皮肤病识别系统项目3.0版,使用PyQT5进行界面的搭建

1.系统介绍

系统包括文件浏览区域,缩略图区域,大图区域,图像分析区域(包括增加亮度,去除毛发噪声等功能),识别结果区域,还可以进行外接摄像头随时采集皮肤图像进行识别以及分析,此外还有历史记录查询区域和每一种疾病信息,参考图查询区域,分类数据集使用的是ISIC2019皮肤癌分类数据集,用Tensorflow2.0框架进行训练,之后转为pb模型用opencv进行调用,肿瘤区域分割使用ISIC2017数据集,选择U-net进行训练,之后转为onnx模型,使用onnxruntime进行调用。

2.登录界面

运行之后首先显示登录界面
在这里插入图片描述
相关代码

conn = sqlite3.connect('./database/user.db')
cursor = conn.cursor()
cursor.execute('SELECT * FROM user')
result = cursor.fetchall()
cursor.close()
conn.close()
# 1 获取输入的账户和密码
account = self.lineEdit.text()  # 记得text要打括号()!
password = self.lineEdit_2.text()
if account == "" or password == "":
    QMessageBox.warning(self, "警告", "账号密码不能为空,请输入!")
    return

else:
    for j in result:
        if account == str(j[0]) and password == str(j[1]):
            self.attach = 1
            break
    if self.attach == 1:
        self.main = Main()
        self.main.show()

        # 2关闭本窗口
        self.close()
    else:
        QMessageBox.warning(self, "警告", "账户或密码错误,请重新输入!")

3.注册界面

点击注册按钮显示注册界面
在这里插入图片描述
相关代码

self.account = self.lineEdit.text()  # 记得text要打括号()!
self.password = self.lineEdit_2.text()
self.re_password = self.lineEdit_3.text()

if self.account == "" or self.password == "" or self.re_password == "":
    QMessageBox.warning(self, "警告", "请输入用户名或密码!")

elif self.password != self.re_password:
    QMessageBox.warning(self, "警告", "输入密码不一致,请重新输入!")
else:
    conn = sqlite3.connect('./database/user.db')
    cursor = conn.cursor()
    cursor.execute('INSERT INTO user VALUES (?,?)', (self.account, self.password))
    cursor.close()
    conn.commit()
    conn.close()
    QMessageBox.warning(self, "成功", "注册成功!")

4.主界面

输入用户名密码点击登录按钮跳转到主界面
在这里插入图片描述

5.选择文件夹

在文件选择区域选择自己要识别的图像文件夹,双击之后缩略图区域会显示文件夹内所有的图片

6.选择图片

双击选好的图片会显示大图
在这里插入图片描述

7.对图像进行处理

通过点击右边的复选框,可以对图像进行简单的处理

7.1 去除毛发噪声

去除前

去除后
在这里插入图片描述

7.2 病变区域分割

分割模型使用我之前发过的代码进行训练,之后对其进行部署https://blog.csdn.net/qq_38412266/article/details/107400045?spm=1001.2014.3001.5502
在这里插入图片描述

7.3 平滑处理

可以选择核大小
在这里插入图片描述

7.4 伽马矫正

在这里插入图片描述

7.5 均衡化

可以选择不同的通道进行均衡化
在这里插入图片描述

7.6 亮度调节

在这里插入图片描述

7.7 边缘检测

在这里插入图片描述

8 处理后图片保存

鼠标放到图片区域点击右键
在这里插入图片描述
选择位置进行保存
在这里插入图片描述
保存成功
在这里插入图片描述

9 皮肤病识别

点击识别按钮,使用模型对图片进行预测
在这里插入图片描述

10 打开摄像头

软件也可以外接摄像头
在这里插入图片描述

11 摄像头抓取图片

对于摄像头抓取的图片也可以进行相应的图像处理
在这里插入图片描述

12 摄像头抓取识别

对于摄像头捕捉的图像点击识别按钮进行识别
在这里插入图片描述

13 查询页面

点击查询跳出查询页面,可以查询历史记录以及每种疾病的信息
在这里插入图片描述

14 历史记录

选中要查询的历史记录,双击会显示当时进行识别的图像,存储主要用的是sqlite轻量级数据库
在这里插入图片描述

15 疾病信息

选择要查询的疾病信息,双击可以看到疾病的介绍以及参考图片
在这里插入图片描述

  • 6
    点赞
  • 56
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 44
    评论
【资源说明】 Python开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zipPython开发基于Pyqt5设计实现的简易水果识别系统源码.zip 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可直接用于毕设、课设、作业等。 欢迎下载,沟通交流,互相学习,共同进步!
### 回答1: ISIC 2018竞赛代码是指参与国际皮肤病图片分类挑战(ISIC 2018 Challenge)所需用到的计算机程序代码。ISIC 2018竞赛旨在通过机器学习和计算机视觉技术,帮助判断和分类皮肤病的照片。以下是关于ISIC 2018竞赛代码的一些说明: 首先,参赛者需要了解ISIC 2018竞赛的目标和参赛规则。代码的编写应该根据竞赛要求,使用相应的机器学习算法和计算机视觉技术来处理皮肤病图片。 一种常见的方法是使用卷积神经网络(CNN),这种网络结构在图像分类中表现出色。比如,可以使用流行的深度学习框架如TensorFlow或PyTorch来搭建CNN模型。 数据预处理也很重要,参赛者需要根据竞赛提供的训练集和验证集,对图像进行预处理,可能包括图像增强、裁剪、缩放等操作。 在代码中,参赛者需要实现模型的训练过程,包括加载数据集、定义模型结构和超参数,然后使用训练数据训练模型,并通过验证数据调优模型。 在模型训练完成后,参赛者需要对测试集中的图像进行预测。预测过程可以使用训练好的模型对测试图像进行分类,得到最终的结果。 除了模型的建立和训练,代码也需要考虑到结果的可视化和评估。例如,在训练过程中可以记录模型的损失和准确率,以便制作训练曲线图。此外,参赛者还可以使用评估指标如准确率、召回率、F1分数等来评估模型的性能。 总之,ISIC 2018竞赛代码是根据竞赛要求和机器学习技术编写的一套计算机程序,用于实现皮肤病图片分类的自动化处理。代码的编写需要熟悉机器学习算法和计算机视觉技术,并结合竞赛提供的数据集进行训练、测试和评估。 ### 回答2: ISIC 2018竞赛是一个关于皮肤病诊断的竞赛,旨在通过机器学习算法和人工智能技术,提高皮肤病的诊断准确性和效率。竞赛要求参赛者使用提供的数据集,开发一个能够自动识别皮肤病的算法。 竞赛代码可以分为几个主要部分。首先,需要进行数据的预处理。这包括读取和加载数据集,对数据进行清洗和去噪,以及将数据分成训练集和测试集。预处理还包括对图像进行增强和标准化,以提高模型的鲁棒性。 接下来,需要选择适当的机器学习模型,并进行模型的训练和优化。常见的模型包括卷积神经网络(CNN)和支持向量机(SVM)。模型的训练过程通常包括前向传播、反向传播和参数更新等步骤,以最小化损失函数。 在模型训练完成后,需要对测试集进行预测并评估模型的性能。常用的评估指标包括准确率、精确率、召回率和F1值等。通过这些指标,可以评估模型对不同皮肤病的识别效果,并进一步优化模型。 最后,可以使用训练好的模型对新的未知数据进行预测,以实现自动化的皮肤病诊断。这个过程涉及将新的皮肤图像输入模型,并利用模型的输出判断病情。 总的来说,ISIC 2018竞赛的代码需要进行数据的预处理、模型的训练和优化、性能评估以及预测等步骤,以实现准确的皮肤病诊断。实现这些步骤需要熟悉机器学习和深度学习的相关算法和工具,以及对皮肤病的病理特征有一定的了解。通过不断优化算法和模型,可以提高皮肤病诊断的准确性和效率。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 44
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

姚先生97

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值