CN105160346B - 一种基于纹理和分布特征的舌苔腐腻识别方法 - Google Patents

一种基于纹理和分布特征的舌苔腐腻识别方法 Download PDF

Info

Publication number
CN105160346B
CN105160346B CN201510390275.5A CN201510390275A CN105160346B CN 105160346 B CN105160346 B CN 105160346B CN 201510390275 A CN201510390275 A CN 201510390275A CN 105160346 B CN105160346 B CN 105160346B
Authority
CN
China
Prior art keywords
tongue
fur
image
greasy
tongue fur
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.)
Active
Application number
CN201510390275.5A
Other languages
English (en)
Other versions
CN105160346A (zh
Inventor
李晓强
王丹
汪晶晶
邵卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201510390275.5A priority Critical patent/CN105160346B/zh
Publication of CN105160346A publication Critical patent/CN105160346A/zh
Application granted granted Critical
Publication of CN105160346B publication Critical patent/CN105160346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于纹理、粗糙度和分布特征的舌苔腐腻识别方法。其步骤如下：（1）利用已有的舌面图像样本图建立结合Gabor纹理、Tamura粗糙度和舌苔分布特征训练样本集；（2）利用支持向量机对训练样本集进行训练，构建舌苔腐腻分类器；（3）利用建立的舌苔腐腻分类器进行识别，判断待识别的舌面图像是否属于腐腻舌象。该方法获取舌面图像的纹理、粗糙度和舌苔分布特征向量，采用支持向量机作为分类器，模拟中医专家对舌苔图像识别，具有可重复性；该方法在识别阶段不需要任何人工指导和参数设置，使得腐腻舌象的判断机制更加直观和公正；模拟中医对腐腻舌象进行识别，克服中医目测观察腐腻舌象的主观性强、重复性差的缺点。

Description

一种基于纹理和分布特征的舌苔腐腻识别方法
技术领域
本发明涉及一种基于纹理和分布特征的舌苔腐腻识别方法，属于模式识别和图像处理领域。
背景技术
中医诊断的基本方法有四种，即：望、闻、问、切。望舌的主要内容包括舌质和舌苔两方面。舌苔是附着在舌面上的一层苔状物，舌苔的颜色、厚薄和腐腻程度都能反映出五脏六腑的健康状况。按舌苔腐腻程度的不同可以将舌苔分成腐苔和腻苔。腻苔表现为苔质颗粒细腻致密，融合成片，中间厚边周薄，紧贴于舌面，揩之不去，刮之不易脱落。而腐苔则表现为颗粒较粗大且根底松浮，如豆腐渣堆铺舌面，边中皆厚，揩之可去，或成片脱落，舌底光滑。然而，现今中医的发展仍存在相当大的主观经验判断，大部分舌苔诊断结果受知识水平、思维能力、诊断技能等人为主观因素的制约，缺乏客观的评价依据和统一的评价标准。舌诊具有非接触、无痛和无副作用等优势，这使其非常符合现代医学理念，同时容易应用到机器辅助医疗、远程会诊等新兴医疗技术中。
发明内容
本发明的目的在于针对现有技术存在的不足，提出一种基于纹理和分布特征的舌苔腐腻识别方法。该方法采用支持向量机作为分类器，以舌头图像的Gabor纹理、Tamura粗糙度、和舌苔的分布特征作为特征向量。利用计算机模拟中医专家对舌苔进行识别，进而克服传统对舌苔腐腻识别的主观性强、可重复性差的缺点。
为了达到上述目的，本发明采用下述技术方案：
一种基于纹理和分布特征的舌苔腐腻识别方法，包括如下步骤：
(1)、建立基于Gabor纹理、Tamura粗糙度和舌苔分布特征的训练样本集，具体步骤如下：
(11)、从人脸伸舌照片中分割出舌面图像，构建舌面图像库对采集到的舌面图像进行预处理，在每幅图像上进行苔质分离得到舌体图像和舌苔图像，将所有已识别的图像分为：腐苔和腻苔，分别存入两个样本库；
(12)、将彩色的舌苔图像转化为灰度图像；
(13)、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成特征向量；
(131).在舌苔通常分布的位置即舌面图像的中间80*80的区域抽取4个不同尺度和6个不同方向上的Gabor特征，形成48维的Gabor纹理特征向量；在舌面图像的中间128*128的区域，将该区域分为16*16个子块，在每个子块中抽取Tamura粗糙度特征，形成16个舌苔的粗糙度值；
(132).选取舌苔图像中间宽的范围在0.2*Width～0.8Width，高的范围为0.2*Height～0.8*Height,Width和Height为舌体的宽度和高度，利用开闭运算剔除该区域中的一些由于图像分割以及照相光源导致舌根部阴影噪声数据，计算每一幅舌苔图像的基于舌苔分布的7维特征；
i.计算开闭运算后与苔质分离重合的像素个数/苔质分离后苔的像素个数；
ii.计算开闭运算后的像素个数/苔质分离后苔的像素个数
iii.计算舌中上部分苔质分离的像素个数/苔质分离后苔的像素个数
iv.计算开闭运算后最大块的大小/苔质分离后苔的像素个数
v.计算开闭运算后的像素个数/苔质分离后质的像素个数
vi.计算开闭运算后与苔质分离重合的像素个数/开闭运算后的像素个数
vii.计算开闭运算后最大块的大小/开闭运算后的像素个数
(133).将以上得到的参数列在一个向量中，代表了每一个样本的特征向量，所有的特征向量组成了特征样本集；
(2)、构建基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器；
(3)、利用基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器进行识别，判断待识别的舌面图像是否为腐腻舌苔图像。
所述步骤(2)所述的构建基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器，其具体步骤如下：
(21)、将步骤(1)得到的三类特征训练样本集输入支持向量机；
实施例中，采用LIBSVM软件包作为分类工具，以径向基函数为核函数，其中，最优惩罚参数C为8.0，径向基函数中的参数σ等于0.00012。
(22)、经训练得到训练模型，构建成舌苔腐腻识别的分类器；对三类特征训练样本集进行训练，得到训练模型，由该训练模型构建成舌苔腐腻分类器；所述步骤(3)所述的利用基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器进行识别，判断待识别的舌面图像是否属于腐苔或是腻苔，其具体步骤如下：
(31)、从人脸伸舌照片中分割得到若干待识别舌面图像库；对采集到的舌面图像进行预处理，在每幅图像上进行苔质分离得到若干幅待识别舌面图像；
(32)、将彩色的舌苔图像转化为灰度图像；将舌面图像运用自动分离算法将舌样本分为舌体图像和舌苔图像，将舌苔图像转化为灰度图像
(33)、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成特征向量；根据步骤(13)分别对上述每一幅待识别舌面计算舌苔图像的Gabor纹理48维特征、计算舌苔图像的Tamura粗糙度16维特征、计算舌苔图像的舌苔分布7维特征，形成51维的特征向量；
(34)、用舌苔腐腻分类器对样本特征向量分类；将步骤(33)得到待识别舌面图像的特征向量输入到步骤(2)中所述的舌苔腐腻分类器，得出每一幅待识别舌面图像的分类结果。
本发明相比现有技术具有如下显而易见的突出实质性特点和显著优点：
该方法采用支持向量机作为分类器，以舌苔图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布特征为特征向量，利用计算机模拟中医专家对裂纹进行识别，具有可重复性；该方法利用一次性的大样本集训练即可胜任识别工作，而且在识别过程中不需要任何的参数设置等人工因素干预，实现了全自动化识别；模拟中医对舌苔腐腻进行识别，克服中医目测观察舌苔腐腻的主观性强、无统一标准的缺点；该方法是对中医舌苔腐腻识别经验的总结和继承。
附图说明
图1为本发明的舌苔腐腻识别方法的总流程框图；
图2为本发明的舌苔腐腻识别方法一幅腐苔舌面图像和腻苔舌面图像，其中左边卫腐苔图像，右边为腻苔图像。
具体实施方式
以下结合附图对本发明的优选实施例作进一步的详细说明。
本实施例以本发明的技术方案为前提进行实施。
如图1所示，本发明基于纹理和分布特征的舌苔腐腻识别方法，其具体步骤如下：
(1)、建立基于Gabor纹理、Tamura粗糙度和舌苔分布特征的训练样本集；
(11)、从人脸伸舌照片中分割出舌面图像，构建舌面图像库对采集到的舌面图像进行预处理，在每幅图像上进行苔质分离得到舌体图像和舌苔图像。将所有已识别的图像分为：腐苔和腻苔，分别存入两个样本库；
(12)、将彩色的舌苔图像转化为灰度图像；将舌面图像运用自动分离算法将舌样本分为舌体图像和舌苔图像，将舌苔图像转化为灰度
(13)、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成特征向量
(131).在舌苔通常分布的位置即舌面图像的中间80*80的区域抽取4个不同尺度和6个不同方向上的Gabor特征，形成48维的Gabor纹理特征向量f1；在舌面图像的中间128*128的区域，将该区域分为16*16个子块，在每个子块中抽取Tamura粗糙度特征，形成16个舌苔的粗糙度值f2；
(132).选取舌苔图像中间宽的范围在0.2*Width～0.8Width，高的范围为0.2*Height～0.8*Height,Width和Height为舌体的宽度和高度，利用开闭运算剔除该区域中的一些由于图像分割以及照相光源导致舌根部阴影噪声数据。计算每一幅舌苔图像的基于舌苔分布的7维特征f3；
i.计算开闭运算后与苔质分离重合的像素个数/苔质分离后苔的像素个数；
ii.计算开闭运算后的像素个数/苔质分离后苔的像素个数
iii.计算舌中上部分苔质分离的像素个数/苔质分离后苔的像素个数
iv.计算开闭运算后最大块的大小/苔质分离后苔的像素个数
v.计算开闭运算后的像素个数/苔质分离后质的像素个数
vi.计算开闭运算后与苔质分离重合的像素个数/开闭运算后的像素个数
vii.计算开闭运算后最大块的大小/开闭运算后的像素个数
(133).将以上得到的参数列在一个向量中，代表了每一个样本的特征向量，所有的特征向量组成了特征样本集f＝(f1,f2,f3)。
(2)、构建基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器，其具体步骤如下：
(21)、将步骤(1)得到的三类特征训练样本集输入支持向量机；
实施例中，采用LIBSVM软件包作为分类工具，以径向基函数为核函数，其中，最优惩罚参数C为8.0，径向基函数中的参数σ等于0.00012。
(22)、经训练得到训练模型，构建成舌苔腐腻识别的分类器对三类特征训练样本集进行训练，得到训练模型，由该训练模型构建成舌苔腐腻分类
(3)、利利用基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器进行识别，判断待识别的舌面图像是否为腐腻舌苔图像，其具体步骤如下：
(31)、从人脸伸舌照片中分割得到若干待识别舌面图像库
对采集到的舌面图像进行预处理，在每幅图像上进行苔质分离得到若干幅待识别舌面图像；对8幅腐苔样本和201幅腻苔样本人脸伸舌照片进行分割，并人工标记其是否为腐苔舌象或腻苔舌象，对209幅腐腻苔，176幅是非腐腻苔分割得到待识别腐腻与非腐腻舌面图像；
(32)、将彩色的舌苔图像转化为灰度图像；
将舌面图像运用自动分离算法将舌样本分为舌体图像和舌苔图像，将舌苔图像转化为灰度图像
(33)、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成特征向量
根据步骤(13)分别对上述每一幅待识别舌面计算舌苔图像的Gabor纹理48维特征f1，计算舌苔图像的Tamura粗糙度16维特征f2，计算舌苔图像的舌苔分布7维特征f3，形成
51维的特征向量f＝(f1,f2,f3)；
(34)、用舌苔腐腻分类器对样本特征向量分类
将步骤(33)得到待识别舌苔图像的特征向量输入到步骤(2)中所述的舌苔腐腻分类器，得出每一幅待识别舌面图像的分类结果；
例如1本实施例中，对105幅腐腻苔和88幅非腐腻苔图像测试，分类结果如下表1所示，最终腐腻苔图像与非腐腻苔图像分类的结果为99.05％。
表1特征组合后的实验结果
例如2，本实施例中，所用209幅图像，8幅腐苔，另外201幅腻苔，对训练集采用平衡化处理简单随机采样平衡数据集，加入100个虚拟腐苔样本。最终舌苔腐腻识别的结果为准确率较高的比率为98.97％。
表2三种不同的特征在做了平衡化处理时的实验结果
注:表中阴影部分为同一水平线上Acc的最大值。

Claims (3)

1.一种基于纹理和分布特征的舌苔腐腻识别方法，其特征在于包括如下步骤：
(1)、建立基于Gabor纹理，Tamura粗糙度和舌苔分布特征的训练样本集，具体步骤如下：
(11)、从人脸伸舌照片中分割出舌面图像，构建舌面图像库对采集到的舌面图像进行预处理，在每幅图像上进行苔质分离得到舌体图像和舌苔图像，将所有已识别的图像分为：腐苔和腻苔，分别存入两个样本库；
(12)、将彩色的舌苔图像转化为灰度图像：
(13)、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成特征向量：
(131).在舌苔通常分布的位置即舌面图像的中间80*80的区域抽取4个不同尺度和6个不同方向上的Gabor特征，形成48维的Gabor纹理特征向量；在舌面图像的中间128*128的区域，将该区域分为16*16个子块，在每个子块中抽取Tamura粗糙度特征，形成16个舌苔的粗糙度值；
(132).选取舌苔图像中间宽的范围在0.2*Width～0.8Width，高的范围为0.2*Height～0.8*Height,Width和Height为舌体的宽度和高度，利用开闭运算剔除该区域中的一些由于图像分割以及照相光源导致舌根部阴影噪声数据；计算每一幅舌苔图像的基于舌苔分布的7维特征：
i.计算开闭运算后与苔质分离重合的像素个数/苔质分离后苔的像素个数；
ii.计算开闭运算后的像素个数/苔质分离后苔的像素个数；
iii.计算舌中上部分苔质分离的像素个数/苔质分离后苔的像素个数；
iv.计算开闭运算后最大块的大小/苔质分离后苔的像素个数；
v.计算开闭运算后的像素个数/苔质分离后质的像素个数；
vi.计算开闭运算后与苔质分离重合的像素个数/开闭运算后的像素个数；
vii.计算开闭运算后最大块的大小/开闭运算后的像素个数；
(133).将以上得到的参数列在一个向量中，代表了每一个样本的特征向量，所有的特征向量组成了特征样本集；
(2)、构建基于Gabor纹理，Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器；
(3)、利用基于Gabor纹理，Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器进行识别，判断待识别的舌面图像是否为腐腻舌苔图像。
2.根据权利要求1所述的基于纹理和分布特征的舌苔腐腻识别方法，其特征在于：所述步骤(2)构建基于Gabor纹理，Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器，其具体步骤如下：
(21)、将步骤(1)得到的三类特征训练样本集输入支持向量机；
(22)、经训练得到训练模型，构建成舌苔腐腻识别的分类器，对三类特征训练样本集进行训练，得到训练模型，由该训练模型构建成舌苔腐腻分类器。
3.根据权利要求1所述的基于纹理和分布特征的舌苔腐腻识别方法，其特征在于：所述步骤(3)利用基于Gabor纹理，Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器进行识别，判断待识别的舌面图像是否属于腐苔或是腻苔，其具体步骤如下：
(31)、从人脸伸舌照片中分割得到若干待识别舌面图像库：对采集到的舌面图像进行预处理，在每幅图像上进行苔质分离得到若干幅待识别舌面图像；
(32)、将彩色的舌苔图像转化为灰度图像：将舌面图像运用自动分离算法将舌样本分为舌体图像和舌苔图像，将舌苔图像转化为灰度图像；
(33)、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成特征向量：根据步骤(13)分别对上述每一幅待识别舌面计算舌苔图像的Gabor纹理48维特征、计算舌苔图像的Tamura粗糙度16维特征、计算舌苔图像的舌苔分布7维特征，形成51维的特征向量；
(34)、用舌苔腐腻分类器对样本特征向量分类：将步骤(33)得到待识别舌面图像的特征向量输入到步骤(2)中所述的舌苔腐腻分类器，得出每一幅待识别舌面图像的分类结果。
CN201510390275.5A 2015-07-06 2015-07-06 一种基于纹理和分布特征的舌苔腐腻识别方法 Active CN105160346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510390275.5A CN105160346B (zh) 2015-07-06 2015-07-06 一种基于纹理和分布特征的舌苔腐腻识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510390275.5A CN105160346B (zh) 2015-07-06 2015-07-06 一种基于纹理和分布特征的舌苔腐腻识别方法

Publications (2)

Publication Number Publication Date
CN105160346A CN105160346A (zh) 2015-12-16
CN105160346B true CN105160346B (zh) 2019-02-01

Family

ID=54801198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510390275.5A Active CN105160346B (zh) 2015-07-06 2015-07-06 一种基于纹理和分布特征的舌苔腐腻识别方法

Country Status (1)

Country Link
CN (1) CN105160346B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106683087B (zh) * 2016-12-26 2021-03-30 华南理工大学 一种基于深度神经网络的舌苔体质辨别方法
CN107610087B (zh) * 2017-05-15 2020-04-28 华南理工大学 一种基于深度学习的舌苔自动分割方法
CN107818579B (zh) * 2017-09-20 2021-09-28 东北电力大学 基于四元数Gabor滤波的彩色纹理特征提取方法
CN109872298A (zh) * 2018-12-14 2019-06-11 上海源庐加佳信息科技有限公司 一种中医舌苔腐腻识别方法
CN109816629B (zh) * 2018-12-20 2023-10-13 新绎健康科技有限公司 一种基于k-means聚类的苔质分离方法和装置
CN109740611A (zh) * 2019-01-25 2019-05-10 中电健康云科技有限公司 舌头图像分析方法及装置
CN110210319A (zh) * 2019-05-07 2019-09-06 平安科技（深圳）有限公司 计算机设备、舌体照片体质识别装置及存储介质
CN111476260B (zh) * 2019-11-22 2023-07-21 上海大学 一种基于卷积神经网络的腐腻苔分类算法
CN115375690B (zh) * 2022-10-26 2023-06-13 合肥云诊信息科技有限公司 一种舌象腐腻苔分类识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1367454A (zh) * 2002-03-25 2002-09-04 北京工业大学 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法
CN1367387A (zh) * 2002-03-25 2002-09-04 北京工业大学 基于二分光反射模型的中医舌苔湿度的计算机分析方法
CN1830380A (zh) * 2006-04-20 2006-09-13 上海交通大学 中医舌像分析与诊断系统
EP2428913A2 (en) * 2010-09-10 2012-03-14 Dimensional Photonics International, Inc. Object classification for measured three-dimensional object scenes
CN104298983A (zh) * 2013-07-15 2015-01-21 清华大学 具有分布式用户终端的舌苔图像获取与分析系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1367454A (zh) * 2002-03-25 2002-09-04 北京工业大学 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法
CN1367387A (zh) * 2002-03-25 2002-09-04 北京工业大学 基于二分光反射模型的中医舌苔湿度的计算机分析方法
CN1830380A (zh) * 2006-04-20 2006-09-13 上海交通大学 中医舌像分析与诊断系统
EP2428913A2 (en) * 2010-09-10 2012-03-14 Dimensional Photonics International, Inc. Object classification for measured three-dimensional object scenes
CN104298983A (zh) * 2013-07-15 2015-01-21 清华大学 具有分布式用户终端的舌苔图像获取与分析系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
中医舌苔腐腻分析算法的研究;卫保国等;《电子学报》;20031230;第1页第2栏第16-18行，第2页第1栏第1-2行，第2页第1栏第37-40行，第2页第2栏第18-33行，第3页第1栏第16-27行

Also Published As

Publication number Publication date
CN105160346A (zh) 2015-12-16

Similar Documents

Publication Publication Date Title
CN105160346B (zh) 一种基于纹理和分布特征的舌苔腐腻识别方法
CN103345617B (zh) 中药识别的方法及其系统
CN103745217B (zh) 基于图像检索的中医舌色苔色自动分析方法
CN108734138B (zh) 一种基于集成学习的黑色素瘤皮肤病图像分类方法
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN105139027B (zh) 胶囊头缺陷检测方法和装置
CN107194937A (zh) 一种开放环境下中医舌象图像分割方法
CN103870834B (zh) 基于分层分割的滑动窗搜索方法
CN108765430A (zh) 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法
CN108021936A (zh) 一种基于卷积神经网络vgg16的乳腺肿瘤分类算法
Hobson et al. Classifying anti-nuclear antibodies HEp-2 images: A benchmarking platform
Casanova et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels
Rahamathunnisa et al. Vegetable disease detection using k-means clustering and svm
Jadhav et al. Soybean leaf disease detection and severity measurement using multiclass SVM and KNN classifier
Ouyang et al. The research of the strawberry disease identification based on image processing and pattern recognition
Niu et al. Automatic localization of optic disc based on deep learning in fundus images
Kaldera et al. MRI based glioma segmentation using deep learning algorithms
CN105354405A (zh) 基于机器学习的免疫组化图像自动化判读系统
Suhendra et al. A novel approach to multi-class atopic dermatitis disease severity scoring using multi-class SVM
CN107977976A (zh) 一种图像分割方法
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
Polevaya et al. Skin lesion primary morphology classification with end-to-end deep learning network
CN102136077A (zh) 基于支持向量机的口唇颜色自动识别的方法
CN109741351A (zh) 一种基于深度学习的类别敏感型边缘检测方法
CN103246888A (zh) 肺病的计算机诊断系统及方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant