CN102509318A - 人体数字舌图像专用颜色校正色卡及其制作方法 - Google Patents
人体数字舌图像专用颜色校正色卡及其制作方法 Download PDFInfo
- Publication number
- CN102509318A CN102509318A CN201110290797XA CN201110290797A CN102509318A CN 102509318 A CN102509318 A CN 102509318A CN 201110290797X A CN201110290797X A CN 201110290797XA CN 201110290797 A CN201110290797 A CN 201110290797A CN 102509318 A CN102509318 A CN 102509318A
- Authority
- CN
- China
- Prior art keywords
- color
- tongue
- image
- lump
- color lump
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Facsimile Image Signal Circuits (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种人体数字舌图像专用颜色校正色卡及其制作方法。人体数字舌图像专用颜色校正色卡包含24个从蒙赛尔色彩大全(Munsell book of color)中选取的色块,包含有6个灰度色块,从白到黑根据亮度的不同均匀选择6个灰度色块,全部色块的色度坐标均分布在人体数字舌图像颜色色域空间内。制作方法步骤包括利用边界分割法提取舌体图像;按照图像的颜色一致性将图像分割成小块;提取边界像素求解目标优化函数。本发明制作简单,易于推广使用,能够大幅提高人体数字舌图像校正的精度,是实现精确化、标准化数字舌图像采集的关键。
Description
(一)技术领域
本发明涉及颜色图像处理技术,具体说就是一种人体数字舌图像专用颜色校正色卡及其制作方法。
(二)背景技术
目前,利用医学图像处理以及计算机分析技术,实现中医舌诊的计算机辅助分析和客观化诊断,是解决传统中医舌诊实践中存在的诊断主观化,经验化,缺乏数据记录等问题,从而推动中医学的发扬光大和走向世界的必由之路。高质量的数字舌图像的采集是实现高性能的计算机辅助舌图像分析诊断的基础,如何提高采集得到的数字舌图像颜色质量,使得舌数字图像能更确切的反映舌体真实颜色一直以来都是业界着重研究的课题。采用颜色校正色卡,以对数字舌图像进行颜色校正,从而避免光源的老化波动,或者不同的成像设备的成像特性不一致对舌图像质量的影响,进而实现标准化的数字舌图像采集是最有效和常见的方法。
通过文献查询可以看到,目前,在数字舌图像的颜色校正中,采用的颜色校正色卡大多都是Munsell 24标准色卡,这个标准色卡是由美国的科学家于1976年设计的,除了包含有常见的灰度色,饱和色以外,还主要包含了许多自然颜色,如人体皮肤、天空、绿色等,由于包含的色域宽广,并且实现了标准化的定义和生产,因此,Munsell色卡成为了目前数字成像设备(数字相机和数字摄像机等)颜色校正的事实标准,被广泛的应用于不同场合的颜色校正任务中。但是,在数字舌图像的校正过程中,Munsell色卡的缺点也十分显而易见,如包含了许多舌图像中不可能出现的颜色(如绿色)等,因此,也导致了利用Munsell色卡对数字舌图像进行颜色校正无法得到较好的效果。尽管在实际的颜色校正操作中,可以通过只选取舌色相关的色块进行颜色校正,以试图提高颜色校正的精度和性能。然而,色块的数目和选取会对校正的精度和实时性带来影响。因此,如何能够在有限的色块数目下,设计出一种专用于数字舌图像颜色校正的校正色卡,是提高数字舌图像校正的精度,实现精确化、标准化的数字舌图像采集的关键所在。
(三)发明内容
本发明的目的在于提供一种人体数字舌图像专用颜色校正色卡及其制作 方法。
本发明的目的是这样实现的:所述的人体数字舌图像专用颜色校正色卡包含24个从蒙赛尔色彩大全(Munsell book of color)中选取的色块,包含有6个灰度色块,从白到黑根据亮度的不同均匀选择6个灰度色块,全部色块的色度坐标均分布在人体数字舌图像颜色色域空间内,当色块数目小于24时,校正性能随着色块数目增加迅速下降;而当色块数目大于24时,校正性能基本稳定,缓慢下降。所述的人体数字舌图像专用颜色校正色卡的制作方法,步骤如下:
步骤一:基于数字舌图像,构建人体数字舌图像颜色色域空间:首先利用边界分割提取方法提取出舌体部分的图像,随后采用JSEG边界分割方法按照图像的颜色一致性将图像分割成小块,随后对各个小块图像提取其在CIE xy空间中的边界像素,进而将所有的像素合并在一起,得到该张图像的色域空间范围,最后将所有的图像的边界像素合并得到基于大量数字舌图像的人体数字舌图像颜色色域空间。
步骤二:测试并验证在人体数字舌图像颜色色域空间内部选择的校正色块的校正性能;
步骤三:通过选取不同的色块数目,比较不同的色块数目下的校正性能,提出目标优化函数为: 式中,n表示不同的色块数目,Err(n)表示对应不同色块数目时通过校正色差评价的校正性能,A是权值常数,T(n)表示对应不同色块数目时用于评价算法的时间复杂度,在综合考虑校正时间和空间复杂度的情况下,得到色块数目的选择;
步骤四:针对色块具体值的选择,提出的目标优化函数为: 式中,C为不同的色块中心值的组合,si为不同的色块中心对应的圆面积,S为整个舌像色域空间面积,Err为对应不同选择的校正色差,N为色块的数目,通过求解上述的对于色块选择的目标优化函数,实现最优化的色块选择。
本发明所述的人体数字舌图像专用颜色校正色卡是专用于数字舌图像颜色校正的校正色卡,人体数字舌图像专用颜色校正色卡从蒙赛尔色彩大全(Munsell book of color)中选取色块,具有制作简单,易于推广和使用的特点。本发明所述的人体数字舌图像专用颜色校正色卡的制作方法主要是基于求解最优化目标函数而实现的,因此,人体数字舌图像专用颜色校正色卡能够大幅 提高人体数字舌图像校正的精度,是实现精确化、标准化的数字舌图像采集的关键所在。
(四)附图说明
图1为本发明的人体数字舌图像专用颜色校正色卡的示意图;
图2为本发明的人体数字舌图像专用颜色校正色卡的校正算法流程图;
图3为蒙赛尔色彩大全(Munsell color of book)在CIE色度图的分布图;
图4为人体数字舌图像颜色色域空间示意图;
图5为本发明的人体数字舌图像专用颜色校正色卡与Munsell 24色卡在CIE色度图中的对比图;
图6为本发明的人体数字舌图像专用颜色校正色卡的色块数目与优化目标函数值的实验结果图;
图7为本发明的人体数字舌图像专用颜色校正色卡包含的6个灰度色块图;
图8为本发明的圆覆盖算法挑选舌校正色块示意图;
图9为人体数字舌图像颜色色域空间的聚类颜色中心具体位置与颜色名称对应关系图;
图10为人体数字舌图像颜色色域空间的原理图。
(五)具体实施方式
下面结合附图举例对本发明作进一步说明。
实施例1:结合图1,本发明人体数字舌图像专用颜色校正色卡,包含24个从蒙赛尔色彩大全(Munsell book of color)中选取的色块,,其中含有6个灰度色块,从白到黑根据亮度的不同均匀选择6个灰度色块,其特征在于:全部色块的色度坐标均分布在舌像色域空间内,当色块数目小于24时,校正性能随着色块数目增加迅速下降;而当色块数目大于24时,校正性能基本稳定,缓慢下降。本发明所述的人体数字舌图像专用颜色校正色卡的制作方法,步骤如下:
步骤一:基于数字舌图像,构建人体数字舌图像颜色色域空间:首先利用边界分割提取方法提取出舌体部分的图像,随后采用JSEG边界分割方法按照图像的颜色一致性将图像分割成小块,随后对各个小块图像提取其在CIE xy 空间中的边界像素,进而将所有的像素合并在一起,得到该张图像的色域空间范围,最后将所有的图像的边界像素合并得到基于大量数字舌图像的人体数字舌图像颜色色域空间。
步骤二:测试并验证在人体数字舌图像颜色色域空间内部选择的校正色块的校正性能;
步骤三:通过选取不同的色块数目,比较不同的色块数目下的校正性能,提出目标优化函数为: 式中,n表示不同的色块数目,Err(n)表示对应不同色块数目时通过校正色差评价的校正性能,A是权值常数,T(n)表示对应不同色块数目时用于评价算法的时间复杂度,在综合考虑校正时间和空间复杂度的情况下,得到色块数目的选择;
步骤四:针对色块具体值的选择,提出的目标优化函数为: 式中,C为不同的色块中心值的组合,si为不同的色块中心对应的圆面积,S为整个舌像色域空间面积,Err为对应不同选择的校正色差,N为色块的数目,通过求解上述的对于色块选择的目标优化函数,实现最优化的色块选择。
实施例2:本发明的要解决的技术问题在于,设计出一种专用于人体数字舌图像颜色校正的校正色卡,以提高颜色校正的性能。该问题可以分解为三个子问题:(1)应该在哪个色域空间内选择校正色块颜色?(2)校正色块的数目应该如何确定?(3)如何最优化选择校正色块以达到最好的校正性能?围绕以上三个问题的解决,从而形成专用于数字舌图像颜色校正的最优化校正色卡。本发明针对上述问题提出的解决方案是:首先基于大量的数字舌图像,构建出舌图像颜色的色域空间,接下来,测试并验证在舌图像色域空间内部选择校正色块(即选取舌色相关的色块)能够达到比Munsell色卡更好的校正性能。随后,通过选取不同的色块数目,比较不同的色块数目下的校正性能,在综合考虑校正时间和空间复杂度的情况下,得到色块的数目的选择。最后,对色块选择建立最优化目标模型,通过求解目标函数,实现最优化的色块选择。
在本发明所述的人体数字舌图像专用颜色校正色卡中,为了实现色卡制作的标准化,色块从蒙赛尔色彩大全(Munsell book ofcolor)中选取。蒙赛尔色彩大全(Munsell book ofcolor)中含有1488个颜色色块,均匀分布在CIE色度空间中。
在本发明所述的数字舌图像专用颜色校正色卡中,通过实验验证了在舌像色域空间(即舌色相关颜色范围)中选取校正色块,可以实现比Munsell色卡更好的校正性能。在本发明所述的人体数字舌图像专用颜色校正色卡中,通过实验验证表明,色块数目的不同会影响颜色校正的性能,随着色块数目的增加,颜色校正的色差会逐步降低,综合考虑校正算法的时间复杂度,发现当色块数目大于24时,校正色差下降速度变慢,达到可以接受的范围。为了达到和Munsell色卡的可比性,色块的数目仍设定为24。
在本发明所述的人体数字舌图像专用颜色校正色卡中,包含有6个灰度色块,从白到黑根据亮度的不同均匀选择6个灰度色块,以实现图像的白平衡校正,可以直接选取Munsell色卡中的灰度色块。
在本发明所述的人体数字舌图像专用颜色校正色卡中,通过实验验证表明,当在舌色空间外边界和舌色分布稠密区域选择色块时,可以实现校正性能的最优化。单纯的在外边界选取或者单纯的只考虑舌色分布稠密区域,都无法实现最好的色块选择性能。
在本发明所述的人体数字舌图像专用颜色校正色卡制作方法中,针对色块数目的选择,提出的目标优化函数为: 式中,n表示不同的色块数目,Err(n)表示对应不同色块数目时校正性能(通过校正色差来评价),A是权值常数,T(n)表示对应不同色块数目时的算法运行时间(用于评价算法的时间复杂度)。针对色块具体值的选择,提出的优化目标函数为: 式中,C为不同的色块中心值的组合,si为不同的色块中心对应的圆面积,S为整个舌像色域空间面积,Err为对应不同选择的校正色差,N为色块的数目。
实施例3:结合图1-图8,本发明中提出的专用于数字舌图像颜色校正的校正色卡(图1所示)是为了解决数字舌图像采集过程中的非标准化因素或者光源老化引起的图像颜色质量变化问题进行颜色校正而提出的。不同的光源、不同的成像设备、甚至于同一类成像设备随着时间的推移,在采集同样的舌体时,得到的颜色输出都是不一样的,对采集得到的舌图像进行颜色校正就显得十分必要。
图2所示为颜色校正的流程图,首先采集得到校正色卡在待校正环境和标准颜色环境对应的颜色三刺激值,然后利用数据拟合和回归技术,如多项式回归(polynomial regression)、支持向量机数据回归(Support vector regression)等, 得到颜色校正模型参数,随后利用得到的颜色校正模型对待校正的舌图像进行颜色校正,以达到不同设备,不同光照条件之间的色彩一致性。在本发明中,颜色校正算法均采用运算效率较高且性能较好的多项式颜色校正算法。
本发明的目标是设计专用于数字舌图像颜色校正的校正色卡,由于需要比较不同的色块设计方案的校正性能以达到最优化颜色校正的目的,因此每次实验都需要制作测试色卡,并测量其在待校正环境和标准环境的对应颜色三刺激值以得到不同的校正模型进行比较。然后,由于精确的颜色复制价格昂贵,并且需时很长,在大量的色块选择实验中,因此很难每次实验都精确的生成颜色块。为了解决这个问题,本发明中采用了一种更为有效的方法来选择颜色色块,即从蒙赛尔色彩大全(Munsell color of book)中选择色块。Munsell color of book一共有1488个不同色度的颜色色块,如图3所示为其中一页的色卡图像,每一个色块都按照Munsell色度系统有一个独立的颜色编号。图5为Munsell book色卡的所有色块在CIE色度图上的分布,由图可知,Munsell book色块基本覆盖了完整的颜色色域空间范围,因此,可以认为,Munsell book是对颜色色域空间的一个离散化表达,因此,可以从Munsell book of color中选取色块。
一般认为,在相关的颜色中选取校正色块可以提高颜色校正的性能。本发明中也对舌图像的色域空间进行了研究,首先在CIE色度图中求得舌图像形成的色域空间,如图4所示,接下来,在舌图像色域空间里面选择色块,并与Munsell色卡校正性能进行比较,如图5所示为Munsell 24色卡以及选择的色卡在色度图中的分布图,选择的色卡全部在舌像色域空间内,而Munsell 24色卡则只有部分图像在舌像色域空间内。校正色差比较结果如下表1所示。当从舌色色域空间里面选择色块时,测试误差为18.10,而Munsell 24色卡的校正误差为65.59,因此验证了应该从舌色色域里面选择色块来进行颜色校正。
表1
在确定了应该在舌像色域空间选择色块后,应该确定需要选用多少个色块来进行颜色校正。关于色块数目的选择主要有两个方面的考虑,一是色块数目与校正精度的关系,理论上来说,随着色块数目的增加,校正精度应该逐步提高,即校正色差应该逐步下降;而是色块数目与算法复杂度的关系,随着色块数目的增加,算法复杂度逐步升高,即算法运行时间加长。因此,综合考虑以上两点因素,本发明中提出了以下的目标优化函数为:
式中,n——不同的色块数目;
Err(n)——对应不同色块数目时校正性能(通过校正色差来评价);
A——权值常数,
T(n)——对应不同色块数目时的算法运行时间(用于评价算法的时间复杂度)。
本实例中,A=3000,n∈[8,200]。图6所示为色块数目优化结果图;从图中可知,当n>20时,目标优化函数可以取得最小值,特别是当n=24时,目标函数值最小。因此可以得出结论,n>20为比较合适的色块选择数目,为了与Munsell 24色卡进行比较,因此选定色块数目为n=24
对于舌色色块具体值的选择,本实例中主要有几点考虑,第一,要选取灰度色块进行图像白平衡颜色校正,如图7所示;第二,要在舌色色域空间的边缘选择一些色块;以实现整个色域框架的校正;第三,要在舌色分布比较稠密的区域选择色块,以保证对于大部分色块校正的精确程度。因此,综合以上考虑,本发明提出了一个基于区域覆盖的色块选择方法,如图8所示为区域覆盖原理图。利用一定数量的圆区域,对整个舌色域空间进行覆盖。对圆区域的中心进行迭代优化,当对于整个色域空间的覆盖误差最小时,就可以达到最优化的色块选择,其优化目标函数如下所示:
式中,C——不同的色块中心值的组合;
si——不同的色块中心对应的圆面积;
S——整个舌像色域空间面积;
Err——不同色块选择对应的校正色差;
N——色块的数目。
通过对目标函数进行优化,可以得到最终选择的舌色色块(如图1所示),其具体的颜色值如表2所示:
表2
实施例4:结合图9、图10,人体数字舌图像颜色色域空间的构建:人体数字舌图像颜色色域空间是基于对于大量人体舌图像颜色特性的分析和提取基础上构建而成的。通过标准化的舌图像采集设备,总共采集了超过3000例有效舌图像,其中有1600例左右为体检中心和门诊采集的健康或者亚健康的图像,而其余的1400多例样本为病房采集的不同的病症特征的舌图像,一共 采集了超过100种疾病的舌图像。考虑到采集的规范化(即每张采集的样本都通过颜色还原保证颜色质量),采集样本的多样性和全面化,以及采集数量也比较巨大;因此,可以认为,所采用的舌图像分析数据具有典型性,能够覆盖人体舌图像可能出现的所有的颜色,因此,基于此数据得到的人体数字舌图像颜色色域空间是具有的代表性和全面性的。
由国际照明委员会定义的CIE XYZ颜色模型是一个常用的标准颜色模型,同样其变换空间CIE xyY空间也是标准的颜色模型,如图10所示的人体数字舌图像颜色色域空间,最外围的马蹄形的CIE色度图就是定义在CIE xy平面上。CIE色度图是自然界所有的可能的颜色的总和,我们所看到的发光体所能够产生的颜色往往都是这个色域空间的一个子集,因此,所述的人体数字舌图像颜色色域空间也是在CIE色度图中,是它的一个子集。
图10中,(S1)所指的矩形区域是构建的完备数字舌图像色域空间的最外围的边界范围,也就是说,整个舌图像色域空间一定在该矩形区域内部。之所以定义一个矩形区域也是因为对于舌图像色域空间的粗略定位十分重要,在不需要十分精确的场合,(S1)区域能够指出舌像色域空间的大致的范围,该矩形区域由 定义。
图10中,L1所指的边界是基于所有舌图像样本通过one-class SVM训练得到的色域空间的外围边界;实验中,one-class SVM训练和测试误差分别达到了99%和99.8%,考虑到可能存在的噪音和误差因素,可以基本上认为,L1所指的色域空间边界内部包含了所有的舌图像颜色像素;因此L1围成的色域空间为完备的人体舌图像颜色色域空间。L1由采用RBF核函数的SVM决策函数定义:
式中:x——边界自变量,xy色度空间中的二维向量;
n1——支持向量的数目;
i——支持向量的索引编号;
ωi——对应于不同支持向量的系数,标量;
γ1——RBF核函数参数;
xi——支持向量坐标,xy色度空间中的二维向量;
b1——支持向量机模型的偏置;
在本实施例中,b1=65.7178,n1=219,γ1=60
图10中,(S2)所指的矩形区域是98%舌像颜色出现的最外围的边界区域,同(S1)区域一样,98%的舌图像颜色的最大边界范围在此边界内部,(S2)可由公式 定义。
图10中,L2同样由98%的主要的舌图像颜色基于one-class SVM的方法训练得到;L2同样可以由采用RBF核函数的SVM决策函数定义:
式中:x——边界自变量,xy色度空间中的二维向量;;
n2——支持向量的数目;
j——支持向量的索引编号;
αj——对应于不同支持向量的系数,标量;
γ2——RBF核函数参数;
xj——支持向量坐标,xy色度空间中的二维向量;
b2——支持向量机模型的偏置;
在本实施例中,b1=10.5099,n1=44,γ1=200
图10中所示的P1为所定义的聚类中心点集,共包含了包含了8种舌质颜色(青色,红色,蓝色,紫色,绛色,淡红色,淡紫色,淡蓝色)以及4种舌 苔颜色(黑色,灰色,白色,黄色)。其中舌苔颜色中,黑色,黄色,灰色理论上来说在色度空间上应该位于同一点,只是亮度的不同而已。本实例中,得到的聚类中心的色度坐标以及颜色中心如表3所示:
表3
对于人体数字舌图像颜色色域空间的提取,提出了一种基于JSEG舌图像分割边缘搜索的舌像色域模型化方法.对于每一张采集得到的舌图像,在经过必要的预处理后,首先利用边界分割提取方法提取出舌体部分的图像,随后采用JSEG边界分割方法按照图像的颜色一致性将图像分割成小块,随后对各个小块图像提取其在CIE xy空间中的边界像素,最后将所有的像素合并在一起,得到该张图像的色域空间范围。如此循环往复,就可以得到数据库中所有的舌图像的色域空间范围,结合起来就形成了整个数字舌图像的色域空间。要解决的技术问题在于,基于标准化采集得到的大量的舌图像数据(>3000个样本,其中分别包含健康、疾病等不同的人体生理状况样本图像),提出描述人体数字舌图像颜色色域空间,对其进行相应的数学描述,并提出舌图像典型特征在色域空间的分布特征。针对上述技术问题提出的解决方案是:提出一种人体数字舌图像颜色色域空间的提取方法,在国际照明委员会定义的CIE xyY标准颜 色模型平面(CIE色度图)中构建了描述人体数字舌图像颜色的色域空间,包括完备的以及98%颜色色域空间及其边界曲线,提取得到色域空间的聚类颜色中心以及典型特征的分布区域,并且由此构建了色域空间中的舌苔舌质的分界面曲线。所述的表征舌图像完整颜色色域空间最大矩形边界范围的区域S1中,舌图像颜色色域空间在此矩形区域内部,色域空间在国际照明委员会定义的CIE xyY标准颜色模型平面(xy色度平面)定义,并由单类支持向量机(one-class SVM)方法基于全部的像素训练得到。此色域空间的最大区域范围在以下矩形空间S1内部:
式中,(x,y)为色度坐标,系数α满足:α∈[0,0.15]
在所述的表征数字舌图像完整颜色色域空间中,其具体的色域空间边界通过采用基于RBF核函数的单类支持向量机训练得到,边界曲线L1围成的区域即为完备的人体舌图像颜色色域空间。边界曲线L1由以下公式求解得到的二维边界点集连接而定义:
式中:x为边界自变量,xy色度空间中的二维向量;n1为支持向量个数;i为支持向量的索引编号;ωi为对应于不同支持向量的系数,标量;γ1为RBF核函数参数;xi为支持向量坐标,xy色度空间中的二维向量;b1为支持向量机模型的偏置;
在所述的表征舌图像98%颜色色域空间最大矩形边界范围的区域S2中,色域空间是基于98%的舌像颜色像素训练得到(98%的舌像像素都在此色域空间内)。此色域空间的最大区域范围在以下矩形空间S2内部:
式(3)中,(x,y)为色度坐标,系数α满足:α∈[0,0.15]
在所述的表征舌图像98%颜色色域空间的边界曲线L2中,其具体的边界 函数通过采用基于RBF核函数的单类支持向量机训练得到。边界曲线L2围成的区域即为98%舌图像颜色特征色域空间。边界曲线L2由以下公式求解得到的二维边界点集连接而定义:
式中:x为边界自变量,xy色度空间中的二维向量;n2为支持向量个数;j为支持向量的索引编号;αj为对应于不同支持向量的系数,标量;γ2为RBF核函数参数;xj为支持向量坐标,xy色度空间中的二维向量;b2为支持向量机模型的偏置;
在所述的色域空间的聚类中心点集P1中,包含了8种舌质颜色(青色,红色,蓝色,紫色,绛色,淡红色,淡紫色,淡蓝色)以及4种舌苔颜色(黑色,灰色,白色,黄色)。其中青色位于完全色域空间边界L1上,红色,蓝色,紫色,绛色,黄色位于98%色域空间边界L2上,淡红色,淡紫色以及淡蓝色的色度坐标分别为白色与红色、蓝色以及紫色的连线中点。
在所述的舌苔舌质分界曲线L3中,分界曲线L3将完备数字舌图像色域空间(L1围成的区域)分成舌苔以及舌质区域两部分,舌苔区域位于舌图像色域空间的右上角部分。L3由聚类中心点集P1中的白点与青色、淡蓝色、淡紫色、淡红色连线的中点连接而成;
人体数字舌图像颜色色域空间的提取方法:首先利用边界分割提取方法提取出舌体部分的图像,随后采用JSEG边界分割方法按照图像的颜色一致性将图像分割成小块,随后对各个小块图像提取其在CIE xy空间中的边界像素,最后将所有的像素合并在一起,得到该幅图像的色域空间范围。所述的人体数字舌图像颜色色域空间的提取方法,主要提取思路是指提取每一张舌图像在颜色空间的分布,然后将数据库中的全部舌图像的分布重叠合并在一起,最终得到包含全部舌图像的色域范围。色域空间是基于标准化采集得到的大量的舌图像数据库形成得到的,本数据库中一共有3000多张舌图像,每一张舌图像在颜色空间分布的提取过程是一样的,因此下面将详述对任意一张舌图像提取颜色空间分布的过程,最后将所有的舌图像分布合并就得到了整个数据库的色域 空间分布,即人体数字舌图像颜色特征色域空间。步骤如下:
步骤1:对于任意一张舌图像,首先,利用边界分割提取方法提取出舌体部分的图像。采用的边界提取方法是双椭圆模板和主动轮廓模型相结合的舌体自动分割算法[1],这种方法对噪声和初始化具有较强的鲁棒性,并能够对缺失边缘进行合理猜测,因此可以用来将舌体部分从采集得到的包含部分人脸的图像中抠出来,得到完整的舌体部分图像。
步骤2:将刚刚抠出来的完整的舌体部分图像进行再分块,分解成为许多不同的小块,这样做的目的,是为了使得每一个小块内的像素颜色和纹理一致,为后续的单个图像的色域空间分布提取做准备。采用的分块算法是各向同性的边缘分割算子-JSEG分割算法.JSEG算法就是一种由Deng和Manjunath提出的一种无监督分割算法[2]。算法的名称来自于一种分割准则——J的定义。该方法中,颜色的相似性及其空间分布被单独进行考虑,以便更好地刻画彩色纹理区域的一致性。由于该方法在大量的实际图象和视频上进行测试的效果良好,所以往往被用作图像分割和分块的方法,如图9中‘2.JSEG分割’部分所示,原始的舌体被分割成为不同大小的小块区域。
步骤3:对于步骤2中分块分割得到的每个小块区域,将每一个像素都映射到CIExy颜色空间,由于每一个像素对应CIExy颜色空间中的一个点,因此,每一个区域中的所有的像素也对应CIExy颜色空间中的一个点集区域,因此对于每一个小片区域,就可以得到一个点集区域,因此,将一个图像中的所有的小块区域都对应到颜色空间中,就可以得到该图像对应在CIExy颜色空间中分布区域,如图9中的‘3.CIExy空间映射’所示;
步骤4:对于步骤3得到的一张图像在CIExy空间中的分布区域,由于只需要其边界元素,因此需要找寻这个分布区域的边界元素。采用一种扫描的方法得到这个区域的边界元素,即从上至下的扫描,对于每一根扫描线,只保留两端的元素,而去除中间的元素,最终就可以得到该图像在CIExy空间中的分布区域的边界元素,如图9中‘4.CIE xy空间边界像素搜索’所示;
步骤5:对于数据库中的所有的图像,都重复上述步骤1--步骤4的四个步 骤,这样可以得到不同的色域空间分布的边界元素,最后,将所有的这些边界元素叠加在一起,可以得到整个舌图像颜色的色域空间分布,即人体数字舌图像颜色特征色域空间。
[1]B.Pang,D.Zhang,and K.Q.Wang,“The Bi-elliptical deformable contour and its application to automated tongue segmentation in Chinese medicine,”IEEE Transactions on Medical Imaging,vol.24,no.8,pp.946-956,2005.
[2]Y.Deng,and B.S.Manjunath,“Unsupervised segmentation of color-texture regions in images and video,”IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.23,no.8,pp.800-810,2001。
Claims (2)
1.一种人体数字舌图像专用颜色校正色卡,包含24个从蒙赛尔色彩大全(Munsell book of color)中选取的色块,其中含有6个灰度色块,从白到黑根据亮度的不同均匀选择6个灰度色块,其特征在于:全部色块的色度坐标均分布在舌像色域空间内,当色块数目小于24时,校正性能随着色块数目增加迅速下降;而当色块数目大于24时,校正性能基本稳定,缓慢下降。
2.一种如权利要求1所述的人体数字舌图像专用颜色校正色卡的制作方法,其特征在于:步骤如下:
步骤一:基于数字舌图像,构建人体数字舌图像颜色色域空间:首先利用边界分割提取方法提取出舌体部分的图像,随后采用JSEG边界分割方法按照图像的颜色一致性将图像分割成小块,随后对各个小块图像提取其在CIE xy空间中的边界像素,进而将所有的像素合并在一起,得到该张图像的色域空间范围,最后将所有的图像的边界像素合并得到基于大量数字舌图像的人体数字舌图像颜色色域空间;
步骤二:测试并验证在人体数字舌图像颜色色域空间内部选择的校正色块的校正性能;
步骤三:通过选取不同的色块数目,比较不同的色块数目下的校正性能,提出目标优化函数为:式中,n表示不同的色块数目,Err(n)表示对应不同色块数目时通过校正色差评价的校正性能,A是权值常数,T(n)表示对应不同色块数目时用于评价算法的时间复杂度,在综合考虑校正时间和空间复杂度的情况下,得到色块数目的选择;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110290797XA CN102509318A (zh) | 2011-09-20 | 2011-09-20 | 人体数字舌图像专用颜色校正色卡及其制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110290797XA CN102509318A (zh) | 2011-09-20 | 2011-09-20 | 人体数字舌图像专用颜色校正色卡及其制作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102509318A true CN102509318A (zh) | 2012-06-20 |
Family
ID=46221396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110290797XA Pending CN102509318A (zh) | 2011-09-20 | 2011-09-20 | 人体数字舌图像专用颜色校正色卡及其制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509318A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104572538A (zh) * | 2014-12-31 | 2015-04-29 | 北京工业大学 | 一种基于k-pls回归模型的中医舌图像颜色校正方法 |
CN104951792A (zh) * | 2014-03-28 | 2015-09-30 | 涂料外国Ip有限公司 | 用于分类扇形色卡颜色的系统和方法 |
CN106127675A (zh) * | 2016-06-20 | 2016-11-16 | 深圳市中识创新科技有限公司 | 颜色一致性方法和装置 |
CN106530361A (zh) * | 2016-11-16 | 2017-03-22 | 上海市东方医院 | 彩色人脸图像的颜色校正方法 |
CN109155071A (zh) * | 2017-06-30 | 2019-01-04 | 华为技术有限公司 | 一种颜色检测的方法及终端 |
CN110495888A (zh) * | 2019-08-27 | 2019-11-26 | 上海中医药大学 | 一种基于中医舌、面图像的标准色卡及其应用 |
CN112102441A (zh) * | 2020-09-14 | 2020-12-18 | 上海米哈游天命科技有限公司 | 色卡制作方法、装置、电子设备和存储介质 |
CN112488997A (zh) * | 2020-11-18 | 2021-03-12 | 浙江大学 | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 |
CN112991481A (zh) * | 2021-04-09 | 2021-06-18 | 浙江原色数码科技有限公司 | 一种素色纺织品的数字色卡及实体色卡制作方法 |
CN113259658A (zh) * | 2021-05-17 | 2021-08-13 | 浙江大学 | 物体喜好记忆色的获取方法及喜好记忆色标准色卡 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799920A (zh) * | 2009-02-06 | 2010-08-11 | 天津市医学堂科技有限公司 | 基于颜色特征的舌象分析方法及其应用 |
CN101947101A (zh) * | 2010-07-15 | 2011-01-19 | 哈尔滨工业大学 | 一种舌色还原色卡的制作方法 |
-
2011
- 2011-09-20 CN CN201110290797XA patent/CN102509318A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799920A (zh) * | 2009-02-06 | 2010-08-11 | 天津市医学堂科技有限公司 | 基于颜色特征的舌象分析方法及其应用 |
CN101947101A (zh) * | 2010-07-15 | 2011-01-19 | 哈尔滨工业大学 | 一种舌色还原色卡的制作方法 |
Non-Patent Citations (3)
Title |
---|
王兴政,张大鹏: "中医舌象采集分析系统设计研究", 《中国中西医结合学会诊断专业委员会2009年会论文集》 * |
陈松鹤: "数字舌图的舌色分析方法研究", 《中国博士学位论文全文数据库(电子期刊) 医药卫生科技辑》 * |
黄勍,黄勃,李乃民,贾丹兵,王淑英,张永丰: "舌色校正色卡设计", 《第四次全国中西医结合诊断学术研讨会论文集》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951792A (zh) * | 2014-03-28 | 2015-09-30 | 涂料外国Ip有限公司 | 用于分类扇形色卡颜色的系统和方法 |
CN104572538B (zh) * | 2014-12-31 | 2017-08-25 | 北京工业大学 | 一种基于k‑pls回归模型的中医舌图像颜色校正方法 |
CN104572538A (zh) * | 2014-12-31 | 2015-04-29 | 北京工业大学 | 一种基于k-pls回归模型的中医舌图像颜色校正方法 |
CN106127675A (zh) * | 2016-06-20 | 2016-11-16 | 深圳市中识创新科技有限公司 | 颜色一致性方法和装置 |
CN106127675B (zh) * | 2016-06-20 | 2019-05-24 | 深圳市利众信息科技有限公司 | 颜色一致性方法和装置 |
CN106530361A (zh) * | 2016-11-16 | 2017-03-22 | 上海市东方医院 | 彩色人脸图像的颜色校正方法 |
US11284013B2 (en) | 2017-06-30 | 2022-03-22 | Huawei Technologies Co., Ltd. | Color detection method and terminal |
CN109155071A (zh) * | 2017-06-30 | 2019-01-04 | 华为技术有限公司 | 一种颜色检测的方法及终端 |
CN109155071B (zh) * | 2017-06-30 | 2021-01-29 | 华为技术有限公司 | 一种颜色检测的方法及终端 |
CN110495888A (zh) * | 2019-08-27 | 2019-11-26 | 上海中医药大学 | 一种基于中医舌、面图像的标准色卡及其应用 |
CN112102441A (zh) * | 2020-09-14 | 2020-12-18 | 上海米哈游天命科技有限公司 | 色卡制作方法、装置、电子设备和存储介质 |
CN112488997A (zh) * | 2020-11-18 | 2021-03-12 | 浙江大学 | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 |
CN112488997B (zh) * | 2020-11-18 | 2022-04-29 | 浙江大学 | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 |
CN112991481A (zh) * | 2021-04-09 | 2021-06-18 | 浙江原色数码科技有限公司 | 一种素色纺织品的数字色卡及实体色卡制作方法 |
CN112991481B (zh) * | 2021-04-09 | 2024-02-02 | 浙江原色数码科技有限公司 | 一种素色纺织品的数字色卡及实体色卡制作方法 |
CN113259658A (zh) * | 2021-05-17 | 2021-08-13 | 浙江大学 | 物体喜好记忆色的获取方法及喜好记忆色标准色卡 |
CN113259658B (zh) * | 2021-05-17 | 2022-03-15 | 浙江大学 | 物体喜好记忆色的获取方法及喜好记忆色标准色卡 |
WO2022242608A1 (zh) * | 2021-05-17 | 2022-11-24 | 浙江大学 | 物体喜好记忆色的获取方法及喜好记忆色标准色卡 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102509318A (zh) | 人体数字舌图像专用颜色校正色卡及其制作方法 | |
CN102509312B (zh) | 人体数字舌图像颜色色域空间及其提取方法 | |
De Swaef et al. | Applying RGB-and thermal-based vegetation indices from UAVs for high-throughput field phenotyping of drought tolerance in forage grasses | |
US20080139966A1 (en) | Automatic tongue diagnosis based on chromatic and textural features classification using bayesian belief networks | |
CN111476170A (zh) | 一种结合深度学习和随机森林的遥感影像语义分割方法 | |
CN104636981A (zh) | 植物症状的处理方式建议系统与方法 | |
WO2019143906A1 (en) | System for detection of disease in plants | |
Zhang et al. | Image-based phenotyping of flowering intensity in cool-season crops | |
Deng et al. | Interpretation of forest resources at the individual tree level at Purple Mountain, Nanjing City, China, using WorldView-2 imagery by combining GPS, RS and GIS technologies | |
CN112446298A (zh) | 一种小麦赤霉病的高光谱无损检测方法 | |
CN111918547B (zh) | 树冠识别装置、识别方法、程序和记录介质 | |
CN115995005B (zh) | 基于单期高分辨率遥感影像的农作物的提取方法和装置 | |
Berveglieri et al. | Identification of successional stages and cover changes of tropical forest based on digital surface model analysis | |
WO2021122446A1 (en) | Method and system for automated plant image labeling | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
Zhang et al. | Development of an automated high-throughput phenotyping system for wheat evaluation in a controlled environment | |
Hassanzadeh et al. | Growth stage classification and harvest scheduling of snap bean using hyperspectral sensing: A greenhouse study | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
Gao et al. | In-field chlorophyll estimation based on hyperspectral images segmentation and pixel-wise spectra clustering of wheat canopy | |
Ortenzi et al. | A machine vision rapid method to determine the ripeness degree of olive lots | |
Irshad et al. | Spectral band selection for mitosis detection in histopathology | |
Chen et al. | Application of artificial intelligence in tongue diagnosis of traditional Chinese medicine: a review | |
Zhang et al. | Watershed segmentation algorithm based on LUV color space region merging for extracting slope hazard boundaries | |
Ashamari et al. | Identification of photospheric activity features from SOHO/MDI data using the ASAP tool | |
Rößle et al. | Efficient Noninvasive FHB Estimation using RGB Images from a Novel Multiyear, Multirater Dataset |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120620 |