CN102147921A - 基于图论的中医舌质、舌苔分离算法 - Google Patents

Abstract

本发明涉及基于图论的中医舌质、舌苔分离算法，采舌象转化为HSV模型由H值划分舌苔初始分割区域；将舌象分为区域的集合；初始分割区域与图中的单独顶点构成初始分割结果；区域结合算子计算区域间差值按序存堆；堆中有有效元素时，堆顶区域间差值大于两区域内部差值之一则区域分离，堆顶元素无效，重复此步，否则两区域合并，堆顶元素及两区域有关区域间差值删除；计算新合并区域相关内容，区域间差值存堆，无效元素重置有效。本发明根据HSV空间H值的特性，确定舌苔初始分割区域，提高算法分割效率与精度；构造阈值函数自适应算法，算法区分质苔交错细节能力提高；利用区域结合算子改进分割过程的迭代算法根据人眼知觉性分割质苔过渡较平缓的区域。

Description

基于图论的中医舌质、舌苔分离算法

技术领域

本发明属于一般的图像数据处理或产生的技术领域，特别涉及一种基于图论的中医舌质、舌苔分离算法。

背景技术

舌质、舌苔所蕴含的信息是中医舌诊客观化重要的诊断依据。在定量分析舌质、舌苔之前，需将舌质、舌苔从舌象中分离出来，分离效果的好坏关系着计算机推断病理或症型的成败。在早期的舌诊系统中，常通过手工分离舌质与舌苔，即系统的使用者从舌象中选取一块区域，并将这块区域标识为舌质或者舌苔。

上述处理存在很多缺点：(1)舌象局部的一个或者几个区域块并不能完整地反映整个舌质或者舌苔的性质；(2)选取的区域块带有明显的主观因素，不同的系统使用者往往选取不同的区域块；(3)人工选取区域块费时费力，操作不便。

鉴于人工手动分离的诸多不利，目前国内许多学者对实现自动化分离舌质与舌苔进行了研究，并取得了一定的成果。例如，蒋依吾等根据HIS模式分离舌质与舌苔，将满足H≤10或I≤0.68者标记为舌质，否则标记为舌苔的观点，这种方法根据中医提供的数据或者实验所得的数据作为分离阈值，并且将阈值作为实现舌质、舌苔分离的唯一依据，算法虽然简洁高效，但舌质、舌苔色彩差异繁多，根据阈值分离这二者，往往难以得到准确的分离结果；王爱民等提出了监督(FCM)聚类算法，并设计了多层去模糊处理，提取出了舌苔部分，但也存在一些明显的如隶属度矩阵和类中心的初始值不确定，必须事先进行猜测或随机初始化，且运算开销很大，速度慢的缺点；其它还有K-Means分层聚类算法、基于学习矢量量化(LVQ)神经网络的舌色、苔色自动分类方法等各种分类方法，这些算法在解决问题的同时又带来了新的问题，仍然不能达到令人满意的效果。

在过去的几年中，主动轮廓模型(Snake模型)被广泛地运用到各种图像分割的领域中，并取得了良好的分割效果。目前该方法的分离效果较好，不会产生大量零碎的区域，分割的结果表现为大范围的确定区域，对于多数舌象能够取得较好的分离效果，但在临床诊断中常出现舌质与舌苔区域不清晰的情况，比如当舌质与舌苔区域过渡较平缓时或舌质与舌苔二者交错分布时，对于质苔区域不清晰的舌象，该算法的分割曲线不能准确地收敛到真实的舌苔边界，造成误判舌质与舌苔，分离效果不佳。

发明内容

本发明解决的技术问题是，由于现有技术的算法虽然摒弃了人工手动分离舌质与舌苔时分离不全面的局限性，然而仍存在无法在准确分离舌质与舌苔的同时保证运算速度的问题，且算法不规范，在解决了一部分问题后又带来新问题的情况，进而提供了一种优化的基于图论的中医舌质、舌苔分离算法。

本发明所采用的技术方案是，基于图论的中医舌质、舌苔分离算法，所述算法包括下列步骤：

步骤一：采样获得舌象，将其由RGB模型转化为HSV模型，将其中满足25≤H≤40的部分标识为C₀，C₀为舌苔的初始分割区域；

步骤二：将舌象转换为灰度图并映射为加权图G＝(V，E)，其中，V表示图G的顶点集合，即待分割的顶点集合，E表示连接顶点的边集合；根据最小生成树图像分割算法，分割后的图像满足

其中，C_i为V的一个子集，在图像上表现为分割出的区域，S是C_i的集合，即分割后图像区域的集合；0＜i＜300，0＜j＜300；

步骤三：若存在C_i的集合S，则根据HSV模型中的H值确定的初始分割区域C₀与图中的单独顶点C_i构成S⁰，单个顶点的区域内部差值Int(C_i)＝0；

步骤四：根据区域结合算子的算法，结合顶点间的最小权值、边的数量及区域面积，计算S⁰中任意两相邻区域之间的Dif值，其中，Dif定义为单个顶点构成的两区域之间的区域间差值；

步骤五：根据Dif值大小，将图中所有Dif值存入一小根堆A，堆中所有元素均置为有效，即可参与堆中元素的比较；若堆A中存在有效元素，则重复执行步骤六、七，否则进行步骤八；

步骤六：取出堆顶元素中的Dif，计算Dif涉及的两区域C_α与C_β的MInt(C_α，C_β)，即C_α与C_β分别加上改进算法的自适应阈值函数τ(C_α)与τ(C_β)后的较小值；若Dif值大于MInt(C_α，C_β)，则C_α与C_β间存在边界，不满足合并的条件而需要分离，若Dif值不大于MInt(C_α，C_β)，则区域C_α与C_β不存在边界，满足合并的条件；若满足合并的条件则将S^q-1中的C_α与C_β合并得到S^q，将此刻的堆顶元素以及存储S^q-1中C_α、C_β与各自相邻区域之间的Dif的元素从堆A中删除，进行步骤七；如果判断为分离，将此刻的堆顶元素置为无效，不参与堆中元素的比较，S^q＝S^q-1，重复步骤六；1≤q≤300；

步骤七：根据新合并区域C_new涉及的C_α与C_β的各自内部差值Int(C_α)与Int(C_β)以及该两区域间的区域间差值Dif(C_α，C_β)，取其中的最大值为新合并区域C_new的内部差值Int(C_new)、计算新区域的顶点个数|C_new|以及新区域C_new与其所有相邻区域之间的Dif，并将这些Dif存入堆A，同时将堆中的无效元素重置为有效，参与堆中元素的比较；返回步骤五；

步骤八：返回分割结果S＝S^q。

优选地，所述步骤一中H取30。

优选地，步骤四中所述的区域结合算子计算区域间差值的方法为：取

$U^{\′}(C_{\mathrm{\α}},C_{\mathrm{\β}})=\frac{\mathrm{\λ}\×(1+\sqrt{\left|\right|C_{\mathrm{\α}}|-|C_{\mathrm{\β}}\left|\right|})\×U(C_{\mathrm{\α}},C_{\mathrm{\β}})}{\sqrt{\min \left(\right|C_{\mathrm{\α}}|,|C_{\mathrm{\β}}\left|\right)}}$

其中，权值w(v_n，v_m)＝|v_n-v_m|，

表示连接区域C_α与C_β的边的最小权值，w_i表示连接两个区域的第i条边的权值，λ为常数且0.05＜λ＜0.1，|C_α|与|C_β|分别表示C_α与C_β的面积，即顶点的个数。

优选地，所述λ＝0.08。

优选地，步骤六中所述的C_α与C_β分别加上改进算法的自适应阈值函数τ(C_α)与τ(C_β)后的较小值MInt(C_α，C_β)＝min(Int(C_α)+τ(C_α)，Int(C_β)，+τ(C_β))，所述的改进算法的自适应阈值函数τ(C_i)＝k/|C_i|，

其中，k₀是k的初始取值且190＜k₀＜210，是常量且

v_max、v_min分别为图像中灰度值最大、最小的两个像素点，n表示两区域有n条边相连，w(v_i，v_j)为连接两相邻区域的一条边的权值，|C_i|是区域C_i的大小，即顶点的个数，0＜i＜300，0＜j＜300。

优选地，所述k₀＝200，

优选地，所述新合并区域C_new的内部差值Int(C_new)＝max{Int(C_α)，Int(C_β)，Dif(C_α，C_β)}。

本发明提供了一种优化的基于图论的中医舌质、舌苔分离算法，通过基于图论的分割方法，将图论应用于图像处理中，借鉴图论中的最小生成树、最短路径以及分割等概念来实现图像的分割，后利用区域结合算子的方式通过改进的分割过程的迭代算法逐步合并舌苔区域，将人眼知觉性融入分离算法，最终较为完整的分离舌质和舌苔；本发明主要有如下几处改进：(1)根据HSV空间中H分量的特性，确定舌苔初始分割区域，提高了算法的分割效率与精度；(2)构造阈值函数τ(C)的自适应算法，提高算法区分质、苔交错细节的能力；(3)提出区域结合算子；(4)改进分割过程的迭代算法，在区域结合算子的引导下迭代算法根据人眼知觉性分割质苔过渡较平缓的区域。

附图说明

图1为本发明的算法流程图。

具体实施方式

下面结合实例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。

如图1所示，本发明涉及一种基于图论的中医舌质、舌苔分离算法，所述算法包括下列步骤：

步骤一：采样获得舌象，将其由RGB模型转化为HSV模型，将其中满足25≤H≤40的部分标识为C₀，C₀为舌苔的初始分割区域；

步骤二：将舌象转换为灰度图并映射为加权图G＝(V，E)，其中，V表示图G的顶点集合，即待分割的顶点集合，E表示连接顶点的边集合；根据最小生成树图像分割算法，分割后的图像满足

其中，C_i为V的一个子集，在图像上表现为分割出的区域，S是C_i的集合，即分割后图像区域的集合；0＜i＜300，0＜j＜300；

步骤三：若存在C_i的集合S，则根据HSV模型中的H值确定的初始分割区域C₀与图中的单独顶点C_i构成S⁰，单个顶点的区域内部差值Int(C_i)＝0；

步骤四：根据区域结合算子的算法，结合顶点间的最小权值、边的数量及区域面积，计算S⁰中任意两相邻区域之间的Dif值，其中，Dif定义为单个顶点构成的两区域之间的区域间差值；

步骤五：根据Dif值大小，将图中所有Dif值存入一小根堆A，堆中所有元素均置为有效，即可参与堆中元素的比较；若堆A中存在有效元素，则重复执行步骤六、七，否则进行步骤八；

步骤六：取出堆顶元素中的Dif，计算Dif涉及的两区域C_α与C_β的MInt(C_α，C_β)，即C_α与C_β分别加上改进算法的自适应阈值函数τ(C_α)与τ(C_β)后的较小值；若Dif值大于MInt(C_α，C_β)，则C_α与C_β间存在边界，不满足合并的条件而需要分离，若Dif值不大于MInt(C_α，C_β)，则区域C_α与C_β不存在边界，满足合并的条件；若满足合并的条件则将S^q-1中的C_α与C_β合并得到S^q，将此刻的堆顶元素以及存储S^q-1中C_α、C_β与各自相邻区域之间的Dif的元素从堆A中删除，进行步骤七；如果判断为分离，将此刻的堆顶元素置为无效，不参与堆中元素的比较，S^q＝S^q-1，重复步骤六；1≤q≤300；

步骤七：根据新合并区域C_new涉及的C_α与C_β的各自内部差值Int(C_α)与Int(C_β)以及该两区域间的区域间差值Dif(C_α，C_β)，取其中的最大值为新合并区域C_new的内部差值Int(C_new)、计算新区域的顶点个数|C_new|以及新区域C_new与其所有相邻区域之间的Dif，并将这些Dif存入堆A，同时将堆中的无效元素重置为有效，参与堆中元素的比较；返回步骤五；

步骤八：返回分割结果S＝S^q。

以下对本发明涉及的技术做进一步说明。

步骤一中提出了将获得的舌象根据HSV空间中H分量的特性取某一H值分割出舌苔初始分割区域的算法，这是因为舌苔与舌质最直观的区别表现为二者在色彩上有着明显的差异，将舌象由RGB模型转化为HSV模型，经实验发现如下规律：

(1)舌苔区域的H值较小，而舌质区域的H值较大；

(2)同质区域内，各像素点的H值较为接近；

(3)异质区域间，各像素点的H值差异较大。

根据舌质、舌苔在HSV空间中的这个规律，实验发现采用舌象的H值作为阈值可迅速初步区分舌苔与舌质，故将舌体中满足25≤H≤40之间的部分标识舌苔，其余部分为舌质。

本发明中，将采样得到的舌象由RGB模型转化为HSV模型，并取合适的H值，一般为30，初步分辨出一块舌苔的初始分割区域，并标识为C₀。

步骤一中，采用舌苔初始分割区域参与质苔分离过程，提高了算法的分割效率与精度。

本发明中涉及到图论的概念，描述如下：计算机捕捉到的任一图均可用公式G＝(V，E)表示，其中，图中的每个顶点v_i∈V，每条边(V_i，V_j)∈E，每一条边连接着相邻的两个顶点，图中的每两个顶点之间并非都有边相连，而是每个顶点与在其周边一定范围内的顶点有边相连，通常是将每个顶点与其4领域或者8领域内的顶点相连，每一条边有一个权值，权值反映边所连接的两个顶点之间的关系。

本发明算法中所述的步骤二中涉及到最小生成树图像分割算法。其中，生成树T指上述图的一个子图，具有如下性质：

(1)生成树T包含了原图G中所有的顶点，即V(T)＝V(G)；

(2)生成树T的边的集合是原图G的边的集合的子集，即

图G的生成树T的权值可表示为

其中，w(u，v)表示边(u，v)的权值。w(T)值最小的生成树即图G的最小生成树，表示为MST。

综上，本发明基于图论的图像分割方法是将图像分割的问题转换为图的分割问题。将一幅图像中的每一个像素映射为图中相应的顶点，如此，一个图对应一幅图像，图像的分割可通过分割与其对应的图实现。

本发明的步骤二具体操作如下：将舌象转换为灰度图并映射为加权图G＝(V，E)，其中V是图G的顶点集合，即待分割的顶点集合，E表示连接顶点的边集合；令v_i，v_j∈V，(v_i，v_j)∈E，每一条边(v_i，v_j)均有一个与之对应的权值w(v_i，v_j)，在其对应的图像中，即反映了边相邻的两个像素之间的关系，权值可以根据两个像素点之间灰度的差值或者颜色的差值来设定，这样的权值即反映了两个像素点在灰度空间或者颜色空间中的差异；本发明中，一般默认图像能被分割，即存在C_i的集合S，且分割后的图像满足

C_i为V的一个子集，在图像上表现为分割出的区域，S是C_i的集合，即分割后图像区域的集合，在本发明中表现为散落或合并在一起的初始待判断是否属于舌苔的区域部分，而本发明要完成的即是将这些区域与初始的舌苔分割区域做运算比较，将这些区域中是舌苔的部分区分出来，最终分离出较完整的舌苔。

根据步骤三所述，在算法一开始已经通过HSV模型中特定的H值初始化了一组区域C₀，若图中包含有初始分割的区域C_i的集合S，则可将初始分割区域C₀与图中单独顶点C_i构成S⁰；在此情况下，每个区域即顶点C_i的内部差值Int(C_i)＝0。

本发明中，步骤四主要完成了根据区域结合算子的算法，结合顶点间的最小权值、边的数量及区域面积，计算S⁰中任意两相邻区域之间的Dif值的工作，其中，Dif定义为单个顶点构成的两区域之间的区域间差值，此步骤为后续的根据两区域间差值Dif与两区域内部差值之一MInt(C_α，C_β)的大小比较来确定两区域是否要合并提供数据。

对于区域的合并或分离，Felzenszwalb与Huttenlocher提出过基于最小生成树的图像分割方法，借鉴了Kruskal算法的原理构建最小生成树，在构建最小生成树的同时实现区域合并与分离，从而完成了对图像的分割。此方法中，判断两个区域结合或分离的依据是连接这两个区域的边的最小权值与区域内最大权值，然而由于算法忽略了区域之间的全局特征，仅将两个权值作为判断两个区域结合或分离的唯一依据，过于片面，故时常导致分割失败，例如某些应合并的区域，由于区域内部边的权值普遍较小但在边界处存在一条权值较大的边而被误判成分离。

区域的合并或分离应与区域之间的结合程度保持一致，结合程度好的区域应合并，而结合程度差的区域应分开，区域结合程度体现了人眼的知觉性。根据知觉整体性中的邻近原则、相似性原则以及连续性原则，可知当两个区域之间边界较长且边界两端像素值普遍接近时，这两个区域结合得较好；当两区域面积相差较大且边界处像素值普遍接近时，这两个区域结合得较好。

为使分割更符合人眼知觉性，同时避免使用权值进行分割判断时可能出现的问题，本发明充分考虑了区域相邻边的数量、权值以及面积的因素，从图像的全局特征出发，在考虑最小权值的同时综合区域所有相邻边的数量、权值以及区域的面积，提出区域结合算子的算法，为算法的分割判断提供更有效的凭据。

本发明的步骤四中的区域结合算子的基本思路如下：设

为两个区域，这两个区域之间有n条边相连，则这两个区域之间的结合度算子U(C_α，C_β)可初步表示为

其中，权值w(v_n，v_m)＝|v_n-v_m|，

表示连接区域C_α与C_β的边的最小权值，w_i表示连接两个区域的第i条边的权值。当边w_i的权值接近最小的权值时，

取得接近1的值；边w_i的权值越大，则

的取值越接近0；当连接两区域的边的数量一定时，U的取值与连接两区域的所有的边的权值大小有关——权值之和越小，U的取值越大，两区域的结合程度越好；当两个区域间的权值变化不大时，U的取值与连接两区域的边的数量有关——边的数量越多，U的取值越大，两区域的结合程度越好。然而，

反映的是两区域面积相同的情况，在通常情况下，两区域的面积大小有差别，故综合区域面积，区域结合度算子可表示为

其中，λ为常数，|C_α|与|C_β|分别表示C_α与C_β的面积，即顶点的个数，当连接两区域的边的数量与权值一定时，U′的取值与两区域的面积有关，即其中一个区域的面积相对越小同时两区域面积差别越大时，U′的取值越大，两区域的结合程度越好。

上述思路将最小权值、边的数量以及区域面积综合考虑，通过区域结合算子的算法，全局性地描述了区域之间的结合程度，U′值越大，则结合程度越好，反之，则两区域越容易分离。局域结合算子为分割判断提供了较合适的凭据，结合较好的区域被赋予较大的结合度，结合程度较差的区域则被赋予较小的结合度。

根据上述区域结合算子的算法思路，两区域间的差值应根据连接两区域的边的数量、权值以及面积决定，区域间的差值可重定义为

其中，

是连接区域C_α与C_β之间的边的最小权值。

综合上述内容，本发明步骤四中所述的区域结合算子计算区域间差值的方法为：取

$U^{\′}(C_{\mathrm{\α}},C_{\mathrm{\β}})=\frac{\mathrm{\λ}\×(1+\sqrt{\left|\right|C_{\mathrm{\α}}|-|C_{\mathrm{\β}}\left|\right|})\×U(C_{\mathrm{\α}},C_{\mathrm{\β}})}{\sqrt{\min \left(\right|C_{\mathrm{\α}}|,|C_{\mathrm{\β}}\left|\right)}}$

其中，权值w(v_n，v_m)＝|v_n-v_m|，表示连接区域C_α与C_β的边的最小权值，w_i表示连接两个区域的第i条边的权值，λ为常数且0.05＜λ＜0.1，|C_α|与|C_β|分别表示C_α与C_β的面积，即顶点的个数。

本发明中，λ取0.08。

对于拥有较大U′值的两个区域，本发明相对于Felzenszwalb与Huttenlocher提出的方法具有更小的区域间差值，从而使得结合度较好的区域更容易相互合并。

本发明中，步骤五即是将上述方法计算得到的区域间差值Dif根据大小排列并存入一堆A中，并将堆中所有元素均置为有效，以此开始后续步骤中通过两区域间差值Dif与两区域内部差值之一MInt(C_α，C_β)的比较来确定两区域是否要合并。

本发明中步骤六所述，取出堆顶元素中的Dif，并计算Dif涉及的两区域C_α与C_β的内部差值之一MInt(C_α，C_β)，即C_α与C_β分别加上改进算法的自适应阈值函数τ(C_α)与τ(C_β)后的较小值；如果C_α与C_β之间没有边相连，则Dif(C_α，C_β)＝∞；通过判断两个区域之间的差值Dif(C_α，C_β)是否大于两个区域内部差值之一(Int(C_α)或Int(C_β))来确定两个区域是需要合并抑或是分离，公式表示为

即若两区域间差值Dif大于两区域内部差值之一MInt(C_α，C_β)则表示区域C_α与C_β之间有边界，不满足合并的条件故被分离，若两区域间差值Dif不大于两区域内部差值之一MInt(C_α，C_β)则表示区域C_α与C_β之间没有边界，即满足合并的条件；若满足合并的条件则将S^q-1中的C_α与C_β合并得到S^q，将此刻的堆顶元素以及存储S^q-1中C_α、C_β与各自相邻区域之间的Dif的元素从堆A中删除；如果判断为分离，将此刻的堆顶元素置为无效，不参与堆中元素的比较，S^q＝S^q-1，重复步骤六；其中，1≤q≤100。

本步骤中，如若根据Felzenszwalb与Huttenlocher的算法，则MInt(C_α，C_β)＝min(Int(C_α)+τ(C_α)，Int(C_β)+τ(C_β))，τ(C_i)＝k/|C_i|，其中，k是常量，|C_i|是区域C_i的大小，即顶点的个数。

阈值函数τ反映区域间差值大于区域内差值的程度，起到调节两个区域合并或分离的作用，抑制分割产生小区域，如公式MInt(C_α，C_β)＝min(Int(C_α)+τ(C_α)，Int(C_β)+τ(C_β))所示，τ(C_i)直接参与区域合并或分割的判断过程，合适的τ(C_i)值将极大地提高算法的分割效果，反之，一个不合适的τ(C_i)值会极大地降低分割效果；若τ(C_i)取值过大，则区域之间易合并，将得到面积较大的分割区域，然而分割区域的细节特征不明显，若τ(C_i)取值过小，则区域之间不易合并，分割结果中的区域面积较小，然而保留分割区域的细节特征效果明显。舌体表面组织分布复杂，舌质与舌苔细节纷多，τ(C_i)的取值将影响舌质、舌苔的分离效果，故应取得一个τ(C_i)值，既能适合分割整块同质区域，又能较好地保留分割区域的细节特征；如果能够在两个同质区域之间τ(C_i)取值较大，有助于算法合并这两个区域，而在异质区域之间τ(C_i)取值较小，有助于算法分离这两个区域并保留区域的细节特征。

另外，由于τ(C_i)＝k/|C_i|，从公式中可知k的取值对τ(C_i)值影响极大，k值较大则τ(C_i)取值偏大，则区域越容易合并，抑制产生小区域的效果越明显，k值较小则τ(C_i)取值偏小，则保留分割区域细节的效果越佳；这就要求k值在异质区域的边界处取值较小，而在同质区域的边界处取值较大。

为了能提高算法区分质苔交错细节的能力，确保分割曲线较好地显示舌苔交错的细节，本发明提供了改进算法的自适应阈值函数τ。步骤六中所述的改进算法的自适应阈值函数τ(C_i)＝k/|C_i|，

其中，k₀是k的初始取值且190＜k₀＜210，是常量且

v_max、v_min分别为图像中灰度值最大、最小的两个像素点，n表示两区域有n条边相连，w(v_i，v_j)为连接两相邻区域的一条边的权值，|C_i|是区域C_i的大小，即顶点的个数，0＜i＜300，0＜j＜300。

本发明中，k₀取200，取150。

通过利用改进算法的自适应阈值函数，若图中两相邻区域位于舌体的同一组织内，则连接这两区域的所有边的两个顶点v_i与v_j的灰度值接近，故权值w(v_i，v_j)远小于v_max-v_min，k的取值接近k₀，τ(C_i)取值偏大，两个区域易合并；若图中两相邻区域在位于舌体不同组织的边界处，故w(v_i，v_j)相对接近v_max-v_min，k的取值小于k₀，τ(C_i)取值偏小，从而两个区域易分离，并且图像的细节得到保留。

本发明中，步骤七根据新合并区域C_new涉及的C_α与C_β的各自内部差值Int(C_α)与Int(C_β)以及该两区域间的区域间差值Dif(C_α，C_β)，取其中的最大值为新合并区域C_new的内部差值Int(C_new)＝max{Int(C_α)，Int(C_β)，Dif(C_α，C_β)}、计算新区域的顶点个数|C_new|以及新区域C_new与其所有相邻区域之间的Dif，并将这些Dif存入堆A，同时将堆中的无效元素重置为有效，参与堆中元素的比较，此即完成了一个循环，不断的将新的内容计算出来并存到堆中，最终较好的显示舌质与舌苔边界处的细节，使得系统能够区分交错分布在舌苔中的舌质碎片与其周围的舌苔。

步骤八即是将最终的S^q值赋给S，得到最终的舌质、舌苔分离图样。

经实验证明，本发明所涉及算法的分离结果显示，由于舌苔的初始分割区域参与算法的迭代过程，引导算法生成一个完整的舌苔区域，没有出现根据Felzenszwalb与Huttenlocher的算法处理中舌苔被分割成多个区域的现象，而针对舌象的特点改进的阈值函数τ(C_i)有效保证了分割曲线较好地显示舌质与舌苔边界处的细节，能够区分交错分布在舌苔中的舌质碎片与其周围的舌苔，同时，在区域结合度算子的作用下，改进的迭代分割算法能识别舌苔与舌质过渡区中的较薄的舌苔。

本发明所涉及的算法对400张舌象进行了实验，其中96.5％的质苔分离结果得到中医专家的认可。实验证明，本发明所涉及的算法能有效地分离舌质与舌苔，并能有效地处理质苔过渡区以及质苔交错分布的区域。

中医在舌诊时要判断舌色、苔色的类型，根据中医理论将舌色、苔色的转换为有利于诊断的信息，因此，在中医舌诊客观化过程中，准确分离舌质与舌苔是后续诊断的重要前提。某些病例的舌质与舌苔呈现分布交错、质苔过渡区域平缓的现象，当前的质、苔分离算法不能有效解决这一问题，而由于舌苔的细节复杂繁多，多与舌质呈交错分布状，在分析舌质、舌苔的有关特点后，本算法改进了以下几点：根据HSV空间中H分量的特性，确定舌苔初始分割区域，提高了算法的分割效率与精度；构造阈值函数τ(C)的自适应算法，提高算法区分质苔交错细节的能力，确保分割曲线较好地显示舌苔交错的细节；提出区域结合算子；改进分割过程的迭代算法，在区域结合算子的引导下迭代算法根据人眼知觉性分割质苔过渡较平缓的区域。

本发明涉及的基于图论的中医舌质、舌苔分离算法符合人眼知觉性，该方法允许分割区域内像素的灰度值在一定范围内变化，适合处理区域内像素灰度值变化频繁的图像，

实验结果表明，本发明所涉及的质苔分离的算法行之有效，为后续的舌质、舌苔的特征提取与舌诊辨证论治提供了依据。

Claims (7)

1.基于图论的中医舌质、舌苔分离算法，其特征在于：所述算法包括下列步骤：

步骤一：采样获得舌象，将其由RGB模型转化为HSV模型，将其中满足25≤H≤40的部分标识为C₀，C₀为舌苔的初始分割区域；

步骤二：将舌象转换为灰度图并映射为加权图G＝(V，E)，其中，V表示图G的顶点集合，即待分割的顶点集合，E表示连接顶点的边集合；根据最小生成树图像分割算法，分割后的图像满足

其中，C_i为V的一个子集，在图像上表现为分割出的区域，S是C_i的集合，即分割后图像区域的集合；0＜i＜300，0＜j＜300；

步骤三：若存在C_i的集合S，则根据HSV模型中的H值确定的初始分割区域C₀与图中的单独顶点C_i构成S⁰，单个顶点的区域内部差值Int(C_i)＝0；

步骤四：根据区域结合算子的算法，结合顶点间的最小权值、边的数量及区域面积，计算S⁰中任意两相邻区域之间的Dif值，其中，Dif定义为单个顶点构成的两区域之间的区域间差值；

步骤五：根据Dif值大小，将图中所有Dif值存入一小根堆A，堆中所有元素均置为有效，即可参与堆中元素的比较；若堆A中存在有效元素，则重复执行步骤六、七，否则进行步骤八；

步骤六：取出堆顶元素中的Dif，计算Dif涉及的两区域C_α与C_β的MInt(C_α，C_β)，即C_α与C_β分别加上改进算法的自适应阈值函数τ(C_α)与τ(C_β)后的较小值；若Dif值大于MInt(C_α，C_β)，则C_α与C_β间存在边界，不满足合并的条件而需要分离，若Dif值不大于MInt(C_α，C_β)，则区域C_α与C_β不存在边界，满足合并的条件；若满足合并的条件则将S^q-1中的C_α与C_β合并得到S^q，将此刻的堆顶元素以及存储S^q-1中C_α、C_β与各自相邻区域之间的Dif的元素从堆A中删除，进行步骤七；如果判断为分离，将此刻的堆顶元素置为无效，不参与堆中元素的比较，S^q＝S^q-1，重复步骤六；1≤q≤300；

步骤七：根据新合并区域C_new涉及的C_α与C_β的各自内部差值Int(C_α)与Int(C_β)以及该两区域间的区域间差值Dif(C_α，C_β)，取其中的最大值为新合并区域C_new的内部差值Int(C_new)、计算新区域的顶点个数|C_new|以及新区域C_new与其所有相邻区域之间的Dif，并将这些Dif存入堆A，同时将堆中的无效元素重置为有效，参与堆中元素的比较；返回步骤五；

步骤八：返回分割结果S＝S^q。

2.根据权利要求1所述的基于图论的中医舌质、舌苔分离算法，其特征在于：所述步骤一中H取30。

3.根据权利要求1所述的基于图论的中医舌质、舌苔分离算法，其特征在于：步骤四中所述的区域结合算子计算区域间差值的方法为：取

$U^{\′}(C_{\mathrm{\α}},C_{\mathrm{\β}})=\frac{\mathrm{\λ}\×(1+\sqrt{\left|\right|C_{\mathrm{\α}}|-|C_{\mathrm{\β}}\left|\right|})\×U(C_{\mathrm{\α}},C_{\mathrm{\β}})}{\sqrt{\min \left(\right|C_{\mathrm{\α}}|,|C_{\mathrm{\β}}\left|\right)}}$ 其中，权值w(v_n，v_m)＝|v_n-v_m|，表示连接区域C_α与C_β的边的最小权值，w_i表示连接两个区域的第i条边的权值，λ为常数且0.05＜λ＜0.1，|C_α|与|C_β|分别表示C_α与C_β的面积，即顶点的个数。

4.根据权利要求3所述的基于图论的中医舌质、舌苔分离算法，其特征在于：所述λ＝0.08。

5.根据权利要求1所述的基于图论的中医舌质、舌苔分离算法，其特征在于：步骤六中所述的C_α与C_β分别加上改进算法的自适应阈值函数τ(C_α)与τ(C_β)后的较小值MInt(C_α，C_β)＝min(Int(C_α)+τ(C_α)，Int(C_β)+τ(C_β))，所述的改进算法的自适应阈值函数τ(C_i)＝k/|C_i|，

其中，k₀是k的初始取值且190＜k₀＜210，是常量且v_max、v_min分别为图像中灰度值最大、最小的两个像素点，n表示两区域有n条边相连，w(v_i，v_j)为连接两相邻区域的一条边的权值，|C_i|是区域C_i的大小，即顶点的个数，0＜i＜300，0＜j＜300。

6.根据权利要求5所述的基于图论的中医舌质、舌苔分离算法，其特征在于：所述k₀＝200，

7.根据权利要求1所述的基于图论的中医舌质、舌苔分离算法，其特征在于：所述新合并区域C_new的内部差值Int(C_new)＝max{Int(C_α)，Int(C_β)，Dif(C_α，C_β)}。

Images