CN110807775A - 基于人工智能的中医舌像分割装置、方法及存储介质 - Google Patents
基于人工智能的中医舌像分割装置、方法及存储介质 Download PDFInfo
- Publication number
- CN110807775A CN110807775A CN201810884613.4A CN201810884613A CN110807775A CN 110807775 A CN110807775 A CN 110807775A CN 201810884613 A CN201810884613 A CN 201810884613A CN 110807775 A CN110807775 A CN 110807775A
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- super
- super pixel
- pixel region
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 45
- 238000003709 image segmentation Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 20
- 210000000746 body region Anatomy 0.000 claims description 8
- 230000007935 neutral effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 238000000605 extraction Methods 0.000 description 10
- 238000013145 classification model Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 241000270295 Serpentes Species 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001605 fetal effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Alternative & Traditional Medicine (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于人工智能的中医舌像分割装置、方法及存储介质，该方法包括步骤：通过图像采集设备摄取包含舌体的舌面图像；将舌面图像的RGB像素点经过SLIC算法处理生成N个超像素区域；提取每一个超像素区域的特征组；利用预先训练好的舌体分类器对每个超像素区域的特征组进行分类，并识别出舌体区域和非舌体区域；从舌面图像中剔除非舌体区域并保留舌体区域得到舌体图像，并通过输出单元输出所述舌体图像。本发明能够减少舌面图像数据的运算量，提高舌体分割的运算速度，且能够有效提高舌体分割的准确度，对于中医舌诊领域具有广泛的应用前景。
Description
技术领域
本发明涉及中医舌像处理的技术领域，尤其涉及一种基于人工智能的中医舌像分割装置、方法及计算机存储介质。
背景技术
作为中医四诊法之一的“望”，其主要研究对象就是舌像。舌体的大小、形状、颜色、裂纹、胎质、以及齿痕有无和位置等信息都反映了病人的健康状况。这使得舌诊成为了中医诊断中非常重要以及广泛使用的诊断方法。然而，中医诊断主要凭借执业中医师的经验来完成，缺乏有效的量化标准，这极大地阻碍了中医的现代化发展之路。作为其中一个重要的中医诊断方法，舌诊具有同样的缺陷。基于图像分析、模式识别和人工智能技术的自动化舌诊系统是弥补此种缺陷的方法之一，此类系统的目的就是建立舌像特征和舌像类型之间的关系，实现舌诊的自动化。舌像特征的提取完全依赖于对图像中舌体的精确分割，因此提出了很多针对舌诊图像分割方法。当前的舌像分割技术主要基于颜色分割或者基于Snakes算法分割。然而，基于颜色的分割容易受到光线的影响以及舌体和皮肤比较接近时分割效果不理想；基于Snakes算法分割，在舌体和周围皮肤对比不够明显的情况下效果也不够理想。因此，现有的舌像分割技术对舌体分割精度和效率不高，从而影响对中医舌诊的不够准确，在实际应用中缺乏实用性。
发明内容
本发明的主要目的在于提供一种基于人工智能的中医舌像分割装置、方法及机存储介质，旨在解决现有技术对舌体分割精度和效率不高的问题。
为实现上述目的，本发明提供一种基于人工智能的中医舌像分割装置，该中医舌像分割装置包括图像采集设备以及输出单元，该中医舌像分割装置还包括适于实现各种计算机程序指令的处理器以及适于存储多条计算机程序指令的存储器，所述计算机程序指令由处理器加载并执行如下步骤：通过图像采集设备摄取包含舌体的舌面图像；将舌面图像的RGB像素点经过SLIC算法处理生成N个超像素区域；提取每一个超像素区域的特征组；利用预先训练好的舌体分类器对每个超像素区域的特征组进行分类，并识别出舌体区域和非舌体区域；从舌面图像中剔除非舌体区域并保留舌体区域得到舌体图像，并通过输出单元输出所述舌体图像。
进一步地，所述计算机程序指令由处理器加载还执行如下步骤：预先创建一个舌体特征样本，并对舌体特征样本进行特征定义为：若超像素区域属于舌体区域，则建立该超像素区域的特征组对应的标签值为1；若超像素区域不属于舌体区域，则建立该超像素区域的特征组对应的标签值为0；利用adaboost算法对舌体特征样本的每一个超像素区域Ki的特征组与对应的标签值进行训练来产生舌体分类器，并将舌体分类器存储在存储器中。
进一步地，所述通过图像采集设备摄取包含舌体的舌面图像包括如下步骤：通过图像采集设备从患者嘴部摄取包含舌体的数字图像，并从数字图像分析出该数字图像的清晰度和对中性参数；根据数字图像的清晰度产生第一控制信号，并根据数字图像的对中性参数产生第二控制信号；根据第一控制信号驱动图像采集设备的步进电机来调整摄像头与舌体的相对位置；根据第二控制信号驱动图像采集设备的镜头轴线平行于舌面法线且通过舌面中心以摄取清晰的舌面图像。
进一步地，所述超像素区域的特征组包括超像素区域的颜色特征、位置特征、最大梯度特征，其中，所述计算机程序指令由处理器加载还执行如下步骤：计算每个超像素区域中所有像素点相应三个颜色通道R、G、B的平均值作为超像素区域的颜色特征，其表示为R’、G’、B’；比较每个超像素区域所有梯度大小M，选取最大的梯度作为每个超像素区域的最大梯度特征，其表示为M’；将每个超像素区域中所有像素点的坐标(x，y)累加求和，把累加结果分别除以人脸的宽度和长度作为每个超像素区域对应的位置特征(x’，y’)；将每个超像素区域的颜色特征、位置特征、最大梯度特征组成一个具有6个维度的特征组(R’,G’,B’,M’,x’,y’)作为每个超像素区域的特征组。
另一方面，本发明还提供一种基于人工智能的中医舌像分割方法，应用于中医舌像分割装置中，该中医舌像分割装置包括图像采集设备以及输出单元，该方法包括如下步骤：通过图像采集设备摄取包含舌体的舌面图像；将舌面图像的RGB像素点经过SLIC算法处理生成N个超像素区域；提取每一个超像素区域的特征组；利用预先训练好的舌体分类器对每个超像素区域的特征组进行分类，并识别出舌体区域和非舌体区域；从舌面图像中剔除非舌体区域并保留舌体区域得到舌体图像，并通过输出单元输出所述舌体图像。
进一步地，所述的基于人工智能的中医舌像分割方法还包括如下步骤：预先创建一个舌体特征样本，并对舌体特征样本进行特征定义为：若超像素区域属于舌体区域，则建立该超像素区域的特征组对应的标签值为1；若超像素区域不属于舌体区域，则建立该超像素区域的特征组对应的标签值为0；利用adaboost算法对舌体特征样本的每一个超像素区域Ki的特征组与对应的标签值进行训练来产生舌体分类器，并将舌体分类器存储在存储器。
进一步地，所述识别舌体区域和非舌体区域的规则如下：若一个超像素区域对应的标签值为1，则识别该超像素区域为舌体区域；若一个超像素区域对应的标签值为0，则识别该超像素区域为非舌体区域。
进一步地，所述通过图像采集设备摄取包含舌体的舌面图像包括如下步骤：通过图像采集设备从患者嘴部摄取包含舌体的数字图像，并从数字图像分析出该数字图像的清晰度和对中性参数；根据数字图像的清晰度产生第一控制信号，并根据数字图像的对中性参数产生第二控制信号；根据第一控制信号驱动图像采集设备的步进电机来调整摄像头与舌体的相对位置；根据第二控制信号驱动图像采集设备的镜头轴线平行于舌面法线且通过舌面中心以摄取清晰的舌面图像。
进一步地，所述超像素区域的特征组包括超像素区域的颜色特征、位置特征、最大梯度特征，其中，所述提取每一个超像素区域的特征组的步骤包括如下步骤：计算每个超像素区域中所有像素点相应三个颜色通道R、G、B的平均值作为超像素区域的颜色特征，其表示为R’、G’、B’；比较每个超像素区域所有梯度大小M，选取最大的梯度作为每个超像素区域的最大梯度特征，其表示为M’；将每个超像素区域中所有像素点的坐标(x，y)累加求和，把累加结果分别除以人脸的宽度和长度作为每个超像素区域对应的位置特征(x’，y’)；将每个超像素区域的颜色特征、位置特征、最大梯度特征组成一个具有6个维度的特征组(R’,G’,B’,M’,x’,y’)作为每个超像素区域的特征组。
再一方面，本发明一种计算机可读存储介质，该计算机存储介质存储多条计算机程序指令，其特征在于，所述计算机程序指令由计算机装置的处理器加载并执行所述基于人工智能的中医舌像分割方法。
相较于现有技术，由于舌面图像包含的像素点太多，采用现有Snakes算法对舌面图像进行分割会比较耗时且分割精度不高，本发明对舌面图像所有的元像素(即原来像素点)进行SLIC算法处理成一系列超像素，利用超像素的RGB均值代替元像素，由于超像素相对于元像素的个数少得多，再依据adaboost算法训练舌体分类器并采用该舌体分类器优化分割出舌体区域和非舌体区域，因此能够减少舌面图像数据的运算量，提高舌体分割的运算速度，且能够有效提高舌体分割的准确度，对于中医舌诊领域具有广泛的应用前景。
附图说明
图1是本发明基于人工智能的中医舌像分割装置的优选实施例的方框示意图；
图2是本发明基于人工智能的中医舌像分割方法优选实施例的流程图；
图3是本发明将舌面图像的RGB像素点处理成包含超像素区域的示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明的具体实施方式、结构、特征及其功效，详细说明如下。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1所示，图1是本发明基于人工智能的中医舌像分割装置的优选实施例的方框示意图。在本实施例中，所述中医舌像分割装置1安装有基于人工智能的中医舌像分割系统10，所述中医舌像分割装置1可以为安装有中医舌像分割系统10的个人计算机、大型计算机、工作站计算机、服务器、云平台服务器等具有数据处理功能和图像处理功能的计算装置。
在本实施例中，所述中医舌像分割装置1包括，但不仅限于，基于人工智能的中医舌像分割系统10、图像采集设备11、适于存储多条计算机程序指令的存储器12、执行各种计算机程序指令的处理器13以及输出单元14。所述图像采集设备11为一种至少包括步进电机和镜头的高清摄像装置，例如高清摄像机，用于从患者的舌体摄取包含舌体的舌面图像。所述存储器12可以为一种只读存储器ROM，随机存储器RAM、电可擦写存储器EEPROM、快闪存储器FLASH、磁盘或光盘等。所述处理器13为一种中央处理器(CPU)、微控制器(MCU)、数据处理芯片、或者具有数据处理功能的信息处理单元。所述输出单元14可以为一种用于显示舌体图像的显示屏，也可以为一种用于打印舌体图像的打印机。
在本实施例中，所述基于人工智能的中医舌像分割系统10由各种计算机程序指令组成的程序模块组成，包括但不局限于，分类模型创建模块101、舌像获取模块102、舌体特征提取模块103以及舌体分割模块104。本发明所称的模块是指一种能够被中医舌像分割装置1的处理器13执行并且能够完成固定功能的一系列计算机程序指令段，其存储在中医舌像分割装置1的存储器12中，以下结合图2具体说明每一个模块的具体功能。
参考图2所示，是本发明基于人工智能的中医舌像分割方法优选实施例的流程图。在本实施例中，所述基于人工智能的中医舌像分割方法的各种方法步骤通过计算机软件程序来实现，该计算机软件程序以计算机程序指令的形式存储于计算机可读存储介质(例如存储器12)中，计算机可读存储介质可以包括：只读存储器、随机存储器、磁盘或光盘等，所述计算机程序指令能够被处理器(例如处理器13)加载并执行如下步骤S21至步骤S25。
步骤S21，通过图像采集设备摄取包含舌体的舌面图像；在本实施例中，舌像获取模块102通过图像采集设备11从患者嘴部摄取包含舌体的数字图像，并根据该数字图像控制所述图像采集设备11摄取清晰的舌面图像。舌像获取模块102从所述数字图像分析出该数字图像的清晰度和对中性参数，根据数字图像的清晰度产生第一控制信号，根据数字图像的对中性参数产生第二控制信号，根据第一控制信号驱动图像采集设备11的步进电机来调整摄像头与舌体的相对位置，根据第二控制信号驱动图像采集设备11的镜头轴线平行于舌面法线且通过舌面中心，以重新摄取清晰的舌面图像，从而控制图像采集设备11适应患者的伸舌动作并从患者的舌体摄取包含舌体的舌面图像。
步骤S22，将舌面图像的RGB像素点经过SLIC算法处理生成N个超像素区域Ki；在本实施例中，舌体特征提取模块103将舌面图像的RGB像素点经过SLIC算法处理得到包含N个超像素区域Ki的舌面图像。如图3所示，舌面图像由一系列像素点组成，每个像素点由R、G、B三个颜色通道组成，舌体特征提取模块103对舌面图像进行SLIC(simple lineariterative cluster)算法处理生成N个超像素区域Ki，其中，i＝1，……，N(N为自然数)，所述超像素区域Ki由多个特征相似的像素点组成的规则或不规则区域。具体地，舌体特征提取模块103利用SLIC算法将舌面图像从RGB颜色空间转换到CIE-Lab颜色空间，对应每个RGB像素点的(L，a，b)颜色值和(x，y)坐标组成一个5维向量V[l,a,b,x,y]，两个像素的相似性即可由它们的向量距离来度量，向量距离越大，两个像素相似性越小。所述SLIC算法首先生成N个种子点，然后在每个种子点的周围空间里搜索距离该种子点最近的若干像素，将他们归为与该种子点一类，直到所有像素点都归类完毕。然后计算这N个超像素里所有像素点的平均向量值，重新得到N个聚类中心，然后再以这N个中心去搜索其周围与其最为相似的若干像素，所有像素都归类完后重新得到N个超像素，更新聚类中心，再次迭代，如此反复直到收敛得到N个超像素区域Ki的舌面图像。
步骤S23，提取每一个超像素区域Ki的特征组，包括颜色特征、位置特征、最大梯度特征；在本实施例中，舌体特征提取模块103提取每一个超像素区域Ki的特征组，所述特征包括每个超像素区域Ki的颜色特征、位置特征、最大梯度特征。其中，舌体特征提取模块103计算每个超像素区域Ki中所有像素点相应三个颜色通道R、G、B的平均值作为超像素区域Ki的颜色特征，其表示为R’、G’、B’；舌体特征提取模块103比较每个超像素区域Ki所有梯度大小M，选取最大的梯度作为每个超像素区域Ki的最大梯度特征，其表示为M’；舌体特征提取模块103将每个超像素区域Ki中所有像素点的坐标(x，y)累加求和，然后把累加结果分别除以人脸的宽度和长度作为每个超像素区域Ki对应的位置特征(x’，y’)；最后，舌体特征提取模块103将每个超像素区域Ki的颜色特征、位置特征、最大梯度特征组成一个具有6个维度的特征组(R’,G’,B’,M’,x’,y’)作为每个超像素区域Ki的特征组。
步骤S24，利用预先训练好的舌体分类器对每个超像素区域Ki的特征组进行分类识别出舌体区域和非舌体区域；在本实施例中，舌体分割模块104将每个超像素区域Ki的特征组(R’,G’,B’,M’,x’,y’)输入到已训练好的舌体分类器，该舌体分类器对每个超像素区域Ki的特征组(R’,G’,B’,M’,x’,y’)进行分类识别出舌体区域和非舌体区域。具体地，舌体分割模块104输入舌面图像的每个超像素区域Ki的特征组(R’,G’,B’,M’,x’,y’)，利用舌体分类器对每个超像素区域Ki的特征组(R’,G’,B’,M’,x’,y’)建立每个超像素区域Ki对应的标签值，根据每个超像素区域Ki对应的标签值识别出舌面图像中的舌体区域和非舌体区域。在本实施例中，预先训练好舌体分类器(一种舌体分类模型)并存储在存储器12中，若一个超像素区域Ki对应的标签值为1，则舌体分割模块104识别出该超像素区域Ki为舌体区域；若一个超像素区域Ki对应的标签值为0，则舌体分割模块104识别出该超像素区域Ki为非舌体区域；
步骤S25，从舌面图像中剔除非舌体区域并保留舌体区域得到舌体图像，并通过输出单元输出所述舌体图像；在本实施例中，舌体分割模块104剔除舌面图像中所有的非舌体区域则留下舌体区域，从而得到仅包括清晰患者舌体的舌体图像。此外，舌体分割模块104将舌体图像通过输出单元14的显示屏分割出的舌体图像，或者通过打印机打印舌体图像，或者将舌体图像通过网络发送至医生终端，供医生通过患者的舌体图像诊断舌体的大小、形状、颜色、裂纹、胎质、以及齿痕有无和位置等信息，从而辅助医生进行中医舌诊获得患者的健康状况。
在利用本发明所述基于人工智能的中医舌像分割方法进行舌像分割之前，需要预先通过机器学习和机器训练一个舌体分类器，并存储在存储器12中。在本实例中，所述步骤S21之前还包括如下具体步骤：
步骤一，预先创建一个舌体特征样本，并对舌体特征样本进行特征定义；在本实施例中，分类模型创建模块101预先创建一个舌体特征样本，具体地，获取一幅作为训练的舌面图像，并根据步骤S22和步骤S23获取该舌面图像的所有超像素区域Ki的特征组(R’,G’,B’,M’,x’,y’)作为舌体特征样本，并对舌体特征样本定义如下：如果超像素区域Ki属于舌体区域，建立该超像素区域Ki的特征组对应的标签值为1；如果超像素区域Ki不属于舌体区域，建立该超像素区域Ki的特征组对应的标签值为0。
步骤二，利用adaboost算法对舌体特征样本进行训练来产生舌体分类器，并将舌体分类器存储在存储器中；具体地，分类模型创建模块101利用adaboost算法对舌体特征样本进行训练来产生一个舌体分类器，并将舌体分类器存储在存储器12中，以供后续对输入的舌面图像进行快速准确地舌体分割。在本实施例中，所述Adaboost算法是一种现有技术的二分类算法，本发明不作具体赘述，分类模型创建模块101利用adaboost算法对舌体特征样本的每一个超像素区域Ki的特征组以及相应的标签值进行机器学习与训练，即可获得舌体分类器。
本发明还一种计算机可读存储介质，该计算机可读存储介质存储多条计算机程序指令，所述计算机程序指令由计算机装置的处理器加载并执行所述基于人工智能的中医舌像分割方法。本领域技术人员可以理解，上述实施方式中各种方法的全部或部分步骤可以通过相关程序指令完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘或光盘等。
在本实施例中，由于舌面图像包含的像素点太多，采用现有Snakes算法对舌面图像进行分割会比较耗时且分割精度不高，本发明对舌面图像所有的元像素(即原来像素点)进行SLIC算法处理成一系列超像素，利用超像素的RGB均值代替元像素，由于超像素相对于元像素的个数少得多，再依据adaboost算法训练舌体分类器并采用该舌体分类器优化分割出舌体区域和非舌体区域，因此能够减少舌面图像数据的运算量，提高舌体分割的运算速度，且能够有效提高舌体分割的准确度，对于中医舌诊领域具有广泛的应用前景。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于人工智能的中医舌像分割装置，该中医舌像分割装置包括图像采集设备以及输出单元，其特征在于，该中医舌像分割装置包括适于实现各种计算机程序指令的处理器以及适于存储多条计算机程序指令的存储器，所述计算机程序指令由处理器加载并执行如下步骤：
通过图像采集设备摄取包含舌体的舌面图像；
将舌面图像的RGB像素点经过SLIC算法处理生成N个超像素区域；
提取每一个超像素区域的特征组；
利用预先训练好的舌体分类器对每个超像素区域的特征组进行分类，并识别出舌体区域和非舌体区域；
从舌面图像中剔除非舌体区域并保留舌体区域得到舌体图像，并通过输出单元输出所述舌体图像。
2.如权利要求1所述的基于人工智能的中医舌像分割装置，其特征在于，所述计算机程序指令由处理器加载还执行如下步骤：
预先创建一个舌体特征样本，并对舌体特征样本进行特征定义为：若超像素区域属于舌体区域，则建立该超像素区域的特征组对应的标签值为1；若超像素区域不属于舌体区域，则建立该超像素区域的特征组对应的标签值为0；
利用adaboost算法对舌体特征样本的每一个超像素区域Ki的特征组与对应的标签值进行训练来产生舌体分类器，并将舌体分类器存储在存储器中。
3.如权利要求1所述的基于人工智能的中医舌像分割装置，其特征在于，所述通过图像采集设备摄取包含舌体的舌面图像包括如下步骤：
通过图像采集设备从患者嘴部摄取包含舌体的数字图像，并从数字图像分析出该数字图像的清晰度和对中性参数；
根据数字图像的清晰度产生第一控制信号，并根据数字图像的对中性参数产生第二控制信号；
根据第一控制信号驱动图像采集设备的步进电机来调整摄像头与舌体的相对位置；
根据第二控制信号驱动图像采集设备的镜头轴线平行于舌面法线且通过舌面中心以摄取清晰的舌面图像。
4.如权利要求1所述的基于人工智能的中医舌像分割装置，其特征在于，所述超像素区域的特征组包括超像素区域的颜色特征、位置特征、最大梯度特征，其中，所述计算机程序指令由处理器加载还执行如下步骤：
计算每个超像素区域中所有像素点相应三个颜色通道R、G、B的平均值作为超像素区域的颜色特征，其表示为R’、G’、B’；
比较每个超像素区域所有梯度大小M，选取最大的梯度作为每个超像素区域的最大梯度特征，其表示为M’；
将每个超像素区域中所有像素点的坐标(x，y)累加求和，把累加结果分别除以人脸的宽度和长度作为每个超像素区域对应的位置特征(x’，y’)；
将每个超像素区域的颜色特征、位置特征、最大梯度特征组成一个具有6个维度的特征组(R’,G’,B’,M’,x’,y’)作为每个超像素区域的特征组。
5.一种基于人工智能的中医舌像分割方法，应用于中医舌像分割装置中，该中医舌像分割装置包括图像采集设备以及输出单元，其特征在于，该方法包括如下步骤：
通过图像采集设备摄取包含舌体的舌面图像；
将舌面图像的RGB像素点经过SLIC算法处理生成N个超像素区域；
提取每一个超像素区域的特征组；
利用预先训练好的舌体分类器对每个超像素区域的特征组进行分类，并识别出舌体区域和非舌体区域；
从舌面图像中剔除非舌体区域并保留舌体区域得到舌体图像，并通过输出单元输出所述舌体图像。
6.如权利要求5所述的基于人工智能的中医舌像分割方法，其特征在于，该方法还包括如下步骤：
预先创建一个舌体特征样本，并对舌体特征样本进行特征定义为：若超像素区域属于舌体区域，则建立该超像素区域的特征组对应的标签值为1；若超像素区域不属于舌体区域，则建立该超像素区域的特征组对应的标签值为0；
利用adaboost算法对舌体特征样本的每一个超像素区域Ki的特征组与对应的标签值进行训练来产生舌体分类器，并将舌体分类器存储在存储器中。
7.如权利要求6所述的基于人工智能的中医舌像分割方法，其特征在于，所述识别舌体区域和非舌体区域的规则如下：
若一个超像素区域对应的标签值为1，则识别该超像素区域为舌体区域；
若一个超像素区域对应的标签值为0，则识别该超像素区域为非舌体区域。
8.如权利要求5所述的基于人工智能的中医舌像分割方法，其特征在于，所述通过图像采集设备摄取包含舌体的舌面图像包括如下步骤：
通过图像采集设备从患者嘴部摄取包含舌体的数字图像，并从数字图像分析出该数字图像的清晰度和对中性参数；
根据数字图像的清晰度产生第一控制信号，并根据数字图像的对中性参数产生第二控制信号；
根据第一控制信号驱动图像采集设备的步进电机来调整摄像头与舌体的相对位置；
根据第二控制信号驱动图像采集设备的镜头轴线平行于舌面法线且通过舌面中心以摄取清晰的舌面图像。
9.如权利要求5所述的基于人工智能的中医舌像分割方法，其特征在于，所述超像素区域的特征组包括超像素区域的颜色特征、位置特征、最大梯度特征，其中，所述提取每一个超像素区域的特征组的步骤包括如下步骤：
计算每个超像素区域中所有像素点相应三个颜色通道R、G、B的平均值作为超像素区域的颜色特征，其表示为R’、G’、B’；
比较每个超像素区域所有梯度大小M，选取最大的梯度作为每个超像素区域的最大梯度特征，其表示为M’；
将每个超像素区域中所有像素点的坐标(x，y)累加求和，把累加结果分别除以人脸的宽度和长度作为每个超像素区域对应的位置特征(x’，y’)；
将每个超像素区域的颜色特征、位置特征、最大梯度特征组成一个具有6个维度的特征组(R’,G’,B’,M’,x’,y’)作为每个超像素区域的特征组。
10.一种计算机可读存储介质，该计算机可读存储介质存储多条计算机程序指令，其特征在于，所述计算机程序指令由计算机装置的处理器加载并执行如权利要求5至9任一项所述基于人工智能的中医舌像分割方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810884613.4A CN110807775A (zh) | 2018-08-06 | 2018-08-06 | 基于人工智能的中医舌像分割装置、方法及存储介质 |
| PCT/CN2019/099242 WO2020029915A1 (zh) | 2018-08-06 | 2019-08-05 | 基于人工智能的中医舌像分割装置、方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810884613.4A CN110807775A (zh) | 2018-08-06 | 2018-08-06 | 基于人工智能的中医舌像分割装置、方法及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110807775A true CN110807775A (zh) | 2020-02-18 |
Family
ID=69413409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810884613.4A Pending CN110807775A (zh) | 2018-08-06 | 2018-08-06 | 基于人工智能的中医舌像分割装置、方法及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110807775A (zh) |
| WO (1) | WO2020029915A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113706515A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技（深圳）有限公司 | 舌像异常确定方法、装置、计算机设备和存储介质 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362334B (zh) * | 2020-03-04 | 2024-05-24 | 北京悦熙兴中科技有限公司 | 一种舌照处理方法及装置 |
| CN113837987B (zh) * | 2020-12-31 | 2023-11-03 | 京东科技控股股份有限公司 | 舌部图像采集方法、装置及计算机设备 |
| CN113989269B (zh) * | 2021-11-14 | 2024-04-02 | 北京工业大学 | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 |
| CN114627136B (zh) * | 2022-01-28 | 2024-02-27 | 河南科技大学 | 一种基于特征金字塔网络的舌象分割与对齐方法 |
| CN116030352B (zh) * | 2023-03-29 | 2023-07-25 | 山东锋士信息技术有限公司 | 融合多尺度分割和超像素分割的长时序土地利用分类方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013106842A2 (en) * | 2012-01-13 | 2013-07-18 | The Charles Stark Draper Laboratory, Inc. | Stem cell bioinformatics |
| CN105930798B (zh) * | 2016-04-21 | 2019-05-03 | 厦门快商通科技股份有限公司 | 基于学习的面向手机应用的舌像快速检测分割方法 |
| CN105930815B (zh) * | 2016-05-04 | 2022-10-04 | 中国农业大学 | 一种水下生物检测方法和系统 |
| 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 |
-
2018
- 2018-08-06 CN CN201810884613.4A patent/CN110807775A/zh active Pending
-
2019
- 2019-08-05 WO PCT/CN2019/099242 patent/WO2020029915A1/zh active Application Filing
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113706515A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技（深圳）有限公司 | 舌像异常确定方法、装置、计算机设备和存储介质 |
| CN113706515B (zh) * | 2021-08-31 | 2023-07-18 | 平安科技（深圳）有限公司 | 舌像异常确定方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020029915A1 (zh) | 2020-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
| US20210118144A1 (en) | Image processing method, electronic device, and storage medium | |
| CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
| CN109378052B (zh) | 图像标注的预处理方法及系统 | |
| CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| WO2022001571A1 (zh) | 一种基于超像素图像相似度的计算方法 | |
| CN110570352B (zh) | 图像标注方法、装置、系统及细胞标注方法 | |
| CN110110646A (zh) | 一种基于深度学习的手势图像关键帧提取方法 | |
| WO2020038312A1 (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
| CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
| CN112037180B (zh) | 染色体分割方法及装置 | |
| CN113095441A (zh) | 一种猪群扎堆检测方法、装置、设备及可读存储介质 | |
| CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
| CN115270184A (zh) | 视频脱敏、车辆的视频脱敏方法、车载处理系统 | |
| CN110648336A (zh) | 一种舌质和舌苔的分割方法及装置 | |
| CN112418033B (zh) | 基于mask rcnn神经网络的滑坡坡面分割识别方法 | |
| CN107729863B (zh) | 人体指静脉识别方法 | |
| CN116612357B (zh) | 一种无监督rgbd多模态数据集的构建方法、系统和存储介质 | |
| CN111311602A (zh) | 中医面诊的嘴唇图像分割装置及方法 | |
| CN111914796A (zh) | 基于深度图和骨骼点的人体行为识别方法 | |
| CN113989269B (zh) | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 | |
| CN112330660B (zh) | 一种基于神经网络的精子尾部检测方法及其系统 | |
| CN115601547A (zh) | 样本图像获取、货物管理方法、装置、设备及存储介质 | |
| CN115131361A (zh) | 目标分割模型的训练、病灶分割方法及装置 | |
| CN114708237A (zh) | 一种用于头发健康状况的检测算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200218 |
|
| WD01 | Invention patent application deemed withdrawn after publication |