CN104658003A - 舌体图像的分割方法和装置 - Google Patents

Abstract

本发明提供一种舌体图像的分割方法和装置。该分割方法包括：根据原始彩色图像获得灰度舌体图像和HSI彩色图像；基于所述灰度舌体图像，利用分水岭算法获得第一图像；基于所述HSI彩色图像的H通道的数据，对所述HSI彩色图像进行分割，以获得第二图像；基于所述HSI彩色图像的I通道的数据，对所述第二图像进行分割，以获得第三图像；以及计算所述第一图像和所述第三图像的并集，以获得舌体分割结果图。上述分割方法和分割装置，一方面，对图像中的舌体边界敏感，分割结果更准确，另一方面，分割速度更快，具备时效性。

Description

舌体图像的分割方法和装置

技术领域

本发明涉及医学图像处理领域，具体地，涉及一种舌体图像的分割方法和装置。

背景技术

医学图像分割算法众多，常用的如阈值分割算法，分水岭分割算法、主动轮廓模型分割算法，基于神经网络的分割算法等，但由于每种算法自身都存在一定问题，并非所有方法均适用于图像中的舌体分割。舌苔表面有复杂的纹理特征，舌体与嘴唇、皮肤等器官图像灰度相近，因此舌体的边界模糊，边界信息弱。同时，舌诊系统最终面向普通患者，舌体分割算法一方面需要具备准确性，另一方面也需要具备时效性。

阈值分割算法是一种传统的图像分割技术。通过计算图像一个或多个灰度阈值，并将图像各像素灰度与阈值比较，最终分类到相应合适的类别。这是一种比较简单的分割算法。利用阈值分割的方法来进行舌体图像分割准确率较低，在分割的结果中，舌体边缘轮廓曲线比较粗糙，不能够精确地勾勒出舌体边缘。尤其由于舌体分割比较特殊，舌苔表面有复杂的纹理特征，舌体与嘴唇、皮肤等器官图像灰度相近，因此，分割所获舌体的边界模糊，边界信息弱。舌体图像用阈值分割方法，效果并不理想。

分水岭分割算法以阈值分割方法为基础。分水岭分割算法是将图像视作测地学中的拓扑地貌，各像素灰度值视作海拔高度，每一个局部极小值及其影响区域构成集水盆，各个集水盆的边界就是分水岭。然而某些被当作分水岭的局部最大值所分割出的轮廓，并不是所需要分割出的真正轮廓，造成真实的轮廓被掩埋，这就是过分割现象。分水岭算法的过分割现象对舌体图像的分割效果会产生严重的负面影响。

基于主动轮廓模型(Active contour models,ACM)的分割方法实现分割速度较慢，而且过分依赖于初始轮廓的选取，如果初始轮廓选取不好，则算法可能收敛到局部极值，不能正确地实现舌体分割。此外，主动轮廓模型方法是一个迭代算法，在初始轮廓选的偏差较大的情况下，若想取得很好的结果，则迭代的次数就会增多，增长了运算时间。时效性差、速度较慢是主动轮廓模型方法的一大缺点。

基于神经网络的分割算法存在计算量大，所耗时间长，收敛速度慢等问题，也不适用于医学图像中的舌体分割。

发明内容

为了至少部分地解决上述技术问题，根据本发明的一个方面，提供一种舌体图像的分割方法，包括：

根据原始彩色图像获得灰度舌体图像和HSI彩色图像；

基于所述灰度舌体图像，利用分水岭算法获得第一图像；

基于所述HSI彩色图像的H通道的数据，对所述HSI彩色图像进行分割，以获得第二图像；

基于所述HSI彩色图像的I通道的数据，对所述第二图像进行分割，以获得第三图像；以及

计算所述第一图像和所述第三图像的并集，以获得舌体分割结果图。

可选地，所述利用分水岭算法获得第一图像进一步包括以下步骤：

利用边缘增强方法获得所述灰度舌体图像的梯度图；

基于所述HSI彩色图像的S通道的数据，利用阈值分割技术获得标记图像；

将所述标记图像覆盖在所述梯度图上，获得待分割灰度图；以及

对所述待分割灰度图利用所述分水岭算法进行分割，获得所述第一图像。

可选地，所述利用阈值分割技术获得标记图像进一步包括以下步骤：

对所述HSI彩色图像的S通道的数据进行阈值分割；以及

利用形态学图像处理技术对经阈值分割的图像进行优化，获得标记图像。

可选地，所述利用阈值分割技术获得标记图像是利用大津阈值。

可选地，在所述根据原始彩色图像获得灰度舌体图像和HSI彩色图像之前，所述原始彩色图像被预处理。

根据本发明另一方面，还提供了一种舌体图像的分割装置，包括：

图像转换模块，用于根据原始彩色图像获得灰度舌体图像和HSI彩色图像；

第一分割模块，用于基于所述灰度舌体图像，利用分水岭算法获得第一图像；

第二分割模块，用于基于所述HSI彩色图像的H通道的数据，对所述HSI彩色图像进行分割，以获得第二图像；

第三分割模块，用于基于所述HSI彩色图像的I通道的数据，对所述第二图像进行分割，以获得第三图像；以及

合并模块，用于计算所述第一图像和所述第三图像的并集，以获得舌体分割结果图。

可选地，第一分割模块进一步包括以下模块：

边缘增强模块，用于利用边缘增强方法获得所述灰度舌体图像的梯度图；

标记图像获得模块，用于基于所述HSI彩色图像的S通道的数据，利用阈值分割技术获得标记图像；

屏蔽模块，用于将所述标记图像覆盖在所述梯度图上，获得待分割灰度图；以及

分水岭分割模块，用于对所述待分割灰度图利用所述分水岭算法进行分割，获得所述第一图像。

可选地，所述标记图像获得模块进一步包括以下模块：

阈值分割模块，用于对所述HSI彩色图像的S通道的数据进行阈值分割；以及

优化模块，用于利用形态学图像处理技术对经阈值分割的图像进行优化，获得标记图像。

可选地，所述标记图像获得模块利用大津阈值。

可选地，所述装置还包括预处理模块，用于在所述图像转换模块根据原始彩色图像获得灰度舌体图像和HSI彩色图像之前，预处理所述原始彩色图像。

本发明提出的上述分割方法和分割装置不仅实现了舌体图像的自动分割；而且，一方面，分割结果更准确，另一方面，分割速度更快。该分割方法和分割装置复杂度不高，并对图像中的舌体边界敏感，还具备时效性。

在发明内容中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

以下结合附图，详细说明本发明的优点和特征。

附图说明

本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施方式及其描述，用来解释本发明的原理。在附图中，

图1是根据本发明一个具体实施例的分割方法的流程图；

图2是根据本发明一个具体实施例的HSI彩色图像的H通道数据的直方图；

图3是根据本发明另一个具体实施例的分割方法的流程图；

图4a示出了根据本发明一个具体实施例的对HSI彩色图像的S通道的数据执行阈值分割的结果图，图4b示出了根据本发明一个具体实施例的对图4a的图像执行形态学图像处理的结果图；

图5a、图5b、图5c、图5d和图5e分别是根据本发明一个具体实施例的原始舌图、分水岭算法分割结果图、HSI彩色图像分割结果图、舌体分割最终结果图、舌体轮廓图；

图6是根据本发明一个具体实施例的分割装置的示意性框图；以及

图7a和图7b分别示出了冗余区域占手动分割舌图的比例示意图和直方图，图7c和图7d分别示出了缺失区域占手动分割舌图的比例示意图和直方图，图7e和图7f分别示出了缺失区域与冗余区域的加和占手动分割舌图的比例示意图和直方图。

具体实施方式

在下文的描述中，提供了大量的细节以便能够彻底地理解本发明。然而，本领域技术人员可以了解，如下描述仅涉及本发明的较佳实施例，本发明可以无需一个或多个这样的细节而得以实施。此外，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

根据本发明一个方面，提供了一种舌体图像的分割方法。图1示出了根据本发明一个具体实施例的分割方法100的示意性流程图。如图1所示，该分割方法100包括以下步骤。

S110，根据原始彩色图像获得灰度舌体图像和HSI彩色图像。

原始彩色图像一般是基于红(R,Red)、绿(G,Green)、蓝(B,Blue)(RGB)颜色空间的图像。图像中每一个像素都具有R、G、B三个颜色分量，这三个分量大小可以均为0至255之间的数。

将原始彩色图像灰度化，生成灰度舌体图像。灰度图像是一种具有从黑到白多级灰度色域或等级的图像。灰度图像只有灰度等级，而没有颜色的变化。但是，原始彩色图像转成灰度图像后，仍可以看出颜色的深浅。灰度图像中的每个像素用多位数据表示，例如8位数据，因此像素值可以是例如0至255中的一个。

将原始彩色图像转换为HSI彩色图像。HSI彩色图像是基于色调(Hue,H)、色饱和度(Saturation,S)和亮度(Intensity,I)空间的彩色图像。因此，HSI彩色图像包括H通道、S通道和I通道的数据。HSI彩色图像与RGB彩色图像存在对应关系，可以将原始彩色图像转换为HSI彩色图像，转换公式如下：

$H=\left\{\begin{array}{cc}\mathrm{\θ}& B\≤G\\ 360-\mathrm{\θ}& B>G\end{array}\right.$

$\mathrm{\θ}=\arccos \left\{\frac{\frac{1}{2}[(R-G)+(R-B)]}{{[{(R-G)}^2+(R-B)(G-B)]}^{1/2}}\right\}$

$S=1-\frac{3}{(R+G+B)}\left[\min (R,G,B)\right]$

$I=\frac{1}{3}(R+G+B)$

本领域普通技术人员可以理解该转换过程，为了简洁，在此不再赘述。

S120，基于上述灰度舌体图像，利用分水岭算法获得第一图像。利用分水岭算法，获得灰度舌体图像的经分割图像，即，第一图像。分水岭算法简单，快速，并对边界敏感，是实现舌体自动分割的理想选择。

S130，基于HSI彩色图像的H通道的数据，对HSI彩色图像进行分割，以获得第二图像。

原始彩色图像通常采用的是RGB彩色模型，该模型体现的是图像亮度的差异性，因此计算机很难区别舌体与背景在色彩上的差异。相对于RGB彩色模型，HSI彩色模型更符合人描述和解释颜色的方式，同时它可以解除图像中颜色和灰度信息的联系，增强舌体与背景色彩上的对比度，因此该模型是进行舌体图像分割的理想工具。

通过观察包含舌体的HSI彩色图像，发现舌体与背景的差异主要表现在H通道的数据上。图2是根据本发明一个具体实施例的HSI彩色图像的H通道数据的直方图，其中横坐标是灰度值，纵坐标是像素点个数。虽然H通道数据的取值范围应该是0-360度，但是图像显示的时候只能显示0-255，所以这里将H通道数据归一化到0-255。从图2可以看出数据峰值主要集中在两端。这是由于舌体的主色调为红色，而皮肤的主色调为白色或黄色，因此在H通道的数据上会产生区别。红色的色调值为0°，在H通道上的体现就是在0°与360°附近会产生峰值。所以可以设定合适的阈值，例如，图2的直方图中的H通道数据的第一个极大值和最后一个极大值。将0°与360°附近的峰值提取出来，即可获得实现舌体的粗糙分割的第二图像。例如，将第一个极大值和最后一个极大值两侧的部分与两个极大值之间的部分分割开来，前者即为目标区域。

S140，基于HSI彩色图像的I通道的数据，对上述第二图像进行分割，以获得第三图像。

在根据H通道的数据对HSI彩色图像进行阈值分割后，获取的分割结果中不仅包括舌体，还包含嘴唇。虽然上嘴唇也被分割出来，但其与舌体并不连通，因此在经过后续的操作后，并不影响结果。然而下嘴唇与分割的舌体相连，会影响到分割准确性。下嘴唇相对于舌体而言，其亮度较低。可以针对HSI彩色图像的I通道数据设定合适的阈值，例如，比I通道数据的平均值更小的一个数值，具体地例如，平均值减去5-15之间的任一自然数。根据该阈值即可在H通道的数据分割的基础上，去除下嘴唇图像，获取更为准确的舌体图像。

优选地，HSI彩色图像分割结束后，选取面积最大的连通区域作为分割结果。在针对HSI彩色图像的H通道和I通道的数据进行图像分割后，得到的分割结果可能不仅仅包括舌体部分，还包括许多单独的小部分。但舌体部分通常是面积最大的部分。所以，获取所有的连通区域，并计算其面积，提取面积最大的部分，即HSI彩色图像的舌体分割结果。如此，即获得了第三图像。

上述步骤S130和S140充分利用了舌图的色彩信息来实现彩色舌图分割。

S150，计算第一图像和第三图像的并集，以获得舌体分割结果图。将第一图像中的舌体部分与第三图像中的舌体部分的取并集，获得最终分割结果。

本发明利用分水岭算法实现灰度舌体图像的舌体自动分割，同时对HSI彩色图像实现自动分割，利用HSI彩色图像分割结果进一步改善灰度图像的分割结果。经过与手动分割结果进行量化比较，本发明所提供的分割方法结果准确。由于该分割方法并不涉及例如主动轮廓模型方法等的、过渡依赖初始轮廓的分割算法，其避免了过多的迭代过程，大大提高了分割速度。

图3示出了根据本发明另一个具体实施例的分割方法300。分割方法300包括步骤S310、S330、S340和S350，并且这些步骤分别与上述分割方法100中的步骤S110、S130、S140和S150类似，为了简洁，在此不再赘述。与分割方法100类似地，该分割方法300也包括利用分水岭算法获得第一图像的步骤，并且该步骤可以进一步包括步骤S321，获得标记图像的步骤、步骤S323和步骤S324。

S321，利用边缘增强方法获得灰度舌体图像的梯度图。该步骤将灰度舌体图像相邻像元(或区域)的亮度值相差较大的边缘加以突出强调。经边缘增强后的图像能更清晰地显示出不同的物体的边界，便于不同的物体的识别及其分布范围的圈定。

在步骤S321之前或之后，基于HSI彩色图像的S通道的数据，利用阈值分割技术获得标记图像。可选地，该阈值分割技术可以是大津(Otsu)阈值分割。Otsu阈值是由日本学者大津于1979年提出的，是一种自适应的阈值确定的方法。它是按图像像素值，将图像分成背景和目标两部分。经试验，Otsu阈值非常适用于舌体图像的分割，能够较好地区分舌体和背景。

该获得标记图像的步骤可以包括步骤S322，对HSI彩色图像的S通道的数据进行阈值分割，如图3所示。如上所述，可以采用Otsu阈值对HSI彩色图像的S通道的数据进行阈值分割。对于每个像素，分割后的图像每一点的像素值f'(x,y)为

$f^{\′}(x,y)=\left\{\begin{array}{cc}0,& f(x,y)\≤\mathrm{threshold}\\ 1,& f(x,y)>\mathrm{threshold}\end{array}\right.,$

其中threshold为分割阈值，f(x,y)是该像素点的像素值，即HSI彩色图像的S通道的数据。通过阈值分割得到舌体部位的初始标记图像f'(x,y)。

该获得标记图像的步骤还可以包括步骤S322’，利用形态学图像处理技术对经阈值分割的图像进行优化，获得标记图像。

上述标记图像f'(x,y)可能并不足够好。该区域内部可能存在大量孔洞，同时区域外周有大量的细小突起，未能覆盖到舌苔的纹理及细节特征。虽然，该初始标记图像f'(x,y)能够直接应用于后续的分水岭算法，但是优选地利用形态学图像处理技术对该标记图像进行相应修正。

形态学图像处理技术主要对二值图像进行分析处理，其包含4种基本运算：膨胀，腐蚀，开运算以及闭运算。形态学重建是一种强有力的形态学变换方法，不同于基本运算方法，该方法涉及两幅图像与一个结构元，其中一幅图像为记号，包含变换的起始点，另一幅图像是模板，约束该变换。形态学重建的核心是测地膨胀和测地腐蚀，通过结构元对记号图像不断进行膨胀或腐蚀运算，并在每次运算后利用模板图像进行约束，经过有限次迭代步骤后，获取最终收敛结果。

关于形态学重建方法的一些基础计算如下：

记F为标记图像，G为模板图像，B为结构元，n与k均表示次数，操作符D表示膨胀，E表示腐蚀，R表示重建，O表示开运算，C表示闭运算。

膨胀，即为用结构元扫描二值图像的每一个像素，将结构元关于原点的映射与其覆盖的二值图像做“与”操作。而测地膨胀就是在模板的约束下，用特定结构元对标记图像做膨胀运算。大小为1的标记图像关于模板的测地膨胀为：

$D_G^{\left(1\right)}\left(F\right)=(F\⊕B)\∩G$

F关于G的大小为n的测地膨胀为：

$D_G^{\left(n\right)}\left(F\right)=D_G^{\left(1\right)}\left[D_G^{(n-1)}\left(F\right)\right]$

腐蚀，即为用结构元扫描二值图像的每一个像素，将结构元与其覆盖的二值图像做“与”操作。而测地腐蚀就是在模板的约束下，用特定结构元对标记图像做腐蚀运算。大小为1的标记图像关于模板的测地腐蚀为：

$E_G^{\left(1\right)}\left(F\right)=\left(\mathrm{F\ΘB}\right)\∪G$

F关于G的大小为n的测地腐蚀为：

$E_G^{\left(n\right)}\left(F\right)=E_G^{\left(1\right)}\left(E_G^{(n-1)}\left(F\right)\right)$

来自标记图像F对模板图像G的膨胀形态学重建表示为它被定义为F关于G的测地膨胀反复迭代直至达到稳定状态，即

$R_G^D\left(F\right)=D_G^{\left(k\right)}\left(F\right)$

依照类似的方法，模板图像G对标记图像F的腐蚀的形态学重建表示为它被定义为F关于G的测地腐蚀反复迭代直至达到稳定状态，即

$R_G^E\left(F\right)=E_G^{\left(k\right)}\left(F\right)$

对图像F进行大小为n的重建开操作，即来自F的大小为n的腐蚀的F的膨胀重建为：

$O_R^{\left(n\right)}\left(F\right)=R_F^D\left[\left(\mathrm{F\ΘnB}\right)\right]$

对图像F进行大小为n的重建闭操作，即来自F的大小为n的膨胀的F的腐蚀重建为：

$C_R^{\left(n\right)}\left(F\right)=R_F^E\left[(F\⊕\mathrm{nB})\right]$

在步骤S322’中将该形态学图像处理方法应用在本发明中的具体实现如下：

对步骤S322得到的初始标记图像f'(x,y)先进行基于开运算的形态学重建，再进行基于闭运算的形态学重建。其中结构元B可以使用半径为10至20个像素(pixel)的圆形(disk)结构元。具体地：

(1)在重建开操作中，首先用结构元B对f'(x,y)进行n次腐蚀运算，即f'(x,y)ΘnB；再以f'(x,y)为模板对其结果f'(x,y)ΘnB进行膨胀重建，即 $O_R^{\left(n\right)}\left(f^{\′}(x,y)\right)=R_F^D\left[\left(f^{\′}(x,y)\mathrm{\ΘnB}\right)\right],$ 将得到的结果记为f”(x,y)。

(2)在重建闭操作中，用结构元B对f”(x,y)进行n次膨胀运算，即再以f”(x,y)为模板对其结果进行腐蚀重建，即将得到的结果记为f_m(x,y)。f_m(x,y)即为利用形态学图像处理技术对初始标记图像f'(x,y)进行相应修正后得到的最佳标记图像。图4a示出了根据本发明一个具体实施例的对HSI彩色图像的S通道的数据执行阈值分割的初始标记图像，图4b示出了根据本发明一个具体实施例的对图4a的图像执行形态学图像处理的标记图像。如图4a和图4b所示，形态学图像处理技术的应用有效改善了标记图像。进而，为最终获得理想的图像分割结果提供了帮助。

S323，将标记图像覆盖在梯度图上，获得待分割灰度图。

该步骤可以采用强制最小值技术。强制最小值技术是将图像中的标记所在位置置为最小值0，将次要轮廓屏蔽掉，突出主要轮廓。

将得到的标记图像f_m(x,y)覆盖在梯度图g(x,y)上，从而实现对次要轮廓的屏蔽，得到待分割灰度图。

强制最小值的公式为：

f_min(x,y)＝g(x,y)·f_m(x,y)

其中，g(x,y)为梯度图，f_min(x,y)为得到的待分割灰度图。当(x,y)为标记时，f_min(x,y)为0；当(x,y)不是标记时，f_min(x,y)为本来的梯度图的像素值。

S324，对待分割灰度图利用分水岭算法进行分割，获得第一图像。在此，针对待分割灰度图直接执行分水岭算法，获得第一图像。

利用分水岭算法实现灰度舌体图像的自动分割，通过标识控制方法进行图像预处理，有效改善分水岭算法中过分割现象，提高分割结果的准确度。该标识控制方法与形态学图像处理技术的结合进一步增强了上述技术效果。

图5a、图5b、图5c、图5d和图5e分别是根据本发明一个具体实施例的原始舌图、分水岭算法分割结果图、HSI彩色图像分割结果图、舌体分割最终结果图、舌体轮廓图。图5a、图5b、图5c、图5d和图5e大致示出了原始彩色图像的处理过程，该过程可以表明本发明所提供的上述方法的舌体分割结果非常准确。

可选地，在根据原始彩色图像获得灰度舌体图像和HSI彩色图像之前，原始彩色图像被预处理。例如，去噪处理、降采样处理等。通过预处理原始彩色图像，可以进一步有效提高图像分割的准确性。

本领域普通技术人员可以理解，所描述的上述分割方法仅是示例，而非限制。各个步骤的执行顺序可以与以上描述不同。例如，在分割方法100中，可以先执行步骤S130和S140，然后再执行步骤S120。又例如，在分割方法300中，可以先执行步骤S322和S322’，然后再执行步骤S321。

根据本发明另一方面，还提供了一种舌体图像的分割装置。图6示出了根据本发明一个具体实施例的分割装置600。该分割装置600包括图像转换模块610、第一分割模块620、第二分割模块630、第三分割模块640以及合并模块650。图像转换模块610用于根据原始彩色图像获得灰度舌体图像和HSI彩色图像。第一分割模块620用于基于灰度舌体图像，利用分水岭算法获得第一图像。第二分割模块630用于基于HSI彩色图像的H通道的数据，对HSI彩色图像进行分割，以获得第二图像。第三分割模块640用于基于HSI彩色图像的I通道的数据，对第二图像进行分割，以获得第三图像。合并模块650用于计算第一图像和第三图像的并集，以获得舌体分割结果图。

可选地，第一分割模块620可以进一步包括边缘增强模块、标记图像获得模块、屏蔽模块和分水岭分割模块。边缘增强模块用于利用边缘增强方法获得灰度舌体图像的梯度图。标记图像获得模块用于基于HSI彩色图像的S通道的数据，利用阈值分割技术获得标记图像。屏蔽模块用于将标记图像覆盖在梯度图上，获得待分割灰度图。分水岭分割模块用于对待分割灰度图利用分水岭算法进行分割，获得第一图像。

可选地，标记图像获得模块进一步包括以下模块：阈值分割模块，用于对HSI彩色图像的S通道的数据进行阈值分割；优化模块，用于利用形态学图像处理技术对经阈值分割的图像进行优化，获得标记图像。

可选地，标记图像获得模块利用大津阈值。

可选地，上述分割装置还包括预处理模块，用于在图像转换模块根据原始彩色图像获得灰度舌体图像和HSI彩色图像之前，预处理原始彩色图像。

本领域普通技术人员通过阅读上文关于分割方法的描述能够理解该分割装置的构成、实现及其技术效果，因此为了简洁，这里不再赘述。

图7a和图7b分别示出了冗余区域占手动分割舌图的比例示意图和直方图。图7c和图7d分别示出了缺失区域占手动分割舌图的比例示意图和直方图。图7e和图7f分别示出了缺失区域与冗余区域的加和占手动分割舌图的比例示意图和直方图。其中图7a、图7c和图7e的横坐标均表示第几个舌图样本，图7a的纵坐标表示该舌图样本的冗余区域占手动分割舌图的比例值，图7c的纵坐标表示该舌图样本的缺失区域占手动分割舌图的比例值和图7e的纵坐标表示该舌图样本的缺失区域与冗余区域的加和占手动分割舌图的比例值；图7b、图7d和图7f的横坐标均为分割结果的分级，例如0％-5％是等级1，依次类推，纵坐标为分级中包含的舌图样本的个数。冗余区域是与手动分割舌图相比，利用上述方法和装置所获得的舌体分割结果中舌体部分中多分割的区域；缺失区域是与手动分割舌图相比，利用上述方法和装置所获得的舌体分割结果中舌体部分中漏分割的区域。这两种区域都属于误分的区域。可以理解，图像所处的级数越低，则其误分的区域的面积越小。如图7f所示：在280例舌图样本中，分割结果为等级1的有7例，分割结果为等级2的有202例，分割结果为等级3的有59例，分割结果为等级4的有12例。这表明利用本发明所提供的上述分割方法和装置，75％样本舌图的自动分割结果是可以接受的，仅25％样本舌图的自动分割结果可能会对后续分析造成影响。由此可见本发明所提供的上述分割方法和分割装置的分割准确率。

本发明已经通过上述实施例进行了说明，但应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施例，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。

Claims (10)

1.一种舌体图像的分割方法，包括：

根据原始彩色图像获得灰度舌体图像和HSI彩色图像；

基于所述灰度舌体图像，利用分水岭算法获得第一图像；

基于所述HSI彩色图像的H通道的数据，对所述HSI彩色图像进行分割，以获得第二图像；

基于所述HSI彩色图像的I通道的数据，对所述第二图像进行分割，以获得第三图像；以及

计算所述第一图像和所述第三图像的并集，以获得舌体分割结果图。

2.如权利要求1所述的方法，其特征在于，所述利用分水岭算法获得第一图像进一步包括以下步骤：

利用边缘增强方法获得所述灰度舌体图像的梯度图；

基于所述HSI彩色图像的S通道的数据，利用阈值分割技术获得标记图像；

将所述标记图像覆盖在所述梯度图上，获得待分割灰度图；以及

对所述待分割灰度图利用所述分水岭算法进行分割，获得所述第一图像。

3.如权利要求2所述的方法，其特征在于，所述利用阈值分割技术获得标记图像进一步包括以下步骤：

对所述HSI彩色图像的S通道的数据进行阈值分割；以及

利用形态学图像处理技术对经阈值分割的图像进行优化，获得标记图像。

4.如权利要求2或3所述的方法，其特征在于，所述利用阈值分割技术获得标记图像是利用大津阈值。

5.如权利要求1-3之一所述的方法，其特征在于，在所述根据原始彩色图像获得灰度舌体图像和HSI彩色图像之前，所述原始彩色图像被预处理。

6.一种舌体图像的分割装置，包括：

图像转换模块，用于根据原始彩色图像获得灰度舌体图像和HSI彩色图像；

第一分割模块，用于基于所述灰度舌体图像，利用分水岭算法获得第一图像；

第二分割模块，用于基于所述HSI彩色图像的H通道的数据，对所述HSI彩色图像进行分割，以获得第二图像；

第三分割模块，用于基于所述HSI彩色图像的I通道的数据，对所述第二图像进行分割，以获得第三图像；以及

合并模块，用于计算所述第一图像和所述第三图像的并集，以获得舌体分割结果图。

7.如权利要求6所述的装置，其特征在于，第一分割模块进一步包括以下模块：

边缘增强模块，用于利用边缘增强方法获得所述灰度舌体图像的梯度图；

标记图像获得模块，用于基于所述HSI彩色图像的S通道的数据，利用阈值分割技术获得标记图像；

屏蔽模块，用于将所述标记图像覆盖在所述梯度图上，获得待分割灰度图；以及

分水岭分割模块，用于对所述待分割灰度图利用所述分水岭算法进行分割，获得所述第一图像。

8.如权利要求7所述的装置，其特征在于，所述标记图像获得模块进一步包括以下模块：

阈值分割模块，用于对所述HSI彩色图像的S通道的数据进行阈值分割；以及

优化模块，用于利用形态学图像处理技术对经阈值分割的图像进行优化，获得标记图像。

9.如权利要求7或8所述的装置，其特征在于，所述标记图像获得模块利用大津阈值。

10.如权利要求6-8之一所述的装置，其特征在于，所述装置还包括预处理模块，用于在所述图像转换模块根据原始彩色图像获得灰度舌体图像和HSI彩色图像之前，预处理所述原始彩色图像。