本技术涉及图像处理，具体而言，涉及一种减少混杂因素影响的皮肤影像分割方法。
背景技术：
1、在针对皮肤病的自动化诊断流程中，图像分割具有非常重要的意义，精确的皮损边界能为后续皮损类型的分析提供可靠依据。然而，由于皮损区域经常存在边界模糊不清、皮肤纹理颜色复杂多样、毛发遮挡严重等混杂因素，使得皮肤影像（如皮肤照片、皮肤镜图像等）的分割成为一项十分具有挑战性的任务。
2、近年来，深度学习方法已广泛应用于医学图像处理，基于卷积神经网络（convolutional neural networks，cnn）减少混杂因素影响的皮肤影像分割方法被大量提出。但是，目前提出的分割方法中无法很好地去除混杂因素的干扰，容易出现噪声的漏识别等问题，最后导致不能获得非常准确的皮损边界。
3、基于此，有必要研究一种能够更好地减少混杂因素影响的皮肤影像分割方法，以提高皮肤影像分割的准确性。
技术实现思路
1、为解决上述问题，本说明书实施例提供一种减少混杂因素影响的皮肤影像分割方法，该方法包括：
2、获取待分割的目标皮肤影像，以及针对所述目标皮肤影像处理得到的初始噪声图像；
3、利用第一特征转换模型对所述初始噪声图像进行特征提取处理，得到初始噪声特征向量；
4、在初始特征空间中查找所述初始噪声特征向量的邻近向量；
5、对所述邻近向量进行隐藏空间特征表示约束，得到多个目标邻近向量，并构建每一个目标邻近向量分别对应的隐藏空间特征向量；
6、通过第二特征转换模型对所述隐藏空间特征向量进行特征映射处理，得到多个用于模拟混杂因素的预测混杂噪声，其中，所述第一特征转换模型和所述第二特征转换模型通过使用样本皮肤影像进行噪声扩散模拟训练得到；
7、基于所述预测混杂噪声，通过逆向处理对所述目标皮肤影像进行去噪，得到每一个预测混杂噪声分别对应的皮肤影像分割结果。
8、在一些实施例中，所述初始噪声图像包括至少一种混杂因素对应的噪声，所述混杂因素包括毛发遮挡、皮肤纹理以及皮损边界模糊；
9、所述初始噪声图像基于如下方式得到：
10、对所述目标皮肤影像进行灰度闭运算；
11、基于所述目标皮肤影像以及所述灰度闭运算的结果，得到所述目标皮肤影像的波谷区图像；
12、对所述波谷区图像进行阈值分割，得到初始噪声掩膜；
13、基于所述初始噪声掩膜和所述目标皮肤影像，得到所述初始噪声图像。
14、在一些实施例中，所述对所述邻近向量进行隐藏空间特征表示约束，得到多个目标邻近向量，包括：
15、对所述邻近向量进行池化处理，将所述邻近向量处理为通道级向量；
16、对所述通道级向量进行滤波操作，并基于所述滤波操作的处理结果得到所述通道级向量中每一个通道对应的显著性系数；
17、根据不同通道之间的kl距离对所述每一个通道对应的显著性系数施加隐藏层处理约束，得到每一个通道对应的约束系数；
18、根据所述通道级向量以及每一个通道对应的约束系数，得到多个目标邻近向量。
19、在一些实施例中，所述构建每一个目标邻近向量分别对应的隐藏空间特征向量，包括：
20、获取每一个目标邻近向量在所述初始特征空间中对应的最接近的离散向量表示；
21、将所述第一特征转换模型中的编码网络针对目标邻近向量生成的隐向量替换为所述最接近的离散向量表示，得到每一个目标邻近向量分别对应的隐藏空间特征向量。
22、在一些实施例中，所述通过第二特征转换模型对所述隐藏空间特征向量进行特征映射处理，得到多个用于模拟混杂因素的预测混杂噪声，包括：
23、对所述多个目标邻近向量分别对应的隐藏空间特征向量进行映射处理，得到多个预测混杂噪声隐向量；
24、根据所述目标皮肤影像确定处理指示，并通过第二特征转换模型按照所述处理指示对每一个所述预测混杂噪声隐向量进行解码操作，确定每一个预测混杂噪声隐向量对应的预测混杂噪声。
25、在一些实施例中，所述噪声扩散模拟训练包括：
26、获取多个样本皮肤影像，以及每一个样本皮肤影像对应的样本噪声掩膜；
27、对每一个所述样本噪声掩膜依次引入具有不同程度且处于预设条件范围内的噪声数据，得到每一个样本噪声掩膜在不同程度的噪声数据影响下的扩散噪声掩膜；
28、通过所述扩散噪声掩膜对初始第一特征转换模型和初始第二特征转换模型进行噪声扩散模拟训练，得到不同程度的噪声数据分别对应的噪声误差、权重误差和图像重构误差；
29、根据所述噪声误差、权重误差和图像重构误差，对所述初始第一特征转换模型和初始第二特征转换模型的模型参数进行迭代优化，得到第一特征转换模型和第二特征转换模型。
30、在一些实施例中，所述噪声误差的确定过程包括：
31、将每一个样本噪声掩膜对应的最大扩散噪声掩膜与所述样本皮肤影像进行图像融合，得到每一个样本噪声掩膜对应的样本噪声掩膜融合图像，其中，所述最大扩散噪声掩膜为引入了最大程度噪声数据的扩散噪声掩膜；
32、通过初始第一特征转换模型对所述样本噪声掩膜融合图像进行特征提取处理，并对特征提取处理的结果进行隐藏空间特征表示约束，得到各个样本噪声掩膜融合图像分别对应的隐藏空间特征向量；
33、通过初始第二特征转换模型对所述隐藏空间特征向量进行解码操作，得到预测的最大扩散程度噪声数据；
34、根据每一个样本噪声掩膜对应的最大扩散噪声掩膜和最大扩散程度噪声数据的差值，确定每一个样本噪声掩膜对应的预测第二扩散噪声掩膜；
35、基于每一个样本噪声掩膜对应的第二扩散噪声掩膜和预测第二扩散噪声掩膜，确定所述最大扩散程度噪声数据对应的样本噪声误差，其中，所述第二扩散噪声掩膜为引入噪声数据的程度低于所述最大扩散噪声掩膜的最近一个扩散噪声掩膜；
36、将所有样本噪声掩膜对应的样本噪声误差相加，得到所述噪声误差。
37、在一些实施例中，所述权重误差和图像重构误差的确定过程包括：
38、通过初始第二特征转换模型对所述样本噪声掩膜融合图像进行图像重构，得到重构皮肤影像；
39、将所述样本噪声掩膜融合图像对应的隐藏空间特征向量映射至所述重构皮肤影像的重构空间，得到预测的最大扩散程度噪声数据；
40、比较所述样本皮肤影像和所述重构皮肤影像，得到最大扩散程度噪声数据对应的图像重构误差；
41、获取所述样本噪声掩膜融合图像对应的隐藏空间特征向量在每一个通道对应的显著性系数和约束系数，得到最大扩散程度噪声数据对应的权重误差。
42、在一些实施例中，所述根据所述噪声误差、权重误差和图像重构误差，对所述初始第一特征转换模型和初始第二特征转换模型的模型参数进行迭代优化，得到第一特征转换模型和第二特征转换模型，包括：
43、根据所述噪声误差、权重误差和图像重构误差，对所述初始第一特征转换模型和初始第二特征转换模型的模型参数进行初步优化，得到初步第一特征转换模型和初步第二特征转换模型；
44、将验证样本影像输入所述初步第一特征转换模型和初步第二特征转换模型，得到模型测试输出；
45、对所述模型测试输出和所述验证样本影像对应的皮肤影像分割结果进行对比分析，得到输出匹配评估结果，以及所述模型测试输出和所述验证样本影像对应的皮肤影像分割结果的分布方差；
46、基于所述分布方差的最大值和最小值，确定扩散合理指数；
47、基于所述输出匹配评估结果和所述扩散合理指数得到模型性能指数，当所述模型性能指数高于预设阈值时结束训练，并将所述初步第一特征转换模型作为训练好的第一特征转换模型，将所述初步第二特征转换模型作为训练好的第二特征转换模型。
48、在一些实施例中，所述基于所述预测混杂噪声，通过逆向处理对所述目标皮肤影像进行去噪，得到每一个预测混杂噪声分别对应的皮肤影像分割结果，包括：
49、从所述目标皮肤影像中依次去除所述预测混杂噪声，并将每一次去除当前预测混杂噪声后得到的结果作为所述当前预测混杂噪声所对应的皮肤影像分割结果。
50、本说明书实施例所提供的减少混杂因素影响的皮肤影像分割方法可能带来的有益效果至少包括：
51、（1）通过在初始噪声图像的基础上通过噪声扩散模拟得到多个预测混杂噪声，然后通过该多个预测混杂噪声来实现对目标皮肤影像的去噪处理，进而得到相应的皮肤影像分割结果，可以有效提高皮肤影像的分割效果，降低混杂因素导致的噪声被漏识别的概率；
52、（2）通过对特征提取处理的结果进行隐藏空间特征表示约束，可以限制隐藏空间的分布或特征度量，避免特征转换过程中由于通道的权重值过小而损失隐藏空间的特征表征能力，进而提升模型的鲁棒性和稳定性；
53、（3）通过基于对验证样本集处理得到的模型测试输出和该验证样本影像对应的皮肤影像分割结果进行对比分析得到输出匹配评估结果，并基于该模型测试输出和验证样本影像对应的皮肤影像分割结果的分布方差确定模型的扩散合理指数，然后基于输出匹配评估结果和扩散合理指数计算模型性能指数以评估第一特征转换模型和第二特征转换模型的整体性能，可以提高模型的准确性和可靠性，确保模型在不同条件下的表现稳定，从而在实际皮肤影像分割应用中具有更高的可信度。
54、附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说，通过查阅以下内容和附图将变得显而易见，或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
1.一种减少混杂因素影响的皮肤影像分割方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述初始噪声图像包括至少一种混杂因素对应的噪声，所述混杂因素包括毛发遮挡、皮肤纹理以及皮损边界模糊；
3.如权利要求1所述的方法，其特征在于，所述对所述邻近向量进行隐藏空间特征表示约束，得到多个目标邻近向量，包括：
4.如权利要求3所述的方法，其特征在于，所述构建每一个目标邻近向量分别对应的隐藏空间特征向量，包括：
5.如权利要求4所述的方法，其特征在于，所述通过第二特征转换模型对所述隐藏空间特征向量进行特征映射处理，得到多个用于模拟混杂因素的预测混杂噪声，包括：
6.如权利要求1所述的方法，其特征在于，所述噪声扩散模拟训练包括：
7.如权利要求6所述的方法，其特征在于，所述噪声误差的确定过程包括：
8.如权利要求7所述的方法，其特征在于，所述权重误差和图像重构误差的确定过程包括：
9.如权利要求6所述的方法，其特征在于，所述根据所述噪声误差、权重误差和图像重构误差，对所述初始第一特征转换模型和初始第二特征转换模型的模型参数进行迭代优化，得到第一特征转换模型和第二特征转换模型，包括：
10.如权利要求1~9中任意一项所述的方法，其特征在于，所述基于所述预测混杂噪声，通过逆向处理对所述目标皮肤影像进行去噪，得到每一个预测混杂噪声分别对应的皮肤影像分割结果，包括：
