一种基于支持向量机的烧伤创面深度分类系统

技术领域

本发明涉及图像处理领域，尤其是涉及了一种基于支持向量机的烧伤创面深度分类系统。

背景技术

烧伤是一种常见的外伤性疾病，具有很高的发病率和死亡率。烧伤的治疗首先需要对烧伤创面的深度进行准确可靠的诊断。早期的有效治疗能够减轻患者的负担，某些情况下可以挽救患者的生命。对于烧伤创面深度的诊断采用较多的是三度四分法。三度四分法把烧伤创面按照烧伤的严重程度和临床表现分为一度烧伤、浅二度烧伤、深二度烧伤和三度烧伤。其中一度烧伤的严重程度最轻，浅二度烧伤、深二度烧伤和三度烧伤的严重程度依次递增。一度烧伤又称红斑性烧伤，仅伤及皮肤表皮的一部分，大约3～5天内痊愈并且不会留下瘢痕。浅二度烧伤会伤及整个表皮和部分乳头层，如果没有继发感染，一般经过1～2周左右创面愈合。深二度烧伤深及真皮乳头层以下，但仍残留部分真皮和皮肤，一般需要3～4周创面愈合。三度烧伤会伤及全程皮肤，表皮、真皮和皮肤附件全部损坏，烧伤创面的修复依赖于手术植皮或皮瓣修复。

较大面积范围的烧伤会引起患者身体的各个系统出现不同程度的形态、功能和代谢的变化。患者全身会出现严重的内脏损害和器官功能衰竭等并发症。烧伤创面的愈合和治疗过程复杂，时间较长。但是，烧伤的早期治疗可以减少患者的身体损伤以及医疗负担。因此准确的烧伤创面深度评估对患者的临床的治疗至关重要，现有技术中，对于烧伤创面的分类大多依靠医生的经验，且分类效率不高，采用机器分类或辅助分类的准确度又不高。

发明内容

为解决现有技术的不足，实现烧伤创面的高效分类，及提高分类准确性的目的，本发明采用如下的技术方案：

一种基于支持向量机的烧伤创面深度分类系统，包括：烧伤创面图像采集模块、烧伤创面图像预处理模块、烧伤创面图像特征提取模块、SVM(Support Vector Machine，支持向量机)训练模块和烧伤图像预测模块；

所述烧伤创面图像采集模块，用于采集烧伤患者的烧伤创面图像；

所述烧伤创面图像预处理模块，对采集的烧伤创面图像进行预处理；

所述烧伤创面图像特征提取模块，对预处理的烧伤创面图像进行特征提取；

所述SVM训练模块，将提取特征后的烧伤图像划为训练集、验证集和测试集，用于SVM分类模型的训练；

所述烧伤图像预测模块，将在验证集和测试集上表现最优的SVM模型，用于没有标记的烧伤创面图像的烧伤深度的预测，获得烧伤图像的深度分类结果。

进一步地，所述SVM训练模块，从烧伤图片中提取的特征划为训练集、验证集和测试集，使用训练集进行SVM分类模型的训练，使用验证集和测试集评估SVM分类模型的性能表现，SVM分类模型表示为：

其中S是所有支持向量观察值的集合，α

进一步地，所述SVM训练模块，使用不同的核函数来创建不同的超平面，用于烧伤创面图像的深度分类，所述核函数包括线性核函数、多项式核函数和径向基核函数。

进一步地，所述线性核函数，公式为：

其中，p为特征的数量，表示一个基本线性超平面。

进一步地，所述多项式核函数，公式为：

其中，d是多项式核函数的度，表示一个非线性决策边界。

进一步地，所述径向基核函数，公式为：

其中，γ是一个大于0的超参数，表示一个非线性决策边界。

进一步地，所述烧伤创面图像采集模块，包括：剪切单元、转换单元、缩放单元、直方图均衡单元和标记单元；

所述剪切单元，用于剪切烧伤创面图像的有效烧伤创面区域，得到剪切后的图像；

所述转换单元，将剪切后的图像的颜色空间从[R,G,B]变换到Lab，其中R表示红色，G表示绿色，B表示蓝色，L表示亮度，a和b表示颜色对立维度，变换的公式为：

L＝116f(Y/Y

a＝500[f(X/X

b＝200[f(Y/Y

将RGB颜色空间的图片变换至XYZ颜色空间，再从XYZ颜色空间变换至Lab颜色空间，其中，RGB表示每个图片像素点的R、G、B通道的值，范围在[0,255]之间；

所述缩放单元，将转换颜色空间后的图片大小进行统一；

所述直方图均衡单元，对缩放后的图像进行直方图均衡化，使用直方图均衡化来增加烧伤创面图像的全局对比度，通过直方图均衡化，烧伤创面图像的亮度可以更好地在直方图上分布，这样就可以用于增强烧伤创面图像的局部的对比度而不影响整体的对比度，直方图均衡化的公式为：

其中，n

所述标记单元，标记每张烧伤创面图像，将烧伤图像分类。

进一步地，所述烧伤创面图像特征提取模块，包括变换单元、提取单元和融合单元；

所述变换单元，对预处理后的烧伤创面图像使用DCT(Discrete CosineTransform，离散余弦变换)进行特征提取，获得DCT后的特征值，DCT用于将烧伤创面图像进行特征的提取，能够将空域的信号转换到频域上，具有良好的去相关性的性能，对于图像的二维数据，使用二维DCT，公式为：

其中，f(i,j)表示原始的、在(i,j)位置的图片像素值，F(u,v)表示变换后的数值，N表示图像的像素数量，c(u)表示补偿系数；

所述提取单元，计算每张烧伤图像的均值和标准差，提取图像的均值和标准特征，烧伤创面图像的均值反映了烧伤图像的平均亮度，标准差反映了烧伤图片的像素值与均值的离散程度，标准差越大说明烧伤图像的质量越好，烧伤图像均值和标准差的计算公式为：

其中，n表示每张图像的像素总数，x

所述融合单元，将DCT后的图像特征和图像的均值与标准差特征进行特征融合，首先将DCT后的二维图像特征展开为一维向量，本发明中，由于将每张烧伤图像缩放至224×224的像素大小，所以DCT后的图像特征大小也为224×224，将其展开为[1,50176]的向量，然后将每张图像的均值特征和标准差特征添加展开的DCT特征之后，组成一个新的[1,50178]的特征向量。

进一步地，所述直方图均衡单元，将图像的每个通道的每个像素应用该公式，得到直方图均衡化的图像。

进一步地，所述标记单元，将烧伤图像分为正常皮肤表面、一度烧伤创面、浅二度烧伤创面、深二度烧伤创面和三度烧伤创面共5种类别，其中对应类别的标签值为0、1、2、3和4。

进一步地，所述转换单元中的X

本发明的优势和有益效果在于：

本发明提出的一种基于支持向量机的烧伤创面深度分类系统，与传统的临床观察方法相比，SVM分类模型对患者烧伤创面图像的预测结果具有较高的准确度，预测时间更短，为患者的临床治疗提供及时和精确的烧伤深度信息。

附图说明

图1是本发明的系统框图。

图2是本发明的系统的工作流程图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明提出的一种基于支持向量机的烧伤创面深度分类系统，对患者的烧伤创面图像进行预处理和特征提取，并将其用于训练支持向量机，之后对创面进行烧伤深度的分类预测。从而能够快速地判别出不同的烧伤深度，同时该系统的预测结果具有较高的准确度，为患者的临床治疗提供及时和精确的烧伤深度信息。系统采用色彩空间转换和直方图均衡化的烧伤图像预处理方式，通过DCT提取图片特征，以及与图片均值、标准差进行特征融合，并且训练不同核函数的SVM，最后使用在验证集和测试集表现最优的SVM用于烧伤创面图像的深度分类。

如图1、2所示，一种基于支持向量机的烧伤创面深度分类系统，包括烧伤创面图像采集模块、烧伤创面图像预处理模块、烧伤创面图像特征提取模块、SVM训练模块和烧伤图像预测模块；

烧伤创面图像采集模块，通过摄像设备采集烧伤患者的烧伤创面图像；

烧伤创面图像预处理模块，对采集的烧伤创面图像进行初步的预处理操作；

烧伤创面图像特征提取模块，对预处理的烧伤创面图像进行特征提取；

SVM训练模块，将提取特征后的烧伤图像划为训练集、验证集和测试集，用于SVM分类模型的训练；

烧伤图像预测模块，将在验证集和测试集上表现最优的SVM模型，用于没有标记的烧伤创面图像的烧伤深度的预测，获得烧伤图像的深度分类结果。

具体地，烧伤创面图像预处理模块，预处理过程如下：

1)剪切烧伤创面图像的有效烧伤创面区域，得到剪切后的图像。

2)将剪切后的图像的颜色空间从[R,G,B](红，Red；绿，Green；蓝，Blue)变换到Lab，其中L表示亮度，a和b表示颜色对立维度。变换的公式为：

L＝116f(Y/Y

a＝500[f(X/X

b＝200[f(Y/Y

首先将RGB颜色空间的图片变换至XYZ颜色空间，之后再从XYZ颜色空间变换至Lab颜色空间。RGB表示每个图片像素点的R、G、B通道的值，范围在[0,255]之间。其中X

3)将转换颜色空间后的图片大小统一缩放至224×224的像素大小。

4)对缩放后的图像进行直方图均衡化。使用直方图均衡化来增加烧伤创面图像的全局对比度。通过直方图均衡化，烧伤创面图像的亮度可以更好地在直方图上分布。这样就可以用于增强烧伤创面图像的局部的对比度而不影响整体的对比度。直方图均衡化的公式为：

其中n

5)标记每张烧伤创面图像，将烧伤图像分为正常皮肤表面、一度烧伤创面、浅二度烧伤创面、深二度烧伤创面和三度烧伤创面共5中类别，其中对应类别的标签值为0、1、2、3和4。

具体地，烧伤创面图像特征提取模块，体征提取过程如下：

1)对预处理后的烧伤创面图像使用离散余弦变换进行特征提取，获得DCT后的特征值。DCT用于将烧伤创面图像进行特征的提取，能够将空域的信号转换到频域上，具有良好的去相关性的性能。对于图像的二维数据，使用二维DCT。二维DCT的公式为：

其中f(i,j)表示原始的在(i,j)位置的图片像素值，F(u,v)表示变换后的数值，N表示图像的像素数量，c(u)表示补偿系数。

2)计算每张烧伤图像的均值和标准差，提取图像的均值和标准特征。烧伤创面图像的均值反映了烧伤图像的平均亮度，标准差反映了烧伤图片的像素值与均值的离散程度，标准差越大说明烧伤图像的质量越好。烧伤图像均值和标准差的计算公式为：

其中n表示每张图像的像素总数，x

3)将DCT后的图像特征和图像的均值与标准差特征进行特征融合。首先将DCT后的二维图像特征展开为一维向量。本发明中，由于将每张烧伤图像缩放至224×224的像素大小，所以DCT后的图像特征大小也为224×224。将其展开为[1,50176]的向量，之后将每张图像的均值特征和标准差特征添加展开的DCT特征之后，组成一个[1,50178]的特征向量。

具体地，SVM训练模块，训练过程如下：

首先把从烧伤图片中提取的特征划为训练集、验证集和测试集，之后使用训练集进行SVM分类模型的训练，使用验证集和测试集评估SVM分类模型的性能表现。SVM分类模型可以表示为

其中S是所有支持向量观察值的集合，α

通过使用不同的核函数来创建不同的超平面，用于烧伤创面图像的深度分类。本发明中采用3种核函数来训练SVM分类模型：

第一种使用线性核函数，公式为：

这里p为特征的数量，表示一个基本线性超平面。

第二种使用多项式核函数，公式为：

这里d是多项式核函数的度，表示一个非线性决策边界。

第三种使用径向基核函数，公式为：

这里γ是一个大于0的超参数，表示一个非线性决策边界。

本发明选用这3种不同核函数的SVM训练烧伤创面深度分类模型，并且选用在验证集和测试集上表现最优的SVM作为最优的分类模型，训练迭代最大为1000步。

具体地，烧伤图像预测模块，预测过程如下：

使用在验证集和测试集上表现最优的SVM分类模型，对没有标记的烧伤创面图像进行烧伤深度的预测，获得烧伤图像的深度分类结果。

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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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实施例技术方案的范围。