[发明专利]一种基于卷积神经网络的腐腻苔分类算法

权利要求书

1.一种基于卷积神经网络的腐腻苔分类算法，其特征在于，包括以下步骤：

根据舌象集内的舌象图片生成多个腐腻子图像、可疑腐腻子图像和正常子图像，其中所述腐腻子图像和正常子图像分别由确信的腐腻苔舌象和正常苔舌象生成；

以腐腻子图像和正常子图像作为训练卷积神经网络的数据集，得到可提取腐腻特征的卷积神经网络模型；

以可疑腐腻子图像作为训练多示例支持向量机分类器的数据集，将数据集输入特征提取器，即训练好的可提取腐腻特征的卷积神经网络，输出每个可疑腐腻子图像对应的特征向量，以该特征向量作为示例，按每张可疑腐腻子图像打包，按包分成训练集和测试集，通过训练集对多示例支持向量机分类器进行训练和验证；

将测试集输入训练好的多示例支持向量机分类器，输出预测结果；

可疑腐腻子图像的生成步骤为：

标记舌象图片内舌体的外接矩形；

在距离舌体顶部的设定距离标记水平线，并标记该水平线与舌体左右边缘相交点；

以所述水平线上除与舌体左右边缘相交点之外的点作为正方形块的顶点或中点，通过设置不同的步长对舌象图片进行切割，得到若干不同大小和数量的正方形块，经过多次实验得到最合适的步长和正方形边长，以此步长和正方形边长得到的正方形区域即为可疑腐腻子图像所在区域。

2.根据权利要求1所述的一种基于卷积神经网络的腐腻苔分类算法，其特征在于，多示例支持向量机分类器的训练步骤为：

将训练集按包分成多份，在每一次多示例支持向量机分类器训练时，其中一份用于验证精度，其余份用于训练，得到多示例支持向量机分类器模型，并输出验证结果。

3.根据权利要求1所述的一种基于卷积神经网络的腐腻苔分类算法，其特征在于，卷积神经网络的训练步骤为：

以腐腻子图像和正常子图像作为数据集，以数据集中的部分图像来训练卷积神经网络，数据集中的其余图像作为验证集来验证卷积神经网络，完成卷积神经网络的训练和验证。

4.根据权利要求1所述的一种基于卷积神经网络的腐腻苔分类算法，其特征在于，在生成腐腻子图像和正常子图像时，还对腐腻子图像和正常子图像的像素进行调整。

5.根据权利要求1所述的一种基于卷积神经网络的腐腻苔分类算法，其特征在于，在得出多示例支持向量机分类器模型的同时，还输出验证结果，并以多次训练的验证结果的均值作为该模型的验证精度。

6.根据权利要求1所述的一种基于卷积神经网络的腐腻苔分类算法，其特征在于，所述特征提取器由去除了最后一层的卷积神经网络模型生成。