CN101799870A - 舌象轮廓提取方法及其应用 - Google Patents

Abstract

本发明给出一种舌象轮廓提取方法及其应用，有技术中对于舌体分割时轮廓提取的初始轮廓点列的选取、舌体轮廓提取时snake模型中能量项的定义和选取，及平衡各个能量项对舌体轮廓提取的影响的问题，并对异常情况，及提取的舌体轮廓包含嘴唇时，做了处理。本发明给出的一种图像的识别，轮廓提取，分割方法，帮助使用者采集舌象、诊断疾病，将传统的中医诊疗数据量化，为中医诊断统一标准提供了依据和可能。

Description

舌象轮廓提取方法及其应用

技术领域

本发明涉及计算机技术领域，特别地涉及图像的识别和轮廓提取的方法。

背景技术

舌诊是中医临床四诊中的重要内容，舌象是为中医诊病的必要参考依据，舌象分析成为中医诊病中的一个重要过程，传统舌诊及舌象分析多是对舌质、舌苔进行一些特征描述，存在一定的不确定性和主观性。如何将现代科技应用到传统舌诊中，使舌象分析不再只是模糊的特征描述，而是有科学量化的数据体现，该问题的解决势必能推动舌诊客观化、规范化、标准化的研究进程。

现今舌象特征量化的研究较多，而多是对舌象局部特征的提取量化，得到的数据往往随提取部位的变化而有不同，不能反映舌象的整体特征，有违临床实际望舌需看舌整体状况的诊察原则，对临床诊断也难以起到很好的辅助作用。舌象分析的量化需建立在整体舌象特征把握的基础上进行局部典型特征的分析，整体舌象特征的把握前提需要将舌图像单独提取出来，即要消除拍摄时舌图像以外的画面，在此基础上进行舌象的舌色、舌形、苔色、苔质等特征的逐级分割提取，这样一个分析过程即能有舌象特征的整体把握，又有局部特征的分析，符合临床实际舌诊过程，能起到真正的辅助诊断作用。

现今部分学者利用舌象自动识别分割技术来进行舌象特征提取，主要应用snake算法和贪婪算法这两种算法的综合应用。但是在snake模型的能量项的定义上，存在很大的差异，如果能量项的定义不合理的话，就不能使初始轮廓精确收敛到舌体边界，并且计算出来的能量项的值也差别很大，如何平衡各个能量项对收敛的影响，也需要大量的实验来确定每个能量的加权系数。

发明内容

本发明实例给出一种舌象轮廓提取方法，以解决现有技术中对于舌体分割时轮廓提取的初始轮廓点列的选取、舌体轮廓提取时snake模型中能量项的定义和选取，及平衡各个能量项对舌体轮廓提取的影响的问题，并对异常情况，及提取的舌体轮廓包含嘴唇时，做了处理。

本发明给出的一种图像的识别，轮廓提取，分割方法，包括：

根据舌体在图片中的位置，动态确定轮廓提取算法的初始离散点列，即初始轮廓；用结合贪婪算法的离散化snake模型，利用已经给出的舌体初始轮廓，查找舌体的精确轮廓，并将舌体部分分割出来；

用watershed算法，按照图像灰度确定平滑滤波过的舌象图的各个区域，去掉不属于舌体区域的部分。从而得到更精确的舌体图像；

本发明实例中给出的一种图像识别及分割方法，大致轮廓查找模块、snake轮廓提取模块、提取闭合多边形内图像模块、watershed处理模块。其中：

大致轮廓查找模块，用于确定一组闭合的顺序离散点列，并且该离散点列必须保证所有的舌体点在离散点列组成的多边形内部；

Snake轮廓提取模块，用改进的snake算法，加上前面确定的闭合离散点列精确确定舌体的轮廓；

提取闭合多边形内图像模块，将闭合顺序离散点列中的点顺序连接而形成的多边形内部的图像提取出来；

Watershed处理模块，对平滑滤波后的图像进行watershed处理，根据处理得到的边界判断舌体图中是否还存在嘴唇。

附图说明

图1为本发明实例的方法流程图；

图2为映射到HSI空间后处理过的舌象图；

图3为经过snake轮廓提取后分割出来的舌体部分；

图4为进行分水岭操作的舌体图；

图5为去除嘴唇影响的最终舌体分割结果。

具体实施方式

本发明实例给出一种图像的识别及轮廓提取和分割方法，如图1所示，包括以下步骤：

步骤1：得到一副经过HSI空间内阈值处理的舌象图，如图2；

步骤2：生成一个包含全部舌体区域的顺序离散点列组成的多边形，利用该离散点列中的点进行轮廓查找中的收敛；

步骤3：将图片转为灰度图；定义步骤2中离散点列每个点的能量。利用查找每个点3*3邻域中每个点的能量值，根据能量值的大小对离散点列中的全部点进行迭代，达到提取舌体轮廓的目的；

步骤4：利用收敛到舌体轮廓上的闭合离散点列，将舌体部分从图片中分割出来；

步骤5：将图片平滑滤波，进行watershed处理，根据处理后的图像区域划分判断分割出来的舌体中是否存在嘴唇的影响，如存在，则去除。

下面对上述各步骤进行详细说明。

在本发明实例中，假设当前图片已经进行了从RGB空间映射到HSI空间中，在HIS空间中做了阈值处理，并且已经转回RGB空间，用于得到步骤1中的舌象图。这通常需要，一个映射的过程，即根据两个空间之间的映射公式将图片转到HSI空间，确定图片的一个H阈值，根据此阈值对图像的每个像素点进行处理。

在步骤2中，需要事先定义一个顺序的闭合离散点列

{(x₁，y₁)，(x₂，y₂)，....，(x_n-1，y_n-1)，(x_n，y_n)}，

定义点列中每个点都是图片上的点。其中{x₁，x₂，...，x_n-1，x_n}、{y₁，y₂，...，y_n-1，y_n}分别为点列中点在图片上的列值和行值，x_max、y_max、x_min、y_min为两个数列中的最大值和最小值；找到图片中满足该条件的四个值：该像素点在RGB空间中各颜色分量关系满足R＞G且R＞B，的最大行值Row_max、最小行值Row_min、最大列值Out_max、最小列值Out_min。

根据公式：

对数列{x_n}、{y_n}进行线性变换，变换后得到的数列即为包含舌体部分的初始离散点列。

在步骤3中，首先将图片转化为灰度图，用结合贪婪算法的离散化snake模型，利用步骤2得到的闭合离散点列，定义闭合离散点列的形心a，坐标分别为：

作为离散点列的收敛指向点。定义该离散点列的为每一个点定义四个能量值：连续能量E_continuous，弯曲能量E_bending，图像能量E_gray，约束能量E_distance。

对这四个能量的定义解释如下：

E_continuous表示该点到下一个数列点的欧式距离，用于保证轮廓的总长度尽可能的短，即收敛到尽可能小的区域。计算公式为：数列中下标为i的点的连续能量为：

$E_{i\_\mathrm{continuous}}=d_{i,i+1}=\sqrt{{(x_i-x_{i+1})}^2+{(y_i-y_{i+1})}^2};$

E_bending表示该点与数列中相邻两点的弹性弯曲能量，为了保证收敛后的轮廓尽可能的平滑。计算公式为：数列中下标为i的点的弯曲能量为：

E_{i_bending}＝(x_i-1-2□x_i+x_i+1)²+(y_i-1-2□y_i+y_i+1)²；

E_gray表示该点在图片上具有的能量，用该点的灰度值表示：E_{i_gray}＝Gray(i)，Gray(i)代表点i在图片中的像素灰度值；

E_distance表示该点到形心的距离，为了保证闭合的离散点列收敛方向指向内部。计算公式为：

四个能量值中，E_continuous和E_bending属于离散点列的内部能量，用以保证轮廓的连续和平滑，E_gray和E_distance属于外部能量，用以保证点列向某些特征趋近。

因为四个能量值的计算方法不同，导致四个能量值在大小上差异很大，为此，各能量项全都归一为区间[0，1]内的数。设点j为点i周围3*3邻域中的一个点，归一化处理后点i的四个能量值表示如下：

其中，d_i，i+1为点i到点i+1的欧氏距离，

为所有离散点到形心的平均距离；

$E_{i\_\mathrm{gray}}=\frac{\underset{1\≤j\≤9}{\min }\left(\mathrm{Gray}\left(j\right)\right)-\mathrm{Gray}\left(i\right)}{\underset{1\≤j\≤9}{\max }\left(\mathrm{Gray}\left(j\right)\right)-\underset{1\≤j\≤9}{\min }\left(\mathrm{Gray}\left(j\right)\right)}$

$E_{i\_\mathrm{continuous}}=\frac{d_{i,a}}{\underset{1\≤j\≤9}{\max }\left(d_{j,a}\right)}$

所以，点i具有的总能量为：E_i＝E_{i_continuous}+E_i，bending+E_{i_gray}+E_{i_continuous}。根据四个能量对轮廓离散点列收敛所起的作用程度不同，定义αβγδ分别为四个能量的加权系数，四个加权系数在不同的环境下也不同，必须通过大量的实例测试才能确定。

所以，总的能量值为：E_i＝α□E_{i_continuous}+β□E_{i_bending}+χ□E_{i_gray}+δ□E_{i_continuous}。

定义完四个能量项以后，循环离散点列中每一个点，例如：对点i的3*3邻域内的点，根据上面的能量计算公式计算其能量，找到此邻域内能量值最小的点，用这个点来代替离散点列中的点i；当对闭合离散点列中的所有点查找完一遍后，即完成一次迭代，此时因为点列中的点的坐标都发生变化，所以要重新计算形心的位置。

重复上述迭代过程，直至迭代一定次数后或是某次迭代发生移动的点的个数少于某一值时，停止迭代，此时的闭合离散点列即为提出出来的舌体轮廓。

在步骤4中，利用步骤3最后提取出来的离散点列，将位于闭合离散点列形成的多边形外部的点全部去除掉。只保留离散点列形成的多边形内部的点，这样保留的部分就是要提取的舌体部分。

因为在图像中，嘴唇的灰度及颜色分量特征都和需要分离出的舌体部分很相似，所以在步骤3提取出的轮廓中，很可能除了需要保留的舌体部分外，还有部分嘴唇也被包含进来了。

在步骤5中，因为直接对图片进行分水岭处理，所形成的区域太多，所以用MATLAB内置函数imfilter对图片进行平滑滤波，滤波后的图片虽然有些模糊，但是舌体轮廓的峰值依然很明显，将图片转换为灰度图，并作反相处理，对此时的图片进行分水岭处理，处理后会生成一个与原图片行列值相同行列数的矩阵L。其中属于分水岭的点在矩阵中的点的值为O；取图片的中间列Mid_out＝(x_max+x_min)/2，以判断下嘴唇是否存在为例，从y_max行、Mid_out列开始逐行向上查找，当某点b(Mark_row，Mid_out)满足条件：1，该点在矩阵L中对应值为O，即为分水岭点；2，该点的灰度为一个峰值。如果存在这样的点，则说明仍然存在嘴唇的影响，并且点b位于嘴唇与舌体的分界线上。那么从点b开始，分别逐列向左右查找嘴唇与舌体的分界线。

分界线符合的条件为：1、该点在矩阵L中对应值为O，即为分水岭点；2、该点的灰度值和它前一个点的灰度值差的不能超过一定范围；如果存在超过一个的点满足上述两个条件，则选取与前一点欧式距离最小的那个点。查找到边界后，再对舌象图处理一次，以去掉嘴唇的影响。

本发明实例中从读取图片到最后输出提取完成的图片过程中，没有人机交互的操作。并且能根据舌体在图片中的位置和图片的大小自动生成snake的初始轮廓。不用人工选择离散点列作为查找的初始轮廓。

以上所述，仅为本发明的实施例，本发明所保护的权利范围，并不局限于此，凡熟悉该项技术人员，依据本发明所揭露的技术内容，可做些改变，均应属于本发明的保护范围。

Claims (8)

1.一种舌象轮廓提取方法，其特征在于，包括：根据舌像图中像素点的RGB值动态捕捉舌象在整幅图片中的大概位置，不受图片原始大小的影响；

精确确定图片中舌头部分的轮廓，并将其提取出来；

检查提取出的舌像是否受到上下嘴唇的影响，如有，将其去除。

2.如权利要求1中所述方法，其特征在于，用改进的轮廓提取算法，精确确定舌象的边缘，并将其从原图片中分割出来。

3.如权利要求1中所述方法，其特征在于，用边缘检测算法，判断是否存在上下嘴唇的影响，如存在，则进行二次分割，在舌象图中去除嘴唇的影响。

4.如权利要求2中所述方法，其特征在于，根据舌体的大小及位于图片中的位置改变事先确定的平面上闭合离散点列的形状，位置，大小；其中，离散点列每一个点存储x、y坐标用于表示点在图片上的列值和行值。

5.如权利要求5中所述方法，其特征在于，在RGB空间中，根据图像中舌体区域和非舌体区域像素的R分量的不同，确定舌体区域上下左右的四个边界点，根据这四个边界点的坐标来改变闭合离散点列的大小，形状，位置。

6.如权利要求1中所述方法，其特征在于，用定位到舌体四周的离散点列作为snake的初始轮廓，定义每个离散点具有四个能量值，同时求得该点周围3*3邻域内各个点的能量值，根据能量值总和的大小来判断是否替换闭合离散点列中的点，通过不断迭代达到精确查找舌体轮廓的目的。

7.如权利要求6中所述方法，其特征在于，闭合的离散点列中，为了平衡四个能量值对收敛的影响，做了归一化处理，并且每一个点的四个能量值根据离散点列收敛时的作用不同而设置了不同的加权系数。

8.如权利要求1中所述方法，其特征在于，用分水岭算法处理图片，判断是否存在舌体轮廓提取时有嘴唇被当作舌体部分保留下来，为了避免处理时分区过多，对图片进行来平滑滤波操作。

Images