CN108629780B - 基于颜色分解和阈值技术的舌图像分割方法 - Google Patents
基于颜色分解和阈值技术的舌图像分割方法 Download PDFInfo
- Publication number
- CN108629780B CN108629780B CN201810366825.3A CN201810366825A CN108629780B CN 108629780 B CN108629780 B CN 108629780B CN 201810366825 A CN201810366825 A CN 201810366825A CN 108629780 B CN108629780 B CN 108629780B
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- segmentation
- area
- tongue body
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000003709 image segmentation Methods 0.000 title claims abstract description 25
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 14
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 95
- 230000000877 morphologic effect Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000005260 corrosion Methods 0.000 claims description 22
- 230000007797 corrosion Effects 0.000 claims description 20
- 210000000746 body region Anatomy 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000011049 filling Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003711 image thresholding Methods 0.000 claims description 2
- 210000005181 root of the tongue Anatomy 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 9
- 239000003814 drug Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000037237 body shape Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Abstract
本发明提供一种基于颜色分解和阈值技术的舌图像分割方法，其包括以下步骤：步骤S1：对舌图像在HSI颜色空间中的色调分量进行变换；使得变换后舌体和上嘴唇的色调分量与其近邻组织间存在色调差异；步骤S2：在变换后的色调分量上执行图像阈值分割，获得二值化分割结果，对二值化分割结果执行形态学运算后提取出包含真实舌体和上嘴唇的初始舌体区域；步骤S3：对初始舌体区域进行修正，选择两种图像阈值分割方法，将两种图像阈值分割方法分割结果中的一个用于分离真实舌体区域和上嘴唇区域，从而得到舌图像的最终分割结果。本发明提供简单而有效的舌图像分割方法，显著地改善了图像分割的性能。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于颜色分解和阈值技术的舌图像分割方法。
背景技术
舌诊是传统中医“望诊”的主要内容之一，是具有中医特色的传统诊断方法之一。舌象是反映人体生理功能和病理变化最敏感的指标，在中医诊疗过程中具有重要的应用价值。应用图像处理技术，建立舌诊信息的客观量化、识别方法，实现中医舌诊的自动化，对中医现代化具有重要的现实意义。自动化舌诊系统中，病人的舌图像经过数字采集仪器(工业相机、摄像头等) 获取后，必须首先对目标区域(舌体)进行自动的分割。因此，舌象分割成了连接图像采集和图像分析的重要纽带，分割质量将直接影响到后续工作。
舌图像的分割存在一定的挑战和困难。这些困难源于舌图像自身的特性：(1)舌体的颜色与脸部的颜色特别是嘴唇的颜色很接近，容易混淆；(2)舌体作为一个软体，没有固定的形状，舌体形状的个体差异性大；(3)从医学病理学的角度来看，舌体不平滑，舌苔舌质因人而异，病理特征差异较大；(4)舌体的裂纹、舌苔色块也会严重影响舌体的自动分割。
鉴于舌图像分割的困难和挑战，单一的图像分割技术很难获得满意的分割效果。因此，人们开始研究多种分割技术的融合。在多种分割技术融合的框架下，国际主流的舌图像分割方法是基于主动轮廓模型(ACM,Active Contour Model)的方法。ACM又称为Snake模型，是一种流行的可变形状模型，广泛应用于轮廓提取中。给定一个初始轮廓曲线，主动轮廓模型在内外力的共同作用下将初始轮廓曲线朝真实目标轮廓处演化。基于ACM的分割方法主要研究点在初始轮廓的获取和曲线演化上。比如，Pang等提出一种双椭圆形变轮廓模型方法BEDC[1]，其结合了双椭圆形变模板(BEDT)和主动轮廓模型。BEDC首先定义了一种称为BEDT的形变模板作为舌体的一种粗略描述，然后通过最小化BEDT能量函数来获得初始的舌体轮廓，最后利用模板能量代替传统内能量的主动轮廓模型来演化初始轮廓，进而获得最终的分割结果。Zhang等[2]提出了一种融合极坐标边缘检测和主动轮廓模型的方法。此方法先对原始图像进行极坐标转化，利用边缘检测算子获得极坐标边缘图像，同时从舌图像中提取边缘模板；然后，利用边缘模板过滤掉舌体内部纹理造成的虚假舌体边缘；接着，利用图像二值化技术结合形态学滤波进一步剔除舌体以外的虚假舌体边缘(比如，脸部褶皱引起的边缘)；最后，将边缘检测结果作为初始的舌体轮廓，运用主动轮廓模型方法对初始轮廓进行演化，进而获得最终的分割结果。此方法对舌体与近邻部分(嘴唇和脸部)颜色近似造成的弱轮廓提取效果欠佳，而且在舌体与嘴唇的空隙处以及舌尖部分容易发生误分割。Ning等[3]提出了一种融合梯度向量流(GVF,Gradient Vector Flow)、区域合并技术(RM,Region Merging)和主动轮廓模型的方法，简称为GVFRM。此方法先将传统的梯度向量流改造为标量扩散方程对舌图像进行扩散以期达到平滑图像，保留舌体轮廓结构的预处理目的；然后，利用分水岭算法将预处理过的舌图像分割成许多小区域；接着，运用基于最大相似性的区域合并算法结合目标、背景标记将小区域合并成大区域，从而形成初始的舌体轮廓；最后，利用主动轮廓模型对初始轮廓进行演化，得到最终的分割结果。当舌体靠近图像的边界时，错误的目标、背景标记容易造成错误的区域合并结果，从而导致误分割。此方法在舌体与嘴唇的间隙处以及颜色近似性造成的弱边缘处分割效果欠佳。
Shi等主要提出两种基于主动轮廓模型的舌图像分割方法，分别简称为C2G2F[4]和DGF[5]。 C2G2F方法首先检测舌尖点、舌根点和左右舌体三角点共4个特征点，利用4个特征点结合舌体形状先验构成初始的舌体轮廓；然后将初始舌体轮廓分成上半部分轮廓和下半部分轮廓；接着用参数化GVF主动轮廓模型和测地线主动轮廓模型分别演化上半部分和下半部分初始轮廓；最后把演化后的上半部分和下半部分初始轮廓合并成最终的舌体轮廓。不幸的是，这种方法容易检测到不理想的特征点，甚至未能检测到部分特征点。在C2G2F方法基础上，Shi等人提出了一种改进的方法即DGF[5]。DGF方法首先利用显著目标检测算子来粗略地定位舌体所在的图像窗口；然后利用C2G2F方法思路在图像窗口内检测四个特征点，获取包含上半部分轮廓和下半部分轮廓的初始舌体轮廓；接着利用测地线主动轮廓模型和测地线-梯度向量流主动轮廓模型来分别演化上半部分初始轮廓和下半部分初始轮廓；最后合并上半部分初始轮廓和下半部分初始轮廓作为最终的舌体轮廓。DGF方法未能完全克服C2G2F方法的局限性，分割准确性和稳定性都有待提升。
此外，上述基于主动轮廓模型的舌图像分割方法有一个共同的缺陷，即它们都对初始轮廓敏感。一旦初始轮廓包含了来自舌体近邻组织比如颈部、脸部、嘴唇等部位的非舌体强边缘，上述基于主动轮廓模型的舌图像分割方法就很难收敛到真实的舌体轮廓处。
综上所述，现有的舌图像分割方法均存在一定的局限性，分割效果有待进一步提升。
[1]Pang B,Zhang D,Wang K.The Bi-elliptical deformable contour and itsapplication to automated tongue segmentation in Chinese medicine[J].IEEETransactions on Medical Imaging,2005,24(8):946～956.
[2]Zhang H,Zuo W,Wang K,Zhang D.A snake-based approach to automatedsegmentation of tongue image using polar edge detector[J].InternationalJournal of Imaging Systems and Technology,2006,16(4):103～112.
[3]Ning J,Zhang D,Wu C,Yue F.Automatic tongue image segmentationbased on gradient vector flow and region merging[J].Neural Computing andApplications,2012,21(8): 1819～1826.
[4]Shi M,Li G,Li F.C2G2FSnake:automatic tongue image segmentationutilizing prior knowledge[J].Science China:Information Sciences,2013,56(9):1–14.
[5]Shi M,Li G,Li F,Xu C.Computerized tongue image segmentation viathe double geo-vector flow[J].Chinese Medicine,2014,9(1):7-16.
发明内容
本发明的目的是提供一种基于颜色分解和阈值技术的舌图像分割方法，用于提高分割精度。
为实现上述目的，本发明采用以下技术方案：一种基于颜色分解和阈值技术的舌图像分割方法，其包括以下步骤：步骤S1：对舌图像在HSI颜色空间中的色调分量进行变换；使得变换后舌体和上嘴唇的色调分量与其近邻组织间存在色调差异；步骤S2：在变换后的色调分量上执行图像阈值分割，获得二值化分割结果，对二值化分割结果执行形态学运算后提取出包含真实舌体和上嘴唇的初始舌体区域；步骤S3：对初始舌体区域进行修正，选择两种图像阈值分割方法，将两种图像阈值分割方法分割结果中的一个用于分离真实舌体区域和上嘴唇区域，从而得到舌图像的最终分割结果。
在本发明一实施例中，步骤S1包括以下具体步骤：步骤S11：通过以下公式将一幅图像从 RGB颜色空间映射到HSI颜色空间，
其中，
在公式(1)-(4)中，R、G和B分别代表图像的红色、绿色和蓝色分量；H、S、I分别代表图像的色调、饱和度和亮度；步骤S12:对HSI颜色空间中图像的色调分量执行如下变换：
其中，Havg和Hmax分别表示图像所有像素点色调的平均值和最大值，(i,j)表示图像像素点坐标。
在本发明一实施例中，步骤S2中的在变换后的色调分量上执行图像阈值分割包括以下步骤：在变换后的色调分量上执行如下的图像阈值分割，得到舌图像的二值化结果，
其中，
T＝VH′(αN). (7)
在公式(7)中，VH’表示降序排序后的向量H'，N表示H'中元素的总数，α则是一个控制图像中目标像素点比例的参数；H′(i,j)为变换后的色调分量。
在本发明一实施例中，步骤S2中初始舌体区域的提取：首先在舌图像的二值化结果中搜索最大的目标区域，然后依次对最大目标区域进行膨胀、填充和腐蚀三种形态学操作后将其作为初始的舌体区域，初始舌体区域对应的二值图像被记为
进一步的，膨胀和腐蚀操作采用半径为2的圆盘状结构元。
在本发明一实施例中，步骤S3中舌体区域修正算法包括以下步骤：确定舌根和上嘴唇之间的间隙区域；利用此间隙区域来分离舌体区域和上嘴唇区域；移除上嘴唇区域，以修正初始的舌体区域。
在本发明一实施例中，步骤S3中舌体区域修正算法具体包括以下步骤：步骤S31：对舌图像的红色分量执行两种图像阈值分割方法，记录两种阈值分割方法所得二值化分割结果为B1和 B2，其中，1和0分别代表目标像素点和背景像素点；步骤S32：根据下列公式执行每种图像阈值分割结果与上述初始舌体区域对应二值图像矩阵
的点积运算，结果记录为
和
步骤S33：计算
和
中目标像素点的个数，分别记为N0、N1和N2，通过如下准则自适应地选择
和
中的一个用于后续处理，
步骤S34：找出中最大的目标区域，并将其对应的二值图像矩阵记为
步骤S35：依次用半径为1到7的圆盘状结构元去腐蚀
直到腐蚀结果中拥有至少β个像素点的目标区域的个数大于等于2，将腐蚀结果记为
如果采用上述不同半径结构元腐蚀所得结果中拥有至少β个像素点的目标区域的个数始终为1，就将半径为1的结构元对应的腐蚀结果作为
其中，β表示有效目标区域像素点个数的阈值；接着利用形态学腐蚀操作来扩大舌根与上嘴唇之间的间隙区域，以避免舌体与上嘴唇之间的连通阻碍舌体与上嘴唇的分离；步骤S36：找到
中最大的目标区域，用Matlab的函数imfill填充其可能的内部孔洞，然后用生成
时所用的结构元来膨胀最大目标区域；如果膨胀后的最大目标区域所含像素点个数超过中初始舌体目标区域像素点个数的一半，则将膨胀后的最大目标区域作为最终的舌体区域，否则，将
中的目标区域作为最终的舌体区域。
进一步的，最终的舌体区域是舌图像最终分割结果中唯一的目标区域。
与现有技术相比，本发明具有以下优点：
1、本发明提供简单而有效的舌图像分割方法，显著地改善了图像分割的性能。
2、相比于通过对像素点原始色调值设置两个阈值(参数)来提取初始舌体区域的做法，通过对变换后的色调值设置一个阈值(参数)来提取初始舌体区域的做法，既减少了一个参数又保证了分割精度。
3、对舌体区域的修正保留更多真实舌体像素点(目标像素点)的同时又能去除虚假目标像素点。
附图说明
图1为本发明的主要流程示意图。
图2为本发明算法抽取初始舌体区域过程中产生的中间结果，其中，图2(a)为原图，图2(b)为色调分量，图2(c)为变换后的色调分量，图2(d)为二值化结果，图2(e)为提取的初始舌体区域。图3为本发明算法在舌体区域修正过程中产生的中间结果，其中，图3(a)为B1，图3(b)为B2，图3(c)为
图3(d)为
图3(e)为
图3(f)为
图3(g)为修正后的舌体区域。
图4为不同参数组合下本发明算法所得平均KI曲线图，图4a为对于β固定时α对KI的影响；图4b为α固定时β对KI的影响。
图5四种算法在8幅典型的舌图像上分割结果比较示意图。
图6展示了ME、FPR、FNR和KI四种测度下各种算法分割精度的比较结果，其中，图6a为ME 测度比较结果，图6b为FPR测度比较结果，图6c为FNR测度比较结果，图6d为KI测度比较结果。
具体实施方式
下面结合附图和具体实施例对本发明作进一步解释说明。
本发明提供一种基于颜色分解和阈值技术的舌图像分割方法，其包括以下步骤：步骤S1：对舌图像在HSI颜色空间中的色调分量进行变换；使得变换后舌体和上嘴唇的色调分量与其近邻组织间存在色调差异；步骤S2：在变换后的色调分量上执行图像阈值分割，获得二值化分割结果，对二值化分割结果执行形态学运算后提取出包含真实舌体和上嘴唇的初始舌体区域；步骤S3：对初始舌体区域进行修正，选择两种图像阈值分割方法，将两种图像阈值分割方法分割结果中的一个用于分离真实舌体区域和上嘴唇区域，从而得到舌图像的最终分割结果。主要流程示意图参见图1。
其中，步骤S1包括以下具体步骤：
(1)颜色空间映射：通过以下公式将一幅图像从RGB颜色空间映射到HSI颜色空间，
其中，
在公式(1)-(4)中，R、G和B分别代表图像的红色、绿色和蓝色分量。以图2(a)中的舌图像为例，由公式(1)计算所得的色调分量如图2(b)所示。从图2(b)可以观察到一个现象，即舌体和上嘴唇像素点相对于它们周围的脸部像素点而言，通常更暗或更亮，更亮的像素点拥有更大的色调值。由此，可以通过对高低色调像素点各设置一个色调阈值(参数)来提取包含真实舌体和上嘴唇区域的初始舌体区域。为了减少算法参数的个数，下一步将执行色调分量的变换。
(2)色调分量的变换：对HSI颜色空间中图像的色调分量执行如下变换：
其中，Havg和Hmax分别表示图像所有像素点色调的平均值和最大值，(i,j)表示图像像素点坐标。图2(b)的色调变换结果如图2(c)所示。从图2(c)可以看到，色调变换步骤使舌体和上嘴唇像素点比它们周围的人脸像素点更亮，即舌体和上嘴唇像素点拥有更高的色调值。因此，下一步只需要设置一个参数(如公式(6)中的阈值T)来获得用于提取初始舌体区域的图像二值化结果。相比于通过对像素点原始色调值设置两个阈值(参数)来提取初始舌体区域的做法，这样就减少了一个参数。
(3)图像二值化：在变换后的色调分量上执行如下的图像阈值分割，可得到一幅图像的二值化结果，
其中，
T＝VH′(αN). (7)
在公式(7)中，VH’表示降序排序后的向量H'，N表示H'中元素的总数，α则是一个控制图像中目标像素点比例的参数。图2(d)展示了在图2(c)所示的色调变换结果上执行阈值分割后所得的图像二值化结果。
在本发明一实施例中，步骤S2中初始舌体区域的提取：首先在上述图像二值化结果中搜索最大的目标区域，然后依次对最大目标区域进行“膨胀”、“填充”和“腐蚀”三种形态学操作后将其作为初始的舌体区域。其中，“膨胀”和“腐蚀”操作采用半径为2的圆盘状结构元，初始舌体区域对应的二值图像被记为
图2(e)展示了
如图1所示，本发明算法成功地提取了包含真实舌体的初始舌体区域。但初始舌体区域也包含了虚假的舌体，比如上嘴唇。为了解决此问题，我们提出如下的舌体区域修正算法。此算法先自适应地确定舌根和上嘴唇之间的间隙区域，然后利用此间隙区域来分离舌体区域和上嘴唇区域，最后移除上嘴唇区域，以修正初始的舌体区域。
进一步的，具体步骤如下：
(1)对舌图像的红色分量执行两种图像阈值分割方法，记录两种阈值分割方法所得二值化分割结果为B1和B2，其中，1和0分别代表目标像素点和背景像素点。以图2(a)为例，图3(a)和图3(b)分别展示了B1和B2。
(2)根据下列公式执行每种图像阈值分割结果与上述初始舌体区域对应二值图像矩阵
的点积运算，结果记录为
和图3(c)和图3(d)分别展示了
和
(3)计算和
中目标像素点的个数，分别记为N0、N1和N2，通过如下准则自适应地选择
和
中的一个用于后续处理。
设计公式(10)的出发点在于我们希望保留更多真实舌体像素点(目标像素点)的同时又能去除虚假目标像素点。图3(e)展示了
从图3(a)～(e)可以看到，本发明算法自动地从图3(a)和图3(b)所示的两种阈值分割结果中选择了舌根和上嘴唇之间间隙区域更小的阈值分割结果来产生以保留更多的真实舌体像素点。
(4)找出
中最大的目标区域，并将其对应的二值图像矩阵记为
(5)依次用半径为1到7的圆盘状结构元去腐蚀
直到腐蚀结果中拥有至少β个像素点的目标区域的个数大于等于2，将腐蚀结果记为如果采用不同半径的结构元腐蚀所得结果中拥有至少β个像素点的目标区域的个数始终为1，我们就将半径为1的结构元对应的腐蚀结果作为
图3(f)展示了
设计此步骤的出发点是我们想利用形态学腐蚀操作来扩大舌根与上嘴唇之间的间隙区域，以避免舌体与上嘴唇之间的连通阻碍舌体与上嘴唇的分离。
(6)找到中最大的目标区域，用Matlab函数“imfill”填充其可能的内部孔洞，然后用生成
时所用的结构元来膨胀最大目标区域。如果膨胀后的最大目标区域所含像素点个数超过
中初始舌体区域像素点个数的一半，则将膨胀后的最大目标区域作为最终的舌体区域，否则，将
中的目标区域作为最终的舌体区域。最终的舌体区域是舌图像最终分割结果中唯一的目标区域。图3(g)展示了舌图像的最终分割结果。设计此步骤的出发点是初始舌体区域的大部分像素点都是真实的舌体像素点。因此，最后所得舌体区域应至少为初始舌体区域的一半。从图3(f)～(g) 可以看到，舌根和上嘴唇之间的间隙区域被扩大了，上嘴唇被成功地从提取的初始舌体区域中剔除掉了。
为了评价本发明算法对舌图像进行分割的准确性，我们在一个由200幅舌图像组成的图像库上进行了实验。图像库中每幅图像的大小为110×130，每幅图像的手动理想分割结果由医院的专家给出。本发明算法首先与目前流行的四种舌图像分割方法进行了定性比较，即与GVFRM[3]， C2G2F[4]，DGF[5]在8幅有代表性的舌图像上进行分割性能的定性比较。然后，通过四个常见的分类测度，即错分类误差(misclassification error,ME)、假正率/虚警率(false positive rate,FPR)、假负率(false negative rate,FNR)以及kappa指数(kappa index,KI)，对算法在整个图像库上的分割准确率进行定量的比较。
其中，Bm和Fm表示手动理想分割结果的背景和目标，Ba和Fa代表自动分割算法对应分割结果中的背景和目标，|·|代表集合中元素的个数。四个测度的取值范围均为0～1。越低的ME、FPR 和FNR值代表越好的效果，越高的KI值代表越好的分割效果。
实验中，我们测试了几种迭代次数下基于梯度向量流的图像扩散对GVFRM算法分割性能的影响，选择具有最优迭代次数的分割结果(对应于整个舌像库最高平均KI值)作为GVFRM算法的最终分割结果。GVFRM算法[3]的其它参数参考其原始文献。C2G2F[4]和DGF[5]算法的参数也参照它们各自的原始文献。所有实验均在一台CPU为1.7G Intel Core i5-3317U、内存4G的笔记本电脑上进行。
1参数选择
本发明算法有两个重要的参数α和β。参数α表示舌图像中目标像素点所占的比例，用于从变换后的舌图像色调分量中提取初始舌体区域。参数β表示有效目标区域像素点个数的阈值，用在修正初始舌体区域过程第五步中判定目标区域是否有效。
以整个舌像库为测试对象，我们探讨了α和β对本发明算法分割精度的影响，其中，α取自集合{0.2,0.3,0.4,0.5,0.6}，β取自集合{50,100,150,200,250}。不同参数组合下本发明算法的KI测度结果分别展示于图4a和图4b。图4a表明，对于每个确定的β，α＝0.3时，本发明算法获得最佳的平均KI值，其中，当β＝50,100,150,200,250时，最佳KI 值分别为0.892,0.891,0.888,0.886,0.884。图4b表明，不同的β值对本发明算法分割精度的影响不大。从图4可以观察到，α比β更重要，因为α对分割精度的影响大于β对分割精度的影响。总之，参数α通常可以设定在0.3到0.4之间，而β可以设定在50到250之间。在我们的实验中，参数α和β分别设置为0.3和50。
2定性比较
为了定性地比较四种方法的分割效果，图5展示了八幅代表性舌图像的分割结果。从图中可以看到，GVFRM只在图5(d)所示的第四幅图像上取得了满意的分割效果，在其它几幅图像上产生了误分割。具体来说，GVFRM在图5(h)上产生了严重的误分割，在图5(a)-(b)、(e)和(g)-(h) 上产生了欠分割，在图5(a)～(g)上产生了过分割。相似地，C2G2F和DGF在大部分图像上产生了误分割。比如，C2G2F在图5(f)上产生了欠分割，在图5(a)～(h)上产生了过分割。DGF在图 5(f)-(g)上产生了欠分割，在图5(b)～(e)和(g)-(h)上产生了过分割。与上述三种方法相比，本发明算法在舌体形状、大小、颜色、纹理、舌苔厚薄等有较大变化的8幅代表性舌图像上均获得了更加准确的分割结果。本发明算法提取的舌体轮廓与真实舌体轮廓非常接近。实验结果证实本发明算法对舌体个性化差异较大的舌图像分割效果稳定。但是，本发明算法在图5(e)-(h) 上的分割结果仍然有一些小的缺陷，这是由于舌体和嘴唇两者颜色相似所造成的。
3定量比较
为了对四种方法(即GVFRM[3]、C2G2F[4]、DGF[5]和本发明算法)进行分割精度的定量比较，我们在整个舌像库上使用包括ME、FPR、FNR和KI的四种测度来对算法性能进行评估。图6展示了ME、FPR、FNR和KI四种测度下各种算法分割精度的比较结果。此外，四种方法所得分割结果对应的ME均值和标准差分别为0.088±0.057、0.141±0.049、0.104±0.054和0.059± 0.034。四种方法所得分割结果对应的FPR均值和标准差分别为0.093±0.067、0.148±0.062、 0.086±0.056和0.048±0.048。四种方法所得分割结果对应的FNR均值和标准差分别为0.073 ±0.125、0.116±0.081、0.142±0.104和0.082±0.069。这些定量测试结果表明，本发明算法具有更低的误分割率和更强的稳定性。对于KI测度，四种方法所得分割结果对应的KI均值和标准偏差分别为0.850±0.098、0.769±0.086、0.815±0.096和0.892±0.060。KI测度的测试结果再次证实了本发明算法良好的分割性能。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (7)
1.一种基于颜色分解和阈值技术的舌图像分割方法，其特征在于：包括以下步骤：
步骤S1：对舌图像在HSI颜色空间中的色调Hue分量进行变换,使得变换后舌体和上嘴唇的色调分量与其近邻组织间存在色调差异；
步骤S2：在变换后的色调分量上执行图像阈值分割，获得二值化分割结果，对二值化分割结果执行形态学运算后提取出包含真实舌体和上嘴唇的初始舌体区域；
步骤S3：对初始舌体区域进行修正，选择两种图像阈值分割方法，将两种图像阈值分割方法分割结果中的一个用于分离真实舌体区域和上嘴唇区域，从而得到舌图像的最终分割结果；
步骤S3中舌体区域修正算法具体包括以下步骤：
步骤S31：对舌图像的红色分量执行两种图像阈值分割方法，记录两种阈值分割方法所得二值化分割结果为B1和B2，其中，1和0分别代表目标像素点和背景像素点；
步骤S32：根据下列公式执行每种图像阈值分割结果与上述初始舌体区域对应二值图像矩阵
的点积运算，结果记录为
和
步骤S33：计算和
中目标像素点的个数，分别记为N0、N1和N2，通过如下准则自适应地选择
和
中的一个用于后续处理；
步骤S34：找出
中最大的目标区域，并将其对应的二值图像矩阵记为
步骤S35：依次用半径为1到7的圆盘状结构元去腐蚀
直到腐蚀结果中拥有至少β个像素点的目标区域的个数大于等于2，将腐蚀结果记为如果采用上述不同半径的结构元腐蚀所得结果中拥有至少β个像素点的目标区域的个数始终为1，就将半径为1的结构元对应的腐蚀结果作为其中，β表示有效目标区域像素点个数的阈值；接着利用形态学腐蚀操作来扩大舌根与上嘴唇之间的间隙区域，以避免舌体与上嘴唇之间的连通阻碍舌体与上嘴唇的分离；
步骤S36：找到
中最大的目标区域，用Matlab的函数imfill填充其可能的内部孔洞，然后用生成
时所用的结构元来膨胀最大目标区域；如果膨胀后的最大目标区域所含像素点个数超过
中初始舌体目标区域像素点个数的一半，则将膨胀后的最大目标区域作为最终的舌体区域，否则，将
中的目标区域作为最终的舌体区域。。
2.根据权利要求1所述的基于颜色分解和阈值技术的舌图像分割方法，其特征在于：步骤S1包括以下具体步骤：
步骤S11：通过以下公式将一幅图像从RGB颜色空间映射到HSI颜色空间，
其中，
在公式(1)-(4)中，R、G和B分别代表图像的红色、绿色和蓝色分量；H、S、I分别代表图像的色调、饱和度和亮度；
步骤S12:对HSI颜色空间中图像的色调分量执行如下变换：
其中，Havg和Hmax分别表示图像所有像素点色调的平均值和最大值，(i,j)表示图像像素点坐标。
3.根据权利要求1所述的基于颜色分解和阈值技术的舌图像分割方法，其特征在于：
步骤S2中的在变换后的色调分量上执行图像阈值分割包括以下步骤：
在变换后的色调分量上执行如下的图像阈值分割，得到舌图像的二值化结果，
其中，
T＝VH′(αN). (7)
在公式(7)中，VH’表示降序排序后的向量H'，N表示H'中元素的总数，α则是一个控制图像中目标像素点比例的参数，H′(i，j)为变换后的色调分量。
4.根据权利要求1所述的基于颜色分解和阈值技术的舌图像分割方法，其特征在于：步骤S2中初始舌体区域的提取：首先在舌图像的二值化结果中搜索最大的目标区域，然后依次对最大目标区域进行膨胀、填充和腐蚀三种形态学操作后将其作为初始的舌体区域，初始舌体区域对应的二值图像被记为
5.根据权利要求4所述的基于颜色分解和阈值技术的舌图像分割方法，其特征在于：膨胀和腐蚀操作采用半径为2的圆盘状结构元。
6.根据权利要求1所述的基于颜色分解和阈值技术的舌图像分割方法，其特征在于：步骤S3中舌体区域修正算法包括以下步骤：确定舌根和上嘴唇之间的间隙区域；利用此间隙区域来分离舌体区域和上嘴唇区域；移除上嘴唇区域，以修正初始的舌体区域。
7.根据权利要求1所述的基于颜色分解和阈值技术的舌图像分割方法，其特征在于：最终的舌体区域是舌图像最终分割结果中唯一的目标区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810366825.3A CN108629780B (zh) | 2018-04-23 | 2018-04-23 | 基于颜色分解和阈值技术的舌图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810366825.3A CN108629780B (zh) | 2018-04-23 | 2018-04-23 | 基于颜色分解和阈值技术的舌图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108629780A CN108629780A (zh) | 2018-10-09 |
| CN108629780B true CN108629780B (zh) | 2020-01-03 |
Family
ID=63694335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810366825.3A Active CN108629780B (zh) | 2018-04-23 | 2018-04-23 | 基于颜色分解和阈值技术的舌图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629780B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070771B (zh) * | 2020-07-24 | 2022-11-01 | 安徽农业大学 | 基于hs通道的自适应阈值分割方法、装置和存储介质 |
| CN116309593B (zh) * | 2023-05-23 | 2023-09-12 | 天津市中西医结合医院（天津市南开医院） | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1367455A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于样条思内克斯(Snakes)模型的中医舌象计算机分割方法 |
| CN1920854A (zh) * | 2006-09-15 | 2007-02-28 | 清华大学 | 中医舌诊用的舌头彩色数码照片的舌体分割提取方法 |
| CN101799870A (zh) * | 2009-02-06 | 2010-08-11 | 天津市医学堂科技有限公司 | 舌象轮廓提取方法及其应用 |
| CN102147921A (zh) * | 2011-04-08 | 2011-08-10 | 浙江理工大学 | 基于图论的中医舌质、舌苔分离算法 |
| CN104658003A (zh) * | 2015-03-16 | 2015-05-27 | 北京理工大学 | 舌体图像的分割方法和装置 |
| CN104766068A (zh) * | 2015-04-20 | 2015-07-08 | 江西中医药大学 | 一种多规则融合的随机游走舌像提取方法 |
| CN105869151A (zh) * | 2016-03-24 | 2016-08-17 | 天津大学 | 舌分割及舌苔舌质分离方法 |
| CN106023151A (zh) * | 2016-05-09 | 2016-10-12 | 厦门大学 | 一种开放环境下中医舌象目标检测方法 |
| CN107392904A (zh) * | 2017-07-28 | 2017-11-24 | 陆杰 | 一种基于数学形态学的医学图像的分割算法 |
-
2018
- 2018-04-23 CN CN201810366825.3A patent/CN108629780B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1367455A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于样条思内克斯(Snakes)模型的中医舌象计算机分割方法 |
| CN1920854A (zh) * | 2006-09-15 | 2007-02-28 | 清华大学 | 中医舌诊用的舌头彩色数码照片的舌体分割提取方法 |
| CN101799870A (zh) * | 2009-02-06 | 2010-08-11 | 天津市医学堂科技有限公司 | 舌象轮廓提取方法及其应用 |
| CN102147921A (zh) * | 2011-04-08 | 2011-08-10 | 浙江理工大学 | 基于图论的中医舌质、舌苔分离算法 |
| CN104658003A (zh) * | 2015-03-16 | 2015-05-27 | 北京理工大学 | 舌体图像的分割方法和装置 |
| CN104766068A (zh) * | 2015-04-20 | 2015-07-08 | 江西中医药大学 | 一种多规则融合的随机游走舌像提取方法 |
| CN105869151A (zh) * | 2016-03-24 | 2016-08-17 | 天津大学 | 舌分割及舌苔舌质分离方法 |
| CN106023151A (zh) * | 2016-05-09 | 2016-10-12 | 厦门大学 | 一种开放环境下中医舌象目标检测方法 |
| CN107392904A (zh) * | 2017-07-28 | 2017-11-24 | 陆杰 | 一种基于数学形态学的医学图像的分割算法 |
Non-Patent Citations (4)
| Title |
|---|
| 《A Novel Algorithm of Color Tongue Image Segmentation Based on HSI》;Du Jian-qiang等;《2008 International Conference on BioMedical Engineering and Informatics》;20081231;第733-737页 * |
| 《一种具有自校正的舌象歪斜自动分析方法》;朱明峰等;《生物医学工程学杂志》;20120229;第29卷(第1期);第154页右栏第2-3段 * |
| 《基于数学形态学和HIS模型的彩色舌图像分割》;赵忠旭等;《北京工业大学学报》;19990630;第25卷(第2期);第2节以及图1，第2.1节第2-3段，第2.2节以及图3 * |
| 《舌苔分析系统研究》;都骏成;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20161115(第11期);第3.2.2.1节第3段以及图3.11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108629780A (zh) | 2018-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
| CN107977671B (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
| EP2188779B1 (en) | Extraction method of tongue region using graph-based approach and geometric properties | |
| WO2016091016A1 (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
| WO2022001571A1 (zh) | 一种基于超像素图像相似度的计算方法 | |
| WO2013080868A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| CN111860538A (zh) | 一种基于图像处理的舌体颜色鉴别方法和装置 | |
| Guo et al. | Adaptive active contour model based automatic tongue image segmentation | |
| CN115797352A (zh) | 一种用于中医保健体质检测的舌象图像处理系统 | |
| CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
| CN104933723A (zh) | 基于稀疏表示的舌图像分割方法 | |
| CN111222371A (zh) | 舌下静脉特征提取装置及方法 | |
| CN108665474B (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
| CN105869151A (zh) | 舌分割及舌苔舌质分离方法 | |
| Kim et al. | Tongue diagnosis method for extraction of effective region and classification of tongue coating | |
| CN110648336B (zh) | 一种舌质和舌苔的分割方法及装置 | |
| CN106372593B (zh) | 一种基于血管收敛的视盘区定位方法 | |
| CN109658382B (zh) | 基于图像聚类和灰度投影的舌体定位方法 | |
| Taouil et al. | Automatic segmentation and classification of skin lesion images | |
| Gu et al. | Automatic Tongue Image Segmentation Based on Thresholding and an Improved Level Set Model | |
| Kavitha et al. | Classification of skin cancer segmentation using hybrid partial differential equation with fuzzy clustering based on machine learning techniques | |
| CN112560911A (zh) | 中医舌图像分类方法及系统 | |
| Lagergren et al. | Region growing with convolutional neural networks for biomedical image segmentation | |
| Acharya et al. | Segmentation of pap smear images to diagnose cervical cancer types and stages | |
| Hossain et al. | Brain Tumor Location Identification and Patient Observation from MRI Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231130 Address after: Room 502, 5th Floor, Building 3, No. 1528 Zhuanxing East Road, Minhang District, Shanghai, 200000 Patentee after: Shanghai Weishi Health Management Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231130 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 200 xiyuangong Road, Shangjie Town, Minhou County, Fuzhou City, Fujian Province Patentee before: MINJIANG University |
|
| TR01 | Transfer of patent right |