当前位置：首页 > news >正文

基于opencv与深度学习Deeplab舌苔分割检测代码及教程深度学习图像分割舌苔分割图像数据集

news 2026/5/12 1:14:43

深度学习Deeplab舌苔分割检测代码及教程

引言

舌苔分割是中医诊断中的一个重要环节，通过对舌苔的分析可以辅助医生了解患者的健康状况。近年来，深度学习技术在医学图像处理领域取得了显著进展，Deeplab系列模型因其卓越的分割性能而被广泛应用于医学图像分割任务。本文将详细介绍如何使用Deeplab模型进行舌苔分割检测，包括环境搭建、数据准备、模型训练和推理等步骤。

环境搭建

首先，确保你的开发环境已经安装了必要的库。推荐使用Python 3.7或更高版本，并安装以下库：

torch
OpenCV
NumPy
Matplotlib
TensorFlow Addons (如果需要使用特定的损失函数或优化器)

可以通过以下命令安装这些库：

pipinstalltorch opencv-python-headless numpy matplotlib

数据准备

1. 数据集

你需要一个包含舌苔图像及其对应分割标签的数据集。数据集应包含以下内容：

原始舌苔图像（通常是彩色图像）
对应的分割标签图像（通常是灰度图像，每个像素值表示不同的类别）

2. 数据预处理

数据预处理是提高模型性能的关键步骤。常见的预处理步骤包括：

图像缩放：将图像缩放到统一的大小（例如256x256）。
数据增强：使用随机旋转、翻转、裁剪等方法增加数据多样性。
归一化：将图像像素值归一化到[0, 1]区间。

importcv2importnumpyasnpfromtensorflow.keras.preprocessing.imageimportImageDataGeneratordefpreprocess_image(image_path,target_size=(256,256)):image=cv2.imread(image_path)image=cv2.resize(image,target_size)image=image/255.0# 归一化returnimagedefpreprocess_mask(mask_path,target_size=(256,256)):mask=cv2.imread(mask_path,cv2.IMREAD_GRAYSCALE)mask=cv2.resize(mask,target_size)mask=np.expand_dims(mask,axis=-1)# 添加通道维度returnmask# 数据增强data_gen_args=dict(rotation_range=10,width_shift_range=0.1,height_shift_range=0.1,shear_range=0.1,zoom_range=0.˜,horizontal_flip=True,fill_mode='nearest')image_datagen=ImageDataGenerator(**data_gen_args)mask_datagen=ImageDataGenerator(**data_gen_args)# 创建生成器defgenerator(batch_size,image_paths,mask_paths):whileTrue:batch_images=[]batch_masks=[]foriinrange(batch_size):idx=np.random.randint(len(image_paths))image=preprocess_image(image_paths[idx])mask=preprocess_mask(mask_paths[idx])batch_images.append(image)batch_masks.append(mask)yieldnp.array(batch_images),np.array(batch_masks)

模型构建

1. 加载Deeplab模型

torch提供了预训练的Deeplab模型，可以直接加载并进行微调。

importtensorflowastffromtensorflow_examples.models.pix2piximportpix2pixdefbuild_deeplab_model(input_shape,num_classes):base_model=tf.keras.applications.MobileNetV2(input_shape=input_shape,include_top=False)layer_names=['block_1_expand_relu',# 64x64'block_3_expand_relu',# 32x32'block_6_expand_relu',# 16x16'block_13_expand_relu',# 8x8'block_16_project',# 4x4]layers=[base_model.get_layer(name).outputfornameinlayer_names]# 创建特征提取器模型down_stack=tf.keras.Model(inputs=base_model.input,outputs=layers)down_stack.trainable=Falseup_stack=[pix2pix.upsample(512,3),# 4x4 -> 8x8pix2pix.upsample(256,3),# 8x8 -> 16x16pix2pix.upsample(128,3),# 16x16 -> 32x32pix2pix.upsample(64,3),# 32x32 -> 64x64]inputs=tf.keras.layers.Input(shape=input_shape)x=inputs# 下采样skips=down_stack(x)x=skips[-1]skips=reversed(skips[:-1])# 上采样forup,skipinzip(up_stack,skips):x=up(x)concat=tf.keras.layers.Concatenate()x=concat([x,skip])# 最后一层last=tf.keras.layers.Conv2DTranspose(num_classes,3,strides=2,padding='same')# 64x64 -> 128x128x=last(x)returntf.keras.Model(inputs=inputs,outputs=x)

2. 编译模型

定义损失函数、优化器和评估指标。

defdice_loss(y_true,y_pred):smooth=1e-6y_true_f=tf.reshape(y_true,[-1])y_pred_f=tf.reshape(y_pred,[-1])intersection=tf.reduce_sum(y_true_f*y_pred_f)return1-(2.0*intersection+smooth)/(tf.reduce_sum(y_true_f)+tf.reduce_sum(y_pred_f)+smooth)defdice_coef(y_true,y_pred):smooth=1e-6y_true_f=tf.reshape(y_true,[-1])y_pred_f=tf.reshape(y_pred,[-1])intersection=tf.reduce_sum(y_true_f*y_pred_f)return(2.0*intersection+smooth)/(tf.reduce_sum(y_true_f)+tf.reduce_sum(y_pred_f)+smooth)model=build_deeplab_model(input_shape=(256,256,3),num_classes=1)model.compile(optimizer='adam',loss=dice_loss,metrics=[dice_coef])

模型训练

1. 准备数据

假设你已经有了图像路径列表image_paths和对应的掩码路径列表mask_paths。

batch_size=8train_generator=generator(batch_size,image_paths,mask_paths)

2. 训练模型

设置训练参数并开始训练。

epochs=50steps_per_epoch=len(image_paths)//batch_size history=model.fit(train_generator,steps_per_epoch=steps_per_epoch,epochs=epochs,callbacks=[tf.keras.callbacks.ModelCheckpoint('tongue_segmentation.h5',save_best_only=True),tf.keras.callbacks.EarlyStopping(patience=5,restore_best_weights=True)])

模型推理

1. 加载模型

加载训练好的模型。

model=tf.keras.models.load_model('tongue_segmentation.h5',custom_objects={'dice_loss':dice_loss,'dice_coef':dice_coef})

2. 进行推理

对新的舌苔图像进行分割。

defpredict_and_visualize(image_path,model,target_size=(256,256)):image=preprocess_image(image_path,target_size)image=np.expand_dims(image,axis=0)# 添加批次维度prediction=model.predict(image)prediction=(prediction>0.5).astype(np.uint8)# 二值化prediction=np.squeeze(prediction,axis=-1)# 移除通道维度# 可视化结果original_image=cv2.imread(image_path)original_image=cv2.resize(original_image,target_size)overlay=np.zeros_like(original_image)overlay[prediction==1]=(0,255,0)# 绿色result=cv2.addWeighted(original_image,0.7,overlay,0.3,0)plt.figure(figsize=(10,5))plt.subplot(1,3,1)plt.title('Original Image')plt.imshow(cv2.cvtColor(original_image,cv2.COLOR_BGR2RGB))plt.axis('off')plt.subplot(1,3,2)plt.title('Prediction')plt.imshow(prediction,cmap='gray')plt.axis('off')plt.subplot(1,3,3)plt.title('Overlay')plt.imshow(cv2.cvtColor(result,cv2.COLOR_BGR2RGB))plt.axis('off')plt.show()# 测试predict_and_visualize('test_image.jpg',model)