[发明专利]一种皮肤瑕疵点分类方法及电子设备

权利要求书

1.一种皮肤瑕疵点分类方法，其特征在于，包括：

获取包含瑕疵点的目标皮肤图像；

根据图像分类算法，分类所述目标皮肤图像的瑕疵点；

其中，所述根据图像分类算法，分类所述目标皮肤图像的瑕疵点的步骤，进一步包括：

采集训练数据，所述训练数据包括若干张包含瑕疵点的样本皮肤图像，每张所述样本皮肤图像包括多种类型的瑕疵点，所述方法还包括截取所述样本皮肤图像的瑕疵点的图片，其中，所述截取所述样本皮肤图像的瑕疵点的图片的步骤，进一步包括对所述样本皮肤图像进行二值化处理，获得第一二值图像，过滤所述第一二值图像中的背景噪声，获得第二二值图像，对所述第二二值图像进行膨胀处理，获得第三二值图像，从所述第三二值图像中筛选出满足阈值条件的黑色像素区块，从而获得所述样本皮肤图像中的瑕疵点，从所述瑕疵点所在的位置截取包含所述瑕疵点的图片；

标注所述训练数据，以将所述若干张包含瑕疵点的样本皮肤图像进行归类；

搭建并配置卷积神经网络框架模型；

将标注后的训练数据输入配置后的卷积神经网络框架模型以训练并保存所述训练数据；

获取图像分类模型，所述图像分类模型包括所述卷积神经网络框架模型；

将所述目标皮肤图像的瑕疵点输入所述图像分类模型，以使所述图像分类模型分类所述瑕疵点，具体的，根据预先编写的图像分类代码逻辑，将所述目标皮肤图像的瑕疵点分类出；

将实现皮肤瑕疵点分类的各种控制逻辑以指令代码形式组成一系列应用程序安装包，以使用户在本地通过所述应用程序完成皮肤瑕疵点分类；

跟踪所述用户的瑕疵点的严重程度的变化。

2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络框架模型包括LetNet-5模型；

所述搭建所述卷积神经网络框架模型包括搭建所述LetNet-5模型，所述搭建所述LetNet-5模型具体包括：

依次搭建输入层、第一卷积层、第一采样层、第二卷积层、第二采样层、第三卷积层、第一全连接层以及第二全连接层。

3.根据权利要求2所述的方法，其特征在于，所述配置所述卷积神经网络框架模型包括配置所述LetNet-5模型，配置所述LetNet-5模型具体包括：

配置损失函数与优化函数；

配置每批次样本皮肤图像的训练量与迭代次数。

4.根据权利要求3所述的方法，其特征在于，所述损失函数为交叉熵损失函数。

5.根据权利要求1至4任一项所述的方法，其特征在于，在根据图像分类算法，分类所述目标皮肤图像的瑕疵点之后，所述方法还包括：

统计每类瑕疵点的数量；

根据所述每类瑕疵点的数量确定所述目标皮肤图像的瑕疵点严重程度。

6.根据权利要求1至4任一项所述的方法，其特征在于，在根据图像分类算法，分类所述目标皮肤图像的瑕疵点之后，所述方法还包括：

在所述目标皮肤图像的瑕疵点处标注瑕疵点名称。

7.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够用于执行如权利要求1至6任一项所述的皮肤瑕疵点分类方法。

8.一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有计算机可执行指令，所述计算机可执行指令用于使电子设备执行如权利要求1至6任一项所述的皮肤瑕疵点分类方法。