CN109872299A - 一种中医舌色苔色识别方法 - Google Patents
一种中医舌色苔色识别方法 Download PDFInfo
- Publication number
- CN109872299A CN109872299A CN201811529131.3A CN201811529131A CN109872299A CN 109872299 A CN109872299 A CN 109872299A CN 201811529131 A CN201811529131 A CN 201811529131A CN 109872299 A CN109872299 A CN 109872299A
- Authority
- CN
- China
- Prior art keywords
- tongue
- coating colour
- color coating
- fur
- nature
- 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 56
- 238000009500 colour coating Methods 0.000 title claims abstract description 37
- 239000003814 drug Substances 0.000 title claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000000926 separation method Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 239000011248 coating agent Substances 0.000 abstract description 5
- 238000000576 coating method Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 210000001835 viscera Anatomy 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000270295 Serpentes Species 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 210000000746 body region Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 208000029162 bladder disease Diseases 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 210000003205 muscle Anatomy 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
- 230000007119 pathological manifestation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000005181 root of the tongue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000005182 tip of the tongue Anatomy 0.000 description 1
- 208000026533 urinary bladder disease Diseases 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种中医舌色苔色识别方法,包括以下步骤:获取包含舌头部位的图像;通过HSV颜色空间获得舌体轮廓线并进行舌体分割;通过水平集方法进行舌苔舌质的分离;根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果;通过分割舌体和分离舌象上舌苔、舌质,根据舌苔、舌质在舌面上的分布特点,提出了一种基于机器学习模型AdaBoost的舌色、苔色识别方法;把图像特征与传统分类器相结合,能较准确的得到舌色苔色识别结果,辅助中医诊断。
Description
技术领域
本发明涉及中医的计算机应用技术领域,尤其涉及一种中医舌色苔色识别方法。
背景技术
中医诊断的精髓在于“辨证论治”,辨证以“望、闻、问、切”四诊为主要信息来源,其中,中医舌诊是中医学伟大宝库中独具特色的诊法之一,由于能够直观地通过舌质和舌苔的变化了解人体脏腑气血津液的虚实和邪正盛衰,因此在中医临床研究和实践中得到了广泛的应用,成为中医临床辩证施治的重要客观指标和依据。现代研究表明,舌象就好像观察人体内脏的窗口,能客观地反映人体内各种生理和病理变化,显示出当时人体反应性和机能状态,携带着丰富的生命活动的信息。中医脉象学说和经络学说认为,舌和内脏的内在联系是舌诊的生理病理基础,它主要是通过经络和经筋的循环联系来实现的。从舌质外观能测知脏腑病变。一般以舌尖诊断心肺的病变,舌中诊断脾胃的病变,舌的两边诊断肝胆病变,舌根诊断肾的病变。人体各脏腑的生理、病理表现均可呈现于舌。机体的一般情况,消化系统和体液的变化均可在舌上迅速地反映出来。因而,观察舌象变化在临床诊断病症、辨证施治中具有极其重要的价值;现在并没有较好地进行舌色苔色识别的方法,对于中医诊断的现代化发展不利。
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色苔色识别方法,把图像特征与传统分类器相结合,能较准确的得到舌色苔色识别结果,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:
一种中医舌色苔色识别方法,所述中医舌色苔色识别方法包括以下步骤:
获取包含舌头部位的图像;
通过HSV颜色空间获得舌体轮廓线并进行舌体分割;
通过水平集方法进行舌苔舌质的分离;
根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果。
依照本发明的一个方面,所述通过HSV颜色空间获得舌体轮廓线并进行舌体分割包括:通过分析HSV空间中Hue分量和Value分量在舌象上不同的分布情况,确定各分量的阈值,然后对图像进行分割并对其进行二值化处理,获得舌体初始区域;再通过水平集方法对初始区域进行收敛,最后获得较为精确的舌体图像;从而进行舌体分割。
依照本发明的一个方面,所述通过HSV颜色空间获得舌体轮廓线并进行舌体分割包括:
舌象初始位置的确定,舌体部分与图像中其他部分的关键区别在于,舌体表面有一层水膜,它对外界光线有很强的反射特性。因此,图像中舌体的亮度值通常较高,亮度信息就被用作区分舌体与非舌体的一个重要指标;把图象由RGB模型转变为HSV模型,并对Hue分量和V分量进行二值化处理,再分别进行与操作,得到融合后的二值图像,对它进行中值滤波操作,去除舌象图细小背景噪声点,得到想要的舌体初始轮廓线C;由于舌体区域存在若干小的空洞,因此对它进行中值滤波操作,可以去除舌象图细小背景噪声点,不会使舌象的边界模糊,比较适合舌象的去噪处理,这样就可以得到想要的舌体初始轮廓线。
据前面得到的粗略轮廓线C,把舌象空间Ω分为两个区域,分别为内部轮廓线区域Ω1和外部轮廓线区域Ω2;对于给定的x∈Ω,定义的局部能量函数为:
其中,核函数K;I(y)为舌象图片在HSV彩色空间中H分量和S分量叠加的矩阵。其中,核函数K的选择是灵活的,本文选择的是高斯低通滤波器,是低频增强的滤波技术。它可以滤掉由于孤立的单点噪声而引起的灰度偏差。
依照本发明的一个方面,所述通过HSV颜色空间获得舌体轮廓线并进行舌体分割包括:从融合图像中搜索轮廓线时,具体做法是,舌象从上至下、从左至右进行扫描搜索,值为0的位置点就认为是边界点,最后得到初始轮廓线。
依照本发明的一个方面,所述通过水平集方法进行舌苔舌质的分离包括:
以舌苔为例,设有四个总体G1,…G4,它们的均值和协方差矩阵分别为μ(i),∑(i),i=1,…,k,从每个总体Gi中抽取ni个样品,i=1,…,k,每个样品测p个指标;
记向量
当∑(i)相等,
D2(X,Gi)=(X-μ(i))′∑-1(X-μ(i)),i=1,…,4;
判别函数为:
每个总体中抽取容量为10的样本,提取特征,分别计算各总体的均值向量;而对于要测试的样本,根据它们的特征向量就可确定它的归属。
依照本发明的一个方面,所述根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果的步骤包括:在舌苔舌质分离的基础上,根据舌苔、舌质在舌面上的分布特点,使用基于AdaBoost的机器学习分类方法对舌体特征进行分类,得到舌色苔色识别的结果。在舌象颜色的分类中,单一的分类器会对容易区分的类别分类精度高,对某些疑难的类别,如白苔与淡黄苔,分类效果不好。AdaBoost算法能很好地解决这个问题,对于无法正确学习的类别样本,能够集中学习,并将学习的结果与其他分类器的结果组合输出。
依照本发明的一个方面,所述根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果的步骤包括:
采用PCA方法分别对每一类的舌象颜色特征进行提取、降维,得到每一类最重要的特征向量;
给定标定的训练样本集:{(x1,y1),(x2,y2),…,(xn,yn)};
初始化权值向量,通过循环训练弱分类器更新权值向量;
T次循环结束后,输出最终的组合分类器
其中,T为迭代次数;ht(x,y)表示弱分类器ht将xi分类为y的置信度;qt(i,y)是标签加权函数,初始值为1/(k-1);Dt(i)表示当前样本权值和占所有样本权值和的总和比重,初始值为1/N;,ωt i,y表示相对于整个样本集N,当前样本的非正确分类(iy≠y)的各错误类权值(共k-1个错误类),初始值为1/N(k-1);ωt i表示相对于整个样本集N,当前样本的各类权值总和,初始值为1/N。
本发明实施的优点:本发明所述的中医舌色苔色识别方法,包括以下步骤:获取包含舌头部位的图像;通过HSV颜色空间获得舌体轮廓线并进行舌体分割;通过水平集方法进行舌苔舌质的分离;根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果;通过分割舌体和分离舌象上舌苔、舌质,根据舌苔、舌质在舌面上的分布特点,提出了一种基于机器学习模型AdaBoost的舌色、苔色识别方法;把图像特征与传统分类器相结合,能较准确的得到舌色苔色识别结果,辅助中医诊断;为了克服舌体分割的困难,提出一种基于HSV颜色空间和水平集算法的舌象分割方法,该方法通过分析HSV空间中Hue分量和Value分量在舌象上不同的分布情况,确定各分量的阈值,然后对图像进行分割并对其进行二值化处理,获得舌体初始区域;再通过水平集方法对初始区域进行收敛,最后获得较为精确的舌体图像,较好地解决了舌体自动分割问题。进一步的,提出了一种基于水平集的彩色舌图像舌苔舌质分离方法,通过对水平集方程的进一步改进,实现了舌苔边缘的分离。实验结果表明,同GVF Snake算法相比,该方法对于凹陷区域的收敛更为精确。相对于区域增长法,能够获得更加符合中医临床要求的舌苔舌质分离效果;并且,由于目前中医舌诊本身尚没有统一明确的辨识标准,尤其是缺少客观量化标准。因此,在舌象颜色的分类中,单一的分类器会对容易区分的类别分类精度高,对某些疑难的类别,如白苔与淡黄苔,分类效果不好。AdaBoost算法能很好地解决这个问题,对于无法正确学习的类别样本,能够集中学习,并将学习的结果与其他分类器的结果组合输出。
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为本发明所述的一种中医舌色苔色识别方法示意图;
图2为本发明所述的舌体轮廓分割流程图。
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和图2所示,一种中医舌色苔色识别方法,所述中医舌色苔色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:通过HSV颜色空间获得舌体轮廓线并进行舌体分割;
在实际应用中,所述通过HSV颜色空间获得舌体轮廓线并进行舌体分割包括:通过分析HSV空间中Hue分量和Value分量在舌象上不同的分布情况,确定各分量的阈值,然后对图像进行分割并对其进行二值化处理,获得舌体初始区域;再通过水平集方法对初始区域进行收敛,最后获得较为精确的舌体图像;从而进行舌体分割。
在实际应用中,所述通过HSV颜色空间获得舌体轮廓线并进行舌体分割包括:
舌象初始位置的确定,舌体部分与图像中其他部分的关键区别在于,舌体表面有一层水膜,它对外界光线有很强的反射特性。因此,图像中舌体的亮度值通常较高,亮度信息就被用作区分舌体与非舌体的一个重要指标;把图象由RGB模型转变为HSV模型,并对Hue分量和V分量进行二值化处理,再分别进行与操作,得到融合后的二值图像,对它进行中值滤波操作,去除舌象图细小背景噪声点,得到想要的舌体初始轮廓线C;由于舌体区域存在若干小的空洞,因此对它进行中值滤波操作,可以去除舌象图细小背景噪声点,不会使舌象的边界模糊,比较适合舌象的去噪处理,这样就可以得到想要的舌体初始轮廓线。
据前面得到的粗略轮廓线C,把舌象空间Ω分为两个区域,分别为内部轮廓线区域Ω1和外部轮廓线区域Ω2;对于给定的x∈Ω,定义的局部能量函数为:
其中,核函数K;I(y)为舌象图片在HSV彩色空间中H分量和S分量叠加的矩阵。其中,核函数K的选择是灵活的,本文选择的是高斯低通滤波器,是低频增强的滤波技术。它可以滤掉由于孤立的单点噪声而引起的灰度偏差。
在实际应用中,从融合图像中搜索轮廓线时,具体做法是,舌象从上至下、从左至右进行扫描搜索,值为0的位置点就认为是边界点,最后得到初始轮廓线。
步骤S3:通过水平集方法进行舌苔舌质的分离;
所述通过水平集方法进行舌苔舌质的分离包括:
以舌苔为例,设有四个总体G1,…G4,它们的均值和协方差矩阵分别为μ(i),∑(i),i=1,…,k,从每个总体Gi中抽取ni个样品,i=1,…,k,每个样品测p个指标;
记向量
当∑(i)相等,
D2(X,Gi)=(X-μ(i))′∑-1(X-μ(i)),i=1,...,4;
判别函数为:
每个总体中抽取容量为10的样本,提取特征,分别计算各总体的均值向量;而对于要测试的样本,根据它们的特征向量就可确定它的归属。
步骤S4:根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果。
在实际应用中,所述根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果的步骤包括:在舌苔舌质分离的基础上,根据舌苔、舌质在舌面上的分布特点,使用基于AdaBoost的机器学习分类方法对舌体特征进行分类,得到舌色苔色识别的结果。在舌象颜色的分类中,单一的分类器会对容易区分的类别分类精度高,对某些疑难的类别,如白苔与淡黄苔,分类效果不好。AdaBoost算法能很好地解决这个问题,对于无法正确学习的类别样本,能够集中学习,并将学习的结果与其他分类器的结果组合输出。
在实际应用时,所述根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果的步骤包括:
采用PCA方法分别对每一类的舌象颜色特征进行提取、降维,得到每一类最重要的特征向量;
给定标定的训练样本集:{(x1,y1),(x2,y2),…,(xn,yn)};
初始化权值向量,通过循环训练弱分类器更新权值向量;
T次循环结束后,输出最终的组合分类器
其中,T为迭代次数;ht(x,y)表示弱分类器ht将xi分类为y的置信度;qt(i,y)是标签加权函数,初始值为1/(k-1);Dt(i)表示当前样本权值和占所有样本权值和的总和比重,初始值为1/N;,ωt i,y表示相对于整个样本集N,当前样本的非正确分类(iy≠y)的各错误类权值(共k-1个错误类),初始值为1/N(k-1);ωt i表示相对于整个样本集N,当前样本的各类权值总和,初始值为1/N。
本发明实施的优点:本发明所述的中医舌色苔色识别方法,包括以下步骤:获取包含舌头部位的图像;通过HSV颜色空间获得舌体轮廓线并进行舌体分割;通过水平集方法进行舌苔舌质的分离;根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果;通过分割舌体和分离舌象上舌苔、舌质,根据舌苔、舌质在舌面上的分布特点,提出了一种基于机器学习模型AdaBoost的舌色、苔色识别方法;把图像特征与传统分类器相结合,能较准确的得到舌色苔色识别结果,辅助中医诊断;为了克服舌体分割的困难,提出一种基于HSV颜色空间和水平集算法的舌象分割方法,该方法通过分析HSV空间中Hue分量和Value分量在舌象上不同的分布情况,确定各分量的阈值,然后对图像进行分割并对其进行二值化处理,获得舌体初始区域;再通过水平集方法对初始区域进行收敛,最后获得较为精确的舌体图像,较好地解决了舌体自动分割问题。进一步的,提出了一种基于水平集的彩色舌图像舌苔舌质分离方法,通过对水平集方程的进一步改进,实现了舌苔边缘的分离。实验结果表明,同GVF Snake算法相比,该方法对于凹陷区域的收敛更为精确。相对于区域增长法,能够获得更加符合中医临床要求的舌苔舌质分离效果;并且,由于目前中医舌诊本身尚没有统一明确的辨识标准,尤其是缺少客观量化标准。因此,在舌象颜色的分类中,单一的分类器会对容易区分的类别分类精度高,对某些疑难的类别,如白苔与淡黄苔,分类效果不好。AdaBoost算法能很好地解决这个问题,对于无法正确学习的类别样本,能够集中学习,并将学习的结果与其他分类器的结果组合输出。
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 (7)
1.一种中医舌色苔色识别方法,其特征在于,所述中医舌色苔色识别方法包括以下步骤:
获取包含舌头部位的图像;
通过HSV颜色空间获得舌体轮廓线并进行舌体分割;
通过水平集方法进行舌苔舌质的分离;
根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果。
2.根据权利要求1所述的中医舌色苔色识别方法,其特征在于,所述通过HSV颜色空间获得舌体轮廓线并进行舌体分割包括:通过分析HSV空间中Hue分量和Value分量在舌象上不同的分布情况,确定各分量的阈值,然后对图像进行分割并对其进行二值化处理,获得舌体初始区域;再通过水平集方法对初始区域进行收敛,最后获得较为精确的舌体图像;从而进行舌体分割。
3.根据权利要求2所述的中医舌色苔色识别方法,其特征在于,所述通过HSV颜色空间获得舌体轮廓线并进行舌体分割包括:
舌象初始位置的确定,把图象由RGB模型转变为HSV模型,并对Hue分量和V分量进行二值化处理,再分别进行与操作,得到融合后的二值图像,对它进行中值滤波操作,去除舌象图细小背景噪声点,得到想要的舌体初始轮廓线C;
据前面得到的粗略轮廓线C,把舌象空间Ω分为两个区域,分别为内部轮廓线区域Ω1和外部轮廓线区域Ω2;对于给定的x∈Ω,定义的局部能量函数为:
其中,核函数K;I(y)为舌象图片在HSV彩色空间中H分量和S分量叠加的矩阵。
4.根据权利要求3所述的中医舌色苔色识别方法,其特征在于,所述通过HSV颜色空间获得舌体轮廓线并进行舌体分割包括:从融合图像中搜索轮廓线时,具体做法是,舌象从上至下、从左至右进行扫描搜索,值为0的位置点就认为是边界点,最后得到初始轮廓线。
5.根据权利要求1所述的中医舌色苔色识别方法,其特征在于,所述通过水平集方法进行舌苔舌质的分离包括:
以舌苔为例,设有四个总体G1,…G4,它们的均值和协方差矩阵分别为μ(i),∑(i),i=1,…,k,从每个总体Gi中抽取ni个样品,i=1,…,k,每个样品测p个指标;
记向量
当∑(i)相等,
D2(X,Gi)=(X-μ(i))′∑-1(X-μ(i)),i=1,…,4;
判别函数为:
每个总体中抽取容量为10的样本,提取特征,分别计算各总体的均值向量;而对于要测试的样本,根据它们的特征向量就可确定它的归属。
6.根据权利要求1至5之一所述的中医舌色苔色识别方法,其特征在于,所述根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果的步骤包括:在舌苔舌质分离的基础上,根据舌苔、舌质在舌面上的分布特点,使用基于AdaBoost的机器学习分类方法对舌体特征进行分类,得到舌色苔色识别的结果。
7.根据权利要求6所述的中医舌色苔色识别方法,其特征在于,所述根据舌苔、舌质在舌面上的分布特点,对舌体特征进行分类,得到舌色苔色识别的结果的步骤包括:
采用PCA方法分别对每一类的舌象颜色特征进行提取、降维,得到每一类最重要的特征向量;
给定标定的训练样本集:{(x1,y1),(x2,y2),…,(xn,yn)};
初始化权值向量,通过循环训练弱分类器更新权值向量;
T次循环结束后,输出最终的组合分类器
其中,T为迭代次数;ht(x,y)表示弱分类器ht将xi分类为y的置信度;qt(i,y)是标签加权函数,初始值为1/(k-1);Dt(i)表示当前样本权值和占所有样本权值和的总和比重,初始值为1/N;,ωt i,y表示相对于整个样本集N,当前样本的非正确分类(iy≠y)的各错误类权值(共k-1个错误类),初始值为1/N(k-1);ωt i表示相对于整个样本集N,当前样本的各类权值总和,初始值为1/N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811529131.3A CN109872299A (zh) | 2018-12-14 | 2018-12-14 | 一种中医舌色苔色识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811529131.3A CN109872299A (zh) | 2018-12-14 | 2018-12-14 | 一种中医舌色苔色识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872299A true CN109872299A (zh) | 2019-06-11 |
Family
ID=66917078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811529131.3A Pending CN109872299A (zh) | 2018-12-14 | 2018-12-14 | 一种中医舌色苔色识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872299A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189383A (zh) * | 2019-06-27 | 2019-08-30 | 合肥云诊信息科技有限公司 | 基于机器学习的中医舌色苔色定量分析方法 |
CN110411955A (zh) * | 2019-07-15 | 2019-11-05 | 中山大学中山眼科中心 | 一种基于分子特征预测物质颜色气味的人工智能训练系统 |
CN110648336A (zh) * | 2019-09-23 | 2020-01-03 | 无限极(中国)有限公司 | 一种舌质和舌苔的分割方法及装置 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745217A (zh) * | 2013-12-31 | 2014-04-23 | 北京工业大学 | 基于图像检索的中医舌色苔色自动分析方法 |
CN105030200A (zh) * | 2015-07-24 | 2015-11-11 | 天津大学 | 一种基于绿色单色光源的中医舌质舌苔分离方法 |
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 |
-
2018
- 2018-12-14 CN CN201811529131.3A patent/CN109872299A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745217A (zh) * | 2013-12-31 | 2014-04-23 | 北京工业大学 | 基于图像检索的中医舌色苔色自动分析方法 |
CN105030200A (zh) * | 2015-07-24 | 2015-11-11 | 天津大学 | 一种基于绿色单色光源的中医舌质舌苔分离方法 |
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 |
Non-Patent Citations (3)
Title |
---|
张新峰 等: "基于形状先验水平集的高鲁棒性中医舌图像分割方法", 《北京工业大学学报》 * |
张新峰 等: "基于形状先验水平集的高鲁棒性中医舌图像分割方法", 《北京工业大学学报》, vol. 39, no. 10, 31 October 2013 (2013-10-31), pages 1481 - 1487 * |
胡申宁: "中医舌诊中舌色、苔色自动分类的研究", 中国优秀硕士学位论文全文数据库医药卫生科技辑, no. 6, pages 056 - 5 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189383A (zh) * | 2019-06-27 | 2019-08-30 | 合肥云诊信息科技有限公司 | 基于机器学习的中医舌色苔色定量分析方法 |
CN110411955A (zh) * | 2019-07-15 | 2019-11-05 | 中山大学中山眼科中心 | 一种基于分子特征预测物质颜色气味的人工智能训练系统 |
CN110411955B (zh) * | 2019-07-15 | 2022-05-20 | 中山大学中山眼科中心 | 一种基于分子特征预测物质颜色气味的人工智能预测系统 |
CN110648336A (zh) * | 2019-09-23 | 2020-01-03 | 无限极(中国)有限公司 | 一种舌质和舌苔的分割方法及装置 |
CN110648336B (zh) * | 2019-09-23 | 2022-07-08 | 无限极(中国)有限公司 | 一种舌质和舌苔的分割方法及装置 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364006B (zh) | 基于多模式深度学习的医学图像分类装置及其构建方法 | |
Chetoui et al. | Diabetic retinopathy detection using machine learning and texture features | |
Tian et al. | Multi-path convolutional neural network in fundus segmentation of blood vessels | |
CN109872299A (zh) | 一种中医舌色苔色识别方法 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
CN109544517A (zh) | 基于深度学习的多模态超声组学分析方法及系统 | |
Khandouzi et al. | Retinal vessel segmentation, a review of classic and deep methods | |
CN104299242B (zh) | 基于ngc‑acm的荧光造影眼底图像提取方法 | |
CN108511055A (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
Wahid et al. | A novel fuzzy-based thresholding approach for blood vessel segmentation from fundus image | |
CN106780439B (zh) | 一种筛选眼底图像的方法 | |
Abdelhafeez et al. | Skin cancer detection using neutrosophic c-means and fuzzy c-means clustering algorithms | |
Ciampi et al. | Learning to count biological structures with raters’ uncertainty | |
Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
CN106952268B (zh) | 一种基于关联矩阵自学习及显式秩约束的医学图像分割方法 | |
Al Jannat et al. | Detection of multiple sclerosis using deep learning | |
CN109711306B (zh) | 一种基于深度卷积神经网络获取面部特征的方法及设备 | |
Al-Gburi et al. | Optical disk segmentation in human retina images with golden eagle optimizer | |
Gopika et al. | Hybrid approach for the brain tumors detection & segmentation using artificial bee colony optimization with FCM | |
CN116310525A (zh) | 一种基于对比表示蒸馏与输出蒸馏的病理图像分类方法 | |
CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Elzennary et al. | Early Deep Detection for Diabetic Retinopathy | |
Sreedhanya et al. | An automatic brain tumor detection and segmentation using hybrid method | |
Oloumi et al. | Digital Image Processing for Ophthalmology: Detection and Modeling of Retinal Vascular Architecture |
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 |