CN108960285B - 一种分类模型生成方法、舌体图像分类方法及装置 - Google Patents
一种分类模型生成方法、舌体图像分类方法及装置 Download PDFInfo
- Publication number
- CN108960285B CN108960285B CN201810552257.6A CN201810552257A CN108960285B CN 108960285 B CN108960285 B CN 108960285B CN 201810552257 A CN201810552257 A CN 201810552257A CN 108960285 B CN108960285 B CN 108960285B
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- tongue body
- classification
- classification model
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请实施例公开了一种分类模型生成方法、舌体图像分类方法及装置,该方法包括:通过提取舌体训练图像的图像特征,利用舌体训练图像的图像特征以及舌体训练图像对应的舌质分类标签可以训练生成舌质分类模型,所生成的舌质分类模型可以对舌体图像的舌质进行分类,从而实现自动且快速地对舌体图像的舌质进行分类,且分类的结果消除了主观性的影响,也更为准确。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种分类模型生成方法及装置,一种舌体图像分类方法及装置。
背景技术
随着信息采集技术的发展以及大数据的普及,可以通过对采集的图像进行处理以获得有效信息。例如,目前已经出现一些利用自带摄像头的智能终端设备例如手机等对人体如舌体、眼睛等部位进行图像采集的方案,给人们对人体的信息采集带来了极大的方便。
在现有技术中,采集到的舌体图像可以传输给专业人员进行舌质颜色、纹理等内容的判断,但是人工判断的主观性强、效率较为低下,因此,在现有技术中缺乏对舌体图像的舌质进行快速、准确分类的方式。
发明内容
有鉴于此,本申请实施例提供一种分类模型生成方法及装置,一种舌体图像分类方法及装置,以解决现有技术中无法快速、准确对舌体图像的舌质进行分类的技术问题。
为解决上述问题,本申请实施例提供的技术方案如下:
一种分类模型生成方法,所述方法包括:
获取舌体训练图像;
提取所述舌体训练图像的图像特征;
根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质分类标签对初始分类模型进行训练,生成舌质分类模型。
在一种可能的实现方式中,所述根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质分类标签对初始分类模型进行训练,生成舌质分类模型,包括:
根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型;
或者,根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质纹理分类标签对初始分类模型进行训练,生成舌质纹理分类模型。
在一种可能的实现方式中,所述方法还包括:
获取舌体验证图像;
提取所述舌体验证图像的图像特征;
将所述舌体验证图像的图像特征输入所述舌质分类模型,获得所述舌体验证图像的舌质分类结果;
当所述舌体验证图像的舌质分类结果与所述舌体验证图像对应的舌质分类标签不一致;
将所述舌体验证图像重新作为所述舌体训练图像,对所述舌质分类模型进行更新。
在一种可能的实现方式中,当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
在一种可能的实现方式中,所述方法还包括:
获取原始舌体图像,在所述原始舌体图像中筛选有效舌体图像;
随机选择预设数量的所述有效舌体图像作为舌体训练图像;
将未被选择为所述舌体训练图像的所述有效舌体图像作为舌体验证图像。
在一种可能的实现方式中,所述随机选择预设数量的所述有效舌体图像作为舌体训练图像,包括:
对所述有效舌体图像进行编号;
利用伪随机数算法在预设范围内生成一组预设数量的伪随机数;
将编号与所述伪随机数一致的有效舌体图像作为舌体训练图像。
在一种可能的实现方式中,所述图像特征包括方向梯度直方图特征以及尺度不变特征变换特征。
一种舌体图像分类方法,所述方法包括:
提取待分类舌体图像的图像特征;
将所述待分类舌体图像的图像特征输入舌质分类模型,获得所述待分类舌体图像的舌质分类结果,所述舌质分类模型是根据上述的分类模型生成方法所生成的。
在一种可能的实现方式中,所述方法还包括:
如果所述待分类舌体图像的舌质分类结果与专家分类结果不一致,将所述专家分类结果作为所述待分类舌体图像对应的舌质分类标签,并将所述待分类舌体图像作为舌体训练图像。
在一种可能的实现方式中,当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
在一种可能的实现方式中,所述图像特征包括方向梯度直方图特征以及尺度不变特征变换特征。
一种分类模型生成装置,所述装置包括:
第一获取单元,用于获取舌体训练图像;
第一提取单元,用于提取所述舌体训练图像的图像特征;
生成单元,用于根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型。
在一种可能的实现方式中,所述生成单元具体用于:
根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型;
或者,根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质纹理分类标签对初始分类模型进行训练,生成舌质纹理分类模型。
在一种可能的实现方式中,所述装置还包括:
第二获取单元,用于获取舌体验证图像;
第二提取单元,用于提取所述舌体验证图像的图像特征;
获得单元,用于将所述舌体验证图像的图像特征输入所述舌质分类模型,获得所述舌体验证图像的舌质分类结果;
更新单元,用于当所述舌体验证图像的舌质分类结果与所述舌体验证图像对应的舌质分类标签不一致;将所述舌体验证图像重新作为所述舌体训练图像,对所述舌质分类模型进行更新。
在一种可能的实现方式中,当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
在一种可能的实现方式中,所述装置还包括:
第三获取单元,用于获取原始舌体图像,在所述原始舌体图像中筛选有效舌体图像;
选择单元,用于随机选择预设数量的所述有效舌体图像作为舌体训练图像;
第四获取单元,用于将未被选择为所述舌体训练图像的所述有效舌体图像作为舌体验证图像。
在一种可能的实现方式中,所述选择单元包括:
编号子单元,用于对所述有效舌体图像进行编号;
伪随机数生成子单元,用于利用伪随机数算法在预设范围内生成一组预设数量的伪随机数;
选择子单元,用于将编号与所述伪随机数一致的有效舌体图像作为舌体训练图像。
在一种可能的实现方式中,所述图像特征包括方向梯度直方图特征以及尺度不变特征变换特征。
一种舌体图像分类装置,所述装置包括:
提取单元,用于提取待分类舌体图像的图像特征;
获得单元,用于将所述待分类舌体图像的图像特征输入舌质颜色分类模型,获得所述待分类舌体图像的舌质颜色分类结果,所述舌质颜色分类模型是根据上述的分类模型生成装置所生成的。
在一种可能的实现方式中,所述装置还包括:
确定单元,用于如果所述待分类舌体图像的舌质分类结果与专家分类结果不一致,将所述专家分类结果作为所述待分类舌体图像对应的舌质分类标签,并将所述待分类舌体图像作为舌体训练图像。
在一种可能的实现方式中,当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
在一种可能的实现方式中,所述图像特征包括方向梯度直方图特征以及尺度不变特征变换特征。
由此可见,本申请实施例具有如下有益效果:
本申请实施例通过提取舌体训练图像的图像特征,利用舌体训练图像的图像特征以及舌体训练图像对应的舌质分类标签可以训练生成舌质分类模型,所生成的舌质分类模型可以对舌体图像的舌质进行分类,从而实现自动且快速地对舌体图像的舌质进行分类,且分类的结果消除了主观性的影响,也更为准确。
附图说明
图1为本申请实施例提供的一种分类模型生成方法的流程图;
图2为本申请实施例提供的分类模型训练的流程图;
图3为本申请实施例提供的一种分类模型验证方法的流程图;
图4为本申请实施例提供的一种舌体图像分类方法的流程图;
图5为本申请实施例提供的一种分类模型生成装置的结构示意图;
图6为本申请实施例提供的一种舌体图像分类装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的研究背景进行简单说明。
近年来,随着计算机技术的不断发展,人们可以利用更先进的技术对采集的图像进行处理以获得有效信息。例如,可以利用自带摄像头手机等智能终端对人体如舌体、眼睛等部位进行图像采集的方案,给人们对人体的信息采集带来了极大的方便。
但是,目前针对于采集到的舌体图像,仍然只能依靠专业人员进行舌质颜色、纹理等内容的判断来进行分类识别,这种人工判断的方式主观性强、效率较为低下,且对舌体图像的分类识别的准确率不高。
基于此,本申请提出了一种分类模型生成方法、舌体图像分类方法及装置,训练生成舌质颜色分类模型,并利用该模型对可以对舌体图像的舌质进行分类,从而实现自动且快速地对舌体图像的舌质进行分类,且分类的结果消除了主观性的影响,也更为准确。
下面结合附图对本申请实施例提供的分类模型生成方法进行介绍。
参见图1,其示出了本申请实施例提供的一种分类模型生成方法的流程图,如图1所示,该方法包括:
步骤101:获取舌体训练图像。
在实际应用中,为了实现对舌体图像进行分类,首先需要通过训练生成一种分类模型,而在分类模型的生成过程中,首先需要获取舌体训练图像,其中,舌体训练图像指的是用来进行分类模型训练的一组舌体图像,并且舌体训练图像也是符合计算机识别标准的舌体图像,在获取到舌体训练图像后,可继续执行步骤102。
步骤102:提取舌体训练图像的图像特征。
在实际应用中,通过步骤101,获取到舌体训练图像后,并不能直接用于训练生成分类模型,而是需要提取舌体训练图像的图像特征,其中,舌体训练图像的图像特征的提取指的是将舌体训练图像转换成一组具有明显物理的特征向量,实现降维效果,进而可以利用提取出的舌体训练图像的图像特征,执行步骤103。舌体训练图像的图像特征例如可以包括舌体训练图像的方向梯度直方图特征以及尺度不变特征变换特征,提取舌体训练图像的图像特征的具体实现方式将在后续实施例中详细说明。
步骤103:根据舌体训练图像的图像特征以及舌体训练图像对应的舌质分类标签对初始分类模型进行训练,生成舌质分类模型。
在具体实现过程中,通过步骤102,提取出舌体训练图像的图像特征后,进一步的,可以根据该舌体训练图像的图像特征以及舌体训练图像对应的舌质分类标签对初始分类模型进行训练,进而生成舌质分类模型。
在本申请一些可能的实现方式中,上述步骤103可以具体包括:
根据舌体训练图像的图像特征以及舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型;
或者,根据舌体训练图像的图像特征以及所述舌体训练图像对应的舌质纹理分类标签对初始分类模型进行训练,生成舌质纹理分类模型。
其中,每幅舌体训练图像具有已知的舌质颜色分类标签,舌体训练图像对应的舌质颜色分类标签是指预先标注的舌体图像的舌质颜色分类所对应的标签,舌体图像的舌质颜色分类一般可以分为淡白、淡红、红、绛、紫、青等六类,则相应的,舌体训练图像对应的舌质颜色分类标签也可以使用不同的字符进行标识,例如标签1对应的舌质颜色为淡白、标签2对应的舌质颜色为淡红、标签3对应的舌质颜色为红、标签4对应的舌质颜色为绛、标签5对应的舌质颜色为紫、标签6对应的舌质颜色为青。本申请实施例对于舌质颜色分类标签的形式不进行限定。当舌体训练图像携带舌质颜色分类标签时,可以对初始分类模型进行训练,生成舌质颜色分类模型。
或者,每幅舌体训练图像也可以具有已知的舌质纹理分类标签,舌体训练图像对应的舌质纹理分类标签是指预先标注的舌体图像的舌质纹理分类所对应的标签,舌体图像的舌质纹理分类一般可以分为苍老舌、娇嫩舌、胀大舌、瘦薄舌、芒刺等五类,其中,苍老舌的舌质纹理粗糙,形色坚敛;娇嫩舌的舌质纹理细腻,色泽娇嫩,舌形多浮胖;胀大舌分为胖大和肿胀,较正常舌偏大;瘦薄舌的舌体瘦小枯薄;芒刺指的是舌面上的软刺。则相应的,舌体训练图像对应的舌质纹理分类标签也可以使用不同的字符进行标识,例如标签a对应的舌质纹理分类为苍老舌、标签b对应的舌质纹理分类为娇嫩舌、标签c对应的舌质纹理分类为胀大舌、标签d对应的舌质纹理分类为瘦薄舌、标签e对应的舌质纹理分类为芒刺。本申请实施例对于舌质纹理分类标签的形式不进行限定。当舌体训练图像携带舌质纹理分类标签时,可以对初始分类模型进行训练,生成舌质纹理分类模型。
在本申请实施例中,一种可选的实施方式是,本申请中的初始分类模型可以为人工神经网络(Artificial Neural Network,简称ANN)模型,从而可以利用人工神经网络具有的较强鲁棒性和容错性,以及非线性映射能力解决非线性、样本数量较大的复杂模型的生成;或者,当训练图像的数量较少时,也可以使用支持向量机(Support Vector Machine,简称SVM)模型作为初始分类模型进行训练,基于其算法的简单性以及较强的鲁棒性,能够进一步提高分类结果的准确性。
由上述实施例可以看出,本申请通过提取舌体训练图像的图像特征,利用舌体训练图像的图像特征以及舌体训练图像对应的舌质分类标签可以训练生成舌质分类模型,所生成的舌质分类模型可以对舌体图像的舌质进行分类,从而实现自动且快速地对舌体图像的舌质进行分类,且分类的结果消除了主观性的影响,也更为准确。
接下来,对上述步骤101的具体实施方式进行介绍。
在一种可选的实施方式中,可以在舌体图像中随机选取舌体训练图像,则上述步骤101获取舌体训练图像的实现过程具体可以包括:
步骤A:获取原始舌体图像,在原始舌体图像中筛选有效舌体图像。
步骤B:随机选择预设数量的有效舌体图像作为舌体训练图像。
在本实施方式中,在分类模型的生成过程中,首先需要利用摄像头等图像采集设备,获取到原始舌体图像,并在获取到的原始舌体图像中筛选出有效舌体图像,其中,有效舌体图像指的是符合计算机识别的标准舌体图像。在从原始舌体图像中筛选出有效舌体图像的过程中,可以利用图像识别算法,将模糊、重影、过曝、欠光、镜头污点、有伪影存在等情况的原始舌体图像剔除,并且还可以将由照相机晃动、照相机灯光以及镜头模糊造成的不合格舌体图像也剔除,最终得到有效舌体图像。
进一步的,可以通过随机选择预设数量的有效舌体图像作为舌体训练图像,以便执行后续生产分类模型的步骤。
并且,通过步骤B确定出舌体训练图像后,还可以将未被选择为舌体训练图像的有效舌体图像作为舌体验证图像,以便后续对生成的分类模型进行验证。
通过本实施方式可以提取到更为有效的舌体训练图像以及舌体验证图像,剔除了一些不符合计算机识别标准的原始舌体图像的干扰,有助于后续生成准确性更高、鲁棒性更强的舌质分类模型。
接下来,对上述步骤B的具体实施方式进行介绍。
在一种可选的实施方式中,上述步骤B随机选择预设数量的有效舌体图像作为舌体训练图像的实现过程具体可以包括:
步骤B1:对有效舌体图像进行编号。
步骤B2:利用伪随机数算法在预设范围内生成一组预设数量的伪随机数。
步骤B3:将编号与伪随机数一致的有效舌体图像作为舌体训练图像。
在本实施方式中,通过步骤A获取原始舌体图像,并在原始舌体图像中筛选出有效舌体图像后,可以通过步骤B1对筛选出的有效舌体图像进行编号,例如,通过规范化命名图像的方式对有效舌体图像进行编号,规范化命名图像如将图像命名为tongue_0001.jpg,tongue_0001=2.jpg等,或者直接以数字1、2、3等对筛选出的有效舌体图像进行编号,本申请中舌体图像格式并不限于jpg格式,且对有效舌体图像的编号方式也不进行限定。
进一步的,本申请可以利用伪随机数算法在预设范围内生成一组预设数量的伪随机数,并将编号与伪随机数一致的有效舌体图像作为舌体训练图像,预设数量可以根据实际情况设定,例如舌体训练图像可以选取有效舌体图像中总数的80%的图像,而剩下20%的图像可以作为舌体验证图像。
在本申请实施例中伪随机数算法可以采用线性同余法。伪随机数生成器如下:
xn=(axn-1+b)mod(m)
其中,a为乘数,b为增量,m为模数,x0为初始值,a、b和m都是伪随机数生成器设定的常数,从而根据上述公式求得伪随机数序列Xn。
高性能线性同余算法参数取值可以参考以下条件:
(1)乘数a满足a=4p+1;增量b满足b=2q+1。其中p、q都是正整数。
(2)m值最好选的大一些,m值直接影响伪随机数序列的周期长短。
(3)a和b值越大,产生的伪随机数越均匀。
(4)a和m互质时产生的随机数效果较不互质好。
通过步骤B2生成一组预设数量的伪随机数后,可将步骤B1中对有效舌体图像的编号与伪随机数一致的有效舌体图像作为舌体训练图像,例如,如果伪随机数为2,则对应的可以将有效舌体图像中编号同样为2的有效舌体图像作为舌体训练图像,依此类推,直至通过随机数抽取出预设数量如有效舌体图像总数的80%组成舌体训练图像,并将剩下20%的图像组成舌体验证图像。
通过本实施方式,利用伪随机数算法从有效舌体图像选取出舌体训练图像以及舌体验证图像,随机性更强,也使得分类模型的训练集以及验证集更具有客观性以及代表性,有利于后续建立分类更准确的分类模型。
参见图2,其示出了本申请实施例提供的分类模型训练的流程图,如图2所示,在分类模型训练的过程中,本申请首先需要获取到舌体训练图像,然后对舌体训练图像进行方向梯度直方图(Histogram of Oriented Gradient,简称HOG)特征提取和尺度不变特征变换(Scale-invariant feature transform,简称SIFT)特征提取,生成两组舌体训练图像的特征向量,再结合两组舌体训练图像的特征向量对初始分类模型即人工神经网络模型或者支持向量机模型进行训练,以生成舌质颜色分类模型。
在本申请一些可能的实现方式中,步骤102中提取的舌体训练图像的图像特征包括方向梯度直方图特征以及尺度不变特征变换特征。
接下来,分别对图2所示的对舌体训练图像进行HOG特征提取和SIFT特征提取的具体实施方式进行介绍。
(一)HOG特征提取
HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG通过计算和统计图像局部区域的梯度方向直方图来构成特征,其主要思想是在一副图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。
在本申请实施例中,对舌体训练图像进行HOG特征提取的具体实现方法是,首先将体训练图像分成小的连通区域,称为像素单元,然后采集像素单元中各像素点的梯度的或边缘的方向直方图,最后把这些直方图组合起来就可以构成特征描述器。
而HOG特征提取算法的实现过程大致为:
(1)灰度化,即将图像转换为灰度图像;
(2)采用Gamma(伽玛)校正法对输入的舌体训练图像进行颜色空间的标准化(归一化);目的是调节图像的对比度,降低图像局部的阴影和光照变化所造成的影响,同时可以抑制噪音的干扰;
(3)计算图像每个像素的梯度(包括大小和方向);主要是为了捕获轮廓信息,同时进一步弱化光照的干扰;
(4)将图像划分成小像素单元(例如6*6像素/单元);
(5)统计每个像素单元的梯度直方图(不同梯度的个数),即可形成每个像素单元的特征;
(6)将每几个像素单元组成一个块(例如3*3个像素单元/块),一个块内所有像素单元的特征串联起来便得到该块的HOG特征;
(7)将图像内的所有块的HOG特征串联起来就可以得到该图像的HOG特征了,这就是最终的可供分类使用的特征向量了。
在实际应用中,结合上述HOG特征提取算法的实现大致过程,对舌体训练图像进行HOG特征提取的具体每一步的详细过程如下:
(1)标准化gamma空间和颜色空间
在本申请实施例中,为了减少光照因素的影响,首先需要将所有舌体训练图像进行规范化(归一化)。在图像的纹理强度中,局部的表层曝光贡献的比重较大,所以,这种压缩处理能够有效地降低图像局部的阴影和光照变化。通常先转化为灰度图。
Gamma压缩公式:
H(x,y)=H(x,y)gamma
其中,可以取gamma=1/2,H(x,y)表示输入图像中像素点(x,y)处的像素值。
(2)计算舌体训练图像梯度
计算图像横坐标和纵坐标方向的梯度,并据此计算每个像素位置的梯度方向值;
舌体训练图像中像素点(x,y)的梯度为:
Gx(x,y)=H(x+1,y)-H(x-1,y)
Gy(x,y)=H(x,y+1)-H(x,y-1)
其中,Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。像素点(x,y)处的梯度幅值和梯度方向分别为:
其中,G(x,y)表示像素点(x,y)处的梯度幅值,α(x,y)表示像素点(x,y)处的梯度方向。
并且,计算像素点(x,y)处的梯度幅值和梯度方向最常用的方法是:首先用[-1,0,1]梯度算子对原图像做卷积运算,得到水平方向的梯度分量,然后用[1,0,-1]梯度算子对原图像做卷积运算,得到竖直方向的梯度分量。然后再用以上公式计算该像素点的梯度值以及梯度方向。
(3)为每个像素的单元构建梯度方向直方图
将舌体训练图像划分成小像素的单元(例如6*6像素/像素的单元);统计每个像素的单元的梯度直方图(不同梯度的个数),即可形成每个像素的单元的特征。
(4)把像素的单元组合成块,块内归一化梯度直方图
由于局部光照的变化以及前景-背景对比度的变化,使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。
因此,本申请采用的方式是,将每几个像素的单元组成一个块(例如3*3个像素的单元/块),一个块内所有像素的单元的特征向量串联起来便得到该块的HOG特征向量。
(5)收集HOG特征
将图像内的所有块的HOG特征向量串联起来就可以得到该图像的HOG特征特征向量了,并将它们结合成最终的特征向量,可以用[a1,…,an]表示。供后续分类使用。
与其他的特征描述方法相比,HOG有很多优点。首先,由于HOG是在图像的局部方格单元上操作,所以它对图像几何的和光学的形变都能保持很好的不变性,因此HOG特征是特别适合于做舌体图像分类检测的。
(二)SIFT特征提取
SIFT特征是用于图像处理领域的一种描述。SIFT是利用原始图像与高斯核的卷积来建立尺度空间,并在高斯差分空间金字塔上提取出尺度不变性的特征点。该算法具有一定的仿射不变性,视角不变性,旋转不变性和光照不变性,所以在图像特征提取方面得到了最广泛的应用。
而SIFT特征提取算法的实现过程大致为:
(1)高斯差分金字塔的构建;
(2)特征点的搜索;
(3)特征描述。
在实际应用中,结合上述SIFT特征提取算法的实现大致过程,对舌体训练图像进行SIFT特征提取的具体每一步的详细过程如下:
(1)在本申请额高斯差分金字塔的构建过程中,利用组与层的结构构建了一个具有线性关系的金字塔结构,以便可以在连续的高斯核尺度上查找特征点。
(2)在本申请的特征点搜索过程中,主要的关键步骤是极值点的插值,因为在离散的空间中,局部极值点可能并不是真正意义上的极值点,真正的极值点可能落在了离散点的缝隙中。所以要对这些缝隙位置进行插值,然后再求极值点的坐标位置。
(3)在本申请的特征描述过程中,特征点的方向的求法是需要对特征点邻域内的点的梯度方向进行直方图统计,选取直方图中比重最大的方向为特征点的主方向,还可以选择一个辅方向。在计算特征矢量时,需要对局部图像进行沿主方向旋转,然后再进邻域内的梯度直方图统计(4x4x8)。
进而可以通过SIFT特征提取算法获取到图像的特征向量,可以用[b1,…,bn]表示。
该算法具有一定的仿射不变性,视角不变性,旋转不变性和光照不变性,在对图像进行特征提取后,有助于后续提高分类识别的准确率。
通过上述方式,对舌体训练图像进行HOG特征提取和SIFT特征提取后,可获取到两组图像的特征向量[a1,…,an]和[b1,…,bn],进一步的,可以将两组特征向量进行组合,生成一组特征向量,即将[a1,…,an]和[b1,…,bn]组合生成[a1,…,an,b1,…bn]。
进而,通过步骤103,可以利用组合后的特征向量[a1,…,an,b1,…bn]以及舌体训练图像对应的舌质颜色分类标签(例如标签1对应的舌质颜色为淡白、标签2对应的舌质颜色为淡红、标签3对应红的舌质颜色为红、标签4对应的舌质颜色为绛、标签5对应的舌质颜色为紫、标签6对应的舌质颜色为青)对人工神经网络进行训练,进而生成舌质颜色分类模型。
或者,通过步骤103,可以利用组合后的特征向量[a1,…,an,b1,…bn]以及舌体训练图像对应的舌质纹理分类标签(例如标签a对应的舌质纹理分类为苍老舌、标签b对应的舌质纹理分类为娇嫩舌、标签c对应的舌质纹理分类为胀大舌、标签d对应的舌质纹理分类为瘦薄舌、标签e对应的舌质纹理分类为芒刺)对人工神经网络进行训练,进而生成舌质纹理分类模型。
其中,本申请实施例中采用的人工神经网络可以分为四层,其中第一层有1000个神经元,第二层有1000个神经元,第三层有500个神经元,最后一层有100个神经元。将经过步骤101~步骤102处理后提取出的舌体训练图像特征向量输入上述4层人工神经网络中进行训练,生成训练后的舌质颜色分类模型或者舌质纹理分类模型并输出。本申请实施例采用的人工神经网络结构可以根据实际情况进行调整,本申请对此不进行限定。
需要说明的是,基于上述采用人工神经网络中进行训练的方式,同理,在训练样本数量较小的情况下,也可采用SVM模型作为初始分类模型进行训练,生成舌质分类模型,具体实现过程可参加步骤101~步骤103,本申请在此不再赘述。
通过上述实施例,可以利用舌体训练图像训练生成舌质分类模型,则进一步的,可以利用舌体验证图像对生成的舌质分类模型进行验证。
下面结合附图对本申请实施例提供的分类模型验证方法进行介绍。
参见图3,其示出了本申请实施例提供的一种分类模型验证方法的流程图,如图3所示,该方法包括:
步骤301:获取舌体验证图像。
在实际应用中,为了实现对分类模型进行验证,首先需要获取舌体验证图像,其中,舌体验证图像指的是可以用来进行分类模型验证的舌体图像,并且也是符合计算机识别标准的舌体图像,在获取到舌体验证图像后,可继续执行步骤302,并且本申请是通过伪随机方法获取舌体验证图像,具体的获取过程与获取舌体训练图像的过程类似,相关说明可以参见上述实施例,在此不再赘述。
步骤302:提取舌体验证图像的图像特征。
在实际应用中,通过步骤301,获取到舌体验证图像后,并不能直接用于验证分类模型,而是需要提取舌体验证图像的图像特征,其中,舌体验证图像的特征提取指的是将舌体验证图像转换成一组具有明显物理的特征向量,实现降维效果,进而可以利用提取出的舌体验证图像的图像特征,执行步骤303。舌体验证图像的图像特征例如可以包括舌体验证图像的方向梯度直方图特征以及尺度不变特征变换特征,提取舌体验证图像的图像特征与提取舌体训练图像的图像特征类似,相关说明可以参见上述实施例,在此不再赘述。
步骤303:将舌体验证图像的图像特征输入舌质分类模型,获得舌体验证图像的舌质分类结果。
在具体实现过程中,通过步骤302,提取出舌体验证图像的图像特征后,进一步的,可以将舌体验证图像的图像特征输入舌质分类模型,获得舌体验证图像的舌质分类结果,进而可继续执行步骤304。
在本步骤303中,一种可选的实现方式是,当舌质分类模型为舌质颜色分类模型时,则获得的舌质分类结果为舌质颜色分类结果,相应的,舌质分类标签为舌质颜色分类标签。
在实际应用中,通过步骤302,提取出舌体验证图像的图像特征后,进一步的,可以将舌体验证图像的图像特征输入舌质颜色分类模型,进而可以获得舌体验证图像的舌质颜色分类结果,相应的,舌质分类标签为舌质颜色分类标签。例如,将舌体验证图像的图像特征输入舌质颜色分类模型后,可能获得的舌体验证图像的舌质颜色分类结果为淡白。
在本步骤303中,另一种可选的实现方式是,当舌质分类模型为舌质纹理分类模型时,则获得的舌质分类结果为舌质纹理分类结果,相应的,舌质分类标签为舌质纹理分类标签。
在实际应用中,通过步骤302,提取出舌体验证图像的图像特征后,进一步的,可以将舌体验证图像的图像特征输入舌质纹理分类模型,进而可以获得舌体验证图像的舌质纹理分类结果,相应的,舌质分类标签为舌质纹理分类标签。例如,将舌体验证图像的图像特征输入舌质纹理分类模型后,可能获得的舌体验证图像的舌质纹理分类结果为苍老舌。
步骤304:当舌体验证图像的舌质分类结果与舌体验证图像对应的舌质分类标签不一致,将舌体验证图像重新作为舌体训练图像,对舌质分类模型进行更新。
在实际应用中,通过步骤303,获得舌体验证图像的舌质分类结果,其中,当舌体验证图像的舌质分类结果与舌体验证图像对应的舌质分类标签不一致时,可以将该舌体验证图像重新作为舌体训练图像,对舌质分类模型进行更新。具体的,可以验证舌体验证图像的舌质颜色分类结果与舌体验证图像对应的舌质颜色分类标签是否一致,或者验证舌体验证图像的舌质纹理分类结果与舌体验证图像对应的舌质纹理分类标签是否一致。例如,在舌质颜色分类标签中,若标签1对应的舌质颜色为淡白,而将一副舌质颜色为淡白的舌体验证图像的图像特征输入舌质颜色分类模型后,获得舌体验证图像的舌质颜色分类标签为标签2,这就表明舌体验证图像的舌质颜色分类结果与舌体验证图像对应的舌质颜色分类标签不一致,则可以将该副舌质颜色为淡白的舌体验证图像重新作为舌体训练图像,对舌质颜色分类模型进行更新,提高舌质颜色分类模型分类的准确性。可以理解的是,基于上述实现方式,步骤304对于舌质纹理分类模型同样适用,本申请在此不再赘述。
通过上述实施例,可以利用舌体验证图像对舌质分类模型进行有效验证,当舌体验证图像的舌质分类结果与舌体验证图像对应的舌质分类标签不一致时,可以及时调整更新舌质分类模型,进而有助于提高分类模型的分类精度和准确性。
以上为本申请实施例提供的一种分类模型生成方法的具体实现方式,基于上述实施例中的舌质分类模型,本申请实施例还提供了一种舌体图像分类方法。
参见图4,其示出了本申请实施例提供的一种舌体图像分类方法的流程图,如图4所示,该方法包括:
步骤401:提取待分类舌体图像的图像特征。
在实际应用中,基于上述实施例生成的舌质分类模型,可以对采集的舌体图像进行分类,在分类过程中,首先需要提取待分类舌体图像的图像特征,其中,一种可选的实现方式是,待分类舌体图像的图像特征包括方向梯度直方图特征以及尺度不变特征变换特征,待分类舌体图像的图像特征例如可以包括待分类舌体图像的方向梯度直方图特征以及尺度不变特征变换特征,提取待分类舌体图像的图像特征与提取舌体训练图像的图像特征类似,相关说明可以参见上述实施例,在此不再赘述。在提取出待分类舌体图像的图像特征后,可基于该图像特征,进行步骤402。
步骤402:将待分类舌体图像的图像特征输入舌质分类模型,获得待分类舌体图像的舌质分类结果。
在实际应用中,通过步骤401提取出待分类舌体图像的图像特征后,进一步的,可以将提取出的待分类舌体图像的图像特征输入舌质分类模型,获得待分类舌体图像的舌质分类结果。
其中,舌质分类模型是根据上述实施例中的分类模型生成方法生成的。
在本申请一些可能的实现方式中,本申请还包括:
如果待分类舌体图像的舌质分类结果与专家分类结果不一致,将专家分类结果作为待分类舌体图像对应的舌质分类标签,并将待分类舌体图像作为舌体训练图像。
在实际应用中,通过步骤402获得待分类舌体图像的舌质分类结果后,如果待分类舌体图像的舌质分类结果与专家分类结果不一致,则将专家分类结果作为待分类舌体图像对应的舌质分类标签,并可以将会将该舌体图像重新作为舌体训练图像,增入舌体训练图像集,对分类模型重新训练,更新分类模型,其中,专家分类结果指的是通过专家对待分类舌体图像进行人工识别分类,进而得到的待分类舌体舌质分类结果。
其中,一种可选的实现方式是,当舌质分类模型为舌质颜色分类模型时,舌质分类结果为舌质颜色分类结果,相应的,舌质分类标签为舌质颜色分类标签;
而当舌质分类模型为舌质纹理分类模型时,舌质分类结果为舌质纹理分类结果,相应的,舌质分类标签为舌质纹理分类标签。
也就是说,将待分类舌体图像的图像特征输入舌质颜色分类模型时,可以获得待分类舌体图像的舌质颜色分类结果;如果待分类舌体图像的舌质颜色分类结果与专家分类结果不一致,将专家分类结果作为待分类舌体图像对应的舌质颜色分类标签,并将待分类舌体图像作为舌体训练图像。或者,将待分类舌体图像的图像特征输入舌质纹理分类模型时,可以获得待分类舌体图像的舌质纹理分类结果;如果待分类舌体图像的舌质纹理分类结果与专家分类结果不一致,将专家分类结果作为待分类舌体图像对应的舌质纹理分类标签,并将待分类舌体图像作为舌体训练图像。
由上述实施例可以看出,本申请首先提取待分类舌体图像的图像特征,然后将提取出的待分类舌体图像的图像特征输入舌质分类模型,进而可以获得待分类舌体图像的舌质分类结果,从而实现自动且快速地对舌体图像的舌质进行分类,且分类的结果是依据舌质分类模型获得的,消除了主观性的影响,也更为准确。
参见图5所示,本申请还提供一种分类模型生成装置实施例,可以包括:
第一获取单元501,用于获取舌体训练图像;
第一提取单元502,用于提取所述舌体训练图像的图像特征;
生成单元503,用于根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型。
在本申请一些可能的实现方式中,所述生成单元503具体用于:
根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型;
或者,根据所述舌体训练图像的图像特征以及所述舌体训练图像对应的舌质纹理分类标签对初始分类模型进行训练,生成舌质纹理分类模型。
在本申请一些可能的实现方式中,所述装置还包括:
第二获取单元,用于获取舌体验证图像;
第二提取单元,用于提取所述舌体验证图像的图像特征;
获得单元,用于将所述舌体验证图像的图像特征输入所述舌质分类模型,获得所述舌体验证图像的舌质分类结果;
更新单元,用于当所述舌体验证图像的舌质分类结果与所述舌体验证图像对应的舌质分类标签不一致;将所述舌体验证图像重新作为所述舌体训练图像,对所述舌质分类模型进行更新。
在本申请一些可能的实现方式中,
当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
在本申请一些可能的实现方式中,所述装置还包括:
第三获取单元,用于获取原始舌体图像,在所述原始舌体图像中筛选有效舌体图像;
选择单元,用于随机选择预设数量的所述有效舌体图像作为舌体训练图像;
第四获取单元,用于将未被选择为所述舌体训练图像的所述有效舌体图像作为舌体验证图像。
在本申请一些可能的实现方式中,所述选择单元包括:
编号子单元,用于对所述有效舌体图像进行编号;
伪随机数生成子单元,用于利用伪随机数算法在预设范围内生成一组预设数量的伪随机数;
选择子单元,用于将编号与所述伪随机数一致的有效舌体图像作为舌体训练图像。
在本申请一些可能的实现方式中,所述图像特征包括方向梯度直方图特征以及尺度不变特征变换特征。
在本申请一些可能的实现方式中,所述初始分类模型为人工神经网络模型或者支持向量机模型。
由上述实施例可以看出,本申请通过提取舌体训练图像的图像特征,利用舌体训练图像的图像特征以及舌体训练图像对应的舌质分类标签可以训练生成舌质分类模型,所生成的舌质分类模型可以对舌体图像的舌质进行分类,从而实现自动且快速地对舌体图像的舌质进行分类,且分类的结果消除了主观性的影响,也更为准确。
参见图6所示,本申请还提供一种舌体图像分类装置实施例,可以包括:
提取单元601,用于提取待分类舌体图像的图像特征;
获得单元602,用于将所述待分类舌体图像的图像特征输入舌质颜色分类模型,获得所述待分类舌体图像的舌质颜色分类结果,所述舌质颜色分类模型是上述的分类模型生成装置所生成的。
在本申请一些可能的实现方式中,所述装置还包括:
确定单元,用于如果所述待分类舌体图像的舌质分类结果与专家分类结果不一致,将所述专家分类结果作为所述待分类舌体图像对应的舌质分类标签,并将所述待分类舌体图像作为舌体训练图像。
在本申请一些可能的实现方式中,
当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
在本申请一些可能的实现方式中,所述图像特征包括方向梯度直方图特征以及尺度不变特征变换特征。
由上述实施例可以看出,本申请首先提取待分类舌体图像的图像特征,然后将提取出的待分类舌体图像的图像特征输入舌质分类模型,进而可以获得待分类舌体图像的舌质分类结果,从而实现自动且快速地对舌体图像的舌质进行分类,且分类的结果是依据舌质分类模型获得的,消除了主观性的影响,也更为准确。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种分类模型生成方法,其特征在于,所述方法包括:
获取舌体训练图像;
提取所述舌体训练图像的图像特征,生成所述舌体训练图像的方向梯度直方图特征对应的第一组特征向量和所述舌体训练图像的尺度不变特征变换特征对应的第二组特征向量;
将所述第一组特征向量和所述第二组特征向量进行组合,得到所述舌体训练图像的组合后的特征向量;
根据所述组合后的特征向量以及所述舌体训练图像对应的舌质分类标签对初始分类模型进行训练,生成舌质分类模型;
获取舌体验证图像;
提取所述舌体验证图像的图像特征,生成所述舌体验证图像的方向梯度直方图特征对应的第一组特征向量和所述舌体验证图像的尺度不变特征变换特征对应的第二组特征向量;
将所述舌体验证图像的方向梯度直方图特征对应的第一组特征向量和所述舌体验证图像的尺度不变特征变换特征对应的第二组特征向量进行组合,得到所述舌体验证图像的组合后的特征向量;
将所述舌体验证图像的组合后的特征向量输入所述舌质分类模型,获得所述舌体验证图像的舌质分类结果;
当所述舌体验证图像的舌质分类结果与所述舌体验证图像对应的舌质分类标签不一致;
将所述舌体验证图像重新作为所述舌体训练图像,对所述舌质分类模型进行更新;
所述方法还包括:
获取原始舌体图像,在所述原始舌体图像中筛选有效舌体图像;
随机选择预设数量的所述有效舌体图像作为舌体训练图像;
将未被选择为所述舌体训练图像的所述有效舌体图像作为舌体验证图像;
所述随机选择预设数量的所述有效舌体图像作为舌体训练图像,包括:
对所述有效舌体图像进行编号;
利用伪随机数算法在预设范围内生成一组预设数量的伪随机数;
将编号与所述伪随机数一致的有效舌体图像作为舌体训练图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述组合后的特征向量以及所述舌体训练图像对应的舌质分类标签对初始分类模型进行训练,生成舌质分类模型,包括:
根据所述舌体训练图像的组合后的特征向量以及所述舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型;
或者,根据所述舌体训练图像的组合后的特征向量以及所述舌体训练图像对应的舌质纹理分类标签对初始分类模型进行训练,生成舌质纹理分类模型。
3.根据权利要求1所述的方法,其特征在于,
当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
4.一种舌体图像分类方法,其特征在于,所述方法包括:
提取待分类舌体图像的图像特征,生成所述待分类舌体图像的方向梯度直方图特征对应的第一组特征向量和所述待分类舌体图像的尺度不变特征变换特征对应的第二组特征向量;
将所述待分类舌体图像的方向梯度直方图特征对应的第一组特征向量和所述待分类舌体图像的尺度不变特征变换特征对应的第二组特征向量进行组合,得到所述待分类舌体图像的组合后的特征向量;
将所述待分类舌体图像的组合后的特征向量输入舌质分类模型,获得所述待分类舌体图像的舌质分类结果,所述舌质分类模型是根据权利要求1-3任一项所述的分类模型生成方法所生成的。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
如果所述待分类舌体图像的舌质分类结果与专家分类结果不一致,将所述专家分类结果作为所述待分类舌体图像对应的舌质分类标签,并将所述待分类舌体图像作为舌体训练图像。
6.根据权利要求5所述的方法,其特征在于,
当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
7.一种分类模型生成装置,其特征在于,所述装置包括:
第一获取单元,用于获取舌体训练图像;
第一提取单元,用于提取所述舌体训练图像的图像特征,生成所述舌体训练图像的方向梯度直方图特征对应的第一组特征向量和所述舌体训练图像的尺度不变特征变换特征对应的第二组特征向量;将所述第一组特征向量和所述第二组特征向量进行组合,得到所述舌体训练图像的组合后的特征向量;
生成单元,用于根据所述组合后的特征向量以及所述舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型;
第二获取单元,用于获取舌体验证图像;
第二提取单元,用于提取所述舌体验证图像的图像特征,生成所述舌体验证图像的方向梯度直方图特征对应的第一组特征向量和所述舌体验证图像的尺度不变特征变换特征对应的第二组特征向量;将所述舌体验证图像的方向梯度直方图特征对应的第一组特征向量和所述舌体验证图像的尺度不变特征变换特征对应的第二组特征向量进行组合,得到所述舌体验证图像的组合后的特征向量;
获得单元,用于将所述舌体验证图像的组合后的特征向量输入所述舌质分类模型,获得所述舌体验证图像的舌质分类结果;
更新单元,用于当所述舌体验证图像的舌质分类结果与所述舌体验证图像对应的舌质分类标签不一致;将所述舌体验证图像重新作为所述舌体训练图像,对所述舌质分类模型进行更新;
所述装置还包括:
第三获取单元,用于获取原始舌体图像,在所述原始舌体图像中筛选有效舌体图像;
选择单元,用于随机选择预设数量的所述有效舌体图像作为舌体训练图像;
第四获取单元,用于将未被选择为所述舌体训练图像的所述有效舌体图像作为舌体验证图像;
所述选择单元包括:
编号子单元,用于对所述有效舌体图像进行编号;
伪随机数生成子单元,用于利用伪随机数算法在预设范围内生成一组预设数量的伪随机数;
选择子单元,用于将编号与所述伪随机数一致的有效舌体图像作为舌体训练图像。
8.根据权利要求7所述的装置,其特征在于,所述生成单元具体用于:
根据所述舌体训练图像的组合后的特征向量以及所述舌体训练图像对应的舌质颜色分类标签对初始分类模型进行训练,生成舌质颜色分类模型;
或者,根据所述舌体训练图像的组合后的特征向量以及所述舌体训练图像对应的舌质纹理分类标签对初始分类模型进行训练,生成舌质纹理分类模型。
9.根据权利要求7所述的装置,其特征在于,
当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
10.一种舌体图像分类装置,其特征在于,所述装置包括:
提取单元,用于提取待分类舌体图像的图像特征,生成所述待分类舌体图像的方向梯度直方图特征对应的第一组特征向量和所述待分类舌体图像的尺度不变特征变换特征对应的第二组特征向量;将所述待分类舌体图像的方向梯度直方图特征对应的第一组特征向量和所述待分类舌体图像的尺度不变特征变换特征对应的第二组特征向量进行组合,得到所述待分类舌体图像的组合后的特征向量;
获得单元,用于将所述待分类舌体图像的组合后的特征向量输入舌质颜色分类模型,获得所述待分类舌体图像的舌质颜色分类结果,所述舌质颜色分类模型是根据权利要求7-9任一项所述的分类模型生成装置所生成的。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
确定单元,用于如果所述待分类舌体图像的舌质分类结果与专家分类结果不一致,将所述专家分类结果作为所述待分类舌体图像对应的舌质分类标签,并将所述待分类舌体图像作为舌体训练图像。
12.根据权利要求11所述的装置,其特征在于,
当所述舌质分类模型为舌质颜色分类模型时,所述舌质分类结果为舌质颜色分类结果,所述舌质分类标签为舌质颜色分类标签;
当所述舌质分类模型为舌质纹理分类模型时,所述舌质分类结果为舌质纹理分类结果,所述舌质分类标签为舌质纹理分类标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810552257.6A CN108960285B (zh) | 2018-05-31 | 2018-05-31 | 一种分类模型生成方法、舌体图像分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810552257.6A CN108960285B (zh) | 2018-05-31 | 2018-05-31 | 一种分类模型生成方法、舌体图像分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960285A CN108960285A (zh) | 2018-12-07 |
CN108960285B true CN108960285B (zh) | 2021-05-07 |
Family
ID=64493214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810552257.6A Active CN108960285B (zh) | 2018-05-31 | 2018-05-31 | 一种分类模型生成方法、舌体图像分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960285B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082461B (zh) * | 2022-08-19 | 2022-11-04 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
CN116311386B (zh) * | 2023-05-19 | 2023-08-15 | 四川博瑞客信息技术有限公司 | 基于图像分割的舌型识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330889A (zh) * | 2017-07-11 | 2017-11-07 | 北京工业大学 | 一种基于卷积神经网络的中医舌色苔色自动分析方法 |
CN107610087A (zh) * | 2017-05-15 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的舌苔自动分割方法 |
CN107977671A (zh) * | 2017-10-27 | 2018-05-01 | 浙江工业大学 | 一种基于多任务卷积神经网络的舌象分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101680044B1 (ko) * | 2008-08-19 | 2016-11-28 | 디지맥 코포레이션 | 콘텐트 처리를 위한 방법들 및 시스템들 |
CN109982818B (zh) * | 2016-09-15 | 2021-09-07 | 曼特尔公司 | 用于添加剂金属制造的系统和方法 |
-
2018
- 2018-05-31 CN CN201810552257.6A patent/CN108960285B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610087A (zh) * | 2017-05-15 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的舌苔自动分割方法 |
CN107330889A (zh) * | 2017-07-11 | 2017-11-07 | 北京工业大学 | 一种基于卷积神经网络的中医舌色苔色自动分析方法 |
CN107977671A (zh) * | 2017-10-27 | 2018-05-01 | 浙江工业大学 | 一种基于多任务卷积神经网络的舌象分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108960285A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qureshi et al. | A bibliography of pixel-based blind image forgery detection techniques | |
Pei et al. | Does haze removal help cnn-based image classification? | |
CN112686812B (zh) | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111126412B (zh) | 基于特征金字塔网络的图像关键点检测方法 | |
CN105335725A (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN102713938A (zh) | 用于均匀和非均匀照明变化中的改善的特征检测的尺度空间正规化技术 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
KR101906796B1 (ko) | 딥러닝 기반 영상 분석 장치 및 영상 분석 방법 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
CN106408037A (zh) | 图像识别方法及装置 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN110490924B (zh) | 一种基于多尺度Harris的光场图像特征点检测方法 | |
CN112233173A (zh) | 一种视力障碍人士室内物品寻找与定位的方法 | |
CN108960285B (zh) | 一种分类模型生成方法、舌体图像分类方法及装置 | |
CN116664892A (zh) | 基于交叉注意与可形变卷积的多时相遥感图像配准方法 | |
CN104484679B (zh) | 非制式枪射击弹头痕迹图像自动识别方法 | |
CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
CN107609562A (zh) | 一种基于sift算法的尺度空间特征检测方法 | |
Martin et al. | Deep learning strategies for industrial surface defect detection systems | |
CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
WO2015168362A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Kim et al. | Classification of oil painting using machine learning with visualized depth information |
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 |