发明内容
本发明提供一种基于人脸面容的辅诊方法、装置及计算机可读存储介质,其主要目的在于解决辅诊准确率较低的问题。
为实现上述目的,本发明提供的一种基于人脸面容的辅诊方法,包括:
对原始面容图像集中的面容图像进行降噪处理,得到面容降噪图像集;
利用预训练的生成模型对所述面容降噪图像集中的图像进行面容几何归一化处理,得到面容几何图像集;
利用预设的光损耗法对所述面容几何图像集中的图像进行灰度归一化处理,得到标准面容图像集;
利用所述标准面容图像集训练预构建的面容分类模型,得到面容辅诊模型;
利用所述面容辅诊模型对待分类面容图像进行分类,得到分类辅诊结果。
可选地,所述对原始面容图像集中的面容图像进行降噪处理,得到面容降噪图像集,包括:
利用预设的滑动窗口对所述原始面容图像集中的面容图像进行像素点选取;
将所述滑动窗口中的像素点进行灰度值大小排序,得到灰度值序列;
判断所述灰度值序列中像素点的个数;
若所述灰度值序列有奇数个像素点,则取所述灰度值序列中间一个像素点的灰度值替换所述滑动窗口中指定点的灰度值,得到灰度值替换面容图像;
若所述灰度值序列有偶数个像素点,则取所述灰度值序列中间两个像素点的平均灰度值替换所述滑动窗口中指定点的灰度值,得到灰度值替换面容图像;
汇总所有所述灰度值替换面容图像,得到所述面容降噪图像集。
可选地,所述利用预训练的生成模型对所述面容降噪图像集中的图像进行面容几何归一化处理之前,所述方法还包括:
获取原始人脸训练集,利用预构建的生成式对抗网络中的生成模型对所述原始人脸训练集中的人脸图像进行人脸几何矫正,得到模拟人脸训练集;
利用所述生成式对抗网络中的判别模型对所述模拟人脸训练集中的人脸图像进行真假判断,根据所述真假判断的结果构建目标函数,直至所述目标函数满足预设的阈值时,提取所述生成式对抗网络中的生成模型作为所述预训练的生成模型。
可选地,所述目标函数为:
其中,G表示生成模型,D表示判别模型,
表示生成模型最小化,
表示判别模型最大化,D(x)为判别模型判断真实图像是否真实的概率,G(z)为生成模型生成的模拟图像,D(G(z))是判别模型判断所述模拟图像的是否真实的概率,
为真实图像的分布,
为模拟图像的分布。
可选地,所述利用预设的光损耗法对所述面容几何图像集中的图像进行灰度归一化处理,得到标准面容图像集,包括:
计算所述面容几何图像集中的图像的灰度值均值,并判断图像的灰度值与所述灰度值均值的大小关系;
当所述面容几何图像集中图像的灰度值大于所述灰度值均值时,则利用预设的插值法对所述面容几何图像集中的图像进行灰度归一化处理;
当所述面容几何图像集中图像的灰度值小于等于所述灰度值均值时,则利用预设的传统光补偿法对所述面容几何图像集中的图像进行灰度归一化处理;
汇总所有灰度归一化后的图像,得到所述标准面容图像集。
可选地,所述利用所述标准面容图像集训练预构建的面容分类模型,得到面容辅诊模型,包括:
利用所述面容分类模型提取所述标准面容图像集中的图像信息;
对所述图像信息进行卷积处理,得到压缩图像矩阵;
对所述压缩图像矩阵进行池化处理,得到图像特征;
对所述图像特征进行预设轮数的卷积-池化处理,直至所述面容分类模型收敛,得到所述面容辅诊模型。
可选地,所述利用所述面容辅诊模型对待分类面容图像进行分类,得到分类辅诊结果,包括:
对所述待分类面容图像进行预处理,得到标准待分类图像;
利用所述面容辅诊模型对所述标准待分类图像进行分类,得到分类图像矩阵;
基于所述分类图像矩阵,利用预设的分类函数计算所述待分类面容图像的分类概率,选取预设数量的所述分类概率作为基于面容的分类辅诊结果。
为了解决上述问题,本发明还提供一种基于人脸面容的辅诊装置,所述装置包括:
面容图像降噪模块,用于对原始面容图像集中的面容图像进行降噪处理,得到面容降噪图像集;
几何归一化模块,用于利用预训练的生成模型对所述面容降噪图像集中的图像进行面容几何归一化处理,得到面容几何图像集;
灰度归一化模块,用于利用预设的光损耗法对所述面容几何图像集中的图像进行灰度归一化处理,得到标准面容图像集;
辅诊模型训练模块,用于利用所述标准面容图像集训练预构建的面容分类模型,得到面容辅诊模型;
图像分类模块,用于利用所述面容辅诊模型对待分类面容图像进行分类,得到分类辅诊结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于人脸面容的辅诊方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于人脸面容的辅诊方法。
本发明通过对原始图像集中的图像进行降噪处理,得到降噪图像集,并且利用预训练的生成模型及预设的光损耗法对所述降噪图像集中的图像进行几何归一化、灰度归一化处理,提高了图像特征的丰富程度。并且,利用所述标准图像集训练预构建的分类模型,得到图像分类模型,提高了模型的识别分类能力。同时,利用所述图像分类模型可以直接根据待分类图像(如患者面容),直接得到分类辅诊结果,不需要向患者进行多轮询问引导,进一步提高了辅诊的效率,也提高了患者对自身病症不了解时辅诊的准确率。因此本发明提出的基于人脸面容的辅诊方法、装置、电子设备及计算机可读存储介质,可以解决传统辅诊准确率及效率较低的问题。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于人脸面容的辅诊方法。所述基于人脸面容的辅诊方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于人脸面容的辅诊方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于人脸面容的辅诊方法的流程示意图。在本实施例中,所述基于人脸面容的辅诊方法包括:
S1、对原始面容图像集中的面容图像进行降噪处理,得到面容降噪图像集。
本发明一可选实施例中,所述原始面容图像集可以为不同类型疾病下,患者所表现出来的不同病容图像。其中,所述原始面容图像集的获取方式包括:在线读取及离线上传。比如,通过合作医疗机构以及公共医疗数据平台,在线读取不同类别疾病下的大量患者的病容图像数据,以及根据文件夹路径进行本地大规模患者病容图像数据的上传。
具体地,参照图2所示,所述对原始面容图像集中的面容图像进行降噪处理,得到面容降噪图像集,包括:
S10、利用预设的滑动窗口对所述原始面容图像集中的面容图像进行像素点选取;
S11、将所述滑动窗口中的像素点进行灰度值大小排序,得到灰度值序列;
S12、判断所述灰度值序列中像素点的个数;
若所述灰度值序列有奇数个像素点,则执行S13、取所述灰度值序列中间一个像素点的灰度值替换所述滑动窗口中指定点的灰度值;
若所述灰度值序列有偶数个像素点,则执行S14、取所述灰度值序列中间两个像素点的平均灰度值替换所述滑动窗口中指定点的灰度值;
S15、汇总所有所述灰度值替换面容图像,得到所述面容降噪图像集。
本发明一可选实施例中,可以使用中值滤波方法对所述所述原始面容图像集中的图像进行降噪处理,所述中值滤波方法是一种非线性的信号处理方法,可以在一定程度上克服线性滤波所带来的图像细节模糊,而且它对滤除脉冲干扰和图像扫描噪声非常有效。
所述中值滤波方法一般采用一个含有若干个点的滑动窗口,利用所述滑动窗口中各像素点灰度值的中值来代替指定点(可以是滑动窗口的中心点)的灰度值。其中,如果所述滑动窗口中有奇数个元素,中值取像素点按灰度值大小排序后的中间像素点的灰度值;如果窗口中有偶数个元素,中值取像素点按灰度值大小排序后,中间两个像素点灰度值的平均值。
进一步地,本发明实施例中,通过对所述原始面容图像集中的图像进行降噪处理,不仅可以去除孤点噪声等,而且可以保持图像的边缘特性,不会使图像产生显著的模糊,提高了模型训练的效率。
S2、利用预训练的生成模型对所述面容降噪图像集中的图像进行面容几何归一化处理,得到面容几何图像集。
本发明一可选实施例中,所述预训练的生成模型可以通过生成式对抗网络(GAN,Generative Adversarial Networks)得到,所述生成式对抗网络是一种深度学习模型,包括生成模型(Generative Model)和判别模型(Discriminative Model),所述生成模型用来依据原始图像训练集(如:真实的歪头人脸图像集)生成模拟图像训练集(如:模拟的正向人脸图像集)。所述判别模型用来判断所述模拟图像训练集和真实图像训练集(如:真实的正向人脸图像集)的真假,直至判别模型无法很好地辨别真假正向人脸图像的时候,说明生成模型可以较好地将歪头人脸图像矫正至几乎可以以假乱真的模拟正向人脸图像。
具体地,参照图3所示,所述利用预训练的生成模型对所述面容降噪图像集中的图像进行面容几何归一化处理之前,所述方法还包括:
S20、获取原始人脸训练集,利用预构建的生成式对抗网络中的生成模型对所述原始人脸训练集中的人脸图像进行人脸几何矫正,得到模拟人脸训练集;
S21、利用所述生成式对抗网络中的判别模型对所述模拟人脸训练集中的人脸图像进行真假判断,根据所述真假判断的结果构建目标函数,直至所述目标函数满足预设的阈值时,提取所述生成式对抗网络中的生成模型作为所述预训练的生成模型。
本发明实施例中,所述目标函数可以为:
其中,G表示生成模型,D表示判别模型,
表示生成模型最小化,
表示判别模型最大化,D(x)为判别模型判断真实图像是否真实的概率,G(z)为生成模型生成的模拟图像,D(G(z))是判别模型判断所述模拟图像的是否真实的概率,
为真实图像的分布,
为模拟图像的分布。
以人脸图像为例,生成式对抗网络(GAN)的任务是要让判别模型(D)对生成模型(G)生成的模拟正向人脸图像的判别能力越来越差,即最大化(max)判别模型(D)的误差,同时又希望让生成模型(G)基于歪头人脸图像生成的模拟正向人脸图像与真实正向人脸图像的差距越来越小,即最小化(min)生成模型(G)的误差。
本发明实施例中,利用所述生成式对抗网络得到的所述生成模型,可以更好地对所述降噪图像集中的图像进行几何矫正,提高了模型识别的准确率。
S3、利用预设的光损耗法对所述面容几何图像集中的图像进行灰度归一化处理,得到标准面容图像集。
本发明一可选实施例中,所述预设的光损耗法包括插值法及传统光补偿法,所述插值法可以为Cubic插值法,所述Cubic插值法又称三次样条插值法,由于图像顶部的光源比底部的光源强度更大,且自上而下存在一个光强度逐渐衰弱的过程,所述Cubic插值法基于最顶部的人脸图像像素的灰度值为基础,往下进行逐渐衰减的光损耗操作,使人脸图像接近自然光照条件下的人脸图像。
详细地,参照图4所示,所述利用预设的光损耗法对所述面容几何图像集中的图像进行灰度归一化处理,得到标准面容图像集,包括:
S30、计算所述面容几何图像集中的图像的灰度值均值,并判断图像的灰度值与所述灰度值均值的大小关系;
当所述面容几何图像集中图像的灰度值大于所述灰度值均值时,则执行S31、利用预设的插值法对所述面容几何图像集中的图像进行灰度归一化处理;
当所述面容几何图像集中图像的灰度值小于等于所述灰度值均值时,则执行S32、利用预设的传统光补偿法对所述面容几何图像集中的图像进行灰度归一化处理;
S33、汇总所有灰度归一化后的图像,得到所述标准面容图像集。
本发明实施例中,可以利用下述公式对所述几何图像集中的图像进行灰度归一化处理:
N(i,j)=Cubic(I(i,j)),I(i,j)>M (1)
其中,(1)为所述插值法的公式,(2)为传统光补偿法的公式,I(i,j)、M、V分别为灰度归一化处理前的图像灰度值、均值、方差,N(i,j)、M0、V0分别为灰度归一化处理后的图像灰度值、均值、方差。
本发明实施例中,利用预设的光损耗法对所述几何图像集中的图像进行灰度归一化处理,使得得到的标准图像的特征更加丰富,提高了模型训练的效率。
S4、利用所述标准面容图像集训练预构建的面容分类模型,得到面容辅诊模型。
本发明实施例中,所述预构建的分类模型可以为深度神经网络(Deep NeuralNetwork),所述预构建的分类模型包括卷积层、最大池化层及全连接层。所述卷积层对所述标准图像进行卷积处理,将所述标准图像的像素点矩阵化压缩,再通过最大池化层,进一步提取出标准图像的关键特征点,最后通过全连接层进行特征输出。
具体地,参照图5所示,所述利用所述标准面容图像集训练预构建的面容分类模型,得到面容辅诊模型,包括:
S40、利用所述面容分类模型提取所述标准面容图像集中的图像信息;
S41、对所述图像信息进行卷积处理,得到压缩图像矩阵;
S42、对所述压缩图像矩阵进行池化处理,得到图像特征;
S43、对所述图像特征进行预设轮数的卷积-池化处理,直至所述面容分类模型收敛,得到所述面容辅诊模型。
本发明实施例通过所述标准图像集训练预构建的分类模型,得到图像分类模型,由于所述标准图像集中的图像经过几何归一化、灰度归一化处理,图像特征更加丰富,使得得到的图像分类模型对图像的分类更加准确。
S5、利用所述面容辅诊模型对待分类面容图像进行分类,得到分类辅诊结果。
本发明一可选实施例中,所述待分类面容图像可以为候诊患者的病容图像,可以通过离线上传图像的方式,也可以通过摄像头实时采集像。
具体地,所述利用所述面容辅诊模型对待分类面容图像进行分类,得到分类辅诊结果,包括:
对所述待分类面容图像进行预处理,得到标准待分类图像;
利用所述面容辅诊模型对所述标准待分类图像进行分类,得到分类图像矩阵;
基于所述分类图像矩阵,利用预设的分类函数计算所述待分类面容图像的分类概率,选取预设数量的所述分类概率作为基于面容的分类辅诊结果。
本发明实施例中,对所述待分类图像进行预处理是指,基于所述图像分类模型中的参数,对所述待分类图像的尺寸、大小等进行一致的图像处理,以确保模型参数的一致性。
本发明实施例中,所述预设的分类函数可以为:
其中,P(k)为第k种病的分类概率,n为所有病的总数,wk为所述面容辅诊模型中的网络权重,xT为所述分类图像矩阵。
比如,所述分类辅诊结果可以为:
{“疾病名称1”:“概率1”},
{“疾病名称2”:“概率2”},
{“疾病名称k”:“可能性/概率k”}
本发明实施例中,利用所述面容辅诊模型对待分类图像进行分类,可以提高辅诊的准确率及效率。
本发明通过对原始图像集中的图像进行降噪处理,得到降噪图像集,并且利用预训练的生成模型及预设的光损耗法对所述降噪图像集中的图像进行几何归一化、灰度归一化处理,提高了图像特征的丰富程度。并且,利用所述标准图像集训练预构建的分类模型,得到图像分类模型,提高了模型的识别分类能力。同时,利用所述图像分类模型可以直接根据待分类图像(如患者面容),直接得到分类辅诊结果,不需要向患者进行多轮询问引导,进一步提高了辅诊的效率,也提高了患者对自身病症不了解时辅诊的准确率。因此本发明实施例可以解决传统辅诊准确率及效率较低的问题。
如图6所示,是本发明一实施例提供的基于人脸面容的辅诊装置的功能模块图。
本发明所述基于人脸面容的辅诊装置100可以安装于电子设备中。根据实现的功能,所述基于人脸面容的辅诊装置100可以包括面容图像降噪模块101、几何归一化模块102、灰度归一化模块103、辅诊模型训练模块104及图像分类模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述面容图像降噪模块101,用于对原始面容图像集中的面容图像进行降噪处理,得到面容降噪图像集。
本发明一可选实施例中,所述原始面容图像集可以为不同类型疾病下,患者所表现出来的不同病容图像。其中,所述原始面容图像集的获取方式包括:在线读取及离线上传。比如,通过合作医疗机构以及公共医疗数据平台,在线读取不同类别疾病下的大量患者的病容图像数据,以及根据文件夹路径进行本地大规模患者病容图像数据的上传。
具体地,所述面容图像降噪模块101通过下述操作得到得到面容降噪图像集:
利用预设的滑动窗口对所述原始面容图像集中的面容图像进行像素点选取;
将所述滑动窗口中的像素点进行灰度值大小排序,得到灰度值序列;
判断所述灰度值序列中像素点的个数;
若所述灰度值序列有奇数个像素点,则取所述灰度值序列中间一个像素点的灰度值替换所述滑动窗口中指定点的灰度值;
若所述灰度值序列有偶数个像素点,则取所述灰度值序列中间两个像素点的平均灰度值替换所述滑动窗口中指定点的灰度值;
汇总所有所述灰度值替换面容图像,得到所述面容降噪图像集。
本发明一可选实施例中,可以使用中值滤波方法对所述所述原始面容图像集中的图像进行降噪处理,所述中值滤波方法是一种非线性的信号处理方法,可以在一定程度上克服线性滤波所带来的图像细节模糊,而且它对滤除脉冲干扰和图像扫描噪声非常有效。
所述中值滤波方法一般采用一个含有若干个点的滑动窗口,利用所述滑动窗口中各像素点灰度值的中值来代替指定点(可以是滑动窗口的中心点)的灰度值。其中,如果所述滑动窗口中有奇数个元素,中值取像素点按灰度值大小排序后的中间像素点的灰度值;如果窗口中有偶数个元素,中值取像素点按灰度值大小排序后,中间两个像素点灰度值的平均值。
进一步地,本发明实施例中,通过对所述原始面容图像集中的图像进行降噪处理,不仅可以去除孤点噪声等,而且可以保持图像的边缘特性,不会使图像产生显著的模糊,提高了模型训练的效率。
所述几何归一化模块102,用于利用预训练的生成模型对所述面容降噪图像集中的图像进行面容几何归一化处理,得到面容几何图像集。
本发明一可选实施例中,所述预训练的生成模型可以通过生成式对抗网络(GAN,Generative Adversarial Networks)得到,所述生成式对抗网络是一种深度学习模型,包括生成模型(Generative Model)和判别模型(Discriminative Model),所述生成模型用来依据原始图像训练集(如:真实的歪头人脸图像集)生成模拟图像训练集(如:模拟的正向人脸图像集)。所述判别模型用来判断所述模拟图像训练集和真实图像训练集(如:真实的正向人脸图像集)的真假,直至判别模型无法很好地辨别真假正向人脸图像的时候,说明生成模型可以较好地将歪头人脸图像矫正至几乎可以以假乱真的模拟正向人脸图像。
详细地,所述几何归一化模块102对所述面容降噪图像集中的图像进行面容几何归一化处理之前,还包括:
获取原始人脸训练集,利用预构建的生成式对抗网络中的生成模型对所述原始人脸训练集中的人脸图像进行人脸几何矫正,得到模拟人脸训练集;
利用所述生成式对抗网络中的判别模型对所述模拟人脸训练集中的人脸图像进行真假判断,根据所述真假判断的结果构建目标函数,直至所述目标函数满足预设的阈值时,提取所述生成式对抗网络中的生成模型作为所述预训练的生成模型。
本发明实施例中,所述目标函数可以为:
其中,G表示生成模型,D表示判别模型,
表示生成模型最小化,
表示判别模型最大化,D(x)为判别模型判断真实图像是否真实的概率,G(z)为生成模型生成的模拟图像,D(G(z))是判别模型判断所述模拟图像的是否真实的概率,
为真实图像的分布,
为模拟图像的分布。
以人脸图像为例,生成式对抗网络(GAN)的任务是要让判别模型(D)对生成模型(G)生成的模拟正向人脸图像的判别能力越来越差,即最大化(max)判别模型(D)的误差,同时又希望让生成模型(G)基于歪头人脸图像生成的模拟正向人脸图像与真实正向人脸图像的差距越来越小,即最小化(min)生成模型(G)的误差。
本发明实施例中,利用所述生成式对抗网络得到的所述生成模型,可以更好地对所述降噪图像集中的图像进行几何矫正,提高了模型识别的准确率。
所述灰度归一化模块103,用于利用预设的光损耗法对所述面容几何图像集中的图像进行灰度归一化处理,得到标准面容图像集。
本发明一可选实施例中,所述预设的光损耗法包括插值法及传统光补偿法,所述插值法可以为Cubic插值法,所述Cubic插值法又称三次样条插值法,由于图像顶部的光源比底部的光源强度更大,且自上而下存在一个光强度逐渐衰弱的过程,所述Cubic插值法基于最顶部的人脸图像像素的灰度值为基础,往下进行逐渐衰减的光损耗操作,使人脸图像接近自然光照条件下的人脸图像。
详细地,所述灰度归一化模块103通过下述操作得到标准面容图像集:
计算所述面容几何图像集中的图像的灰度值均值,并判断图像的灰度值与所述灰度值均值的大小关系;
当所述面容几何图像集中图像的灰度值大于所述灰度值均值时,则利用预设的插值法对所述面容几何图像集中的图像进行灰度归一化处理;
当所述面容几何图像集中图像的灰度值小于等于所述灰度值均值时,则利用预设的传统光补偿法对所述面容几何图像集中的图像进行灰度归一化处理;
汇总所有灰度归一化后的图像,得到所述标准面容图像集。
本发明实施例中,可以利用下述公式对所述几何图像集中的图像进行灰度归一化处理:
N(i,j)=Cubic(I(i,j)),I(i,j)>M (1)
其中,(1)为所述插值法的公式,(2)为传统光补偿法的公式,I(i,j)、M、V分别为灰度归一化处理前的图像灰度值、均值、方差,N(i,j)、M0、V0分别为灰度归一化处理后的图像灰度值、均值、方差。
本发明实施例中,利用预设的光损耗法对所述几何图像集中的图像进行灰度归一化处理,使得得到的标准图像的特征更加丰富,提高了模型训练的效率。
所述辅诊模型训练模块104,用于利用所述标准面容图像集训练预构建的面容分类模型,得到面容辅诊模型。
本发明实施例中,所述预构建的分类模型可以为深度神经网络(Deep NeuralNetwork),所述预构建的分类模型包括卷积层、最大池化层及全连接层。所述卷积层对所述标准图像进行卷积处理,将所述标准图像的像素点矩阵化压缩,再通过最大池化层,进一步提取出标准图像的关键特征点,最后通过全连接层进行特征输出。
具体地,所述辅诊模型训练模块104通过下述操作得到面容辅诊模型:
利用所述面容分类模型提取所述标准面容图像集中的图像信息;
对所述图像信息进行卷积处理,得到压缩图像矩阵;
对所述压缩图像矩阵进行池化处理,得到图像特征;
对所述图像特征进行预设轮数的卷积-池化处理,直至所述面容分类模型收敛,得到所述面容辅诊模型。
本发明实施例通过所述标准图像集训练预构建的分类模型,得到图像分类模型,由于所述标准图像集中的图像经过几何归一化、灰度归一化处理,图像特征更加丰富,使得得到的图像分类模型对图像的分类更加准确。
所述图像分类模块105,用于利用所述面容辅诊模型对待分类面容图像进行分类,得到分类辅诊结果。
本发明一可选实施例中,所述待分类面容图像可以为候诊患者的病容图像,可以通过离线上传图像的方式,也可以通过摄像头实时采集像。
具体地,所述图像分类模块105通过下述操作得到分类辅诊结果:
对所述待分类面容图像进行预处理,得到标准待分类图像;
利用所述面容辅诊模型对所述标准待分类图像进行分类,得到分类图像矩阵;
基于所述分类图像矩阵,利用预设的分类函数计算所述待分类面容图像的分类概率,选取预设数量的所述分类概率作为基于面容的分类辅诊结果。
本发明实施例中,对所述待分类图像进行预处理是指,基于所述图像分类模型中的参数,对所述待分类图像的尺寸、大小等进行一致的图像处理,以确保模型参数的一致性。
本发明实施例中,所述预设的分类函数可以为:
其中,P(k)为第k种病的分类概率,n为所有病的总数,wk为所述面容辅诊模型中的网络权重,xT为所述分类图像矩阵。
比如,所述分类辅诊结果可以为:
{“疾病名称1”:“概率1”},
{“疾病名称2”:“概率2”},
{“疾病名称k”:“可能性/概率k”}
本发明实施例中,利用所述面容辅诊模型对待分类图像进行分类,可以提高辅诊的准确率及效率。
如图7所示,是本发明一实施例提供的实现基于人脸面容的辅诊方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于人脸面容的辅诊程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于人脸面容的辅诊程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于人脸面容的辅诊程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于人脸面容的辅诊程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
对原始面容图像集中的面容图像进行降噪处理,得到面容降噪图像集;
利用预训练的生成模型对所述面容降噪图像集中的图像进行面容几何归一化处理,得到面容几何图像集;
利用预设的光损耗法对所述面容几何图像集中的图像进行灰度归一化处理,得到标准面容图像集;
利用所述标准面容图像集训练预构建的面容分类模型,得到面容辅诊模型;
利用所述面容辅诊模型对待分类面容图像进行分类,得到分类辅诊结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
对原始面容图像集中的面容图像进行降噪处理,得到面容降噪图像集;
利用预训练的生成模型对所述面容降噪图像集中的图像进行面容几何归一化处理,得到面容几何图像集;
利用预设的光损耗法对所述面容几何图像集中的图像进行灰度归一化处理,得到标准面容图像集;
利用所述标准面容图像集训练预构建的面容分类模型,得到面容辅诊模型;
利用所述面容辅诊模型对待分类面容图像进行分类,得到分类辅诊结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。