CN110858398A - 基于深度学习的舌体分割装置、方法及存储介质 - Google Patents

Abstract

本发明提供一种基于深度学习的舌体分割装置、方法及存储介质，该方法包括步骤：构造深度学习网络，其包括由卷积层和池化层组成的卷积神经网络以及由卷积层和反池化层组成的分割神经网络；将矩阵大小为m×n×3的舌面图像输入至卷积神经网络；卷积神经网络利用卷积层和池化层对舌面矩阵进行卷积运算和池化运算形成特征矩阵；卷积神经网络将特征矩阵输入到分割神经网络，分割神经网络利用卷积层和反池化层对特征矩阵进行卷积运算和反池化运算形成m×n×2的舌体分割矩阵；利用舌体分割矩阵的第一层m×n×1矩阵和舌面图像的RGB三个通道分别进行矩阵点乘运算，生成矩阵大小为m×n×3的舌体图像。本发明利用深度卷积神经网络对舌体分割，提高了舌体分割的准确精度。

Description

基于深度学习的舌体分割装置、方法及存储介质

技术领域

本发明涉及中医舌像处理的技术领域，尤其涉及一种基于深度学习的舌体分割装置、方法及存储介质。

背景技术

舌诊是祖国医学望诊中的重要组成部分，根据对患者舌面苔迹、舌质相关属性，包括颜色、形态等的观察，从而判断疾病所在，进而辨证论治。如今，中医舌诊的标准化、定量化、客观化研究已经成为中医诊断学现代化的主要研究方向，对整个中医学的发展有着极其深远的意义。舌诊的标准化、定量化、客观化研究是在摄像、数字图像处理、模式识别、计算机视觉等技术上发展起来的，主要包括舌象图像采集、色彩校正、舌体分割、区域划分(苔质分离)、舌色、舌形、齿痕、舌质地、舌下络脉等。这些研究作为现代化舌诊应用的基础，在将舌诊带向定量化、客观化的进程中起到至关重要作用。从舌象中准确分离舌体是进行舌诊的前提。

对舌像信息进行计算机识别，首先需要将舌体部分自动从原图中分割出来，然后再进行进一步的舌像色彩、纹理等信息的检测识别。然而，如何有效精准的将舌体部分自动从原图中分割出来，对后续舌像色彩、纹理等信息的有效检测识别起着至关重要的影响。目前现有的舌体分割方法主要依靠舌体颜色阈值分割、snake分割、graph cut分割等算法，以上算法容易受到舌体颜色、嘴唇、人脸颜色的区别成度以及拍摄条件的影响，从而使得舌体分割的准确精度不高。因此，有必要提供一种有效的舌体分割算法对舌体图像进行舌体分割，提高舌体分割的准确精度。

发明内容

本发明的主要目的在于提供一种基于深度学习的舌体分割装置、方法及机存储介质，利用基于深度学习算法的卷积神经网络对舌体分割来提高舌体分割的准确精度。

为实现上述目的，本发明提供一种基于深度学习的舌体分割装置，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：

构造一个深度学习网络，该深度学习网络包括一个由卷积层和池化层组成的卷积神经网络以及一个由卷积层和反池化层组成的分割神经网络；

定义卷积神经网络的卷积层的层数为k，定义分割神经网络的卷积层的层数为k+1，并定义每一层卷积层的卷积核大小及卷积核个数，其中k为自然数；

定义卷积神经网络的池化层和分割神经网络的反池化层的层数均为k，并定义每一个池化层和反池化层的池化核大小及池化核个数；

将一幅矩阵大小为m×n×3的舌面图像输入至深度学习网络的卷积神经网络中，其中，m和n分别表示舌面图像长和宽的像素点个数，“3”表示舌面图像由R、G、B三通道组成；

卷积神经网络利用卷积层和池化层对大小为m×n×3的舌面矩阵进行卷积运算和池化运算，进而形成一个大小为

的特征矩阵，其中D＝64×2^k-1；

卷积神经网络将输出的特征矩阵输入到分割神经网络中，分割神经网络利用卷积层和反池化层对所述特征矩阵进行卷积运算和反池化运算以形成一个大小为m×n×2的舌体分割矩阵；

利用舌体分割矩阵的第一层m×n×1矩阵和舌面图像的R、G、B三个通道分别进行矩阵点乘运算，生成矩阵大小为m×n×3的舌体图像。

优选地，所述卷积神经网络的第一层卷积层的卷积核大小为3×3×3，第一层卷积层的卷积核个数为64，第L层卷积层的卷积核大小为3×3×C，其中C＝64×2^L-2，第L层卷积层的卷积核个数为64×2^L-1，其中L＝2、3、......、k。

优选地，所述分割神经网络的第一层卷积层的卷积核个数为2，第一层卷积层的卷积核大小为3×3×C，其中C＝64×2^k-1，第L层卷积层的卷积核个数为2，第L层卷积层的卷积核大小为3×3×2，其中L＝2、3、4、.......、k。

优选地，所述卷积神经网络中的每个卷积层后面都有一个相应的池化层，所述分割神经网络的第一层是卷积层，除了最后一层卷积层之外，每个卷积层后都有一个反池化层，所述池化层和反池化层的池化核大小均为2×2×1，所述卷积神经网络中每一个池化层的池化核个数与该池化层相邻前面的卷积层的卷积核个数相同，所述分割神经网络中每一个反池化层的池化核个数与该池化层相邻的卷积层的卷积核个数相同。

另一方面，本发明还提供一种基于深度学习的舌体分割方法，应用于基于深度学习的舌体分割装置中，该方法包括如下步骤：

构造一个深度学习网络，该深度学习网络包括一个由卷积层和池化层组成的卷积神经网络以及一个由卷积层和反池化层组成的分割神经网络；

定义卷积神经网络的卷积层的层数为k，定义分割神经网络的卷积层的层数为k+1，并定义每一层卷积层的卷积核大小及卷积核个数，其中k为自然数；

定义卷积神经网络的池化层和分割神经网络的反池化层的层数均为k，并定义每一个池化层和反池化层的池化核大小及池化核个数；

将一幅矩阵大小为m×n×3的舌面图像输入至深度学习网络的卷积神经网络中，其中，m和n分别表示舌面图像长和宽的像素点个数，“3”表示舌面图像由R、G、B三通道组成；

卷积神经网络利用卷积层和池化层对大小为m×n×3的舌面矩阵进行卷积运算和池化运算，进而形成一个大小为

的特征矩阵，其中D＝64×2^k-1；

卷积神经网络将输出的特征矩阵输入到分割神经网络中，分割神经网络利用卷积层和反池化层对所述特征矩阵进行卷积运算和反池化运算以形成一个大小为m×n×2的舌体分割矩阵；

利用舌体分割矩阵的第一层m×n×1矩阵和舌面图像的R、G、B三个通道分别进行矩阵点乘运算，生成矩阵大小为m×n×3的舌体图像。

优选地，所述卷积神经网络的第一层卷积层的卷积核大小为3×3×3，第一层卷积层的卷积核个数为64，第L层卷积层的卷积核大小为3×3×C，其中C＝64×2^L-2，第L层卷积层的卷积核个数为64×2^L-1，其中L＝2、3、......、k。

优选地，所述分割神经网络的第一层卷积层的卷积核个数为2，第一层卷积层的卷积核大小为3×3×C，其中C＝64×2^k-1，第L层卷积层的卷积核个数为2，第L层卷积层的卷积核大小为3×3×2，其中L＝2、3、4、.......、k。

优选地，所述卷积神经网络中的每个卷积层后面都有一个相应的池化层，所述分割神经网络的第一层是卷积层，除了最后一层卷积层之外，每个卷积层后都有一个反池化层，所述池化层和反池化层的池化核大小均为2×2×1，所述卷积神经网络中每一个池化层的池化核个数与该池化层相邻前面的卷积层的卷积核个数相同，所述分割神经网络中每一个反池化层的池化核个数与该池化层相邻的卷积层的卷积核个数相同。

优选地，所述的基于深度学习的舌体分割方法还包括如下步骤：将舌体图像通过输出单元的显示屏分割出的舌体图像，或者通过输出单元的打印机打印所述舌体图像，或者将所述舌体图像通过通信网络发送至医生终端。

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，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深度学习的舌体分割方法的各项方法步骤。

相较于现有技术，本发明所述基于深度学习的舌体分割装置及方法利用基于深度学习算法的卷积神经网络对舌体进行有效精准分割，不会受到舌体颜色、嘴唇、人脸颜色的区别成度以及拍摄条件造成舌体分割不精确的影响，从而提高了舌体分割的准确精度。

附图说明

图1是本发明基于深度学习的舌体分割装置的优选实施例的方框示意图；

图2是本发明基于深度学习的舌体分割方法优选实施例的流程图；

图3是本发明深度学习网络结构的方框示意图；

图4是舌面图像通过深度学习网络运算得到舌体分割图像的具体实例示意图。

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是本发明基于深度学习的舌体分割装置的优选实施例的方框示意图。在本实施例中，所述基于深度学习的舌体分割装置1安装有基于深度学习的舌体分割系统10，所述基于深度学习的舌体分割装置1可以为安装有基于深度学习的舌体分割系统10的个人计算机、工作站计算机、中医四诊仪等具有数据处理功能和图像处理功能的计算机装置。

在本实施例中，所述基于深度学习的舌体分割装置1包括，但不仅限于，基于深度学习的舌体分割系统10、输入单元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。所述输入单元11为一种诸如键盘、鼠标、摄像头等输入设备，用于输入深度学习网络相关数据和参数，以及输入患者的舌体摄取包含舌体的舌面图像至舌体分割装置1中。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，所述基于深度学习的舌体分割系统10由多条计算机程序指令组成的程序模块组成，包括但不局限于，深度学习网络构造模块101、舌像编码模块102、舌像分割模块103以及舌体生成模块104。本发明所称的模块是指一种能够被基于深度学习的舌体分割装置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，是本发明基于深度学习的舌体分割方法优选实施例的流程图。在本实施例中，所述基于深度学习的舌体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S27。

步骤S21，构造一个深度学习网络，该深度学习网络包括一个由卷积层和池化层组成的卷积神经网络以及一个由卷积层和反池化层组成的分割神经网络。参考图3所示，深度学习网络构造模块101构造一个深度学习网络2，该深度学习网络2包括卷积神经网络21以及分割神经网络22，所述卷积神经网络21包括卷积层211和池化层212，所述分割神经网络22包括卷积层221和反池化层222。在本实施例中，所述卷积神经网络21利用卷积层211和池化层212对输入的舌面图像(例如矩阵大小为m×n×3的舌面图像)进行卷积运算操作和池化运算操作，来提取舌面图像的特征从而输出舌面图像的特征矩阵(例如矩阵大小为

的特征矩阵，其中D＝64×2^k-1，k为卷积神经网络21的卷积层211的层数)至分割神经网络22；所述分割神经网络22利用卷积层221和反池化层222对特征矩阵进行舌体分割获得舌体分割矩阵，例如矩阵大小为m×n×2的舌体分割矩阵。

步骤S22，定义卷积神经网络的卷积层的层数为k，定义分割神经网络的卷积层的层数为k+1，并定义每一层卷积层的卷积核大小及卷积核个数，其中k为自然数；具体地，深度学习网络构造模块101定义卷积神经网络21的第一层卷积层211的卷积核大小为3×3×3，第一层卷积层211的卷积核个数为64，第L层卷积层211的卷积核大小为3×3×C，其中C＝64×2^L-2，第L层卷积层211的卷积核个数为64×2^L-1，其中L＝2、3、......、k。进一步地，深度学习网络构造模块101定义分割神经网络22的第一层卷积层221的卷积核个数为2，第一层卷积层221的卷积核大小为3×3×C，其中C＝64×2^k-1，第L层卷积层221的卷积核个数为2，第L层卷积层221的卷积核大小为3×3×2，其中L＝2、3、4、.......、k。

步骤S23，定义池化层和反池化层的层数均为k，并定义每一个池化层和反池化层的池化核大小及池化核个数；具体地，深度学习网络构造模块101定义卷积神经网络21的池化层212的层数为k(与卷积神经网络21的卷积层211的层数一样)，在卷积神经网络21中的每个卷积层211后面都有一个相应的池化层212；深度学习网络构造模块101定义分割神经网络22的反池化层222的层数为k，分割神经网络22中的第一层是卷积层221，除了最后一层卷积层221外，每个卷积层221后都有一个反池化层222，并定义池化层212和反池化层222的池化核大小均为2×2×1；卷积神经网络21中每一个池化层212的池化核个数与相邻前面的卷积层211的卷积核个数相同，分割神经网络22中每一个反池化层222的池化核个数与相邻的卷积层221的卷积核个数相同。

步骤S24，将一幅矩阵大小为m×n×3的舌面图像输入至深度学习网络的卷积神经网络中；具体地，舌像编码模块102从存储器12中获取一幅需要舌体分割的舌面图像，并将该舌面图像输入至深度学习网络2的卷积神经网络22中进行深度学习训练，该舌面图像由R、G、B三通道组成的RGB图像，可以使用大小为m×n×3的舌面矩阵来表示，其中，m和n分别表示舌面图像长和宽的像素点个数，“3”表示舌面图像由R、G、B三通道组成。所述舌面图像可以预先存储在存储器12中，舌像编码模块102在可以直接从存储器12中获取需要舌体分割的舌面图像。作为优选的实施例，所述舌像编码模块102从存储器12获取一幅矩阵大小为m×n×3的舌面图像并输入至深度学习网络2中进行舌体分割所需的深度学习训练。

步骤S25，通过卷积神经网络21利用卷积层211和池化层212对大小为m×n×3的舌面矩阵进行卷积运算和池化运算，进而形成一个大小为的特征矩阵，其中D＝64×2^k-1。在本实施例中，卷积神经网络21均采用4层(即k＝4)卷积层211和池化层212对大小为m×n×3的舌面矩阵进行4次卷积运算和池化运算，具体实例如图4所示。

作为本发明的优先实施例，如图4所示，舌像编码模块102输入矩阵大小为600×600×3的RGB通道舌面图像A至卷积神经网络21，对舌面图像边界像素进行上下左右各扩充1行，元素值用0填充，则RGB通道舌面图像大小变为602×602×3；卷积层211用3×3×3的卷积核对扩充后的舌面图像进行提取特征，一共使用64个卷积核，最终生成大小为600×600×64的特征矩阵(1)；池化层212用最大池化算法对特征矩阵(1)进行处理，池化核大小为2×2×1，一共64个池化核，生成300×300×64的矩阵；舌像编码模块102对300×300×64的矩阵进行上下左右各扩充1行，元素值用0填充，则矩阵大小变为302×302×64。卷积层211用128个卷积核，每个卷积核大小为3×3×64对302×302×64的矩阵进行处理，生成大小为300×300×128的特征矩阵(2)。池化层212用最大池化算法对特征矩阵(2)进行处理，池化核大小为2×2×1，一共128个池化核，生成150×150×128的矩阵。舌像编码模块102对150×150×128的矩阵进行上下左右各扩充1行，元素值用0填充，则矩阵大小变为152×152×128。卷积层211用256个卷积核，每个卷积核大小为3×3×128对152×152×128的矩阵进行处理，生成大小为150×150×256的特征矩阵(3)。池化层212用最大池化算法对特征矩阵(3)进行处理，池化核大小为2×2×1，一共256个池化核，生成75×75×256的矩阵。舌像编码模块102对75×75×256的矩阵进行上下左右各扩充1行，元素值用0填充，则矩阵大小变为77×77×256；卷积层211用512个卷积核，每个卷积核大小为3×3×256对77×77×256的矩阵进行处理，生成大小为75×75×512的特征矩阵(4)。

步骤S26，卷积神经网络21将输出的特征矩阵输入到分割神经网络22中，分割神经网络22利用卷积层221和反池化层222对该特征矩阵进行卷积运算和反池化运算，形成一个大小为m×n×2的舌体分割矩阵。在本实施例中，m×n×2大小的分割矩阵由两层m×n×1的矩阵组成，其中，若第一层m×n×1矩阵中元素值为1的像素点，则为舌体部位的像素点；若第一层大小为m×n×1矩阵中元素值为0的像素点，则为非舌体部分的像素点；若第二层大小为m×n×1矩阵中元素值为0对应的像素点，则为舌体部分的像素点；若第二层大小为m×n×1矩阵中元素值为1对应的像素点，则为非舌体部分的像素点。在本实施例中，分割神经网络22采用5层(即k+1＝5)的卷积层221和4层(即k＝4)的反池化层222对大小为

(其中D＝64×2^k-1)的特征矩阵进行5次卷积运算和4次反池化运算，具体实例如图4所示。

作为本发明的优先实施例，如图4所示，当卷积神经网络21将75×75×512的矩阵(4)输入到分割神经网络22中，舌像分割模块103对75×75×512的矩阵进行上下左右各扩充1行，元素值用0填充，则矩阵大小变为77×77×512，分割神经网络22的卷积层221对特征矩阵(4)进行卷积处理，卷积核个数为2，卷积核大小为3×3×512，生成大小为75×75×2的特征矩阵(5)，反池化层222对特征矩阵(5)进行反池化(Unpooling)处理，生成150×150×2的矩阵；对150×150×2的矩阵进行上下左右各扩充1行，元素值用0填充，则矩阵大小变为152×152×2；卷积层221对152×152×2的矩阵进行卷积处理，卷积核个数为2，卷积核大小为3×3×2，生成矩阵大小为150×150×2的特征矩阵(6)。反池化层222对特征矩阵(6)进行反池化(Unpooling)处理，生成300×300×2的矩阵，对300×300×2的矩阵进行上下左右各扩充1行，元素值用0填充，则矩阵大小变为302×302×2。卷积层221对302×302×2的矩阵进行卷积处理，卷积核个数为2，卷积核大小为3×3×2，生成矩阵大小为300×300×2的特征矩阵(7)。反池化层222对特征矩阵(7)进行反池化(Unpooling)处理，生成600×600×2的矩阵；对600×600×2的矩阵进行上下左右各扩充1行，元素值用0填充，则矩阵大小变为602×602×2。卷积层221对602×602×2的矩阵进行卷积处理，卷积核个数为2，卷积核大小为3×3×2，生成矩阵大小为600×600×2的特征矩阵(8)。其中，特征矩阵(8)矩阵分为2层大小为600×600×1的矩阵，第一层矩阵大小为600×600×1中元素值为1的像素点，则为舌体部位的像素点；第一层矩阵大小为600×600×1中元素值为0的像素点，则非为舌体部分的像素点；第二层矩阵大小为600×600×1中元素值为0的像素点，则为舌体部位的像素点；第二层矩阵大小为600×600×1中元素值为1的像素点，则为非舌体部分的像素点。

步骤S27，利用舌体分割矩阵的第一层m×n×1矩阵和舌面图像的R、G、B三个通道分别进行矩阵点乘运算，生成矩阵大小为m×n×3的舌体图像。在本实施例中，舌体生成模块104可以利用分割矩阵的第一层m×n×1矩阵和舌面图像的R、G、B三个通道分别进行矩阵点乘运算，生成矩阵大小为m×n×3的舌体图像；即将第一层m×n×1矩阵中的元素值为1与舌面图像的R、G、B三个通道分别进行矩阵点乘运算，则得到舌体部位的像素点。如图4所示，利用矩阵大小为600×600×2的特征矩阵(8)和舌体图像A的R、G、B三个通道分别进行矩阵点乘运算，则生成大小为600×600×3的舌体图像B。

此外，舌体生成模块104还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通信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、纹理、裂纹、胎质、以及有无齿痕等信息，从而辅助医生进行中医舌诊获得患者的健康状况。

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本发明所述基于深度学习的舌体分割方法。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。

本发明所述基于深度学习的舌体分割装置及方法利用基于深度学习算法的卷积神经网络对舌体进行有效精准分割，不会受到舌体颜色、嘴唇、人脸颜色的区别成度以及拍摄条件造成舌体分割不精确的影响，从而提高了舌体分割的准确精度。

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)

1.一种基于深度学习的舌体分割装置，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，其特征在于，所述计算机程序指令由处理器加载并执行如下步骤：

构造一个深度学习网络，该深度学习网络包括一个由卷积层和池化层组成的卷积神经网络以及一个由卷积层和反池化层组成的分割神经网络；

定义卷积神经网络的卷积层的层数为k，定义分割神经网络的卷积层的层数为k+1，并定义每一层卷积层的卷积核大小及卷积核个数，其中k为自然数；

定义卷积神经网络的池化层和分割神经网络的反池化层的层数均为k，并定义每一个池化层和反池化层的池化核大小及池化核个数；

将一幅矩阵大小为m×n×3的舌面图像输入至深度学习网络的卷积神经网络中，其中，m和n分别表示舌面图像长和宽的像素点个数，“3”表示舌面图像由R、G、B三通道组成；

卷积神经网络利用卷积层和池化层对大小为m×n×3的舌面矩阵进行卷积运算和池化运算，进而形成一个大小为

的特征矩阵，其中D＝64×2^k-1；

卷积神经网络将输出的特征矩阵输入到分割神经网络中，分割神经网络利用卷积层和反池化层对所述特征矩阵进行卷积运算和反池化运算以形成一个大小为m×n×2的舌体分割矩阵；

利用舌体分割矩阵的第一层m×n×1矩阵和舌面图像的R、G、B三个通道分别进行矩阵点乘运算，生成矩阵大小为m×n×3的舌体图像。

2.如权利要求1所述的基于深度学习的舌体分割装置，其特征在于，所述卷积神经网络的第一层卷积层的卷积核大小为3×3×3，第一层卷积层的卷积核个数为64，第L层卷积层的卷积核大小为3×3×C，其中C＝64×2^L-2，第L层卷积层的卷积核个数为64×2^L-1，其中L＝2、3、......、k。

3.如权利要求2所述的基于深度学习的舌体分割装置，其特征在于，所述分割神经网络的第一层卷积层的卷积核个数为2，第一层卷积层的卷积核大小为3×3×C，其中C＝64×2^{k -1}，第L层卷积层的卷积核个数为2，第L层卷积层的卷积核大小为3×3×2，其中L＝2、3、4、.......、k。

4.如权利要求3所述的基于深度学习的舌体分割装置，其特征在于，所述卷积神经网络中的每个卷积层后面都有一个相应的池化层，所述分割神经网络的第一层是卷积层，除了最后一层卷积层之外，每个卷积层后都有一个反池化层，所述池化层和反池化层的池化核大小均为2×2×1，所述卷积神经网络中每一个池化层的池化核个数与该池化层相邻前面的卷积层的卷积核个数相同，所述分割神经网络中每一个反池化层的池化核个数与该池化层相邻的卷积层的卷积核个数相同。

5.一种基于深度学习的舌体分割方法，应用于基于深度学习的舌体分割装置中，其特征在于，所述基于深度学习的舌体分割方法包括如下步骤：

构造一个深度学习网络，该深度学习网络包括一个由卷积层和池化层组成的卷积神经网络以及一个由卷积层和反池化层组成的分割神经网络；

定义卷积神经网络的卷积层的层数为k，定义分割神经网络的卷积层的层数为k+1，并定义每一层卷积层的卷积核大小及卷积核个数，其中k为自然数；

定义卷积神经网络的池化层和分割神经网络的反池化层的层数均为k，并定义每一个池化层和反池化层的池化核大小及池化核个数；

将一幅矩阵大小为m×n×3的舌面图像输入至深度学习网络的卷积神经网络中，其中，m和n分别表示舌面图像长和宽的像素点个数，“3”表示舌面图像由R、G、B三通道组成；

卷积神经网络利用卷积层和池化层对大小为m×n×3的舌面矩阵进行卷积运算和池化运算，进而形成一个大小为

的特征矩阵，其中D＝64×2^k-1；

卷积神经网络将输出的特征矩阵输入到分割神经网络中，分割神经网络利用卷积层和反池化层对所述特征矩阵进行卷积运算和反池化运算以形成一个大小为m×n×2的舌体分割矩阵；

利用舌体分割矩阵的第一层m×n×1矩阵和舌面图像的R、G、B三个通道分别进行矩阵点乘运算，生成矩阵大小为m×n×3的舌体图像。

6.如权利要求5所述的基于深度学习的舌体分割方法，其特征在于，所述卷积神经网络的卷积层的第一层卷积核大小为3×3×3，第一层卷积核个数为64，第L层卷积核大小为3×3×C，其中C＝64×2^L-2，第L层卷积核个数为64×2^L-1，其中L＝2、3、......、k。

7.如权利要求6所述的基于深度学习的舌体分割方法，其特征在于，所述分割神经网络的卷积层的第一层卷积核个数为2，第一层卷积核大小为3×3×C，其中C＝64×2^k-1，第L层的卷积核个数为2，第L层的卷积核大小为3×3×2，其中L＝2、3、4、.......、k。

8.如权利要求7所述的基于深度学习的舌体分割方法，其特征在于，所述卷积神经网络中的每个卷积层后面都有一个相应的池化层，所述分割神经网络的第一层是卷积层，除了最后一层卷积层之外，每个卷积层后都有一个反池化层，所述池化层和反池化层的池化核大小均为2×2×1，所述卷积神经网络中每一个池化层的池化核个数与该池化层相邻前面的卷积层的卷积核个数相同，所述分割神经网络中每一个反池化层的池化核个数与该池化层相邻的卷积层的卷积核个数相同。

9.如权利要求5所述的基于深度学习的舌体分割方法，其特征在于，该方法还包括如下步骤：将舌体图像通过输出单元的显示屏分割出的舌体图像，或者通过输出单元的打印机打印所述舌体图像，或者将所述舌体图像通过通信网络发送至医生终端。

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任一项所述基于深度学习的舌体分割方法的各项方法步骤。

Images