片和有异常特征的局部曝光图片确定为异常特征图片。可参照上述实施例，不再赘述。

本发明实施例提供的确定分类标签的方法，通过异常特征第一预设异常特征对照图片集，能够确定半曝光图片和局部曝光图片是否有异常特征，进而细分图片分类，进一步能够提高样本图片的分类标签选择的合理性和准确度。

在上述实施例的基础上，所述方法还包括：

将所述细节模糊图片与第二预设异常特征对照图片集进行特征比对；所述第二预设异常特征对照图片集为包含有模糊图像背景的异常特征对照图片集；其中，异常特征包括凸起特征和/或指定颜色特征。

具体的，装置将所述细节模糊图片与第二预设异常特征对照图片集进行特征比对；所述第二预设异常特征对照图片集为包含有模糊图像背景的异常特征对照图片集；，其中，异常特征包括凸起特征和/或指定颜色特征。该第二预设异常特征对照图片集对应上述模糊异常特征集。通过将细节模糊图片与第二预设异常特征对照图片集中的图片进行特征比对，如果特征不匹配，则说明比对结果为无异常特征，将对应的细节模糊图片确定为干扰图片。如果特征匹配，则说明比对结果为有异常特征，将对应的细节模糊图片确定为异常特征图片，需要说明的是：该异常特征图片为初步确定的异常特征图片，还可以进一步对该异常特征图片进行再识别。

将比对结果为无异常特征的细节模糊图片确定为干扰图片。

具体的，装置将比对结果为无异常特征的细节模糊图片确定为干扰图片。可参照上述实施例，不再赘述。

将比对结果为有异常特征的细节模糊图片确定为异常特征图片。

具体的，装置将比对结果为有异常特征的细节模糊图片确定为异常特征图片。可参照上述实施例，不再赘述。

本发明实施例提供的确定分类标签的方法，通过第二预设异常特征对照图片集，能够确定细节模糊图片是否有异常特征，进而细分图片分类，进一步能够提高样本图片的分类标签选择的合理性和准确度。

在上述实施例的基础上，所述原始图片是通过胶囊内镜拍摄的、所述待检测目标部位为胃部；相应的，所述拍摄部位包括：

在所述胶囊内镜入口之前拍摄的图片、在食道中拍摄的图片、口腔图片、肠道图片。

具体的，装置中的所述拍摄部位包括：

在所述胶囊内镜入口之前拍摄的图片、在食道中拍摄的图片、口腔图片、肠道图片。需要说明的是：胶囊内镜入口之前拍摄的图片、在食道中拍摄的图片和肠道图片可以直接确定为干扰图片，而口腔图片中的真实口腔图片也可以直接确定为干扰图片。

本发明实施例提供的确定分类标签的方法，通过限定具体类型的拍摄部位，进一步能够提高样本图片的分类标签选择的合理性和准确度。

在上述实施例的基础上，所述方法还包括：

将所述口腔图片与第三预设异常特征对照图片集进行特征比对；所述第三预设异常特征对照图片集为类似口腔的胃部对照图片集；其中，异常特征包括凸起特征和/或指定颜色特征。

具体的，装置将所述口腔图片与第三预设异常特征对照图片集进行特征比对；所述第三预设异常特征对照图片集为类似口腔的胃部对照图片集；其中，异常特征包括凸起特征和/或指定颜色特征。需要说明的是：该口腔图片还不能完全确定是真实的口腔图片，因为有些口腔图片与胃部图片特征相似程度极高，不易区分，因此，进一步地，可以通过第三预设异常特征对照图片集进行更精细的特征比对，即第三预设异常特征对照图片集中所包含的对照图片集是胃部图片，但与真实口腔图片类似，可以通过相似度参数来表示，即与真实口腔图片之间相似度参数高于阈值的胃部图片作为胃部对照图片集中的图片，通过将口腔图片(待确认的口腔图片)与第三预设异常特征对照图片集中的图片进行特征比对，如果特征不匹配(即比对结果不一致)，则说明该待确认的口腔图片为真实口腔图片，可以作为干扰图片。如果特征匹配(即比对结果一致)，则说明该待确认的口腔图片为胃部图片，需要再次进行图片识别。

将比对结果为一致的口腔图片确定为胃部图片。

具体的，装置将比对结果为一致的口腔图片确定为胃部图片。可参照上述实施例，不再赘述。

将比对结果为不一致的口腔图片确定为真实口腔图片。

具体的，装置将比对结果为不一致的口腔图片确定为真实口腔图片。可参照上述实施例，不再赘述。

本发明实施例提供的确定分类标签的方法，通过第三预设异常特征对照图片集，能够确定待确认的口腔图片是否为真实的口腔图片，进而细分图片分类，进一步能够提高样本图片的分类标签选择的合理性和准确度。

图12为本发明确定分类标签的装置实施例结构示意图，如图12所示，本发明实施例提供了一种确定分类标签的装置，包括获取单元1201和分类单元1202，其中：

获取单元1201用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；分类单元1202用于对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

具体的，获取单元1201用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；分类单元1202用于对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

本发明实施例提供的确定分类标签的装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括一类域外分类标签，能够提高样本图片的分类标签选择的合理性和准确度。

本发明实施例提供的确定分类标签的装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

图13为本发明实施例提供的电子设备实体结构示意图，如图13所示，所述电子设备包括：处理器(processor)1301、存储器(memory)1302和总线1303；

其中，所述处理器1301、存储器1302通过总线1303完成相互间的通信；

所述处理器1301用于调用所述存储器1302中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

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的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种确定分类标签的方法，其特征在于，包括：

获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；

所述原始图片和样本图片都是通过胶囊内镜拍摄的，所述胶囊内镜自动识别消化道的不同部位；

对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的；

所述拍摄缺陷包括：

全曝光图片、全黑图片、半曝光图片、局部曝光图片、结构模糊图片和细节模糊图片；其中，所述全曝光图片、所述半曝光图片和所述局部曝光图片是根据图片曝光区域的面积进行区分的；所述结构模糊图片和所述细节模糊图片是根据图片模糊区域的面积进行区分的；

将所述细节模糊图片与第二预设异常特征对照图片集进行特征比对；所述第二预设异常特征对照图片集为包含有模糊图像背景的异常特征对照图片集；其中，异常特征包括凸起特征和/或指定颜色特征；

将比对结果为无异常特征的细节模糊图片确定为干扰图片；

将比对结果为有异常特征的细节模糊图片确定为异常特征图片。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述半曝光图片和所述局部曝光图片分别与异常特征第一预设异常特征对照图片集进行特征比对；所述异常特征第一预设异常特征对照图片集为图像清晰的异常特征对照图片集，其中，异常特征包括凸起特征和/或指定颜色特征；

将比对结果为无异常特征的半曝光图片和无异常特征的局部曝光图片确定为干扰图片；

将比对结果为有异常特征的半曝光图片和有异常特征的局部曝光图片确定为异常特征图片。

3.根据权利要求1至2任一所述的方法，其特征在于，所述待检测目标部位为胃部；相应的，所述拍摄部位包括：

在所述胶囊内镜入口之前拍摄的图片、在食道中拍摄的图片、口腔图片、肠道图片。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

将所述口腔图片与第三预设异常特征对照图片集进行特征比对；所述第三预设异常特征对照图片集为类似口腔的胃部对照图片集；其中，异常特征包括凸起特征和/或指定颜色特征；

将比对结果为一致的口腔图片确定为胃部图片；

将比对结果为不一致的口腔图片确定为真实口腔图片。

5.一种确定分类标签的装置，其特征在于，包括：

获取单元，用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；

所述原始图片和样本图片是通过胶囊内镜拍摄的，所述胶囊内镜自动识别消化道的不同部位；

分类单元，用于对所有样本图片进行分类；其中，分类类型包括一类域外分类标签；所述一类域外分类标签是基于所述原始图片的拍摄缺陷、与待检测目标部位无关的拍摄部位确定的；

所述拍摄缺陷包括：

全曝光图片、全黑图片、半曝光图片、局部曝光图片、结构模糊图片和细节模糊图片；其中，所述全曝光图片、所述半曝光图片和所述局部曝光图片是根据图片曝光区域的面积进行区分的；所述结构模糊图片和所述细节模糊图片是根据图片模糊区域的面积进行区分的；

所述分类单元，还用于将所述细节模糊图片与第二预设异常特征对照图片集进行特征比对；所述第二预设异常特征对照图片集为包含有模糊图像背景的异常特征对照图片集；其中，异常特征包括凸起特征和/或指定颜色特征；

将比对结果为无异常特征的细节模糊图片确定为干扰图片；

将比对结果为有异常特征的细节模糊图片确定为异常特征图片。

6.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，

所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。

7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。

Images