摘要：針對(duì)因各類疑難皮膚病之間表征相似，診斷受到主觀因素影響，導(dǎo)致皮膚病識(shí)別困難的問(wèn)題，設(shè)計(jì)了一個(gè)利用小波變換對(duì)皮膚病圖像進(jìn)行降噪的預(yù)處理方法，并以ResNet50為基礎(chǔ)框架，結(jié)合自注意力機(jī)制構(gòu)建出一個(gè)識(shí)別率較高的皮膚病識(shí)別模型。為解決傳統(tǒng)的小波軟、硬閾值函數(shù)的缺陷，設(shè)計(jì)了一種較為平滑的新閾值函數(shù)用于圖像預(yù)處理;把ResNet50框架與自注意力機(jī)制結(jié)合得到新的算法模型，訓(xùn)練得到有效的皮膚病識(shí)別模型。實(shí)驗(yàn)結(jié)果表明，利用新設(shè)計(jì)的閾值函數(shù)去噪后得到的皮膚病圖像擁有更高的PSNR/SSIM值，并且對(duì)圖像的識(shí)別準(zhǔn)確率相較于去噪前有較為明顯的提升。

關(guān)鍵詞：圖像識(shí)別;閾值函數(shù);小波閾值去噪;ResNet50;自注意力機(jī)制

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）10-0091-04

1 引言

據(jù)世界衛(wèi)生組織公布的數(shù)據(jù)表明，在2018年約960萬(wàn)癌癥死因中，有104萬(wàn)死于皮膚癌。皮膚癌作為致死率最高的癌癥之一[1]，其診斷結(jié)果與患者的命運(yùn)緊密相連，因部分疑難皮膚病的表征極為相似，傳統(tǒng)診斷方法受到部分醫(yī)生缺少診斷經(jīng)驗(yàn)以及圖像噪聲的影響，容易出現(xiàn)誤診的情況，診斷效果大大降低[2]。為了解決問(wèn)題，徐明月等人提出基于PCA-SVM模型來(lái)對(duì)皮膚病進(jìn)行識(shí)別[3]，但其效果并不理想。有人將深度學(xué)習(xí)引入到皮膚病識(shí)別的應(yīng)用中，比如利用VGG19[4]以及GA-Net作為主干網(wǎng)絡(luò)來(lái)訓(xùn)練皮膚病識(shí)別模型，但并未取得理想效果，李航等人使用ResNet152框架訓(xùn)練皮膚病識(shí)別模型[5]，雖然取得了較好的識(shí)別效果，但都未對(duì)皮膚病圖像進(jìn)行去噪、增強(qiáng)等預(yù)處理，并且使用的訓(xùn)練模型均為基礎(chǔ)框架，存在進(jìn)一步改善的空間。

本文對(duì)圖像的預(yù)處理方法采用小波閾值去噪，并在ResNet50[6]模型結(jié)構(gòu)上結(jié)合自注意力機(jī)制進(jìn)行改進(jìn)。相對(duì)于一般的空間域去噪方法，利用小波去噪的方法優(yōu)勢(shì)在于小波變換具有多分辨率的特性，可以更好地描述圖像的邊緣特征，并且可以根據(jù)應(yīng)用場(chǎng)景的不同可以去挑選適合的小波母函數(shù)，取得最優(yōu)的去噪效果。自注意力機(jī)制可以靈活地選擇卷積的感受野，強(qiáng)調(diào)皮膚病圖像的重要特征以提高模型訓(xùn)練的準(zhǔn)確率。

2 小波閾值去噪的基本原理

在皮膚病圖像拍攝過(guò)程中所觀測(cè)到的信號(hào)通常帶有噪聲，帶有噪聲的信號(hào)模型為：

[f（i）=x（i）+s（i）]? ? ? ? ?（1）

其中，[x（i）]表示原始信號(hào)，[s（i）]表示信號(hào)中的高斯白噪聲，一般而言，將觀測(cè)信號(hào)[f（i）]直接去除其中的噪聲[s（i）]較為困難，而小波變換為這一問(wèn)題的解決提供了很好的方法。若對(duì)（1） 式做小波變換，可以得到：

[Wf=Wx+Ws]? ? ? ?（2）

其中，[Wx]為原始信號(hào)的小波系數(shù)，[Ws]為噪聲的小波系數(shù)。

小波變換的定義[7]為：

[Wψ（a，b）=1a-∞+∞f（t）ψ（t-ba）dt]? ? ?（3）

對(duì)信號(hào)重構(gòu)，需進(jìn)行小波的逆變換，其定義為：

[f（t）=1Cψ0∞-∞+∞Wψ（a，b）ψa，b（t）a2dbda]? ?（4）

其中，[Cψ]為可行性條件，[Cψ=|ψ（ω）|2|ω|dω<∞]，a為基函數(shù)的尺度系數(shù)，b為基函數(shù)沿t方向的平移因子，[ψa，b（t）]為小波基函數(shù)。

3 閾值估算與閾值函數(shù)設(shè)計(jì)

在圖像信號(hào)中，信號(hào)的低頻區(qū)域?qū)?yīng)圖像的主干部分，能量大多堆積于此，少數(shù)能量散布在高頻區(qū)域，此區(qū)域包含了圖像的細(xì)節(jié)和邊緣。而高斯噪聲的能量多數(shù)散播在高頻區(qū)域，因此，可以設(shè)置一個(gè)閾值區(qū)分噪聲和原始信號(hào)，去除處在高頻區(qū)域的噪聲，最終達(dá)到對(duì)圖像降噪的效果。對(duì)皮膚病圖像進(jìn)行去噪預(yù)處理要保證閾值設(shè)置的合理性。如果閾值設(shè)置過(guò)高，圖像中的有效信息會(huì)被當(dāng)作噪聲去除，導(dǎo)致圖像變得更加模糊;如果閾值設(shè)置過(guò)低，去噪后的圖像仍會(huì)有大量的噪聲被保留，使得去噪的效果不明顯。

3.1 閾值估算

由上文描述可知，在小波去噪的過(guò)程中，選取一個(gè)合理閾值起到關(guān)鍵作用，常用閾值有VisuShrink閾值[8]、BayesShrink閾值以及Minimax閾值，論文在選擇閾值時(shí)遵循固定閾值準(zhǔn)則。

論文中選取VisuShrink全局閾值定義為：

[T=σ2ln（L1?L2）]? ? ?（5）

其中，[L1?L2]為圖像信號(hào)的長(zhǎng)度，[σ]為噪聲的標(biāo)準(zhǔn)差。

3.2 閾值函數(shù)設(shè)計(jì)

小波閾值去噪的一般方法包含硬閾去噪和軟閾去噪[9]，閾值函數(shù)的作用在于包含噪聲的原小波系數(shù)可以根據(jù)選定的閾值對(duì)小波系數(shù)進(jìn)行重估，小于選定閾值的小波系數(shù)為噪聲存在位置，故需對(duì)其去除，將大于該閾值的小波系數(shù)通過(guò)閾值函數(shù)重新映射，提高小波重構(gòu)系數(shù)的精度。因此，要達(dá)到理想的除噪效果，閾值函數(shù)的選取是關(guān)鍵因素，以下為一般去噪方法中使用的閾值函數(shù)。

硬閾值函數(shù)為：

[W∧=W，|W|≥T0，|W|<T]? ? ? （6）

軟閾值函數(shù)為：

[W∧=（|W|-T）?sign（W），|W|≥T0，|W|<T]? ? ? （7）

其中，[sign=1，W>00，W=0-1，W<0]

[W∧]為去噪后進(jìn)行重新映射的小波系數(shù)，[W]為原包含噪聲的小波系數(shù)，[T]為選定閾值。

由下文閾值函數(shù)圖可知，硬閾值函數(shù)在[W=T]處中斷，小波系數(shù)的重構(gòu)會(huì)出現(xiàn)二值現(xiàn)象，使得重構(gòu)后失真;軟閾值函數(shù)雖然連續(xù)，但是當(dāng)[W>T]時(shí)，[W∧]與[W]存在固定偏差[10]，降低了圖像重構(gòu)的準(zhǔn)確性，使得圖像模糊不清晰，為了改善小波系數(shù)重構(gòu)的效果，解決傳統(tǒng)軟、硬閾值函數(shù)中所出現(xiàn)的缺陷，論文設(shè)計(jì)了一種改進(jìn)的閾值函數(shù)：

[W∧=θ（W-T?sign（W）2），|W|≥TθT（（eW-e-W）（eT+e-T）（eW+e-W）（eT-e-T））2sign（W）2，|W|<T] （8）

其中，[θ]為調(diào)控因子，閾值[T=σ2ln（L1?L2）]，此閾值函數(shù)具有連續(xù)性并且提升了可調(diào)控性，是一個(gè)較為光滑的閾值函數(shù)，提高了對(duì)圖像細(xì)節(jié)和噪聲之間處理的敏感度。

3.3 閾值函數(shù)去噪算法流程

在小波理論中，利用小波閾值去噪可以被分為以下步驟：

步驟1：確定小波種類和分解層數(shù)，算出含噪信號(hào)的小波系數(shù)，將小波系數(shù)分為高、低頻區(qū)域;

步驟2：選取合適的計(jì)算閾值方法以適應(yīng)設(shè)計(jì)的新閾值函數(shù);

步驟3：利用設(shè)計(jì)的新閾值函數(shù)對(duì)處于高頻區(qū)域的小波系數(shù)根據(jù)所設(shè)閾值進(jìn)行去噪以及系數(shù)重估，達(dá)到去噪的效果。

步驟4：重構(gòu)重估后的高、低頻小波系數(shù)，得到去噪后的皮膚病圖像。

圖2為本文中利用小波去噪的流程圖。

4 皮膚病識(shí)別模型結(jié)構(gòu)設(shè)計(jì)

為了避免人眼主觀因素的判斷，需要客觀檢驗(yàn)小波去噪對(duì)皮膚病圖像識(shí)別的影響，本文將訓(xùn)練出一個(gè)基于皮膚病圖像特征的皮膚病識(shí)別模型。

傳統(tǒng)的網(wǎng)絡(luò)模型隨著層數(shù)的加深，其訓(xùn)練后的模型識(shí)別準(zhǔn)確率反而會(huì)出現(xiàn)下降的現(xiàn)象，而ResNet通過(guò)跳躍連接組成殘差結(jié)構(gòu)解決了這一問(wèn)題。

由于皮膚病圖像中的非病狀特征因素較多，論文采用自注意力機(jī)制與ResNet50相結(jié)合的方法構(gòu)造CNN框架。注意力機(jī)制[11]可以通過(guò)相應(yīng)步驟計(jì)算出數(shù)據(jù)權(quán)重，依據(jù)對(duì)象的權(quán)重大小對(duì)資源進(jìn)行重新分配。自注意力機(jī)制降低了對(duì)外部信息的依賴性，更擅于捕捉內(nèi)部關(guān)聯(lián)性較高的特征。其計(jì)算步驟如下：

步驟1：將輸入的皮膚病圖像轉(zhuǎn)換為向量;

步驟2：通過(guò)轉(zhuǎn)換矩陣將皮膚病圖像向量分別轉(zhuǎn)換為q，k，v三個(gè)向量，其中q要與k相匹配，計(jì)算出有用信息v的權(quán)重;

步驟3：進(jìn)行歸一化處理，將向量q和k點(diǎn)乘后除以[dk] ，其中[dk]為向量k的長(zhǎng)度;

步驟4：使用softmax函數(shù)，乘以有用信息v，對(duì)有用信息分配權(quán)重。

本文采用多頭自注意力機(jī)制（Multi-Head Self-Attention） ，即將輸入向量q，k，v分為多組，分別進(jìn)行上述步驟。如圖4所示。

5 實(shí)驗(yàn)

實(shí)驗(yàn)在MATLAB2016a和Python3.7環(huán)境中進(jìn)行，在配置為AMD Ryzen 5 4600H with Radeon Graphics CPU 3.00 GHz的PC上運(yùn)行。本文中圖像數(shù)據(jù)集來(lái)源于ISIC公開皮膚病數(shù)據(jù)集ISIC2018，其中包含3種類型皮膚病圖像：NV、BCC、MEL，以下為隨機(jī)選取的皮膚病圖像：

5.1 噪聲去除效果分析

首先對(duì)選取的皮膚病測(cè)試圖像中加入相同大小的Gaussian噪聲，構(gòu)造噪聲圖，再將圖片利用小波分解為高頻、低頻區(qū)域，對(duì)高頻區(qū)域分別采用軟、硬閾值和本文中的閾值函數(shù)進(jìn)行小波閾值去噪，最后采取客觀評(píng)價(jià)標(biāo)準(zhǔn)分別對(duì)三種方式進(jìn)行評(píng)價(jià)。論文采用對(duì)圖像評(píng)價(jià)的標(biāo)準(zhǔn)為PSNR（最大信噪比） 值、SSIM（結(jié)構(gòu)相似率） ，PSNR值為最大信號(hào)與皮膚病圖像中的噪聲比率，SSIM是衡量?jī)煞鶊D之間相似度的指標(biāo)。

本文實(shí)驗(yàn)分別對(duì)Gaussian噪聲[σ=15]以及[σ=30]情況下的三種皮膚病圖像進(jìn)行添加噪聲以及去噪處理，結(jié)果如圖6所示。

采用本文閾值函數(shù)與軟、硬閾值函數(shù)的PSNR/SSIM值進(jìn)行比較，得到如表1所示分析表。

分別對(duì)經(jīng)過(guò)新設(shè)計(jì)的閾值函數(shù)與經(jīng)過(guò)一般的軟閾值函數(shù)、硬閾值函數(shù)去噪的皮膚病圖像PSNR值進(jìn)行分析對(duì)比可知，當(dāng)添加的Gaussian噪聲[σ=15]時(shí)，不同圖像的PSNR/SSIM值相差不明顯，甚至該方法效果不如軟、硬閾值函數(shù)去噪的方法。但添加Gaussian噪聲[σ=30]時(shí)，對(duì)于去噪圖像的PSNR/SSIM值，經(jīng)過(guò)本文閾值函數(shù)去噪的圖像相較于經(jīng)軟、硬閾值函數(shù)去噪的圖像。以上實(shí)驗(yàn)表明，當(dāng)噪聲較?。ㄈ缣砑覩aussian噪聲的[σ=15]） 時(shí)，采用本文閾值函數(shù)的去噪效果并無(wú)明顯改進(jìn)，但當(dāng)噪聲較大（如[σ=30]） 時(shí)，本文方法整體略優(yōu)于軟、硬閾值函數(shù)去噪的效果，去噪圖像的PSNR/SSIM值提升較為明顯，說(shuō)明經(jīng)本文閾值函數(shù)去噪的圖像與原圖的噪聲去除程度，結(jié)構(gòu)相似性有較明顯的提高。

5.2 皮膚病識(shí)別效果分析

針對(duì)原數(shù)據(jù)集中各類皮膚病樣本間存在分布不均的問(wèn)題，本文對(duì)訓(xùn)練集中數(shù)量較少的種類進(jìn)行數(shù)據(jù)增強(qiáng)。之后采用本文網(wǎng)絡(luò)結(jié)構(gòu)對(duì)3類共計(jì)15097張皮膚病圖像進(jìn)行訓(xùn)練，其中80%為訓(xùn)練集，20%為測(cè)試集，得到皮膚病圖像識(shí)別模型。從每種皮膚病圖像中隨機(jī)選取500張分別加入[σ=30]的Gaussian噪聲，再對(duì)圖像利用新設(shè)計(jì)的閾值函數(shù)進(jìn)行去噪預(yù)處理，得到1500張含噪圖像，1500張小波閾值去噪圖像。分別對(duì)上述圖像利用已訓(xùn)練的皮膚病識(shí)別模型進(jìn)行預(yù)測(cè)，得出對(duì)每種皮膚病圖像的準(zhǔn)確率。

6 結(jié)束語(yǔ)

本文針對(duì)皮膚病圖像拍攝過(guò)程中出現(xiàn)的噪聲，在對(duì)皮膚病圖像進(jìn)行預(yù)處理時(shí)采用小波閾值去噪方法。為了改善傳統(tǒng)軟、硬閾值去噪方法的缺點(diǎn)，構(gòu)造了一種平滑的閾值函數(shù)，并利用ISIC2018皮膚病數(shù)據(jù)集建立了一種新型的皮膚病識(shí)別模型。本文得出結(jié)論如下：

1） 在對(duì)皮膚病圖像去噪的實(shí)驗(yàn)中可以得出，與傳統(tǒng)軟、硬閾值對(duì)皮膚病圖像去噪的結(jié)果相比，本文構(gòu)造的閾值函數(shù)雖然在[σ=15]的噪聲圖像上的去噪效果并無(wú)明顯改善，但在[σ=30]的噪聲圖像上進(jìn)行去噪后，皮膚病圖像的PSNR/SSIM值表現(xiàn)出更好的效果。

2） 論文構(gòu)建了一個(gè)以ResNet50框架為基礎(chǔ)，與Self-Attention相結(jié)合的皮膚病識(shí)別模型，并經(jīng)過(guò)實(shí)驗(yàn)后取得了良好的識(shí)別效果。通過(guò)皮膚病識(shí)別模型，對(duì)利用本文小波閾值去噪前后的皮膚病圖像分別進(jìn)行識(shí)別效果分析，去噪后的圖像較去噪前識(shí)別準(zhǔn)確率有較為明顯的提升。

參考文獻(xiàn)：

[1] Kasmi R，Mokrani K.Classification of malignant melanoma and benign skin lesions：implementation of automatic ABCD rule[J].IET Image Processing，2016，10（6）：448-455.

[2] 譚鴻，巴偉，李承新.深度學(xué)習(xí)在皮膚圖像識(shí)別中的應(yīng)用[J].實(shí)用皮膚病學(xué)雜志，2020，13（6）：348-351.

[3] 徐明月，林澤軒，顧彥.基于PCA-SVM模型的紅斑鱗屑性皮膚病識(shí)別研究[J].杭州電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，38（6）：35-40.

[4] 何雪英，韓忠義，魏本征.基于深度卷積神經(jīng)網(wǎng)絡(luò)的色素性皮膚病識(shí)別分類[J].計(jì)算機(jī)應(yīng)用，2018，38（11）：3236-3240.

[5] 李航，余鎮(zhèn)，倪東，等.基于深度殘差網(wǎng)絡(luò)的皮膚鏡圖像黑色素瘤的識(shí)別[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2018，37（3）：274-282.

[6] He K M，Zhang X Y，Ren S Q，et al.Deep residual learning for image recognition[C]//Las Vegas，NV，USA：2016 IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2016：770-778.

[7] 王麗榮.基于小波變換的目標(biāo)檢測(cè)方法研究[D].長(zhǎng)春：吉林大學(xué)，2006.

[8] 徐景秀，張青.改進(jìn)小波軟閾值函數(shù)在圖像去噪中的研究應(yīng)用[J].計(jì)算機(jī)工程與科學(xué)，2022，44（1）：92-101.

[9] 王永凱.基于閾值函數(shù)和閾值的小波去噪方法研究[D].秦皇島：燕山大學(xué)，2017.

[10] 張小燕.小波變換的閾值圖像去噪算法改進(jìn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017，27（3）：81-84.

[11] 王紅，史金釧，張志偉.基于注意力機(jī)制的LSTM的語(yǔ)義關(guān)系抽取[J].計(jì)算機(jī)應(yīng)用研究，2018，35（5）：1417-1420，1440.

【通聯(lián)編輯：謝媛媛】

收稿日期：2022-01-25

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目：基于業(yè)務(wù)感知的礦山物聯(lián)網(wǎng)自治QoS保障機(jī)制研究（項(xiàng)目編號(hào)：61300001）

作者簡(jiǎn)介：方世哲（1997—） ，男，安徽宣城人，碩士在讀，研究方向?yàn)閳D像處理方向。