CN103324952A - 基于特征提取的痤疮分类方法 - Google Patents

Abstract

本发明涉及一种基于特征提取的痤疮分类方法，首先获得痤疮患者背部的痧象，利用现有技术获得背部穴位的具体位置，并分割为彩色穴位模块，然后获取每个彩色穴位模块的纹理特征，即采用灰度共生矩阵基础上的对比度、熵和相关性来共同表征纹理特征，获取每个彩色穴位模块的颜色特征，获取每个彩色穴位模块的痧象面积特征，接下来采用痤疮患者背部的痧象对BP神经网络进行训练，所述的BP神经网络为三层结构，输入层维数为63，隐含层维数为25，输出层维数为3，最后利用训练好的BP神经网络对待检测对象进行痤疮分类，最终输出三种病症，即湿热型、心火炽热型以及脾气虚型。

Description

基于特征提取的痤疮分类方法

技术领域

本发明属于医学图像处理领域，是一种利用计算机技术、数字图像处理技术、数据挖掘技术等实现痤疮不同病症的自动分析和判别的方法。该方法能够实现对输入的痤疮患者的背部痧象图像的自动分析，判断患者痤疮的症型是湿热型、心火炽热型还是脾气虚型。 

背景技术

痤疮常发病于人的面部，对人们的个人形象有很严重的负面影响，而痤疮又是一种常见病，主要是由体内寒毒、湿毒导致，所以中医理论中的刮痧治疗手法不但可以从根本上治疗痤疮，还可以由痧象判断痤疮的症型，因此痤疮的背部痧象是中医诊断痤疮症型时所参考的重要指标之一。 

痧象是用牛角、玉石等工具在皮肤相关部位刮拭后，皮肤表面会出现红、紫、黑斑或黑疱的现象，亦即指“痧痕”。目前，刮痧治疗仍然是靠医生对痧象进行观察，从而作出判断。病症的诊察也是如此。这种方法带有很强的主观性、模糊性，诊察结果与医生的经验密切相关。特别是在计算机技术、网络技术高速发展的现在，传统中医诊察方式已经不能适应医学发展的需要。 

发明内容

为了使诊断结果更加科学准确，本发明在痧象图像中首先提取穴位模块的颜色特征，纹理特征以及痧象面积特征，然后采用BP神经网络分类的方法对这些特征进行处理，最终确定输入痤疮痧象图像的具体症型。BP神经网络分类方法,即误差反传误差反向传播算法的学 习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层（隐含层）可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。 

本发明的技术方案参见图1，该方法是在医院统一的环境中，用数码相机获得痤疮患者背部的痧象，并将图像传输至计算机，在计算机中采用人体背部穴位自动定位方法专利中的步骤完成从输入图像到到对固定背部穴位的自动定位，获得输入图像中所需穴位的具体位置点，其中包括大椎穴、左肺俞穴、右肺俞穴、左心俞穴、右心俞穴、左膈俞穴、右膈俞穴，并以位置点为中心得到50*50像素大小的区域，这样每幅输入图像就可以得到7个彩色穴位模块，之后本发明的特征在于该方法还依次包括以下步骤： 

1）、获取每个彩色穴位模块的纹理特征，即采用灰度共生矩阵基础上的对比度、熵和相关性来共同表征纹理特征。 

首先将每个彩色穴位模块进行灰度化，得到灰度穴位模块，计算得到每个灰度穴位模块的灰度共生矩阵，并进行归一化。之后计算每个灰度穴位模块的灰度共生矩阵的对比度、熵和相关性。 

对比度的计算公式为: $\mathrm{CON}=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{(i-j)}^{2}p(i,j),$

熵的公式为： $\mathrm{COR}=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}p(i,j)\log \left(p(i,j)\right),$

相关性的公式为： $\mathrm{ENT}=\frac{\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}i\×j\×p(i,j)-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y},$

${\mathrm{\μ}}_x=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}i\×p(i,j),$ ${\mathrm{\μ}}_y=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}j\×p(i,j),$

${\mathrm{\σ}}_x=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{(i-{\mathrm{\μ}}_x)}^{2}p(i,j),$ ${\mathrm{\σ}}_y=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{(j-{\mathrm{\μ}}_x)}^{2}p(i,j)$

其中N是图像灰度的级数，i，j是图像中相邻两点的灰度数，p(i,j)是灰度共生矩阵中归一化了的数值。 

2）、获取每个彩色穴位模块的颜色特征。本发明采用HSV量化直方图来表征每个穴位模块的颜色特征。 

首先对每个彩色穴位模块进行RGB颜色空间到HSV颜色空间的转换，得到每个彩色穴位模块的HSV分量，由于HSV颜色空间中的矢量维数很大，故对色调H分量、饱和度S分量、亮度V分量进行非等间隔的量化，即把色调H分量分成16份，饱和度S分量和亮度V分量都分成4份，并根据色彩的不同范围进行量化，量化后的色调、饱和度、亮度分别为h，s，v。具体的量化分布如下： 

量化完成后，本发明把3个颜色分量合成为一维特征矢量L，合成公式为：L=16h+4s+v。通过统计每个彩色穴位模块的一维特征矢量L的直方图，选取像素个数最多的前四项L值最为最后表征颜色分量的特征向量。 

3）、获取每个彩色穴位模块的痧象面积特征。本发明统计在HSV颜色空间中H分量在（356，360)、（0,5）区间内的像素数，并计算其占总像素数的比值，将这两个比值作为每个彩色穴位模块的痧象面积特征。 

4）、采用不同的痤疮患者背部的痧象特征对BP神经网络进行训练，得到各层之间的权值系数。在本发明中，每一个样本图像中有7个穴位模块，每个穴位模块都包括纹理特征（包含3个特征值）、颜色特征（包含4个特征值）以及面积特征（包含2个特征值），故BP神经网络的输入层的维数为63维。本发明最后的分析结果是得出痤 疮具体的病症，主要为三种，即湿热型、心火炽热型以及脾气虚型，所以输出层的维数为3维。通过设置隐含层的维数，用训练样本不断的修改输入层、隐含层、输出层之间的权值系数，使输出的结果不断的和标定的结果值一样。 

5）完成训练后，使用BP神经网络对待测图像进行痤疮分类。 

有益效果 

本发明不同于其他的医学图像处理，是以痤疮痧象图像中的穴位模块为基础，提取模块中的颜色特征，纹理特征、痧象面积特征，采用BP神经网络训练方法，分析大椎穴、肺俞穴、心俞穴以及膈俞穴四个穴位的痧象，进而综合判断痤疮的症型，从而有效地将现代计算机技术、图象处理技术应用于中医病理的分析，实现痤疮中医诊治的自动分析判断。 

附图说明

图1本发明方法流程图 

具体实施方式

本实施例中是采用佳能照相机，在普通医疗房间内实现痤疮患者的背部痧象图像的采集，并将图像传输至计算机，在计算机中根据在穴位模块中所提取的特征运用BP神经网络分类方法实现痤疮症型的自动分析、判别。痤疮症型的判别归结为人体背部痧象的反应程度。根据痧象在人体背部不同穴位处有不同的表现形式，由此先要检测与痤疮痧象紧密相连的穴位；再从中提取能够代表不同程度痧象的特征，从而反应不同痧象的严重程度及表现形态；然后根据所提取的特 征训练BP神经网络，不断的改善各层之间的权值系数，使输出的结果与理论值结果一致。最后输入需要分类的图像，通过特征提取、BP神经网络分析判断就可以得出痤疮症型的结果。该分析方法利用图象处理相关理论能实现痤疮症型的计算机自动分析及分类。 

具体实施中将图象传输至计算机后，在计算机中完成人体背部所需穴位定位之后还需完成以下程序： 

1、输入人体背部痧象图像，利用人体背部穴位自动定位方法确定大椎穴、左肺俞穴、右肺俞穴、左心俞穴、右心俞穴、左膈俞穴、右膈俞穴7个穴位的位置点，标记为acup,acup=1,2,3,4,5,6,7。并以它们为中心点选取50*50像素大小的区域作为穴位模块，即每幅样本图像我们可以得到7个穴位模块。 

2、对每个穴位模块进行灰度化，得到每个穴位模块的穴位灰度模块，计算得到每个穴位灰度模块的灰度共生矩阵P_d，对灰度共生矩阵P_d进行归一化，得到矩阵P′_d，初始化灰度模块的灰度级N=256，计算矩阵P′_d的对比度、熵和相关性，分别标记为feather[1],feather[2],feather[3]; 

3、计算每个穴位模块的HSV颜色空间，根据非等间隔量化表统计穴位模块中的像素个数，选取像素个数最多的前4个量化值标记为feather[4],feather[5],feather[6],feather[7]； 

4、在HSV颜色空间中统计H分量在（356，360)、（0,5）区间内的像素个数，并计算其占总像素数的比值，标记为feather[8],feather[9]； 

5、采集不少于500个痤疮患者的背部痧象图构成训练样本集，对每 个训练样本进行以上4个步骤的计算，得到每个训练样本的7个穴位模板，每个穴位模块有9个特征值，即每个训练样本的总特征维数为63维。将每个训练样本的穴位按照大椎穴、左肺俞穴、右肺俞穴、左心俞穴、右心俞穴、左膈俞穴、右膈俞穴进行排序，每个穴位模块的特征按照feather[1]至feather[9]的顺序排列，最后得到一个列矩阵input，表示每个训练样本的总体特征，其大小为63×1，设定这个训练样本的输出列矩阵为output，大小为3×1，并与其输入列矩阵input相对应，样本的理想输出列矩阵output表示的是痤疮的3种症型，具体的显示形式为：湿热型的输出标定为[1，0，0]^T，心火炽热型的输出标定为[0，1，0]^T，脾气虚型的输出标定为[0，0，1]^T。训练样本图像的个数M=1000。之后进行以下操作： 

（1）设定BP神经网络的学习效率xite=0.1，输入层维数innum=63，隐含层维数midnum=25，输出层维数outnum=3。输入层和隐含层之间的权值系数矩阵ω₁，其大小为63×25，偏移量矩阵b₁是大小为1×midnum的0到1的随机数，表征隐含层每个节点的偏移量；隐含层到输出层之间的权值系数矩阵ω₂是大小为midnum×outnum的0到1的随机数，表征隐含层每个节点和输出层每个节点之间的权值系数；偏移量矩阵b₂是大小为outnum*1的0到1的随机数，表征输出层每个节点的偏移量。 

（2）BP神经网络输入层的输入为inputn，inputn由输入矩阵input归一化并转置后得到，输入层的第j个节点的输出为I(j)=inputn·ω₁(a_j)+b₁(j)，其中，ω₁(a_j)表示ω₁矩阵中的第a_j 列，是大小innum×1的列向量，表征隐含层第j个节点对应的权值系数矩阵，其值为0到1之间的随机数，j=1,2，...,midnum;b₁(j)表示偏移量矩阵b₁的第j个元素，即隐含层的第j个节点对应的偏移量；BP神经网络输入层的输出做为隐含层的输入，隐含层的第j个节点的输出

其中，I(j)为输入层的第j个节点的输出。 

（3）通过隐含层的输出计算输出层的系统的实际输出矩阵Yout，计算表达式为：其中，ω₂是隐含层到输出层之间的权值系数矩阵，b₂是偏移量矩阵，表征输出层每个节点的偏移量，定义见前文，Iout是隐含层的输出； 

（4）计算训练样本图像的误差矩阵err，计算公式为：err=output-Yout，其中output是样本的理想输出矩阵； 

（5）计算隐含层和输出层间的权值系数变化量dω2和偏移量变化量db2，计算表达式为：dω2=err×Iout， 

db2=err^T； 

（6）计算隐含层第j个节点与输入层第k个节点之间的权值系数变化量dω1(k,j)和隐含层第j个节点的偏移量变化量db1(j)，计算表达式为： 

dω1(k,j)=FI(j)×inputn(k)×(err(1)×ω₂(j,1)+err(2)×ω₂(j,2)+err(3)×ω₂(j,3))db1(j)=FI(j)×(err(1)×ω₂(j,1)+err(2)×ω₂(j,2)+err(3)×ω₂(j,3)) 

其中FI(j)=Iout(j)×(1-Iout(j)),inputn(k)表示输入层输入矩阵中的第k个元素，err(i)表示误差矩阵err中的第i个元素，ω₂(j,i)表示 的隐含层到输出层之间的权值系数矩阵ω₂中第j行第i列的元素。j=1,2,...,midnum，k=1,2,....,innum。 

（7）计算得到新的ω₁、b₁、ω₂、b₂，计算表达式为： 

ω₁=ω₁+xite×dω1，b₁=b₁+xite×db1， 

ω₂=ω₂+xite×dω2，b₂=b₂+xite×db2， 

其中xite为前文设定的学习效率。 

将所有的训练样本进行如上操作，得到最终的ω₁、b₁、ω₂、b₂，完成BP神经网络的训练。 

（8）最后利用训练好的BP网络对未知痤疮症型的样本进行痤疮类型的识别。根据输出判断痤疮症型。若输出为[1，0，0]^T，则说明该未知痤疮症型的样本的痤疮症型是湿热型；若输出是[0，1，0]^T，则说明该未知痤疮症型的样本的痤疮症型是心火炽热型，若输出是[0，0，1]^T，则说明该未知痤疮症型的样本的痤疮症型是脾气虚型。 

Claims (3)

1.基于特征提取的痤疮分类方法，首先在医院统一的环境中，用数码相机获得痤疮患者背部的痧象，并将图像传输至计算机，在计算机中完成从输入图像到对固定背部穴位的自动定位，获得输入图像中穴位的具体位置，其中所述的穴位包括大椎穴、左肺俞穴、右肺俞穴、左心俞穴、右心俞穴、左膈俞穴、右膈俞穴，并以上述各个穴位的位置为中心得到A*A像素大小的区域，由此得到每幅输入图像中7个彩色穴位模块，其特征在于还依次包括以下步骤：

1）获取每个彩色穴位模块的纹理特征，即采用灰度共生矩阵基础上的对比度、熵和相关性来共同表征纹理特征，具体如下：

首先将每个彩色穴位模块进行灰度化，得到灰度穴位模块，计算得到每个灰度穴位模块的灰度共生矩阵，并进行归一化处理；之后计算每个灰度穴位模块的灰度共生矩阵的对比度、熵和相关性；

2）获取每个彩色穴位模块的颜色特征，具体如下：

首先对每个彩色穴位模块进行RGB颜色空间到HSV颜色空间的转换，得到每个彩色穴位模块的HSV分量，提取HSV分量中的色调H分量、饱和度S分量、亮度V分量，并分别对这三个分量进行非等间隔的量化，即分别对这三个分量进行非等间隔的划分，然后每个划分后的区间对应一个值，得到非等间隔量化后的色调分量h、饱和度分量s、以及亮度分量v；量化完成后，把3个颜色分量合成为一维特征矢量L，合成公式为L=16h+4s+v，彩色穴位模块中的每个象素对应L中的一个元素l_i，统计彩色穴位模块中l_i对应的象素个数，选取象素个数最多的前四个l_i做为最后表征颜色分量的特征向量，即将特征矢量L降维至4*1；

3）获取每个彩色穴位模块的痧象面积特征；在每个彩色穴位模块中，统计在HSV颜色空间中H分量在（356，360)、（0,5）区间内的像素数，并计算其占对应彩色穴位模块总像素数的比值，将这两个比值作为每个彩色穴位模块的痧象面积特征；

4）采用不同的痤疮患者背部的痧象特征对BP神经网络进行训练，训练次数不少于500，所述的BP神经网络为三层结构，输入层维数为63，隐含层维数为25，输出层维数为3，其中输入层维数为63，即每一个输入图像中有7个穴位模块，每个穴位模块都包括含有3个特征值的纹理特征、含有4个特征值的颜色特征，以及含有2个特征值的面积特征，输出层维数为3，即输出痤疮的三种病症，湿热型、心火炽热型以及脾气虚型；

5）完成训练后，使用BP神经网络对待测图像进行痤疮分类。

2.根据权利要求1所述的基于特征提取的痤疮分类方法，其特征在于：所述的A的取值范围为30-60。

3.根据权利要求1所述的基于特征提取的痤疮分类方法，其特征在于：所述的非等间隔的量化具体如下，

Images