增生性瘢痕是人体皮肤创口过度修复的一种并发症,该皮肤病症会在视觉外观、机体功能和心理健康对患者造成多重负担。色泽是增生性瘢痕生长和活动最直观的特征,颜色与光泽分别反映了其扩张血管的分布和色素的沉积情况,准确客观的瘢痕色泽评估对其诊治和研究具有关键作用。临床上多通过肉眼观察或徒手触诊在评分量表中对瘢痕进行评估,存在着主观性较大和重复性不佳等缺点,并且专业医师的数量与发病人数以及频繁复诊的需求难以匹配。近年来,快速发展的图像识别技术为瘢痕的色泽评估提供了新的思路。移动设备和互联网的结合为实现一种无创无痛、简单客观、快速准确的瘢痕色泽评估辅助诊断系统提供了技术基础。本文旨在研究基于图像的瘢痕色泽评估预测方法,为此展开了如下的研究工作:首先建立了一个具有类别多样性的瘢痕图像数据集。收集并整理了1360张覆盖四肢和躯干等身体部位的临床瘢痕图像,针对样本图像存在的噪声和偏色问题进行了图像降噪和色彩常恒性校正等预处理操作,提高了数据集的质量。其次研究了基于深度学习模型的瘢痕色泽识别评估方法。分析了经典深度学习网络结构、卷积特征、瘢痕图像的特点和迁移学习策略,在经典网络模型的基础上提出了两种改进网络:Goog Le Net-Scar和Shuffle Net-Scar。通过实验对比了改进模型与其它经典深度学习网络的识别性能,实验表明:改进网络在大幅减少参数量的情况下依然取得了高于原模型的准确率和特异性,对瘢痕图像评估任务具有更强的适应性。然后研究了传统机器学习下基于图像的瘢痕识别评估方法。对于传统图像分割算法在瘢痕数据集中分割效果不佳的情况,本文采用Deep Lab V3+分割方法完成了对瘢痕病灶的精准分割。接着从分割图像中提取颜色和纹理特征共44个,并采用主成分分析法进行了特征融合优化,随后训练了K近邻算法和支持向量机两种分类器。结果说明:颜色特征在评估中占主导地位,在评估瘢痕色泽混淆度较大的图像时,纹理特征能显著提高准确度,而优化后的特征能进一步提高识别的整体性能。最后应用多分类问题的一对一分解策略将瘢痕色泽评估任务划分为多个子问题的组合,并结合瘢痕生长规律和呈现的阶段性特点提出了多层级瘢痕评估算法。分别将算法应用到深度学习模型和传统机器学习的分类阶段,实验结果显示:多层级评估算法进一步的提升了评估的性能,能将误判情况往最相近的类型靠拢,从而减少评估误差。本文研究可以为瘢痕辅助诊断系统的应用提供新的技术参考。