CN109815860A - 中医舌诊图像颜色校正方法、电子设备、存储介质 - Google Patents
中医舌诊图像颜色校正方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN109815860A CN109815860A CN201910024434.8A CN201910024434A CN109815860A CN 109815860 A CN109815860 A CN 109815860A CN 201910024434 A CN201910024434 A CN 201910024434A CN 109815860 A CN109815860 A CN 109815860A
- Authority
- CN
- China
- Prior art keywords
- value
- bird
- nest
- neural network
- tongue
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
Abstract
本发明提供中医舌诊图像颜色校正方法,包括步骤配置参数、生成最优鸟巢、更新鸟巢位置、更新最优鸟巢位置、丢弃鸟巢、寻找最佳鸟巢、比较适应度值、校正舌像。本发明还涉及存储介质、电子设备;本发明针对中医舌诊拍摄环境的局限性,在开放环境的不同场景中通过移动终端采集舌象,利用标准24色色卡作为金标准,基于布谷鸟搜索算法和BP神经网络算法对舌象颜色进行校正,通过布谷鸟搜索算法优化BP神经网络中的参数,既避免了多项式回归中存在自变量相关性的问题又解决了BP神经网络依赖初始值和易收敛于局部最优的问题,对环境有一定的鲁棒性,校正结果优于传统多项式回归和BP神经网络算法,有利于互联网应用中医舌诊技术的推广。
Description
技术领域
本发明属于中医舌诊的图像处理技术领域,是一种中医舌诊图像颜色校正方法。
背景技术
舌诊是指中医通过观察舌质和舌苔的形态、色泽、润燥等特征来判断人体疾病重要的方法。传统的中医诊断往往受医生的经验影响而得不到关于舌头精确的信息。如今随着互联网技术的迅速发展以及数字图像处理技术算法的成熟,用计算机辅助舌诊分析成为一大优势。计算机舌诊包括舌象的颜色校正、分割、颜色分类等步骤。由于人体舌象的采集过程中因拍摄环境、角度以及拍摄设备等因素造成舌象颜色与真实颜色存在一定的偏差,这将会影响计算机舌诊后续步骤的准确性。由此可见,舌象的颜色校正对计算机舌诊算法研究至关重要。
目前常见舌象的颜色校正方法分为监督学习算法和无监督学习算法。其中监督学习算法是指在拍摄图像的现场,放了标准颜色色块的监督色板,以这些色块在标准光照和非标准光照下颜色进行学习,求出颜色转换关系。如基于多项式回归、偏最小二乘回归和感兴趣色域的舌象颜色校正算法。然而该类算法只在固定的场景中进行的,不具普适性。无监督学习算法是指不需要监督色板,通过色彩假设而得到色彩之间的映射关系。该算法无法定性地评价校正效果的优劣。
随着智能手机的普及和移动端摄像技术的提升,采用手机在开放环境中进行舌象采集并通过互联网在线分析诊断成为新型的研究方向,而且基于移动互联网的人工智能在线舌诊诊断算法的研究,对于我国两千多年中医舌诊技术的传承和发展有莫大的作用。现有技术中采用SVM(支持向量机)分类器估计方法去预测智能手机所拍舌象的颜色校正矩阵,该方法虽准确率高,但实现过程复杂且执行效率较低。
发明内容
为了克服现有技术的不足,本发明提出的一种中医舌诊图像颜色校正方法,解决了现有技术中采用SVM(支持向量机)分类器估计方法去预测智能手机所拍舌象的颜色校正矩阵,该方法实现过程复杂且执行效率较低的问题。
本发明提供中医舌诊图像颜色校正方法,包括以下步骤:
S0、配置参数,配置BP神经网络的权值和阈值参数;
S1、生成最优鸟巢,随机产生若干鸟巢位置,每一个鸟巢位置对应一组BP神经网络中的权值和阈值,BP神经网络根据随机产生的权值和阈值对待校正的舌象24色卡色块训练集进行训练,计算每个鸟巢位置对应的适应度值,所述适应度值为所述BP神经网络的训练误差,并由所述适应度值找到当前最优鸟巢,且得出当前最优适应度值;
S2、校正舌像,将所述当前最优鸟巢位置对应的权值和阈值代入所述BP神经网络并对所述待校正的舌象24色卡色块训练集再次进行训练,训练结束后,通过所述BP神经网络对待校正的舌象测试集进行测试,得到校正后的舌象图。
进一步地,步骤S1和步骤S2之间还包括步骤:
S3、更新鸟巢位置,将上一代最优鸟巢代入布谷鸟寻优搜索的路径和位置更新公式,并对其他鸟巢进行更新,得到一组新的鸟巢位置,对所述新的鸟巢位置进行测试,并与上一代的鸟巢位置进行比较,用较好的鸟巢位置代替原来的鸟巢位置;
S4、更新最优鸟巢位置,将步骤S3更新的每一组鸟巢位置送入所述BP神经网络进行训练,更新鸟巢位置,并得出新的最优鸟巢位置;
S5、丢弃鸟巢,将步骤S4得到的鸟巢位置中的被发现的鸟巢用新巢代替;
S6、寻找最佳鸟巢,将步骤S5得到的新巢送入所述BP神经网络进行训练,计算每个鸟巢位置对应的适应度值,并得到最佳的鸟巢位置和适应度值;
S7、比较适应度值,将步骤S6得到的最佳适应度值与步骤S1的当前最优适应度值进行比较,若所述最佳适应度值小于所述当前最优适应度值,则更新适应度值和鸟巢位置。
进一步地,在步骤S2中,循环步骤S3至S7,得到最终的最优鸟巢位置,将所述最终的最优鸟巢位置对应的权值和阈值代入所述BP神经网络并对所述待校正的舌象24色卡色块训练集进行训练。
进一步地,在步骤S3中,所述布谷鸟寻优搜索的路径和位置更新公式为:
其中,为第i个鸟巢在第t代的鸟巢位置,L(λ)为随机搜索路径,α为步长控制量,用于控制步长的搜索范围,其值服从正态分布,⊕表示对点乘法。
进一步地,所述BP神经网络对所述待校正的舌象24色卡色块训练集进行训练的过程具体为:从所述待校正的舌象24色卡色块训练集的待校正的舌象中提取色卡的R值、G值、B值,将所述色卡的R值、G值、B值作为所述BP神经网络的输入,根据鸟巢位置对应的权值和阈值,计算出校正后色卡的R值、G值、B值,将所述校正后色卡的R值、G值、B值与色卡的标准R值、G值、B值进行比较,计算出训练误差。
进一步地,在步骤S2中,将所述待校正的舌象测试集中待校正的舌象的每个像素送入训练好的BP神经网络,每个像素的R值、G值、B值作为输入,输出为每个像素校正后图像的R值、G值、B值,将校正后图像的所有像素值重新组成图片,得到校正后的舌象。
进一步地,所述色卡的R值、G值、B值为标准24色色卡的R值、G值、B值。
进一步地,所述待校正的舌象为移动终端在开放环境中采集的舌象。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行中医舌诊图像颜色校正方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行中医舌诊图像颜色校正方法。
相比现有技术,本发明的有益效果在于:
本发明提供中医舌诊图像颜色校正方法,包括步骤配置参数、生成最优鸟巢、更新鸟巢位置、更新最优鸟巢位置、丢弃鸟巢、寻找最佳鸟巢、比较适应度值、校正舌像。本发明还涉及存储介质、电子设备;本发明针对中医舌诊拍摄环境的局限性,在开放环境的不同场景中通过移动终端采集舌象,利用标准24色色卡作为金标准,基于布谷鸟搜索算法和BP神经网络算法对舌象颜色进行校正,通过布谷鸟搜索算法优化BP神经网络中的参数,既避免了多项式回归中存在自变量相关性的问题又解决了BP神经网络依赖初始值和易收敛于局部最优的问题,对环境有一定的鲁棒性,校正结果优于传统多项式回归和BP神经网络算法,对于未来互联网应用中医舌诊技术的推广,具有较高的实用性和研究价值。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的中医舌诊图像颜色校正方法流程示意图一;
图2为本发明的中医舌诊图像颜色校正方法流程示意图二;
图3为本发明的中医舌诊图像颜色校正方法逻辑示意图;
图4为本发明的室内校正结果示意图;
图5为本发明的室外校正结果示意图;
图6为本发明的白炽灯下校正结果示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
中医舌诊图像颜色校正方法,解决开放环境下中医舌象采集过程中存在颜色偏差的问题,如图1-图3所示,包括以下步骤:
S0、配置参数,配置BP神经网络的权值和阈值参数;
S1、生成最优鸟巢,随机产生若干鸟巢位置,每一个鸟巢位置对应一组BP神经网络中的权值和阈值,BP神经网络根据随机产生的权值和阈值对待校正的舌象24色卡色块训练集进行训练,计算每个鸟巢位置对应的适应度值,适应度值为BP神经网络的训练误差,并由适应度值找到当前最优鸟巢,且得出当前最优适应度值,当前最优适应度值以f1表示;
S2、校正舌像,将当前最优鸟巢位置对应的权值和阈值代入BP神经网络并对待校正的舌象24色卡色块训练集再次进行训练,训练结束后,通过BP神经网络对待校正的舌象测试集进行测试,得到校正后的舌象图。
在一实施例中,如图2、图3所示,优选的,步骤S1和步骤S2之间还包括步骤:
S3、更新鸟巢位置,将上一代最优鸟巢代入布谷鸟寻优搜索的路径和位置更新公式,并对其他鸟巢进行更新,得到一组新的鸟巢位置,对新的鸟巢位置进行测试,并与上一代的鸟巢位置进行比较,用较好的鸟巢位置代替原来的鸟巢位置;优选地,在步骤S3中,布谷鸟寻优搜索的路径和位置更新公式为:
其中,为第i个鸟巢在第t代的鸟巢位置,L(λ)为随机搜索路径,α为步长控制量,用于控制步长的搜索范围,其值服从正态分布,⊕表示对点乘法。
S4、更新最优鸟巢位置,将步骤S3更新的每一组鸟巢位置送入BP神经网络进行训练,更新鸟巢位置,并得出新的最优鸟巢位置;
由于可用鸟巢的数量固定不变,一旦布谷鸟蛋被寄主鸟发现,寄主鸟就丢弃鸟蛋或鸟巢,那么将重新寻找鸟巢,避免影响寻找优化问题的解,因此在步骤S4之后还包括:
S5、丢弃鸟巢,将步骤S4得到的鸟巢位置中的被发现的鸟巢用新巢代替;
S6、寻找最佳鸟巢,将步骤S5得到的新巢送入BP神经网络进行训练,计算每个鸟巢位置对应的适应度值,并得到最佳的鸟巢位置和适应度值,最佳的适应度值以f2表示;
S7、比较适应度值,将步骤S6得到的最佳适应度值与步骤S1的当前最优适应度值进行比较,若最佳适应度值小于当前最优适应度值,即若f2<f1,则更新适应度值和鸟巢位置。
在步骤S2中,循环步骤S3至S7,得到最终的最优鸟巢位置,将最终的最优鸟巢位置对应的权值和阈值代入BP神经网络并对待校正的舌象24色卡色块训练集进行训练。优选地,在步骤S2中,将待校正的舌象测试集中待校正的舌象的每个像素送入训练好的BP神经网络,每个像素的R值、G值、B值作为输入,输出为每个像素校正后图像的R值、G值、B值,将校正后图像的所有像素值重新组成图片,得到校正后的舌象。
在一实施例中,优选地,待校正的舌象为移动终端在开放环境中采集的舌象。利用包含有24色块的色卡进行训练,将色卡放入拍摄环境中作为监督,优选地,BP神经网络对待校正的舌象24色卡色块训练集进行训练的过程具体为:从待校正的舌象24色卡色块训练集的待校正的舌象中提取色卡的R值、G值、B值,优选地,色卡的R值、G值、B值为标准24色色卡的R值、G值、B值,也可根据实际需求取与舌色相近的颜色定制色卡进行训练。将色卡的R值、G值、B值作为BP神经网络的输入,根据鸟巢位置对应的权值和阈值,计算出校正后色卡的R值、G值、B值,将校正后色卡的R值、G值、B值与24色块的标准R值、G值、B值进行比较,计算出训练误差。
在一实施例中,因开放环境中不确定因素的影响,如场景、时间等因素导致光照强度不同,进而导致舌象的颜色存在一定的失真,本实施例中,在室内、室外、白炽灯三种场景下分别采集早上9点,中午12点,下午2点,下午5点的数据进行对比分析,各采10例,对校正前和校正后的色差值进行了平均处理。校正色卡为国际标准24色卡,采集设备为智能手机,性能参数为后置摄像头1200万像素,分辨率为1920*1080像素。采用多项式回归、BP网络、CS-BP网络校正的结果比较如下:
其中,CS-BP网络为布谷鸟搜索算法(Cuckoo Search,缩写CS)与BP神经网络算法的结合算法。室内的校正结果如图4所示,室外的校正结果如图5所示,白炽灯的校正结果如图6所示,从图4、图5中可清晰地看到,室外校正前的色差值相比于室内波动大,原因在于室外所拍摄的图像受天气影响变化大,用三种算法对场景中的色卡进行了颜色校正,从图4-图6中得到,多项式回归和BP神经网络对其校正后色差值受校正前的色差值的影响,波动较大,并且BP神经网络依赖于初始值以及易收敛于局部最优,每次训练后得到的参数变化较大,导致舌象校正后的结果不一致。因此这两种算法都不利于后期中医舌诊的研究,而CS-BP网络对其校正后的色差值保持在9上下,波动范围较小,不受光照强度、环境等因素的影响,且解决了BP网络依赖于初始值以及易收敛于局部最优的问题,比较有利于后续舌诊进一步研究,也由此说明了CS-BP网络优于多项式回归和BP神经网络。
由于用智能手机在室内、室外、白炽灯三种场景下的拍摄过程中,拍摄角度与被拍摄者的细微动作变化会导致在相同光照下拍摄的两幅舌象之间存在一定的色差,所以本实施例中分别在相同时间内拍摄了室内、室外和白炽灯三种场景下共拍摄了9幅图像,每个场景3幅图像作为对比得到表1,从表1中可看出,采用CS-BP网络得到的结果稳定且优于多项式回归和BP神经网络。
表1不同算法的校正结果
场景 | 校正前 | 多项式回归 | BP神经网络 | CS-BP网络 |
室内 | 37.8794 | 15.8141 | 12.7857 | 10.6508 |
室外 | 36.0211 | 17.0163 | 13.4817 | 10.1271 |
白炽灯 | 25.6530 | 12.5388 | 10.2364 | 8.5420 |
本发明利用布谷鸟的巢寄生性和levy飞行这两种机制以及随机游走的方式优化BP神经网络中的参数,既避免了多项式回归中存在自变量相关性的问题又解决了BP神经网络依赖初始值和易收敛于局部最优的问题,同时该算法对环境有一定的鲁棒性,校正结果与多项式回归、BP神经网络相比更好。
一种电子设备,包括:处理器;
存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行中医舌诊图像颜色校正方法。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行中医舌诊图像颜色校正方法。
本发明提供中医舌诊图像颜色校正方法,包括步骤配置参数、生成最优鸟巢、更新鸟巢位置、更新最优鸟巢位置、丢弃鸟巢、寻找最佳鸟巢、比较适应度值、校正舌像。本发明还涉及存储介质、电子设备;本发明针对中医舌诊拍摄环境的局限性,在开放环境的不同场景中通过移动终端采集舌象,利用标准24色色卡作为金标准,基于布谷鸟搜索算法和BP神经网络算法对舌象颜色进行校正,通过布谷鸟搜索算法优化BP神经网络中的参数,既避免了多项式回归中存在自变量相关性的问题又解决了BP神经网络依赖初始值和易收敛于局部最优的问题,对环境有一定的鲁棒性,校正结果优于传统多项式回归和BP神经网络算法,对于未来互联网应用中医舌诊技术的推广,具有较高的实用性和研究价值。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.中医舌诊图像颜色校正方法,其特征在于,包括以下步骤:
S0、配置参数,配置BP神经网络的权值和阈值参数;
S1、生成最优鸟巢,随机产生若干鸟巢位置,每一个鸟巢位置对应一组BP神经网络中的权值和阈值,BP神经网络根据随机产生的权值和阈值对待校正的舌象24色卡色块训练集进行训练,计算每个鸟巢位置对应的适应度值,所述适应度值为所述BP神经网络的训练误差,并由所述适应度值找到当前最优鸟巢,且得出当前最优适应度值;
S2、校正舌像,将所述当前最优鸟巢位置对应的权值和阈值代入所述BP神经网络并对所述待校正的舌象24色卡色块训练集再次进行训练,训练结束后,通过所述BP神经网络对待校正的舌象测试集进行测试,得到校正后的舌象图。
2.如权利要求1所述的中医舌诊图像颜色校正方法,其特征在于:步骤S1和步骤S2之间还包括步骤:
S3、更新鸟巢位置,将上一代最优鸟巢代入布谷鸟寻优搜索的路径和位置更新公式,并对其他鸟巢进行更新,得到一组新的鸟巢位置,对所述新的鸟巢位置进行测试,并与上一代的鸟巢位置进行比较,用较好的鸟巢位置代替原来的鸟巢位置;
S4、更新最优鸟巢位置,将步骤S3更新的每一组鸟巢位置送入所述BP神经网络进行训练,更新鸟巢位置,并得出新的最优鸟巢位置;
S5、丢弃鸟巢,将步骤S4得到的鸟巢位置中的被发现的鸟巢用新巢代替;
S6、寻找最佳鸟巢,将步骤S5得到的新巢送入所述BP神经网络进行训练,计算每个鸟巢位置对应的适应度值,并得到最佳的鸟巢位置和适应度值;
S7、比较适应度值,将步骤S6得到的最佳适应度值与步骤S1的当前最优适应度值进行比较,若所述最佳适应度值小于所述当前最优适应度值,则更新适应度值和鸟巢位置。
3.如权利要求2所述的中医舌诊图像颜色校正方法,其特征在于:在步骤S2中,循环步骤S3至S7,得到最终的最优鸟巢位置,将所述最终的最优鸟巢位置对应的权值和阈值代入所述BP神经网络并对所述待校正的舌象24色卡色块训练集进行训练。
4.如权利要求2所述的中医舌诊图像颜色校正方法,其特征在于:在步骤S3中,所述布谷鸟寻优搜索的路径和位置更新公式为:
其中,为第i个鸟巢在第t代的鸟巢位置,L(λ)为随机搜索路径,α为步长控制量,用于控制步长的搜索范围,其值服从正态分布,表示对点乘法。
5.如权利要求3所述的中医舌诊图像颜色校正方法,其特征在于:所述BP神经网络对所述待校正的舌象24色卡色块训练集进行训练的过程具体为:从所述待校正的舌象24色卡色块训练集的待校正的舌象中提取色卡的R值、G值、B值,将所述色卡的R值、G值、B值作为所述BP神经网络的输入,根据鸟巢位置对应的权值和阈值,计算出校正后色卡的R值、G值、B值,将所述校正后色卡的R值、G值、B值与色卡的标准R值、G值、B值进行比较,计算出训练误差。
6.如权利要求5所述的中医舌诊图像颜色校正方法,其特征在于:在步骤S2中,将所述待校正的舌象测试集中待校正的舌象的每个像素送入训练好的BP神经网络,每个像素的R值、G值、B值作为输入,输出为每个像素校正后图像的R值、G值、B值,将校正后图像的所有像素值重新组成图片,得到校正后的舌象。
7.如权利要求5所述的中医舌诊图像颜色校正方法,其特征在于:所述色卡的R值、G值、B值为标准24色色卡的R值、G值、B值。
8.如权利要求6所述的中医舌诊图像颜色校正方法,其特征在于:所述待校正的舌象为移动终端在开放环境中采集的舌象。
9.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910024434.8A CN109815860A (zh) | 2019-01-10 | 2019-01-10 | 中医舌诊图像颜色校正方法、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910024434.8A CN109815860A (zh) | 2019-01-10 | 2019-01-10 | 中医舌诊图像颜色校正方法、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109815860A true CN109815860A (zh) | 2019-05-28 |
Family
ID=66603464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910024434.8A Pending CN109815860A (zh) | 2019-01-10 | 2019-01-10 | 中医舌诊图像颜色校正方法、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815860A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112806964A (zh) * | 2021-01-28 | 2021-05-18 | 清华大学 | 舌象分析方法和系统 |
CN113057583A (zh) * | 2021-03-09 | 2021-07-02 | 上海中医药大学 | 舌象图像颜色校正方法 |
CN113781488A (zh) * | 2021-08-02 | 2021-12-10 | 横琴鲸准智慧医疗科技有限公司 | 舌象图像的分割方法、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945627A (zh) * | 2006-10-20 | 2007-04-11 | 清华大学 | 数字舌象色偏校正方法 |
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN108805256A (zh) * | 2018-08-07 | 2018-11-13 | 南京工业大学 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
-
2019
- 2019-01-10 CN CN201910024434.8A patent/CN109815860A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945627A (zh) * | 2006-10-20 | 2007-04-11 | 清华大学 | 数字舌象色偏校正方法 |
CN107507250A (zh) * | 2017-06-02 | 2017-12-22 | 北京工业大学 | 一种基于卷积神经网络的面色舌色图像颜色校正方法 |
CN108805256A (zh) * | 2018-08-07 | 2018-11-13 | 南京工业大学 | 基于布谷鸟算法与bp神经网络的光伏组件故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112806964A (zh) * | 2021-01-28 | 2021-05-18 | 清华大学 | 舌象分析方法和系统 |
CN113057583A (zh) * | 2021-03-09 | 2021-07-02 | 上海中医药大学 | 舌象图像颜色校正方法 |
CN113781488A (zh) * | 2021-08-02 | 2021-12-10 | 横琴鲸准智慧医疗科技有限公司 | 舌象图像的分割方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392091B (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
CN109815860A (zh) | 中医舌诊图像颜色校正方法、电子设备、存储介质 | |
CN108764372B (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
US20240081618A1 (en) | Endoscopic image processing | |
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN108900769A (zh) | 图像处理方法、装置、移动终端及计算机可读存储介质 | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
Wang et al. | Segmentation of crop disease images with an improved K-means clustering algorithm | |
CN111178197A (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN103984957A (zh) | 胶囊内窥镜图像可疑病变区域自动预警系统 | |
CN109934276A (zh) | 基于迁移学习的胶囊内窥镜图像分类系统及方法 | |
CN109002843A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
Dellana et al. | Data augmentation in CNN-based periocular authentication | |
Sun et al. | Optic disc segmentation from retinal fundus images via deep object detection networks | |
Bhatt et al. | Comparison of CNN models for application in crop health assessment with participatory sensing | |
Keller et al. | Soybean leaf coverage estimation with machine learning and thresholding algorithms for field phenotyping | |
CN109902662A (zh) | 一种行人重识别方法、系统、装置和存储介质 | |
CN109102885B (zh) | 基于卷积神经网络与随机森林组合的白内障自动分级方法 | |
Zhu et al. | The identification of white fertile eggs prior to incubation based on machine vision and least square support vector machine | |
Saifullah | Segmentation for embryonated egg images detection using the K-means algorithm in image processing | |
Yazdanpanah et al. | Visual domain bridge: A source-free domain adaptation for cross-domain few-shot learning | |
CN110717451A (zh) | 一种基于深度学习的药用植物叶部病害图像识别方法 | |
Saifullah et al. | Thresholding and hybrid CLAHE-HE for chicken egg embryo segmentation | |
CN116058195A (zh) | 一种叶菜生长环境光照调控方法、系统及装置 |
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 |