[发明专利]一种小样本皮肤图像分类方法

说明书

一种小样本皮肤图像分类方法，包括以下步骤：S1：初始化分类器，包括分类器结构初始化和分类器权重初始化；S2：获取图像数据；S3：对数据进行分类和标记；S4：HOG梯度特征提取，LBP纹理特征提取；S5：迭代更新分类器；S6：判断分类器是否达到精度要求，若是，则保存当前参数并结束程序，若否，则继续训练。本发明所述的方法集合了HOG和LBP两种特征提取方法，同时结合深度学习，具有高识别精度的优势。

技术领域

本发明涉及深度学习、方向梯度直方图(Histogram of Oriented Gradient,HOG)和局部二值模式(Local Binary Pattern，LBP)，尤其是一种小样本皮肤图像分类方法。

背景技术

面部皮肤是全身皮肤的橱窗，同时也是全身仪表的象征，所以面部皮肤健康的情况对人们的精神影响极大，牵扯到生活、家庭、社交、学习和工作等方面。因此，面部皮肤的健康情况越来越受到人们的重视。

目前，国内的皮肤质量评价大多依靠美容师主观判断，受主观因素影响较大，不能精确定量，信息丢失量大，方法复杂，花费时间多，不能对长期的治疗保养效果进行科学评估。但在国外，如德国和日本等，在该领域研究颇深，远远领先于我国，能够利用仪器和特性算法，科学快速的评估皮肤表面皱纹、毛孔、斑点等的大小和数量并作出分级，让客人很清楚的看到自己的皮肤状况和存在的问题，从而更好的配合美容师和皮肤科医生的治疗。

深度学习是机器学习领域一个新兴的研究方向，它通过模仿人脑结构，实现对复杂输入数据的高效处理，智能地学习不同的知识，而且能够有效地解决多类复杂的智能问题。随着大数据时代的到来和计算机硬件的巨大进步，深度学习技术尤其是卷积神经网络(convolutional neural network，CNN)，在图像分类、检测等很多任务中相对传统模式识别方法取得了令人瞩目的突破。CNN本质上是一个多层、高度非线性的神经网络，可充分挖掘高维数据中存在的内在结构，自发地从原始数据中习得有用的特征表达。就图像分类任务而言，相对于传统方法多步骤、过程复杂的特点，CNN往往是“端到端”模型，即输入一张图像，便能输出该图像类别。

相比于单纯利用传统方法和人眼观察，在皮肤分析领域引入深度学习方法能够更准确更科学地对皮肤情况进行分类和分级。虽然这是一条行之有效的思路，可问题同样不容忽视。众所周知，深度学习方法在视觉认知任务中已经取得了巨大的成功，但是这些监督学习方法需要大量的标注数据和多次迭代去训练他们的参数，而在现实情况下获取足够的标注数据需要耗费大量的人力物力资源，因此，针对特定任务探索出一种小样本皮肤图像分类方法是极其有必要的。

目前国内基于深度学习的皮肤处理方法专利较少，而加入分类和少量样本这两个前提条件后使得相关专利更为匮乏。其中专利201711275019.7提出了一种基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统，但此发明具有较强的针对性且最终目的是为了分割皮肤图片中的病变部分。而本专利提出的方法适用于大部分皮肤情况，如毛孔、皱纹等，的分级和分类，具有较好的应用前景和较高的应用价值。

发明内容

为了实现少样本图片分类的目的，本发明结合传统特征提取方法和深度学习方法两种技术，提出一种分类精度较高的小样本皮肤图像分类方法。

本发明为解决上述技术问题所采用的技术方案如下：

一种小样本皮肤图像分类方法，包括以下步骤：

S1：初始化分类器，包括分类器结构初始化和分类器权重初始化；

S2：获取图像数据；

S3：对数据进行分类和标记；

S4：HOG梯度特征提取，LBP纹理特征提取；

S5：迭代更新分类器；

S6：判断分类器是否达到精度要求，若是，则保存当前参数并结束程序，若否，则继续训练。