###### tags: `面談`
# 210511_面談本田

### 論文調査
- 重症度診断に有効な手法，特徴量の調査
- 特に色特徴

---
### [教師あり学習を使用した湿疹皮膚病変の自動セグメンテーションと分類 -2020年](https://ieeexplore.ieee.org/document/9293657)

重症度が軽度，中度の湿疹画像から病変領域をセグメンテーションする

- 色特徴
- 平均，標準偏差，モード，歪度，尖度
- テクスチャ特徴
- GLCM( )

RGB，CSN-I RGB，CIELab，CSN-I Labの
4つの色空間の各チャンネル，12レイヤーそれぞれ9つの特徴を抽出している

#### その他の論文で使用されていた特徴量

- テクスチャ特徴
- GLCM
- HOG
- LBP
- SIFT
- GIST

- 色特徴
- ColorName(CN)
- ColorSift
- ColorHistogram(CH) →RGB，HSV
- RGBの平均と標準偏差

- 形状特徴
- 非対称性
- 真円度
- 奇形
- 不規則性

---
### 考察
色特徴としてヒストグラムを用いている研究が多いと感じた

対象画像の重症度0，1の画像を見比べ，2つの間にどんな違いがあるのか理解を深める

グレード0 （12-10-4）

グレード1 （1-10-3）
肌荒れが少しある？

<br>


# 対象画像のテクスチャ特徴を求める
def extractionGLCMFeature(img):
	# RGB各チャンネルでテクスチャ特徴を抽出する
	levels = 7 # 0−7  8段階
	#全体のMAX，MINから画像を段階分け
	max = img.max()
	min = img.min()
	img_binary = (img - min)*(levels-1)//(max - min)+1
	glcmR = np.zeros((levels+1,levels+1), dtype=np.uint8) #同時生起行列 宣言
	glcmG = np.zeros((levels+1,levels+1), dtype=np.uint8)
	glcmB = np.zeros((levels+1,levels+1), dtype=np.uint8)
	
	# 同時正行列を計算
	for i in range(img.shape[0]):
		for j in range(img.shape[1]):
			for y in range(-1,2): #注目画素の隣接画素を探索
				for x in range(-1,2):
					if (i+y >= 0 and i+y <= img.shape[0]):
						if (j+x >= 0 and j+x <= img.shape[1]):
							# x==0 y==0 の時は処理しないようにしよう
							if(x!=0 or y!=0):
								#同時生起行列の[注目画素値，隣接画素値]の所を＋1
								glcmR[int(img_binary[i,j,0]),int(img_binary[y,x,0])] += 1
								glcmG[int(img_binary[i,j,1]),int(img_binary[y,x,1])] += 1
								glcmB[int(img_binary[i,j,2]),int(img_binary[y,x,2])] += 1
	
	# 同時生起行列を使ってテクスチャ特徴を抽出
	# 全体の値で割って正規化する．(ピクセル数の影響をなくすため)
	glcmR = glcmR/np.sum(img_binary[:,:,0])
	glcmG = glcmG/np.sum(img_binary[:,:,1])
	glcmB = glcmB/np.sum(img_binary[:,:,2])
	
	# エントロピー
	glcmR_entropy = 0.
	glcmG_entropy = 0.
	glcmB_entropy = 0.
	for i in range(levels):
		for j in range(levels):
			if(glcmR[i,j] != 0):
				glcmR_entropy -= glcmR[i,j]*np.log(glcmR[i,j])
			if(glcmG[i,j] != 0):
				glcmG_entropy -= glcmG[i,j]*np.log(glcmG[i,j])
			if(glcmB[i,j] != 0):
				glcmB_entropy -= glcmB[i,j]*np.log(glcmB[i,j])

	# コントラスト，相関，エネルギー，均一性
	glcmR_contrast = 0.
	glcmG_contrast = 0.
	glcmB_contrast = 0.
	for i in range(levels):
		for j in range(levels):
			if(glcmR[i,j] != 0):
				glcmR_contrast += ((i-j)**2)*glcmR[i,j]
			if(glcmG[i,j] != 0):
				glcmG_contrast += ((i-j)**2)*glcmG[i,j]
			if(glcmB[i,j] != 0):
				glcmB_contrast += ((i-j)**2)*glcmB[i,j]

	# 相関，エネルギー，均一性
	glcmR_soukan = 0.
	glcmG_soukan = 0.
	glcmB_soukan = 0.

	#GLCMの各行・列の標準偏差SDを求める i:行， l：列
	sdR_i = np.std(glcmR, axis=1)
	sdR_j = np.std(glcmR, axis=0)
	sdG_i = np.std(glcmG, axis=1)
	sdG_j = np.std(glcmG, axis=0)
	sdB_i = np.std(glcmB, axis=1)
	sdB_j = np.std(glcmB, axis=0)

	for i in range(levels):
		for j in range(levels):
			if(glcmR[i,j] != 0):
				glcmR_soukan += ((i-j)**2)*glcmR[i,j]
			if(glcmG[i,j] != 0):
				glcmG_soukan += ((i-j)**2)*glcmG[i,j]
			if(glcmB[i,j] != 0):
				glcmB_soukan += ((i-j)**2)*glcmB[i,j]

	return feature