CN103985113A - 舌像分割方法 - Google Patents

Abstract

本发明提供一种舌像分割方法，包括对获取到的表征舌体信息的舌像进行预处理，得到均衡化的灰度图像。去除得到的均衡化的灰度图像的背景，得到基础舌像；和计算得到的均衡化的灰度图像的熵值。根据熵值对基础舌像内的像素进行熵聚类，提取熵值满足设定值的区域，形成目标舌像。抽取目标舌像的骨架。在骨架上选取至少两对控制点，计算上述控制点对之间的最短测地路径，依次连接所有最短测地路径，得到舌像轮廓。本发明提供的舌像分割方法，利用局部熵特征增强舌像边缘等底层特征，且通过抽取最短测地距离自动获取针对每个特定舌体的模版，大大提高了分割的精度，具有更高的鲁棒性。

Description

舌像分割方法

技术领域

本发明涉及图像处理领域，且特别涉及一种舌像分割方法。 

背景技术

传统中医方法作为绵延几千年的一种医疗体系，是现在医疗方法的重要分支。一方面中医方法能在疾病早期就发现问题，尽早对身体进行调理，从而阻止身体发生严重地病变。另一方面，中医诊断的望闻切问四法不会给病人带来任何难以忍受的痛苦，和现代医学追求的无损伤、无痛苦诊疗目标完全吻合。因此，中医正在被全世界逐步接受。 

作为中医四诊法之一的“望”，其主要研究对象就是舌象。舌体的大小、形状、颜色、裂纹、胎质、以及齿痕有无和位置等信息都反映了病人的健康状况。这使得舌诊成为了中医诊断中非常重要以及广泛使用的诊断方法。 

然而，中医诊断主要凭借执业中医师的经验来完成，缺乏有效的量化标准，这极大地阻碍了中医的现代化发展之路。作为其中一个重要的中医诊断方法，舌诊具有同样的缺陷。基于图像分析、模式识别和人工智能技术的自动化舌诊系统是弥补此种缺陷的方法之一。此类系统的目的就是建立舌像特征和舌像类型之间的关系，实现舌诊的自动化。舌像特征的提取完全依赖于对图像中舌体的精确分割，因此提出了很多针对舌诊图像分割方法，这些方法一般可以分为底层特征分割法和高层模版分割法。其中底层特征基本是利用图像中的边缘信息，而因为光照和舌图像本身特性的影响，舌图像中舌体边界轮廓往往比较模糊，很难界定。又因为病变等缘故，统一的模版不能捕捉多种形态的舌体。 

发明内容

本发明为了克服现有的舌像分割方法无法同时实现高轮廓界定以及通用性的要求，提供一种舌像分割方法。 

为了实现上述目的，本发明一中舌像分割方法，包括对获取到的表征舌体信息的舌像进行预处理，得到均衡化的灰度图像。去除得到的均衡化的灰度图像的背景，得到基础舌像；和计算得到的均衡化的灰度图像的熵值。根据熵值对基础舌像内的像素值进行熵聚类，提取熵值满足设定值的区域，形成目标舌像。抽取目标舌像的骨架。在骨架上选取至少两对控制点，计算上述控制点对之间的最短测地路径，依次连接所有最短测地路径，得到舌像轮廓。 

于本发明一实施例中，预处理步骤包括：获取表征舌体信息的舌像中所有像素的红色通道值R(i,j)、蓝色通道值B(i,j)以及了绿色通道值G(i,j)，其中舌像包括M*N个像素,i=1,...,M,j=1,...,N。 

对绿色通道值G(i,j)进行修正，得到G_new(i,j)。 

于本发明一实施例中，修正步骤包括根据获取到的红色通道值R(i,j)、蓝色通道值B(i,j)以及绿色通道值G(i,j)，按如下公式 

G_new(i,j)=(R(i,j)-G(i,j))/(|G(i,j)-B(i,j)|+1) 

进行计算，得到新的绿色通道值G_new(i,j)。 

于本发明一实施例中，去除得到的灰度图像的背景，得到基础舌像的步骤包括： 

根据得到的均衡化灰度图像，构造直方图，获取直方图的谷点，将小于给定像素值的最大谷点所在像素值作为阈值，大于此阈值的点设置为1，小于此阈值的点认为是背景点，设置为0，提取数值为1的点，形成第一图像； 

根据得到的均衡化灰度图像按公式 

$T(i,j)=\left\{\begin{array}{cc}0& |R(i,j)-G_{\mathrm{new}}(i,j)|<\&Element;\&\&\\ & |B(i,j)-G_{\mathrm{new}}(i,j)|<\&Element;\&\&\\ & |B(i,j)-R(i,j)|<\&Element;\\ 1& \mathrm{else}\end{array}\right.$

进行计算，并提取数值为1的点，形成第二图像； 

将第一图像和第二图像相乘得到基础舌像。 

于本发明一实施例中，熵值的计算为： 

$H_{{D,R}_x}=-\underset{i}{\mathrm{\&Sigma;}}{P}_{{D,R}_x}\left(g_i\right)\&CenterDot;{\log }_2{P}_{{D,R}_x}\left(g_i\right)$

其中，H_D,Rx表示熵值，x表示给定像素点，R_x表示给定邻域，g_i表示灰度级别，D表示一副具有K个灰度级的图像，P表示邻域R_x中第i（i=1,…,K）级灰度出现的概率。 

于本发明一实施例中，采用k-means方法来进行熵聚类，形成两个类，第一类的熵值中心点为最大熵值和最小熵值之差的四分之三倍，第二类的熵值中心点为最大熵值和最小熵值之差的四分之一倍。 

于本发明一实施例中，采用snake算法对舌像轮廓进行调整。 

综上所述，本发明通过计算均衡化的灰度图像的熵值，并对熵值进行聚类，提取满足设定值的熵值区域，形成目标舌像。通过熵值的计算以及聚类，定量的形成可最大限度的保留舌像的细节的目标舌像。同时，本发明通过对目标舌像进行骨架抽取，并通过计算骨架上的控制点间的最短测地距离来满足每个特定舌体的舌像轮廓的获取，从而达到满足不同的舌体分割的需求，具有很强的通用性以及更高的鲁棒性。 

此外，为更好地得到均衡化的灰度图像，本发明对获取到的绿色通道值G(i,j)进行修正，使原本像素值高的位置像素值变低，而原本像素值低的位置像素值变高，从而达到均衡化的目的。且为使得到的基础舌像更加精确，本发明通过将已消除曝光不足的第一图像和消除灰色区域的第二图像相乘得到基础图像。 

为让本发明的上述和其它目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合附图，作详细说明如下。 

附图说明

图1所示为本发明实施例一提供的舌像分割方法的流程图。 

图2所示为本发明实施例二提供的舌像分割方法的流程图。 

具体实施方式

实施例一 

如图1所示，本发明提供的舌像分割方法包括： 

步骤S101对获取到的表征舌体信息的舌像进行预处理，得到均衡化的灰度图像。 

步骤S102去除得到的均衡化的灰度图像的背景，得到基础舌像。 

步骤S103计算得到的均衡化的灰度图像的熵值。 

步骤S104根据熵值对基础舌像内的像素值进行熵聚类。 

步骤S105提取熵值满足设定值的区域，形成目标舌像。 

步骤S106抽取目标舌像的骨架。 

步骤S107在骨架上选取至少两对控制点，计算上述控制点对之间的最短测地路径，依次连接所有最短测地路径，得到舌像轮廓。 

步骤S108采用snake算法对舌像轮廓进行调整。 

对于步骤S101，为了更好的得到舌像的轮廓，将得到的原始的彩色的图转换为灰度图，且由于灰度图上不同点其像素值的高低不同，因此，需对得到的灰度图进行均衡化处理。本实施例采用RGB系统来表示得到的灰度图，在红色 通道值R(i,j)、蓝色通道值B(i,j)以及绿色通道值G(i,j)三者中红色通道值R(i,j)的值最高，其所含的细节信息最丰富。而三者中绿色通道值G(i,j)最小，对它进行修正，对舌像的影响很小。因此，为得到均衡化的灰度图像可对绿色通道值G(i,j)进行修正。具体修正方式按公式一进行计算，得到新的绿色通道值G_new(i,j)，使得原有的灰度图上，像素值高的点像素值变低，而像素值低的点像素值变高，实现灰度图的均衡化。 

G_new(i,j)=(R(i,j)-G(i,j))/(|G(i,j)-B(i,j)|+1)    公式一 

其中舌像包括M*N个像素,i=1,...,M,j=1,...,N。 

对于步骤S102去除得到的均衡化的灰度图像的背景，得到基础舌像。本实施例根据步骤S101得到的均衡化灰度图像，构造直方图，并获取直方图的谷点，将小于给定像素值的最大谷点所在像素值作为阈值，大于此阈值的点设置为1，小于此阈值的设置为0，提取数值为1的点，形成第一图像。 

且进一步的，按公式二去除均衡化的灰度图中灰色的区域，形成第二图像，其中公式二中的ε为用户给定的设定值。在具体使用时，用户可根据均衡化的灰度图像中灰色区域的像素值进行给定。 

将第一图像和第二图像相乘得到基础舌像。 

$T(i,j)=\left\{\begin{array}{cc}0& |R(i,j)-G_{\mathrm{new}}(i,j)|<\&Element;\&\&\\ & |B(i,j)-G_{\mathrm{new}}(i,j)|<\&Element;\&\&\\ & |B(i,j)-R(i,j)|<\&Element;\\ 1& \mathrm{else}\end{array}\right.$         公式二 

对于步骤S103计算得到的均衡化的灰度图像的熵值。于本实施例中，熵值的计算是通过邻域内的熵值的变化来检测均衡化的灰度图像中弱小的目标。与传统的熵值计算方法，该种熵值计算方法可很容易的分割出目标边缘，便于识别目标图像的形状，提高识别精度。 

$H_{{D,R}_x}=-\underset{i}{\mathrm{\&Sigma;}}{P}_{{D,R}_x}\left(g_i\right)\&CenterDot;{\log }_2{P}_{{D,R}_x}\left(g_i\right)$     公式三 

公式三中，其中，H_D,Rx表示熵值，x表示给定像素点，R_x表示给定邻域，g_i表示灰度级别，D表示一副具有K个灰度级的图像，P表示邻域R_x中第i（i=1,…,K）级灰度出现的概率。 

对于步骤S104根据熵值对基础舌像内的像素进行熵聚类。于本实施例中，采用k-means方法来进行熵聚类，形成初始的两个类，第一类的熵值中心点为步骤S103中所得的最大熵值和最小熵值之差的四分之三倍，第二类的熵值中心点为最大熵值和最小熵值之差的四分之一倍。 

k-means方法是将均衡化的灰度图像中的熵值分为两个群聚，首先选取中心值为步骤S103中所得的最大熵值和最小熵值之差的四分之三倍作为中心点，而第二类的中心值为步骤S103中所得的最大熵值和最小熵值之差的四分之一倍。 

其次，分配每一个数值到最接近的群聚中，并重新计算该群聚中的平均数，并将该平均数作为中心点。不断的重复该计算平均值步骤，直到将所有的像素点的熵值均完成聚类。并执行步骤S104，步骤S104是根据步骤S103得到的群聚，将群聚高的那一类设置为1，低的设置为0，并提取数值为1的区域，形成目标舌像。 

进一步的，采用以关和闭运算为基础的，对步骤S104得到的目标舌像进行骨架抽取（S105），保留目标舌像的拓扑形态。并在骨架上选取两对控制点，计算两个控制点对之间的最短测地路径，依次连接所有上述最短测地路径，得到舌像轮廓（S106）。然而，本发明对此不作任何限定，于其它实施例中，用户可抽取两对以上的控制点来计算控制点对间的最短测地距离来提高图像的识别精度。通过对目标舌像进行骨架抽取，并通过计算骨架上的控制点间的最短测地距离来满足每个特定舌体的舌像轮廓的获取，从而达到满足不同的舌体分割的需求，具有很强的通用性。 

进一步的，由于图像的边缘是灰度不连续的结果，为提高步骤S106得到的舌像轮廓的边界进行识别，本发明的舌像分割法还采用snake算法对步骤S106得到舌像轮廓进行调整（步骤S107）。 

实施例二 

如图2所示，本实施例与实施例一及其变化基本相同，区别在于： 

步骤S111对获取到的表征舌体信息的舌像进行预处理，得到均衡化的灰度图像。 

步骤S112计算得到的均衡化的灰度图像的熵值。 

步骤S113去除得到的均衡化的灰度图像的背景，得到基础舌像。 

步骤S114根据熵值对基础舌像内的像素值进行熵聚类。 

步骤S115提取熵值满足设定值的区域，形成目标舌像。 

步骤S116抽取目标舌像的骨架。 

步骤S117在骨架上选取至少两对控制点，计算上述控制点对之间的最短测地路径，依次连接所有最短测地路径，得到舌像轮廓。 

步骤S118采用snake算法对舌像轮廓进行调整。 

在该实施例中，首先对步骤S111得到的均衡化的灰度图进行熵值计算（S112）后再执行步骤S113来去除得到的均衡化的灰度图像的背景，得到基础舌像。本实施例与实施例一的区别在于第二步和第三步的执行顺序不同。由于步骤S112和步骤S113均是在均衡化的灰度图像上进行操作，两者的先后可根据用户的需求进行选取。 

综上所述，本发明通过计算均衡化灰度图像的熵值，并对熵值进行聚类，提取满足设定值的熵值区域，形成目标舌像。通过熵值的计算以及聚类，定量的形成可最大限度的保留舌像的细节的目标舌像。同时，本发明通过对目标舌像进行骨架抽取，并通过计算骨架上的控制点间的最短测地距离来满足每个特定舌体的舌像轮廓的获取，从而达到满足不同的舌体分割的需求，具有很强的通用性以及更高的鲁棒性。 

此外，为更好地得到均衡化的灰度图像，本发明对获取到的绿色通道值G(i,j)进行修正，使原本像素高的位置像素变低，而原本像素低的位置像素变高，从而达到均衡化的目的。且为使得到的基础舌像更加精确，本发明通过将已消除曝光不足的第一图像和消除灰色区域的第二图像相乘得到基础图像。 

虽然本发明已由较佳实施例揭露如上，然而并非用以限定本发明，任何熟知此技艺者，在不脱离本发明的精神和范围内，可作些许的更动与润饰，因此本发明的保护范围当视权利要求书所要求保护的范围为准。 

Claims (7)

1.一种舌像分割方法，其特征在于，包括：

对获取到的表征舌体信息的舌像进行预处理，得到均衡化的灰度图像；

去除得到的均衡化的灰度图像的背景，得到基础舌像；和计算得到的均衡化的灰度图像的熵值；

根据熵值对基础舌像内的像素值进行熵聚类，提取熵值满足设定值的区域，形成目标舌像；

抽取目标舌像的骨架；

在骨架上选取至少两对控制点，计算所述控制点对之间的最短测地路径，依次连接所有所述最短测地路径，得到舌像轮廓。

2.根据权利要求1所述的舌像分割方法，其特征在于，所述预处理步骤包括：

获取表征舌体信息的舌像中所有像素的红色通道值R(i,j)、蓝色通道值B(i,j)以及了绿色通道值G(i,j)，其中舌像包括M*N个像素,i=1,...,M,j=1,...,N；

对绿色通道值G(i,j)进行修正，得到G_new(i,j)。

3.根据权利要求2所述的舌像分割方法，其特征在于，所述修正步骤包括根据获取到的红色通道值R(i,j)、蓝色通道值B(i,j)以及了绿色通道值G(i,j)，按如下公式

G_new(i,j)=(R(i,j)-G(i,j))/(|G(i,j)-B(i,j)|+1)

进行计算，得到新的绿色通道值G_new(i,j)。

4.根据权利要求2所述的舌像分割方法，其特征在于，所述去除得到的灰度图像的背景，得到基础舌像的步骤包括：

根据得到的均衡化的灰度图像，构造直方图，获取直方图的谷点，将小于给定像素值的最大谷点所在像素值作为阈值，大于此阈值的点设置为1，小于此阈值的点认为是背景点，设置为0，提取数值为1的点，形成第一图像；

根据得到的均衡化的灰度图像按公式

$T(i,j)=\left\{\begin{array}{cc}0& |R(i,j)-G_{\mathrm{new}}(i,j)|<\&Element;\&\&\\ & |B(i,j)-G_{\mathrm{new}}(i,j)|<\&Element;\&\&\\ & |B(i,j)-R(i,j)|<\&Element;\\ 1& \mathrm{else}\end{array}\right.$

进行计算，并提取数值为1的点，形成第二图像，其中ε为设定值；

将第一图像和第二图像相乘得到基础舌像。

5.根据权利要求1所述的舌像分割方法，其特征在于，所述熵值的计算为：

$H_{{D,R}_x}=-\underset{i}{\mathrm{\&Sigma;}}{P}_{{D,R}_x}\left(g_i\right)\&CenterDot;{\log }_2{P}_{{D,R}_x}\left(g_i\right)$

其中，H_D,Rx表示熵值，x表示给定像素点，R_x表示给定邻域，g_i表示灰度级别，D表示一副具有K个灰度级的图像，P表示邻域R_x中第i（i=1,…,K）级灰度出现的概率。

6.根据权利要求1所述的舌像分割方法，其特征在于，采用k-means方法来进行熵聚类，形成初始的两个类，第一类的熵值中心点为最大熵值和最小熵值之差的四分之三倍，第二类的熵值中心点为最大熵值和最小熵值之差的四分之一倍。

7.根据权利要求1所述的舌像分割方法，其特征在于，采用snake算法对舌像轮廓进行调整。