CN109816629B - 一种基于k-means聚类的苔质分离方法和装置 - Google Patents

一种基于k-means聚类的苔质分离方法和装置 Download PDF

Info

Publication number
CN109816629B
CN109816629B CN201811563665.8A CN201811563665A CN109816629B CN 109816629 B CN109816629 B CN 109816629B CN 201811563665 A CN201811563665 A CN 201811563665A CN 109816629 B CN109816629 B CN 109816629B
Authority
CN
China
Prior art keywords
image
tongue
images
mapping
pixel
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
CN201811563665.8A
Other languages
English (en)
Other versions
CN109816629A (zh
Inventor
周枫明
宋臣
汤青
魏春雨
王雨晨
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.)
Ennova Health Technology Co ltd
Original Assignee
Ennova Health Technology Co ltd
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 Ennova Health Technology Co ltd filed Critical Ennova Health Technology Co ltd
Priority to CN201811563665.8A priority Critical patent/CN109816629B/zh
Publication of CN109816629A publication Critical patent/CN109816629A/zh
Application granted granted Critical
Publication of CN109816629B publication Critical patent/CN109816629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion

Abstract

本发明提供一种基于k‑means聚类的苔质分离方法和装置，包括：将获取的第一舌像中的图像信息映射到三维矩阵中，对三维矩阵中的图像信息进行具有M个中心的k‑means聚类，得到具有M个类别标签值的像素标签矩阵；将所述像素标签矩阵映射到预先构建的、与第一舌像大小相同的M个空图中，得到与第一舌像对应的M个标签图像，所述M个标签图像即为第一次分离得到的苔质图像。本发明提出的基于k‑means聚类的苔质分离方法，依次通过颜色转换、类别映射、图像分离、图像合并、图像筛选等，从舌像中分离得到苔质图像，自动化程度高、效率高，分离得到的苔质图像准确性好。

Description

一种基于k-means聚类的苔质分离方法和装置
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于k-means聚类的苔质分离方法和装置。
背景技术
舌苔的形貌因人而异。利用图像处理技术对获取的舌像中包含的舌苔形貌进行大数据研究，确定舌苔形貌的差异性以及与人体其他的生理指标之间的关系，具有非常现实的意义。
传统的将苔质从舌像中分离的方法需要通过人机交互来获取苔质在舌体所在大致位置信息，步骤繁琐，自动化程度不足，效率低；主观性强、准确性低。
发明内容
本发明提出一种基于k-means聚类的苔质分离方法，以解决目前的苔质分离方法自动化程度不足、准确性与效率低的问题。
第一方面，如图1所示，本发明提供的基于k-means聚类的苔质分离方法，包括以下步骤：
步骤S1：将获取的第一舌像中的图像信息映射到三维矩阵中，对三维矩阵中的图像信息进行具有M个中心的K-means聚类，得到具有M个类别标签值的像素标签矩阵，其中，像素标签矩阵中任一元素的值为M个类别标签值中的一个，M为正整数；
步骤S2：将像素标签矩阵映射到预先构建的、与第一舌像大小相同的M个空图中，得到与第一舌像对应的M个标签图像，M个标签图像即为第一次分离得到的苔质图像。
优选地，
在得到第一舌像对应的M个标签图像之后，还包括：
将获取的第一舌像分离为R通道图像、G通道图像和B通道图像；
分别将R通道图像、G通道图像和B通道图像与M个标签图像进行模板运算，得到M组模板运算后的R通道图像、G通道图像和B通道图像；
将与同一个标签图像进行模板运算的同一组模板运算后的R通道图像、G通道图像和B通道图像合并，得到M个映射图像，M个映射图像为第二次分离得到的苔质图像。
优选地，
在得到M个映射图像之后，还包括：
分别计算M个映射图像中舌像背景像素点的数量，确定舌像背景像素点的数量最少的N个映射图像为第三次分离得到的苔质图像，其中，N≤M，N为正整数；
其中，每一个映射图像中，舌像背景像素点的灰度值相同。
优选地，
在确定舌像背景像素点的数量最少的N个映射图像之后，还包括：
计算N个映射图像在预先设定的中间区域中舌像背景像素点的数量，确定舌像背景像素点的数量最少的映射图像为最终分离得到的苔质图像。
优选地，
在将获取的第一舌像中的图像信息映射到三维矩阵中之前，还包括：
将获取的第一舌像从RGB颜色空间转换到HSI颜色空间，得到颜色对比度提高后的舌像图像。
优选地，
将像素标签矩阵映射到预先构建的、与第一舌像大小相同的M个空图中，得到与第一舌像对应的M个标签图像，包括：
逐一将像素标签矩阵中的每一个类别标签Vi的值根据下式映射为灰度值VVi，i∈[1，M]：
step＝255/(M-1)，
VVi＝255-Vi*step；其中，Vi＝i；
逐一在预先构建的、全部像素点的像素值为Q的M个空图中，将与像素标签矩阵中的每一个类别标签Vi对应的像素点的像素值设定为VVi，得到与类别标签Vi对应的标签图像Si；
其中，在标签图像Si中，灰度值为Q的像素点为背景像素点；灰度值为VVi的像素点为目标像素点，Q为0-255之间的任一个数值。
优选地，
将R通道图像、G通道图像和B通道图像分别与M个标签图像进行模板运算，包括：
依次确定R通道图像、G通道图像或B通道图像中，与每一标签图像中的背景像素点对应的像素点为舌像背景像素点，并设置舌像背景像素点的灰度值为零。
优选地，
在将获取的第一舌像从RGB颜色空间转换到HSI颜色空间，得到颜色对比度提高后的舌像图像时，
在转换前，将第一舌像的R、G、B值进行归一化处理，使得R，G，B∈[0，1]；
在转换后，将第一舌像的H、S、I值进行归一化处理，使得H为0°～360°，S，I∈[0，1]。
优选地，
将获取的第一舌像中的图像信息映射到三维矩阵中，包括：
(1)遍历第一舌像；
(2)将第一舌像中每个像素点的三个像素值赋给三维矩阵的每一个元素；
其中，第一舌像中各像素点的坐标信息为其在三维矩阵中对应的元素的位置。
第二方面，本发明提供一种基于k-means聚类的苔质分离装置，包括：
像素标签矩阵获取模块，用于：
将获取的第一舌像中的图像信息映射到三维矩阵中，对三维矩阵中的图像信息进行具有M个中心的k-means聚类，得到具有M个类别标签值的像素标签矩阵，其中，像素标签矩阵中任一元素的值为M个类别标签值中的一个，M为正整数；
标签图像获取模块，用于：
将像素标签矩阵映射到预先构建的、与第一舌像大小相同的M个空图中，得到与第一舌像对应的M个标签图像，M个标签图像即为第一次分离得到的苔质图像。
本发明提出的基于k-means聚类的苔质分离方法，基于图像处理技术和k-means聚类技术，依次通过颜色转换、类别映射、图像分离、图像合并、图像筛选等，从舌像中分离得到苔质图像，自动化程度高、效率高，分离得到的苔质图像准确性好。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为本发明一个实施例的分离算法的流程示意图；
图2为本发明另一个实施例的分离算法的流程示意图；
图3为本发明一个实施例中收集的舌体RGB原始图像；
图4为本发明一个实施例中舌体HIS原始图像；
图5为本发明实施例的空图示意图；
图6为本发明实施例确定的5幅标签图像的示意图；
图7为本发明实施例的与第一幅标签图像经过模板处理后的舌像图像；
图8为本发明实施例的与第二幅标签图像经过模板处理后的舌像图像；
图9为本发明实施例的与第三幅标签图像经过模板处理后的舌像图像；
图10为本发明实施例的与第四幅标签图像经过模板处理后的舌像图像；
图11为本发明实施例的与第五幅标签图像经过模板处理后的舌像图像；
图12为本发明实施例的经过筛选后的2幅苔质图像；
图13为本发明实施例的最终分离得到的苔质图像。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
舌苔的形貌因人而异。利用图像处理技术对获取的舌像中包含的舌苔形貌进行大数据研究，确定舌苔形貌的差异性以及与人体其他的生理指标之间的关系，具有非常现实的意义。
通常，利用图像获取装置获取的原始舌像样本，为如图3所示的舌像图像，为RGB颜色模式。如图3所示，获取的舌像样本中，舌体(包括苔质和舌质两部分)占据图像的大半部分。
本发明一个实施例的基于k-means聚类的苔质分离方法，包括以下步骤：
步骤S10：将获取的第一舌像从RGB颜色空间转换到HSI颜色空间，得到颜色对比度提高后的第二舌像图像；
步骤S20：将第二舌像中的图像信息映射到三维矩阵中，对三维矩阵中的图像信息进行具有M个中心的k-means聚类，得到第二舌像对应的像素标签矩阵；
将所述像素标签矩阵映射到预先构建的M个空图中，得到与第二舌像对应的M个标签图像；
步骤S30：将获取的第一舌像分离为R通道图像、G通道图像和B通道图像；
将R通道图像、G通道图像和B通道图像分别与所述M个标签图像进行模板运算，得到模板运算后的R通道图像、G通道图像和B通道图像；
逐一将与同一个标签图像进行模板运算的模板运算后的R通道图像、G通道图像和B通道图像合并，得到M个映射图像；
步骤S40：分别确定所述M个映射图像中舌像背景像素点的数量，指定舌像背景像素点的数量最少的N个映射图像为分离得到的苔质图像；
步骤S50：确定所述N个映射图像在预先设定的中间区域中舌像背景像素点的数量，指定非舌像背景像素点的数量最少的映射图像为最终分离得到的苔质图像。
该实施例的基于k-means聚类的苔质分离方法，基于图像处理技术和k-means聚类技术，依次通过颜色转换、类别映射、图像分离、图像合并、图像筛选等，从舌像中分离得到苔质图像，自动化程度高、效率高，分离得到的苔质图像准确性好。
具体实施时，为提高不同颜色之间的对比度，便于对不同颜色进行聚类操作，将获得的原始舌像样本从RGB颜色空间转换到HSI颜色空间。
在步骤S10中，从RGB颜色空间转换到HSI颜色空间，具体包括：
(1)计算原始舌像的R、G、B三元组中的最少值；
(2)计算强度I；
(3)计算饱和度S；
(4)计算色调H。
需要说明的是，H定义为颜色的波长，称为色调；S定义为颜色的深浅程度，也称为饱和度；I定义为颜色的强度或亮度。
优选地，在变换前，将原始RGB图像样本中的R、G、B值进行归一化处理，也即，使得R，G，B∈[0，1]。
相应地，在变换后，将原始HSI图像样本中的H、S、I值也进行归一化处理，即使得H的取值范围为0°～360°，使得S，I∈[0，1]。
如图3所示的原始RGB图像样本从RGB颜色空间转换到HSI颜色空间后，如图4所示。
由于K-means聚类方法不能直接对图像进行处理，所以需要将图像的信息映射到K-means能够处理的数据格式中。在步骤S20中，将第二舌像中的图像信息映射到三维矩阵中，包括：
按照预先设定的规则遍历HIS舌像图像，即可将像素信息I(x，y)映射到三维矩阵Vec3f中，其中，像素信息包括像素值(即I(x,y)映射出的值，包括三个像素值)与像素坐标(其中，x代表像素点的横坐标，y代表像素点的纵坐标)，原理如下：
(1)遍历整个图像；
(2)将每个像素点的三个像素值赋给三维矩阵的每一个元素；
由于每个像素点需要存储三个像素值，因此每一个像素到下一个像素的位移距离均为3，其中，k表示矩阵的索引。
应该理解为，舌像中的图像信息包括每一个像素点的H值、S值、I值以及像素点的坐标信息；映射到三维矩阵中后，三维矩阵中的图像信息包含图像的HIS信息，舌像中像素点的坐标信息为其在三维矩阵中对应的元素的位置。
在步骤S20中，对三维矩阵中的图像信息进行具有M个中心的k-means聚类，得到第二舌像对应的像素标签矩阵，包括：
记第二舌像中的像素信息为T＝X1,X2,…,Xi，...XT，i∈[1，T]，其中，T为图像中的像素点总数，则k-means聚类的步骤如下：
(1)初始化聚类类别数为M，其中，M为正整数；
(2)按照预先设定的方法选择初始化的M个聚类中心C1,C2,Cj...，j∈[1，M]，其中，Cj代表聚类中心，M是聚类类别数，也即聚类中心的个数；
(3)对于每个像素点Xi，将其标记为距离聚类中心Cj最近的类别j；
(4)更新每个类别的中心点Cj为属于该类别的所有像素点的像素值的均值；
(5)重复第(3)和第(4)步，直到达到预先设定的终止条件(如最大迭代次数、簇间相对距离的精度)。
达到终止条件后，即可得到第二舌像对应的像素标签矩阵。
所述像素标签矩阵为一维矩阵，第二舌像中各像素点在经过k-means聚类处理后得到的类别信息(也即类别标签值)，依次存储在该像素标签矩阵的各元素中。
在k-means聚类时，按照预先设定的方法选择初始化的M个聚类中心时，既可以通过对输入样本(即转换到HSI颜色空间后的图像信息)的属性进行计算得到，也可以随机生成；即先对输入的样本属性计算，再根据计算的结果随机生成。
在步骤S20中，根据所述像素标签矩阵，将第二舌像映射到预先构建的M个空图中，得到第二舌像对应的M个标签图像，包括：
分别将图像标签矩阵中M类标签值映射到预先建立的M个空图中，生成M个标签图像，具体包括：
(1)新建M个空图E(x，y)(如图5所示)，构建空图E(x，y)的步骤包括：创建一个与获取的第一舌像大小相同的单通道图像，该图像中每一个像素点的灰度值均为Q，Q为0-255之间的任一个数值，其中，0代表黑色，255代表白色；
(2)设置step阈值，此处step阈值的作用在于限制在将类别标签值在映射到空图中时各像素点的像素值不超过255；
(3)遍历空图与像素标签矩阵，将标签矩阵中同一类别的标签值映射到空图中；
(4)重复第(3)步，直到所有M个类别的标签值均被映射到M个空图E(x，y)中。
具体地，将所述像素标签矩阵映射到预先构建的、与第一舌像大小相同的M个空图中，得到与第一舌像对应的M个标签图像，包括：
逐一将所述像素标签矩阵中的每一个类别标签Vi的值根据下式映射为灰度值VVi，i∈[1，M]：
step＝255/(M-1)，
VVi＝255-Vi*step；其中，Vi＝i；
逐一在预先构建的全部像素点的像素值为Q的M个空图中，将与所述像素标签矩阵中的每一个类别标签Vi对应的像素点的像素值设定为VVi，得到与所述类别标签Vi对应的标签图像Si；
其中，在所述标签图像Si中，灰度值为Q的像素点为背景像素点；灰度值为VVi的像素点为目标像素点，Q为0-255之间的任一个数值。
在这M个标签图像中，灰度值为Q的像素点为背景像素点；灰度值不为Q的像素点为目标像素点。
应该注意到，每一个空图、每一个标签图像均与第一舌像或第二舌像的大小相同；标签图像是单通道图像，每个坐标上面只有一个像素值。
具体地，在设置聚类类别数为5时，得到的与图4对应的五个标签图像分别如图6所示。
观察如图6所示的标签图像，可以发现已经得到初步的苔质分离效果。
为进一步改善分离后的苔质图像的质量，进一步地，在步骤S30中，将R通道图像、G通道图像和B通道图像分别与所述M个标签图像进行模板运算，具体包括：
(1)获取每一个标签图像中背景像素点的像素值Value_back，也即上文中的Q；
(2)分离第一舌像为R、G、B三个通道图像；
(3)以Value_back为阈值，遍历R、G、B三个通道图像和当前选中的标签图像(共M个标签图像，逐一进行遍历和映射)：在获取标签图像中像素值为Value_back的像素点的坐标信息Location后，分别设置R、G、B通道图像中对应于坐标Location的像素点的像素值为0；分别设置R、G、B通道图像中对不同于坐标Location的像素点的像素值为原始像素值或Value_back阈值。
(4)合并R、G、B三个通道图像，得到映射图像；
(5)重复第(3)、(4)步，直到得到M个映射图像。
应该理解为，与同一个标签图像进行模板运算的R通道图像、G通道图像和B通道图像为一组；在每一组内，将模板运算后的R通道图像、G通道图像和B通道图像合并为映射图像；在每一个映射图像中，任一个像素点，或者为舌像背景像素点(舌像背景像素点的像素值为零，对应为黑色)，或者为非舌像背景像素点(非舌像背景像素点的像素值不大于对应的标签矩阵的阈值)。
具体地，在进行模板运算时，确定R通道图像、G通道图像或B通道图像中，与标签图像中的背景像素点对应的像素点为舌像背景像素点，并设置舌像背景像素点的灰度值为零；也即，R通道图像、G通道图像或B通道图像中不是舌像背景像素点的像素点为非舌像背景像素点，这些非舌像背景像素点的灰度值保持不变。
如，分别以图6中示出的5个标签图像为模板，针对第一舌像进行苔质分离的结果依次如图7-11所示。
这时的M个映射图像可以作为进一步优选后苔质图像的分离结果，但图像数量多，图像中的信息分散，还可以进一步地进行优化。
这时，在映射图像中，背景色为黑色，前景色是所需要苔质图像和舌体图像的像素点的集合，对比明显，人眼基本可以辨认出苔质部分。
因此，可以根据计算背景色像素点的数量来判断并筛选出包括苔质图像和舌体图像的映射图像；具体地，背景色像素点的数量越少，说明就有可能是舌质和苔质所在的图像。
因此在五个标签图像映射结果中，我们分别计算图像的背景色像素点的个数，并按从小到大的顺序排序，选择前两个背景像素点数最少的作为进一步的分离结果(如图12所示)。
具体地，在步骤S40中，计算每一张所述映射图像中舌像背景像素点的数量，并确定舌像背景像素点的数量最少的N个映射图像为分离得到的苔质图像。
具体地，根据舌像背景像素点的数量按从小到大或从大到小的顺序对映射图像进行排序，选择前N个舌像背景像素点的数量最少的映射图像作为苔质图像。
对标签图像进行排序，具体包括：
(1)遍历每个映射结果，计算背景色中像素值为0的像素点个数SUMi，
然后按照键值对的方法保存SUM与Sample，其中Sample为样本图像的名称。
(2)从小到大排序SUMi，根据前两选结果得到样本图像的名称，筛选完成。
这时的N个映射图像可以作为进一步优选后苔质图像的分离结果，但图像数量仍然较多，噪音相对比较大，还可以进一步地进行优化。
根据已经统计的舌像样本中各特征可知，苔质占据了舌体的中间位置，而舌质大部分分布于舌体的边缘，比如舌尖与舌边(舌苔包含于舌体；舌尖与舌边就分布在舌体的边缘)。因此可以根据判断位于图像的中间位置区域上非背景像素点的数量来筛选得到苔质图像。
在舌像的中间区域中，苔质部分的面积通常大于舌体部分的面积；因此，确定中间区域非背景像素点数量多的映射图像为最终分离得到的苔质图像。
鉴于各像素点在图像中占据的面积相同，在预先设定的中间区域中非舌像背景像素点的数量越多，表明苔质占据的面积越大；也即，在预先设定的中间区域中，舌像背景像素点的数量越少，表明舌质占据的面积越小。
优选地，在步骤S50：确定所述N个映射图像在预先设定的中间区域中非舌像背景像素点的数量，确定非舌像背景像素点的数量最大的映射图像作为苔质图像。
具体地，在图像的中间位置选择预先设定长与宽的矩形区域，通过计算矩形内非背景像素点的数量来进行判断。其中，在预先确定矩形区域的长与宽时，记矩形左上角与右下角的坐标值分别为(rows/4，cols/4)、(rows/2，cols/2)，其中rows为整张图像的总行数，cols为图像的总列数，排序步骤具体如下：
计算矩形内非背景像素点的数量area；优选地，可以采用以下的算法
对已经筛选得到的2副苔质图像，分别计算其中间位置非舌像背景像素点的总数，并比较两次所得的area数值的大小；选择矩形区域内非背景像素点数量更多的样本图像作为苔质样本图像。至此，得到最终的分离结果(如图13所示)。
综上所述，该实施例的苔质分离方法可以将苔质从样本中分离出来，并有着较好的分离效果，可以为进一步苔色分类奠定了坚实的基础。
如图2提供的从舌像中分离得到苔质图像的实施例中，将舌体的苔质信息从舌像样本中分离出来，分别得到苔质和舌质样本图像，具体地，采包括以下步骤：
◆将图像由RGB空间转换到HSI空间；
◆映射像素信息到三维矩阵；
◆初始化聚类类别数M；K-means聚类；获取像素标签矩阵；构建M个单通道空图；将相同类别标签值映射到同一空图对应的位置，得到标签图像；
◆分离舌体原始图像为R、G、B三通道图像；
◆进行模板运算，获取R、G、B三通道映射结果图像；
◆合并模板运算后的R、G、B通道图像；
◆计算背景像素点总数SUM，并设置背景像数值为0；
◆根据SUM从小到大排序M个标签图像；
◆判断标签图像中间位置非背景像素点的总数。
以上已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

Claims (7)

1.一种基于k-means聚类的苔质分离方法，其特征在于，包括以下步骤：
将获取的第一舌像中的图像信息映射到三维矩阵中，对三维矩阵中的图像信息进行具有M个中心的k-means聚类，得到具有M个类别标签值的像素标签矩阵，其中，所述像素标签矩阵中任一元素的值为M个类别标签值中的一个，M为正整数；
将所述像素标签矩阵映射到预先构建的、与第一舌像大小相同的M个空图中，得到与第一舌像对应的M个标签图像，所述M个标签图像即为第一次分离得到的苔质图像；
将获取的第一舌像分离为R通道图像、G通道图像和B通道图像；
分别将R通道图像、G通道图像和B通道图像与所述M个标签图像进行模板运算，得到M组模板运算后的R通道图像、G通道图像和B通道图像；
将与同一个标签图像进行模板运算的同一组模板运算后的R通道图像、G通道图像和B通道图像合并，得到M个映射图像，所述M个映射图像为第二次分离得到的苔质图像；
分别计算所述M个映射图像中舌像背景像素点的数量，确定舌像背景像素点的数量最少的N个映射图像为第三次分离得到的苔质图像，其中，N≤M，N为正整数；
其中，在每一个所述映射图像中，舌像背景像素点的灰度值相同；
计算所述N个映射图像在预先设定的中间区域中舌像背景像素点的数量，确定舌像背景像素点的数量最少的映射图像为最终分离得到的苔质图像。
2.根据权利要求1所述的方法，其特征在于，
在将获取的第一舌像中的图像信息映射到三维矩阵中之前，还包括：
将获取的第一舌像从RGB颜色空间转换到HSI颜色空间，得到颜色对比度提高后的舌像图像。
3.根据权利要求1所述的方法，其特征在于，
将所述像素标签矩阵映射到预先构建的、与第一舌像大小相同的M个空图中，得到与第一舌像对应的M个标签图像，包括：
逐一将所述像素标签矩阵中的每一个类别标签Vi的值根据下式映射为灰度值VVi，i∈[1,M]：
step＝255/(M-1)，
VVi＝255-Vi*step；其中，Vi＝i；
逐一在预先构建的、全部像素点的像素值为Q的M个空图中，将与所述像素标签矩阵中的每一个类别标签Vi对应的像素点的像素值设定为VVi，得到与类别标签Vi对应的标签图像Si；
其中，在所述标签图像Si中，灰度值为Q的像素点为背景像素点；灰度值为VVi的像素点为目标像素点，Q为0-255之间的任一个数值。
4.根据权利要求1所述的方法，其特征在于，
所述将R通道图像、G通道图像和B通道图像分别与所述M个标签图像进行模板运算，包括：
依次确定R通道图像、G通道图像或B通道图像中，与每一标签图像中的背景像素点对应的像素点为舌像背景像素点，并设置所述舌像背景像素点的灰度值为零。
5.根据权利要求2所述的方法，其特征在于，
在将获取的第一舌像从RGB颜色空间转换到HSI颜色空间，得到颜色对比度提高后的舌像图像时，
在转换前，将第一舌像的R、G、B值进行归一化处理，使得R,G,B∈[0,1]；
在转换后，将第一舌像的H、S、I值进行归一化处理，使得H为0°～360°，S,I∈[0,1]。
6.根据权利要求1所述的方法，其特征在于，所述将获取的第一舌像中的图像信息映射到三维矩阵中，包括：
(1)遍历第一舌像；
(2)将第一舌像中每个像素点的三个像素值赋给三维矩阵的每一个元素；
其中，第一舌像中各像素点的坐标信息为其在三维矩阵中对应的元素的位置。
7.一种基于k-means聚类的苔质分离装置，其特征在于，包括：
像素标签矩阵获取模块，用于：
将获取的第一舌像中的图像信息映射到三维矩阵中，对三维矩阵中的图像信息进行具有M个中心的k-means聚类，得到具有M个类别标签值的像素标签矩阵，其中，所述像素标签矩阵中任一元素的值为M类别标签值中的一个，M为正整数；
标签图像获取模块，用于：
将所述像素标签矩阵映射到预先构建的、与第一舌像大小相同的M个空图中，得到与第一舌像对应的M个标签图像，所述M个标签图像即为第一次分离得到的苔质图像；
将获取的第一舌像分离为R通道图像、G通道图像和B通道图像；
分别将R通道图像、G通道图像和B通道图像与所述M个标签图像进行模板运算，得到M组模板运算后的R通道图像、G通道图像和B通道图像；
将与同一个标签图像进行模板运算的同一组模板运算后的R通道图像、G通道图像和B通道图像合并，得到M个映射图像，所述M个映射图像为第二次分离得到的苔质图像；
分别计算所述M个映射图像中舌像背景像素点的数量，确定舌像背景像素点的数量最少的N个映射图像为第三次分离得到的苔质图像，其中，N≤M，N为正整数；
其中，在每一个所述映射图像中，舌像背景像素点的灰度值相同；
计算所述N个映射图像在预先设定的中间区域中舌像背景像素点的数量，确定舌像背景像素点的数量最少的映射图像为最终分离得到的苔质图像。
CN201811563665.8A 2018-12-20 2018-12-20 一种基于k-means聚类的苔质分离方法和装置 Active CN109816629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811563665.8A CN109816629B (zh) 2018-12-20 2018-12-20 一种基于k-means聚类的苔质分离方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811563665.8A CN109816629B (zh) 2018-12-20 2018-12-20 一种基于k-means聚类的苔质分离方法和装置

Publications (2)

Publication Number Publication Date
CN109816629A CN109816629A (zh) 2019-05-28
CN109816629B true CN109816629B (zh) 2023-10-13

Family

ID=66601751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811563665.8A Active CN109816629B (zh) 2018-12-20 2018-12-20 一种基于k-means聚类的苔质分离方法和装置

Country Status (1)

Country Link
CN (1) CN109816629B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929740A (zh) * 2019-11-21 2020-03-27 中电健康云科技有限公司 一种基于lgbm模型的舌质舌苔分离方法
CN111242968B (zh) * 2019-12-26 2024-03-26 新绎健康科技有限公司 一种检测舌体样本中牙齿区域的方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1803087A (zh) * 2006-01-19 2006-07-19 上海交通大学 舌像颜色自动识别方法
CN101238487A (zh) * 2005-06-15 2008-08-06 组织诺斯替斯有限责任公司 分割白细胞的方法
CN102622756A (zh) * 2012-03-14 2012-08-01 西安电子科技大学 基于全变分谱聚类的sar图像分割方法
CN102773217A (zh) * 2012-08-20 2012-11-14 四川农业大学 猕猴桃自动分级系统
CN105160346A (zh) * 2015-07-06 2015-12-16 上海大学 一种基于纹理和分布特征的舌苔腐腻识别方法
CN106295139A (zh) * 2016-07-29 2017-01-04 姹ゅ钩 一种基于深度卷积神经网络的舌体自诊健康云服务系统
CN106510636A (zh) * 2016-11-29 2017-03-22 深圳市易特科信息技术有限公司 中医舌像自动检测系统及方法
CN108877923A (zh) * 2018-05-03 2018-11-23 华南理工大学 一种基于深度学习的舌苔生成中药处方的方法
CN108986136A (zh) * 2018-07-23 2018-12-11 南昌航空大学 一种基于语义分割的双目场景流确定方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101238487A (zh) * 2005-06-15 2008-08-06 组织诺斯替斯有限责任公司 分割白细胞的方法
CN1803087A (zh) * 2006-01-19 2006-07-19 上海交通大学 舌像颜色自动识别方法
CN102622756A (zh) * 2012-03-14 2012-08-01 西安电子科技大学 基于全变分谱聚类的sar图像分割方法
CN102773217A (zh) * 2012-08-20 2012-11-14 四川农业大学 猕猴桃自动分级系统
CN105160346A (zh) * 2015-07-06 2015-12-16 上海大学 一种基于纹理和分布特征的舌苔腐腻识别方法
CN106295139A (zh) * 2016-07-29 2017-01-04 姹ゅ钩 一种基于深度卷积神经网络的舌体自诊健康云服务系统
CN106510636A (zh) * 2016-11-29 2017-03-22 深圳市易特科信息技术有限公司 中医舌像自动检测系统及方法
CN108877923A (zh) * 2018-05-03 2018-11-23 华南理工大学 一种基于深度学习的舌苔生成中药处方的方法
CN108986136A (zh) * 2018-07-23 2018-12-11 南昌航空大学 一种基于语义分割的双目场景流确定方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Du Jian-qiang 等.A Novel Algorithm of Color Tongue Image Segmentation Based on HSI.《2008 International Conference on BioMedical Engineering and Informatics》.2008,第733-737页. *
杜建强 等.一种中医舌象的舌质舌苔分离方法.《计算机应用研究》.2009,第2762-2764页. *
黄勃.舌数字图像颜色计算机分析与分类.《中国博士学位论文全文数据库医药卫生科技辑》.2013,第46-48页. *

Also Published As

Publication number Publication date
CN109816629A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN107977671B (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN111738064B (zh) 一种雾霾图像的雾浓度识别方法
CN108537239B (zh) 一种图像显著性目标检测的方法
CN107392968B (zh) 融合颜色对比图和颜色空间分布图的图像显著性检测方法
Herbin et al. A clustering method based on the estimation of the probability density function and on the skeleton by influence zones. Application to image processing
CN109145964B (zh) 一种实现图像颜色聚类的方法和系统
CN111738318A (zh) 一种基于图神经网络的超大图像分类方法
Casanova et al. Texture analysis using fractal descriptors estimated by the mutual interference of color channels
CN115713694B (zh) 一种土地测绘信息管理方法
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN110503052A (zh) 一种基于改进u-net网络的图像语义分割方法
CN111179193B (zh) 基于DCNNs和GANs的皮肤镜图像增强和分类方法
CN109816629B (zh) 一种基于k-means聚类的苔质分离方法和装置
CN113379764A (zh) 一种基于域对抗自监督学习的病理图像分割方法
Trivedi et al. Automatic segmentation of plant leaves disease using min-max hue histogram and k-mean clustering
CN110634142B (zh) 一种复杂车路图像边界优化方法
CN113724339B (zh) 一种基于颜色空间特征的少样本瓷砖分色方法
CN105023269B (zh) 一种车载红外图像彩色化方法
CN110428380B (zh) 紫色土土壤图像阴影增强方法
CN108230409B (zh) 基于颜色和内容多因素综合的图像相似性定量分析方法
CN112070771B (zh) 基于hs通道的自适应阈值分割方法、装置和存储介质
CN112037230B (zh) 一种基于超像素和超度量轮廓图的林区图像分割方法
US7020309B2 (en) Method of recognizing fingerprints by coloring and computer system for implementing the said method
CN109472244A (zh) 一种基于分离指数的土壤、岩石和植被识别方法
He et al. Colour map classification for archive documents

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