CN109872298A - 一种中医舌苔腐腻识别方法 - Google Patents
一种中医舌苔腐腻识别方法 Download PDFInfo
- Publication number
- CN109872298A CN109872298A CN201811529105.0A CN201811529105A CN109872298A CN 109872298 A CN109872298 A CN 109872298A CN 201811529105 A CN201811529105 A CN 201811529105A CN 109872298 A CN109872298 A CN 109872298A
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- fur
- greasy
- gabor wavelet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000003814 drug Substances 0.000 title claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 210000000746 body region Anatomy 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011049 filling Methods 0.000 claims description 4
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000008859 change Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 210000000857 visual cortex Anatomy 0.000 description 2
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000002503 metabolic effect Effects 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
- 208000026435 phlegm Diseases 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种中医舌苔腐腻识别方法,包括以下步骤:获取包含舌头部位的图像;图像预处理:舌体的分割和舌象边缘的平滑;基于Gabor小波算法提取舌苔图像纹理特征;去除舌体图像边缘效应;进行舌苔腐腻苔的识别并得到识别结果;把图片特征与传统分类器相结合,能较准确的得到舌苔腐腻识别结果,辅助中医诊断。
Description
技术领域
本发明涉及中医及计算机应用技术领域,尤其涉及一种中医舌苔腐腻识别方法。
背景技术
当前的中医诊断中,主要是使用“望闻问切”的方法看病,而舌诊是中医“望诊”中的重要内容之一,通过对舌苔的观察能了解人体生理变化,从而进行病势判断。中医舌诊通过观察舌质和舌苔的变化,了解机体生理功能和病理变化,是望诊的重要内容。医生通过肉眼观察舌体的颜色、纹理、形状、质地和动态等来了解人体生理病理变化情况,从而进行病势的判别。然而传统中医诊断结果会受到医生经验的丰富程度、技能水平的高低以及外界的环境条件等影响,主观性较强,可重复性差,制约了中医舌诊的发展。所以舌诊的现代化和客观化研究是当今社会推动中医发展的重点所在。目前的舌诊现代化研究大都基于计算机智能信息处理技术。由于体内痰类病理产物的过多堆积,从而影响了体内代谢系统的运作,湿气和污浊之物积累在舌面上而形成腻苔。当前基于计算机的舌苔腐腻识别方法鲜有报道,主要都是判断舌苔是否为腐腻苔,没有对腐苔和腻苔进行识别。在中医的归纳中,腻苔苔质致密、颗粒细腻,而腐苔苔质疏松、颗粒较大且松软。
发明内容
鉴于目前存在的上述不足,本发明提供一种中医舌苔腐腻识别方法,能够把图片特征与传统分类器相结合,能较准确的得到舌苔腐腻识别结果,辅助中医诊断。
为达到上述目的,本发明的实施例采用如下技术方案:
一种中医舌苔腐腻识别方法,所述中医舌苔腐腻识别方法包括以下步骤:
获取包含舌头部位的图像;
图像预处理:舌体的分割和舌象边缘的平滑;
基于Gabor小波算法提取舌苔图像纹理特征;
去除舌体图像边缘效应;
进行舌苔腐腻苔的识别并得到识别结果。
依照本发明的一个方面,所述图像预处理包括:首先根据先验位置知识进行粗分割;然后用色彩空间转换与巴特沃斯带通滤波器进行滤波处理;之后对图像使用形态学开运算与形态学闭运算,然后与原图像进行与运算,提取出舌体区域图像。
依照本发明的一个方面,所述图像预处理包括:
首先是对整幅舌图像中粗分割出包含舌体的矩形区域;
其次,将裁剪后的舌体区域从RGB色彩空间变换到HIS色彩空间,提取图像中的H、I分量直方图,并采用巴特沃斯带通滤波器对其进行滤波处理;
将H分量直方图较低灰度级区间内的谷点对应的灰度级作为阈值对H分量图二值化,提取I分量直方图最高两峰之间的谷点对所对应的灰度级作为阈值对I分量图二值化,将H、I分量二值化图像进行合并,舌体和其他部分基本分开;
对合并后的二值化舌体图进行形态学开运算,去除小面积点,断开细长连接;
然后进行形态学闭运算,对舌体边缘小缺口进行填充,平滑边缘,再填充孔洞;
最后将二值图与原图进行与运算,提取出舌体。
依照本发明的一个方面,所述基于Gabor小波算法提取舌苔图像纹理特征包括:根据舌苔腐腻之间的特点,构建二维的多尺度多方向的Gabor小波特征,以此来描述舌苔纹理特征。
依照本发明的一个方面,所述基于Gabor小波算法提取舌苔图像纹理特征包括:
二维Gabor函数在空间域里是一个由正弦平面波调制的高斯核函数G(x,y),通过对G(x,y)进行膨胀和旋转得到一组自相似的滤波器,即Gabor小波:
其中,为正弦平面波的中心频率;是Gabor小波的方向,u=0,1,...,U-1;v=0,1,...,V-1;U、V分别代表Gabor小波变换的尺度和方向;σ是高斯函数在x、y轴上的标准差,是相位偏移,λ是高斯函数的空间长宽比,γ、η保持中心频率和标准差的乘积为一个定值,fmax是正弦平面波的最大中心频率;
建立完Gabor小波之后,对图像进行Gabor小波变换,即将每一个Gabor滤波器与图像I(x,y)进行卷积,得到滤波后的图像W(x,y),其公式为:
Wuv(x,y)二I(x,y)*guv(x,y)
最后对滤波后的图像进行特征提取,取每幅图像的去除边缘的Gabor小波变换处理后不同尺度和方向的舌象作为特征。
依照本发明的一个方面,所述去除舌体图像边缘效应具体为:通过边缘像素求平均的弱化边缘能量的方法去除舌体图像边缘效应。
依照本发明的一个方面,所述边缘像素求平均的弱化边缘能量的方法包括以下步骤:
a)对分割后的舌体I进行膨胀运算,膨胀的结构元素取大小为1的圆盘结构,得到膨胀后的图像P;
b)对膨胀后的舌体图像P,做边缘提取操作,得到图像P的轮廓,能得到图像提取值为1的连通域的边缘,将其边缘点顺时针存放于一个二维矩阵B中,即提取出舌体的边缘;
c)依次从二维矩阵B中取边缘点a(x,y),找到其9邻接的像素点中不是0的点,存入矩阵C中;
d)求矩阵C中像素点的平均像素值,将值赋给a(x,y),作为a点的像素值;
e)重复步骤d),直至将矩阵B中所有点赋值完;
f)重复步骤a)~e),将整个舌图像扩大,重复的次数根据Gabor小波滤波器的窗口大小而定,最后得到边界填充后的舌体图像Pe;
g)建立Gabor小波族;
h)用步骤g)中建立的Gabor小波对边界填充后的舌体图像进行变换,得到滤波后的舌图像G,将G与原分割后的舌体二值图相乘,得到最后去除边缘效应的Gabor小波变换图像L。
依照本发明的一个方面,所述进行舌苔腐腻苔的识别并得到识别结果包括:对图像提取出的Gabor特征,使用基于SVM的机器学习分类方法,识别舌苔图像的腐腻分类结果。
本发明实施的优点:本发明所述的中医舌苔腐腻识别方法,包括以下步骤:获取包含舌头部位的图像;图像预处理:舌体的分割和舌象边缘的平滑;基于Gabor小波算法提取舌苔图像纹理特征;去除舌体图像边缘效应;进行舌苔腐腻苔的识别并得到识别结果;把图片特征与传统分类器相结合,能较准确的得到舌苔腐腻识别结果,辅助中医诊断。舌苔腐腻识别问题主要属于图像纹理特征描述的领域,因此提取出较好的纹理特征能有效解决识别问题;Gabor小波变换纹理特征具有与哺乳动物视觉皮层中的神经元非常相似的特征,具有较强的空间位置和方向选择性。并且Gabor小波具有多分辨率的特性,再结合粗糙度特征和灰度共生矩阵特征之后,可提取出描述能力较强的特征,有效提高了识别度;提出一种去除边缘效应的舌象Gabor小波变换方法和基于SVM的舌苔腐腻识别方法,在中医舌苔图像腐腻识别结果的参考价值上都有显著的提升,对于中医舌诊客观化有很大的现实意义;进一步的,为了克服现有的图像特征提取方法在边缘高能量上的影响,提供一种去除边缘效应的方法,该方法能够通过计算边缘像素求平均的弱化边缘能量的方法来去除边缘高能量区域。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所述的中医舌苔腐腻识别方法示意图;
图2为本发明所述的舌象预处理过程图,其中(a)为裁剪后舌体图,(b)为二值化图,(c)为边缘去噪图,(d)分割后舌体图;
图3为本发明所述的Gabor小波实部图;
图4为本发明所述的弱化边缘过程图,其中(a)为边缘填充图,(b)为Gabor小波变换图,(c)为去除边缘后图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种中医舌苔腐腻识别方法,所述中医舌苔腐腻识别方法包括以下步骤:
步骤S1:获取包含舌头部位的图像;
步骤S2:图像预处理:舌体的分割和舌象边缘的平滑;
步骤S3:基于Gabor小波算法提取舌苔图像纹理特征;
步骤S4:去除舌体图像边缘效应;
步骤S5:进行舌苔腐腻苔的识别并得到识别结果。
实施例二
如图1、图2和图3所示,一种中医舌苔腐腻识别方法,所述中医舌苔腐腻识别方法包括以下步骤:
步骤S1:获取包含舌头部位的图像;
步骤S2:图像预处理:舌体的分割和舌象边缘的平滑;
所述图像预处理包括:首先根据先验位置知识进行粗分割;然后用色彩空间转换与巴特沃斯带通滤波器进行滤波处理;之后对图像使用形态学开运算与形态学闭运算,然后与原图像进行与运算,提取出舌体区域图像。
具体包括:
首先是对整幅舌图像中粗分割出包含舌体的矩形区域;
其次,将裁剪后的舌体区域从RGB色彩空间变换到HIS色彩空间,提取图像中的H、I分量直方图,并采用巴特沃斯带通滤波器对其进行滤波处理;
将H分量直方图较低灰度级区间内的谷点对应的灰度级作为阈值对H分量图二值化,提取I分量直方图最高两峰之间的谷点对所对应的灰度级作为阈值对I分量图二值化,将H、I分量二值化图像进行合并,舌体和其他部分基本分开;
对合并后的二值化舌体图进行形态学开运算,去除小面积点,断开细长连接;
然后进行形态学闭运算,对舌体边缘小缺口进行填充,平滑边缘,再填充孔洞;
最后将二值图与原图进行与运算,提取出舌体。
步骤S3:基于Gabor小波算法提取舌苔图像纹理特征;
所述基于Gabor小波算法提取舌苔图像纹理特征包括:根据舌苔腐腻之间的特点,构建二维的多尺度多方向的Gabor小波特征,以此来描述舌苔纹理特征。
所述基于Gabor小波算法提取舌苔图像纹理特征包括:
二维Gabor函数在空间域里是一个由正弦平面波调制的高斯核函数G(x,y),通过对G(x,y)进行膨胀和旋转得到一组自相似的滤波器,即Gabor小波:
其中,为正弦平面波的中心频率;是Gabor小波的方向,u=0,1,...,U-1;v=0,1,...,V-1;U、V分别代表Gabor小波变换的尺度和方向;σ是高斯函数在x、y轴上的标准差,是相位偏移,λ是高斯函数的空间长宽比,γ、η保持中心频率和标准差的乘积为一个定值,fmax是正弦平面波的最大中心频率;
建立完Gabor小波之后,对图像进行Gabor小波变换,即将每一个Gabor滤波器与图像I(x,y)进行卷积,得到滤波后的图像W(x,y),其公式为:
Wuv(x,y)二I(x,y)*guv(x,y)
最后对滤波后的图像进行特征提取,取每幅图像的去除边缘的Gabor小波变换处理后不同尺度和方向的舌象作为特征。
步骤S4:去除舌体图像边缘效应;
步骤S5:进行舌苔腐腻苔的识别并得到识别结果。
所述进行舌苔腐腻苔的识别并得到识别结果包括:对图像提取出的Gabor特征,使用基于SVM的机器学习分类方法,识别舌苔图像的腐腻分类结果。对图像提取的Gabor特征,结合灰度共生矩阵特征,使用基于SVM的机器学习分类方法对舌体特征进行分类,得到舌苔腐腻识别的结果。
实施例三
如图1、图2、图3和图4所示,一种中医舌苔腐腻识别方法,所述中医舌苔腐腻识别方法包括以下步骤:
步骤S1:获取包含舌头部位的图像;
步骤S2:图像预处理:舌体的分割和舌象边缘的平滑;
所述图像预处理包括:首先根据先验位置知识进行粗分割;然后用色彩空间转换与巴特沃斯带通滤波器进行滤波处理;之后对图像使用形态学开运算与形态学闭运算,然后与原图像进行与运算,提取出舌体区域图像。
预处理过程分为分割与平滑。研究使用的舌图像采集仪器会摄取人脸嘴唇等干扰信息,但舌体所处位置基本固定。因此使用固定区域的粗分割截取矩形区域。之后对图片进行滤波处理、二值化、分量合并等操作分离出舌体和脸部等其他部分。之后对图像做形态学开运算与闭运算,平滑掉图像中的小斑点等空洞。具体包括:
舌体图像分割是对舌象图像后续分析的基础和前提。首先是对整幅舌图像中粗分割出包含舌体的矩形区域;
其次,将裁剪后的舌体区域从RGB色彩空间变换到HIS色彩空间,提取图像中的H、I分量直方图,并采用巴特沃斯带通滤波器对其进行滤波处理;
将H分量直方图较低灰度级区间内的谷点对应的灰度级作为阈值对H分量图二值化,提取I分量直方图最高两峰之间的谷点对所对应的灰度级作为阈值对I分量图二值化,将H、I分量二值化图像进行合并,舌体和脸部等其他部分基本分开;
二值化后的舌体内部可能存在小的空洞,边缘存在狭长的连接、毛刺和孤立的小斑点等。因此需要对合并后的二值化舌体图进行形态学开运算,去除小面积点,断开细长连接;
然后进行形态学闭运算,对舌体边缘小缺口进行填充,平滑边缘,再填充孔洞;
最后将二值图与原图进行与运算,提取出舌体。
步骤S3:基于Gabor小波算法提取舌苔图像纹理特征;
所述基于Gabor小波算法提取舌苔图像纹理特征包括:根据舌苔腐腻之间的特点,构建二维的多尺度多方向的Gabor小波特征,以此来描述舌苔纹理特征。
所述基于Gabor小波算法提取舌苔图像纹理特征包括:
二维Gabor函数在空间域里是一个由正弦平面波调制的高斯核函数G(x,y),通过对G(x,y)进行膨胀和旋转得到一组自相似的滤波器,即Gabor小波:
其中,为正弦平面波的中心频率;是Gabor小波的方向,u=0,1,...,U-1;v=0,1,...,V-1;U、V分别代表Gabor小波变换的尺度和方向;σ是高斯函数在x、y轴上的标准差,是相位偏移,λ是高斯函数的空间长宽比,γ、η保持中心频率和标准差的乘积为一个定值,fmax是正弦平面波的最大中心频率;
建立完Gabor小波之后,对图像进行Gabor小波变换,即将每一个Gabor滤波器与图像I(x,y)进行卷积,得到滤波后的图像W(x,y),其公式为:
Wuv(x,y)=I(x,y)*guv(x,y)
最后对滤波后的图像进行特征提取,取每幅图像的去除边缘的Gabor小波变换处理后不同尺度和方向的舌象作为特征。
步骤S4:去除舌体图像边缘效应;
所述去除舌体图像边缘效应具体为:通过边缘像素求平均的弱化边缘能量的方法去除舌体图像边缘效应。
所述边缘像素求平均的弱化边缘能量的方法包括以下步骤:
a)对分割后的舌体I进行膨胀运算,膨胀的结构元素取大小为1的圆盘结构,得到膨胀后的图像P;
b)对膨胀后的舌体图像P,做边缘提取操作,得到图像P的轮廓,能得到图像提取值为1的连通域的边缘,将其边缘点顺时针存放于一个二维矩阵B中,即提取出舌体的边缘;
c)依次从二维矩阵B中取边缘点a(x,y),找到其9邻接的像素点中不是0的点,存入矩阵C中;
d)求矩阵C中像素点的平均像素值,将值赋给a(x,y),作为a点的像素值;
e)重复步骤d),直至将矩阵B中所有点赋值完;
f)重复步骤a)~e),将整个舌图像扩大,重复的次数根据Gabor小波滤波器的窗口大小而定,最后得到边界填充后的舌体图像Pe;
g)建立Gabor小波族;根据Gabor小波变换的定义,在式(1)中,fmax、γ、η等参数需要被定义。本方法取则空间长宽比γ=1,相位偏差φ=0。Gabor小波族的尺度和方向则分别设为5和8。fmax取值0.25。
h)用步骤g)中建立的Gabor小波对边界填充后的舌体图像进行变换,得到滤波后的舌图像G,将G与原分割后的舌体二值图相乘,得到最后去除边缘效应的Gabor小波变换图像L。
步骤S5:进行舌苔腐腻苔的识别并得到识别结果。
所述进行舌苔腐腻苔的识别并得到识别结果包括:对图像提取出的Gabor特征,使用基于SVM的机器学习分类方法,识别舌苔图像的腐腻分类结果。对图像提取的Gabor特征,结合灰度共生矩阵特征,使用基于SVM的机器学习分类方法对舌体特征进行分类,得到舌苔腐腻识别的结果。
本发明实施的优点:本发明所述的中医舌苔腐腻识别方法,包括以下步骤:获取包含舌头部位的图像;图像预处理:舌体的分割和舌象边缘的平滑;基于Gabor小波算法提取舌苔图像纹理特征;去除舌体图像边缘效应;进行舌苔腐腻苔的识别并得到识别结果;把图片特征与传统分类器相结合,能较准确的得到舌苔腐腻识别结果,辅助中医诊断。舌苔腐腻识别问题主要属于图像纹理特征描述的领域,因此提取出较好的纹理特征能有效解决识别问题;Gabor小波变换纹理特征具有与哺乳动物视觉皮层中的神经元非常相似的特征,具有较强的空间位置和方向选择性。并且Gabor小波具有多分辨率的特性,再结合粗糙度特征和灰度共生矩阵特征之后,可提取出描述能力较强的特征,有效提高了识别度;提出一种去除边缘效应的舌象Gabor小波变换方法和基于SVM的舌苔腐腻识别方法,在中医舌苔图像腐腻识别结果的参考价值上都有显著的提升,对于中医舌诊客观化有很大的现实意义;进一步的,为了克服现有的图像特征提取方法在边缘高能量上的影响,提供一种去除边缘效应的方法,该方法能够通过计算边缘像素求平均的弱化边缘能量的方法来去除边缘高能量区域。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本发明公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种中医舌苔腐腻识别方法,其特征在于,所述中医舌苔腐腻识别方法包括以下步骤:
获取包含舌头部位的图像;
图像预处理:舌体的分割和舌象边缘的平滑;
基于Gabor小波算法提取舌苔图像纹理特征;
去除舌体图像边缘效应;
进行舌苔腐腻苔的识别并得到识别结果。
2.根据权利要求1所述的中医舌苔腐腻识别方法,其特征在于,所述图像预处理包括:首先根据先验位置知识进行粗分割;然后用色彩空间转换与巴特沃斯带通滤波器进行滤波处理;之后对图像使用形态学开运算与形态学闭运算,然后与原图像进行与运算,提取出舌体区域图像。
3.根据权利要求2所述的中医舌苔腐腻识别方法,其特征在于,所述图像预处理包括:
首先是对整幅舌图像中粗分割出包含舌体的矩形区域;
其次,将裁剪后的舌体区域从RGB色彩空间变换到HIS色彩空间,提取图像中的H、I分量直方图,并采用巴特沃斯带通滤波器对其进行滤波处理;
将H分量直方图较低灰度级区间内的谷点对应的灰度级作为阈值对H分量图二值化,提取I分量直方图最高两峰之间的谷点对所对应的灰度级作为阈值对I分量图二值化,将H、I分量二值化图像进行合并,舌体和其他部分基本分开;
对合并后的二值化舌体图进行形态学开运算,去除小面积点,断开细长连接;
然后进行形态学闭运算,对舌体边缘小缺口进行填充,平滑边缘,再填充孔洞;
最后将二值图与原图进行与运算,提取出舌体。
4.根据权利要求1所述的中医舌苔腐腻识别方法,其特征在于,所述基于Gabor小波算法提取舌苔图像纹理特征包括:根据舌苔腐腻之间的特点,构建二维的多尺度多方向的Gabor小波特征,以此来描述舌苔纹理特征。
5.根据权利要求4所述的中医舌苔腐腻识别方法,其特征在于,所述基于Gabor小波算法提取舌苔图像纹理特征包括:
二维Gabor函数在空间域里是一个由正弦平面波调制的高斯核函数G(x,y),通过对G(x,y)进行膨胀和旋转得到一组自相似的滤波器,即Gabor小波:
其中,为正弦平面波的中心频率;是Gabor小波的方向,u=0,1,…,U-1;v=0,1,…,V-1;U、V分别代表Gabor小波变换的尺度和方向;σ是高斯函数在x、y轴上的标准差,是相位偏移,λ是高斯函数的空间长宽比,γ、η保持中心频率和标准差的乘积为一个定值,fmax是正弦平面波的最大中心频率;
建立完Gabor小波之后,对图像进行Gabor小波变换,即将每一个Gabor滤波器与图像I(x,y)进行卷积,得到滤波后的图像W(x,y),其公式为:
Wuv(x,y)=I(x,y)*guv(x,y)
最后对滤波后的图像进行特征提取,取每幅图像的去除边缘的Gabor小波变换处理后不同尺度和方向的舌象作为特征。
6.根据权利要求1至5之一所述的中医舌苔腐腻识别方法,其特征在于,所述去除舌体图像边缘效应具体为:通过边缘像素求平均的弱化边缘能量的方法去除舌体图像边缘效应。
7.根据权利要求6所述的中医舌苔腐腻识别方法,其特征在于,所述边缘像素求平均的弱化边缘能量的方法包括以下步骤:
a)对分割后的舌体I进行膨胀运算,膨胀的结构元素取大小为1的圆盘结构,得到膨胀后的图像P;
b)对膨胀后的舌体图像P,做边缘提取操作,得到图像P的轮廓,能得到图像提取值为1的连通域的边缘,将其边缘点顺时针存放于一个二维矩阵B中,即提取出舌体的边缘;
c)依次从二维矩阵B中取边缘点a(x,y),找到其9邻接的像素点中不是0的点,存入矩阵C中;
d)求矩阵C中像素点的平均像素值,将值赋给a(x,y),作为a点的像素值;
e)重复步骤d),直至将矩阵B中所有点赋值完;
f)重复步骤a)~e),将整个舌图像扩大,重复的次数根据Gabor小波滤波器的窗口大小而定,最后得到边界填充后的舌体图像Pe;
g)建立Gabor小波族;
h)用步骤g)中建立的Gabor小波对边界填充后的舌体图像进行变换,得到滤波后的舌图像G,将G与原分割后的舌体二值图相乘,得到最后去除边缘效应的Gabor小波变换图像L。
8.根据权利要求7所述的中医舌苔腐腻识别方法,其特征在于,所述进行舌苔腐腻苔的识别并得到识别结果包括:对图像提取出的Gabor特征,使用基于SVM的机器学习分类方法,识别舌苔图像的腐腻分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811529105.0A CN109872298A (zh) | 2018-12-14 | 2018-12-14 | 一种中医舌苔腐腻识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811529105.0A CN109872298A (zh) | 2018-12-14 | 2018-12-14 | 一种中医舌苔腐腻识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872298A true CN109872298A (zh) | 2019-06-11 |
Family
ID=66917073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811529105.0A Pending CN109872298A (zh) | 2018-12-14 | 2018-12-14 | 一种中医舌苔腐腻识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872298A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910317A (zh) * | 2019-08-19 | 2020-03-24 | 北京理工大学 | 一种舌象图像增强方法 |
CN113506266A (zh) * | 2021-07-09 | 2021-10-15 | 平安科技(深圳)有限公司 | 舌头腻苔的检测方法、装置、设备及存储介质 |
CN113538398A (zh) * | 2021-07-28 | 2021-10-22 | 平安科技(深圳)有限公司 | 基于特征匹配的舌苔分类方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106682562A (zh) * | 2015-11-05 | 2017-05-17 | 上海中医药大学 | 一种基于Gabor小波变换的舌苔纹理识别方法 |
-
2018
- 2018-12-14 CN CN201811529105.0A patent/CN109872298A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106682562A (zh) * | 2015-11-05 | 2017-05-17 | 上海中医药大学 | 一种基于Gabor小波变换的舌苔纹理识别方法 |
Non-Patent Citations (1)
Title |
---|
瞿婷婷等: "基于Gabor小波变换的舌苔腐腻识别", 《计算机应用与软件》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910317A (zh) * | 2019-08-19 | 2020-03-24 | 北京理工大学 | 一种舌象图像增强方法 |
CN113506266A (zh) * | 2021-07-09 | 2021-10-15 | 平安科技(深圳)有限公司 | 舌头腻苔的检测方法、装置、设备及存储介质 |
CN113538398A (zh) * | 2021-07-28 | 2021-10-22 | 平安科技(深圳)有限公司 | 基于特征匹配的舌苔分类方法、装置、设备及介质 |
CN113538398B (zh) * | 2021-07-28 | 2023-11-24 | 平安科技(深圳)有限公司 | 基于特征匹配的舌苔分类方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503649B (zh) | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 | |
Lau et al. | Automatically early detection of skin cancer: Study based on nueral netwok classification | |
CN109635846A (zh) | 一种多类医学图像判断方法和系统 | |
Sunny et al. | An efficient citrus canker detection method based on contrast limited adaptive histogram equalization enhancement | |
CN109872298A (zh) | 一种中医舌苔腐腻识别方法 | |
CN108319966A (zh) | 一种变电站复杂背景红外图像中设备的识别分类方法 | |
CN104299242A (zh) | 基于ngc-acm的荧光造影眼底图像提取方法 | |
Sharma et al. | Detection of rice disease using bayes' classifier and minimum distance classifier | |
CN108062508A (zh) | 变电站复杂背景红外图像中设备的提取方法 | |
CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
Rodrigues et al. | Retinal vessel segmentation using parallel grayscale skeletonization algorithm and mathematical morphology | |
CN104933723B (zh) | 基于稀疏表示的舌图像分割方法 | |
Yang et al. | Adversarial reconstruction CNN for illumination-robust frontal face image recovery and recognition | |
CN111340773A (zh) | 一种视网膜图像血管分割方法 | |
CN106960199A (zh) | 一种真彩色眼象图白睛区域的完整提取方法 | |
CN108665474B (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
Amirjahan et al. | Comparative analysis of various classification algorithms for skin Cancer detection | |
Zhu et al. | Corn leaf diseases diagnostic techniques based on image recognition | |
Zhou et al. | A novel approach for red lesions detection using superpixel multi-feature classification in color fundus images | |
Huang et al. | Skin lesion segmentation based on deep learning | |
Liu et al. | Analyze EEG signals with convolutional neural network based on power spectrum feature selection | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
CN114627136B (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 | |
Gu et al. | Automatic Tongue Image Segmentation Based on Thresholding and an Improved Level Set Model | |
Honale et al. | A review of methods for blood vessel segmentation in retinal 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |