CN102194121A - 改进的最大类间方差法在舌像裂纹识别中的应用 - Google Patents

Abstract

本发明实例给出一种舌像识别裂纹的方法，以解决现有舌诊中的裂纹的自动识别问题，并再最小类间方差滤波算法(OSTU)的基础上对图像进行自动阈值滤波，去除噪点，增大识别范围作了处理。本发明给出的一种图像特征识别、去噪的方法，包括：得到标准舌图后，转为灰度图。复制图像，按照图像宽高大小将两张图像划分为小区域，并且使两张图像任何一个小区域不会和原图小区域重合；利用OSTU滤波方法对两幅图像的每个小区域单独滤波；根据两张图像的滤波结果按照一定规则，合并为一张图像；对滤波后的图像去噪，排除干扰。

Description

改进的最大类间方差法在舌像裂纹识别中的应用

技术领域

本发明涉及计算机技术领域，特别地涉及图像的自动阈值滤波方法。

背景技术

舌诊是中医临床四诊中的重要内容，舌诊结果可以反映很多病人的信息，是中医诊断的一个重要组成部分。在现今中医舌诊中，医生只是对病人的舌体特征进行定向的分析，简单的描述舌体特征，具有相当大的主观性。在科技飞速进步的今天，如何将先进技术和严格标准引入中医舌诊，使舌诊结果有定性定量的数据描述，成为广大相关学者的研究课题。此类研究势必推动舌诊的客观化、规范化、标准化的研究进程。

舌诊中舌苔面积、舌色苔色、裂纹、瘀斑等舌体特征都是重要的诊断信息，如何准确客观的得到这些信息也就成为了传统中医和现代科技结合的研究内容。

在裂纹提取方面，许多研究人员利用边缘检测或是阈值分割的方法提取裂纹，在阈值分割方法上，舌像裂纹的提取收到了拍照环境和舌体表面其他特征的影响，并且阈值的选取也成为了决定裂纹提取优劣的关键，因为舌像裂纹识别最终要实现自动化，所以根据不同舌像动态计算合适的阈值也就成为了非常重要的研究课题。

发明内容

本发明实例给出一种舌像识别裂纹的方法，以解决现有舌诊中的裂纹的自动识别问题，并再最大类间方差滤波算法(OSTU)的基础上对图像进行自动阈值滤波，去除噪点，增大识别范围作了处理。

本发明给出的一种图像特征识别、去噪的方法，包括：得到标准舌图后，转为灰度图。复制图像，按照图像宽高大小将两张图像划分为小区域，并且使两张图像任何一个小区域不会和原图小区域重合；利用OSTU滤波方法对两幅图像的每个小区域单独滤波；根据两张图像的滤波结果按照一定规则，合并为一张图像；对滤波后的图像去噪，排除干扰；

本发明实例中给出的一种图像特征识别方法，包含：区域划分模块、OSTU滤波模块、图像合并模块、去噪模块。其中：区域划分模块，将图像复制，对两张相同的图像进行区域划分，划分的原则为：区域大小根据图像的宽高而定，分别来自两张图像的任意区域重合部分要尽量的小；OSTU滤波模块，OSTU滤波方法是一种比较成熟的自动阈值滤波方法，利用该方法对两幅图像的每一个小区域进行二值化滤波；图像合并模块，将两张滤波后的图像合成为一张，合并的原则为在任意一张图像上某个像素点为白色，那么合并后该像素点为白色；去噪模块，去除小的干扰点或干扰区域，去除舌体边界的影响。

本发明的有益效果在于：使舌象裂纹识别更加准确、清晰并进一步自动化，使舌象教学更加方便、形象生动。

附图说明

图1为本发明实例的方法流程图；

图2为标准舌图转化后的灰度图；

图3为舌图交叉分区后的示意图；

图4为ostu滤波后的效果图；

图5为舌体裂纹提取完成后的特征舌图。

具体实施方式

本发明实例给出一种舌像图的裂纹特征识别及去噪方法，如图1所示，包括以下步骤：

步骤1：得到一副标准的舌图，如图2；

步骤2：复制该舌图，得到两张完全相同的图像image1和image2，对两张图像进行分区，如图3；

步骤3：用OSTU方法对两张图像的每个小区域单独滤波；

步骤4：合并图像，合并；

步骤5：去噪，减少干扰，得到裂纹识别后的舌图，如图4；

步骤6：提取裂纹特征，包括裂纹条数，裂纹长度，如图5.

下面对上述各步骤进行详细说明。

在本发明实例中，假设当前舌图已经是进行了舌体轮廓查照和舌体提取的标准舌图。用于得到步骤1中的舌像图。这通常需要，一个轮廓查找的过程，根据舌体和脸部的特征差异，精确查找出舌体的轮廓，进行切割和舌体提取，如图2。

在步骤2中，将图像复制，分区，一般根据宽高的大小将其等分为小区域。在对两张图像的区域划分过程中，保证两张图像划分的区域是交叉的，这样做的目的是为了排除小区域边界部分滤波不完全的影响。分区后大致如图3；

在步骤3中，对图像的每个小区域进行OSTU滤波。

OSTU方法原名为最大类间方差法，由Ostu于1978年提出的，依据的原理是利用类别方差作为判断条件，选取使类间方差最大的灰度值作为最佳阈值。

设一副图像的灰度值为0□l-1级，灰度值i的像素数为n_i，则总像素数为：

各像素值概率为：p_i＝n_i/N；

然后用整数t将图像中的像素按灰度级划分为两类C₀和C₁，即：C₀＝{0，1，2，……，t}，C₁＝{t+1，t+2，……，l-1}；于是：

C₀产生的概率

均值

C₁产生的概率

均值

其中μ＝ω₀□μ₀+ω₁□μ₁是整幅图像的灰度平均值；

类间方差为：

最佳阈值为：

其中

利用上述方法确定两张图像中每一个小区域的滤波阈值，进行滤波，将大于阈值的像素点灰度值修改为255，即修改为白点。

在步骤4中，经过步骤3，图1和图2的每一个小区域都经过OSTU滤波处理的，遍历图1的每一个像素点，同时比较图2中的相同坐标的像素点，如果图2中像素点为白点，将图1中对应点修改为白点。程序大致代码如下：

for i＝1:height

for j＝1:width

if image2(i，j)＝＝255

image1(i，j)＝255；

end

end

end

合并完毕后的图1就为滤波结束后的图像，如图4；

在步骤5中，对滤波后的图像进行了去噪和去除边界的影响。

上述滤波方法虽然尽可能的提高的滤波质量和覆盖范围，但不可避免的在舌体边缘部分形成黑边，所以首先要去除部分边界，去除的方法为：

(1)定义一个圆形离散点列，要求是将舌体全部包含在点列内部；

(2)求出点列的中心点，确保该点大致位于舌体中部；

(3)循环点列的所有点，使点朝着中心点移动，当移动到舌体边缘点时，停止，记录该点此时坐标；

(4)点列中全部点循环一遍后，此时的点列中所有点都位于舌体边缘上，按比例缩小点列，去除点列外部的点即去掉了舌体边缘部分；

去噪处理：

裂纹识别中的噪点大部分为点刺形成的噪声和部分干扰点形成的噪声，去噪的方法为：

(1)利用区域增长算法查找出所有的连通区域；

(2)判断每一个连通区域的像素数，设定阈值去掉部分干扰点；

(3)判断每一个连通区域的形状和周长，去掉点刺形成的干扰区域；

最后结果如图4；

该步操作中，由于部分细小裂纹可能会被当做噪声去除掉，所以在去噪的时候应当结合实际舌图选取最优的去噪方法，另外，使用区域增长算法查找连通区域时也可以适当扩大生长范围，以便保留更多的裂纹。

在步骤6中，对去噪后剩下的裂纹的参数进行提取计算，在步骤5的区域增长提取中，裂纹所有的参数，包括四个顶点坐标、平均灰度都可以被计算出来。

计算出裂纹的特征后，完成舌体的裂纹提取操作。

本发明实例中，从读取图像到最后的裂纹识别，裂纹提取的过程中，没有人为操作，因为OSTU可以很好的自动确定滤波阈值，所以在选取滤波算法时在OSTU基础上做了改进，对舌图进行交叉分区，解决了因为拍照环境造成的原始OSTU滤波后，只能有效提取舌中裂纹点局限性，扩大了舌体上可提取裂纹范围。最后的裂纹提取也应用了区域增长算法，可以很好的提取裂纹特征。

以上所述，仅是本发明的较佳实施例而已，并非对发明作任何形式上的限制，凡是依据本发明的技术实质和方法对以上实施例所做的任何修改，等同变化与修饰，仍属于本发明的技术方案的范围内。

Claims (5)

1.一种图像的特征识别及提取方法，其特征在于，包括：用改进的最大类间方差法对图像进行阈值滤波，提取图像指定特征；

对滤波后的图形进行合并去噪处理，使裂纹特征更加清晰。

2.如权利要求1中所述方法，其特征在于，在最大类间方差滤波算法的基础上结合舌像采集的特点对算法改进，用交叉分区的方法提高滤波质量。

3.如权利要求1中所述方法，其特征在于，进行滤波后的舌像图片上会有一些很小的噪点存在，去除噪点更加容易提取出裂纹特征。

4.如权利要求2中所述方法，其特征在于，对图片进行交叉分区，将两张相同图像，按照图像高宽大小将图像等分成小区域，并且使两张图像划分后的小区域互不重合。

5.如权利要求3中所述方法，其特征在于，将周长小于一定值的噪点去除，从而可以排除非裂纹点的影响。

Images