CN110910317B - 一种舌象图像增强方法 - Google Patents
一种舌象图像增强方法 Download PDFInfo
- Publication number
- CN110910317B CN110910317B CN201910761923.1A CN201910761923A CN110910317B CN 110910317 B CN110910317 B CN 110910317B CN 201910761923 A CN201910761923 A CN 201910761923A CN 110910317 B CN110910317 B CN 110910317B
- Authority
- CN
- China
- Prior art keywords
- image
- tongue
- point
- color space
- points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009499 grossing Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000009795 derivation Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000011218 segmentation Effects 0.000 abstract description 7
- 239000006002 Pepper Substances 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 208000010798 Tongue disease Diseases 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出了一种舌象图像增强的方法，属于医学图像处理技术领域。所述方法包括：将输入舌象图像F(x,y)的RGB颜色空间转换到HSI颜色空间；对HSI颜色空间舌象图像的亮度分量I进行全局平滑处理，得到舌象平滑图像G(x,y)；对G(x,y)进行边缘检测，得到舌象边缘图像B(x,y)；利用B(x,y)对舌象图像进行非线性引导滤波，得到滤波后的图像Z(x,y)；利用Z(x,y)将舌象图像F(x,y)的亮度分量I分解，得到反射分量R(x,y)；通过R(x,y)及归一化
增强图像亮度，得到图像L(x,y)；再结合图像F(x,y)HSI颜色空间的H、S分量，转换到RGB颜色空间。本发明解决了舌象图像检测中因椒盐噪声、摄像管和摄像机噪声等引起的图像细节不清晰，从而影响后续舌体分割、特征提取等操作的精确性问题，提高了增强后的舌象图像效果，细节突出。
Description
技术领域
本发明涉及图像增强技术领域，尤其是一种针对舌象进行图像分析时的图像增强方法，属于医学图像处理技术领域。
背景技术
舌诊是中医诊法的特色之一，舌体被称为唯一外露的内脏，能够根据舌生物学特征辨别人体五脏六腑的病理变化及人体机能的症状。可以通过观察舌象的颜色特征和纹理特征等对人体进行辨证和辨病，更好地评估人体的健康状况，为疾病的诊断和分析提供依据。舌体的颜色、纹理可以反映心脏的健康情况，作为各种心血管疾病诊断依据。然而，传统的舌诊具有不可避免的内在局限性，阻碍了其医学应用。首先，由于人眼在视觉上观察舌头而不是通过定量数字仪器记录，因此很难或甚至不可能定量处理舌头图像。其次，舌诊的判断过程是主观的，主要取决于医生的医学经验和知识。所以，建立一个客观并且精确的计算机舌诊系统，成为了克服上述问题的有效方法。
计算机舌诊系统的主要结构包括图像获取、舌色校正、图像增强、舌体分割、颜色和纹理等特征分析和诊断决策几个部分。目前，在舌象分析中，研究人员主要采用颜色校正、图像增强、舌象分割、颜色和纹理等特征分析处理舌象图像，并进行疾病的诊断决策。其中，图像增强是对图像的低层次处理，处于图像处理的预处理阶段。它是图像处理的一个重要环节，在整个图像处理过程中起着承前启后的重要作用，对图像高层次处理的成败至关重要。其目的就是为了改善图像的质量和视觉效果，或将图像转换成更适合于人眼观察或机器分析识别的形式，以便从图像中获取更加有用的信息。图像增强的方法主要分为两类：空域增强法和频域增强法。常用的图像增强方法有灰度变换、直方图修正、噪声清除、图像锐化、频域滤波、同态滤波及彩色增强等。一般而言，图像增强要根据具体的应用场景和图像的模糊情况而采用特定的增强方法来突出图像中的某些信息，削弱或消除无关信息，以达到强调图像的整体或局部特征的目的。目前常用的图像增强方法并没有专门针对舌象图像特点、计算机舌诊系统和舌象分析的应用场景，因而对后续舌象诊断过程中的舌象分割、特征提取等操作的精确性产生不利影响。
发明内容
为了解决上述问题，本发明根据舌象图像在获取时易产生椒盐噪声、摄像管和摄像机噪声的特点，以及舌诊分析对图像纹理特征的要求，提出了一种多尺度平滑、复合权重非线性滤波的舌象图像增强方法,提高舌象特征提取与诊断中舌体分割、特征提取等操作的精确性，进而提升舌象疾病诊断的准确性。
一种舌象图像增强方法，包括步骤：
S100,将输入舌象图像F(x,y)的RGB颜色空间转换到HSI颜色空间；对HSI颜色空间舌象图像的亮度分量I进行全局平滑处理，得到舌象平滑图像G(x,y)；
S200,对G(x,y)进行边缘检测，得到舌象边缘图像B(x,y)；
S300,利用B(x,y)对舌象图像进行非线性引导滤波，得到滤波后的图像
其中，H(p)为引导图像，
为转换系数；
S400,利用Z(x,y)将舌象图像F(x,y)的亮度分量I分解，得到反射分量R(x,y)；
S500,通过R(x,y)及归一化
增强图像亮度，得到图像L(x,y)；再结合图像F(x,y)HSI颜色空间的H、S分量，转换到RGB颜色空间。
进一步，S100中所述将输入舌象图像F(x,y)的RGB颜色空间转换到HSI颜色空间采用几何推导法。
更进一步，所述几何推导法，包括：
S111,对舌象图像F(x,y)的每一像素进行RGB归一化；
S112,将舌象图像F(x,y)的每一像素归一化RGB颜色空间转换到HIS颜色空间，并将亮度值扩展到[0,255]。
进一步，S100中所述对HSI颜色空间舌象图像的亮度分量I进行全局平滑处理采用在45°，135°方向及0°，90°方向上距离相似度参数和像素相似度参数的平滑滤波。
更进一步，所述在45°，135°方向及0°，90°方向上距离相似度参数和像素相似度参数的平滑滤波，包括以下步骤：
S121,对输入图像F(x,y)在HSI颜色空间的亮度分量I进行45°，135°方向上的平滑处理；其计算式为：
其中，f(x,y)为点(x,y)处的亮度分量值，
为输出，Ω1,Ω2分别表示W1×W1窗口在45°，135°方向上的点集，σr表示像素相似度参数；
表示距离相似度参数，通过下式计算：
式中，L1、L2为常数，对于舌象图像，作为优选，取L1＝10,L2＝2980；归一化共生矩阵
M1为舌象图像的长，M2为舌象图像的宽；pi(f1,f2)，i＝1,2分别是偏离点(x+1,y+1)和偏离点(x-1,y+1)共生矩阵；
S122,对步骤S121得到的图像
的像素
进行0°，90°方向上的平滑处理；其计算式为：
其中，g(x,y)为平滑完成之后的输出，Ω3,Ω4分别表示W1×W1窗口0°，90°方向上的点集；σr表示像素相似度参数；
表示距离相似度参数，通过下式计算：
式中，L1、L2为常数，对于舌象图像，作为优选，取L1＝10,L2＝2980；
为图像
的在方向0°,90°上偏离点为(x+1,y)及(x,y+1)的归一化后的共生矩阵，计算方法与S121中计算共生矩阵p1(f1,f2)和p2(f1,f2)，及归一化共生矩阵
类似。
更进一步，所述像素相似度参数选取高中低三个尺度
更进一步，所述共生矩阵的计算方法为：取图像F(x,y)中任意一点(x,y)及偏离它的另一点(x+1,y+1)，该点对的亮度值为(f1,f2)，令点(x,y)在整个画面上移动，则会得到各种(f1,f2)值，对于整个画面，统计出每一种(f1,f2)值出现的次数，然后排列成一个方阵，再用(f1,f2)出现的总次数将它们归一化为出现的概率p1(f1,f2)，即共生矩阵，同理，计算偏离点(x-1,y+1)的共生矩阵p2(f1,f2)。
进一步，S200中所述对G(x,y)进行边缘检测包括：
S211,确定过零点；
S212,计算过零点的梯度值，并将所有过零点的梯度值按从小到大排列{C1,...,Cn}，其中，n为过零点数目；
S213,计算过零点梯度值的类方差
其中，N0,N1,N2分别表示非边缘点、待定点、边缘点三个类的过零点数，μ0,μ1,μ2分别表示非边缘点、待定点、边缘点三个类的平均梯度值，所述非边缘点是指梯度值C＜K1的过零点，待定点是指梯度值C在范围[K1,K2]内的过零点，边缘点是指梯度值C＞K2的过零点，其中，K1＝Ci,K2＝Cj,1＜i＜j＜n，K1,K2是遍历步骤S212中整个梯度序列，使过零点梯度值的类方差
最大；
S214,对于待定点，若其8个邻域像素点中有边缘点，则该待定点就可以保留为边缘点，否则，视为非边缘点。
更进一步，所述过零点满足至少以下条件A1～A4中的两项，A1：P(x-1,y)P(x+1,y)＜0；A2：P(x,y-1)P(x,y+1)＜0；A3：P(x-1,y-1)P(x+1,y+1)＜0；A4：P(x+1,y-1)P(x-1,y+1)＜0；其中：
Gx,Gy分别为图像G(x,y)的像素点g(x,y)处对x,y的一阶差分，Gxx,Gxy,Gyy为相应的二阶差分。
更进一步，所述过零点梯度值按照下式计算：
进一步，S300中所述转换系数
通过代价函数
得到，其中ΓG(p)为复合权重算子，λ1,λ2为调控系数，引导图像H(p)为输入图像F(x,y)。
进一步，S400中所述反射分量
其中
ωn为不同尺度n,n＝1,2,3时的权重值，rn(x,y)为尺度n下的亮度。
更进一步，所述
其中，
rn(x,y)为尺度n下的亮度，
为n个尺度，可取前述像素相似度参数的值，σrmax为最大尺度，γ1,γ2为调整参数，ξ1,ξ2为正参数。
更进一步，所述尺度n下的亮度rn(x,y)＝lnI(x,y)-lnZn(x,y),n＝1,2,3。
进一步，S500中所述归一化
其中，Rmax(x,y)为R(x,y)的最大值，Rmin(x,y)为R(x,y)的最小值。
进一步，S500中所述L(x,y)通过
计算，其中：
为
在点(x,y)处的值，α,β,k为调节参数，
为归一化
的最小值，
为归一化
的最大值。
更进一步，所述调节参数α,β,k利用适应度函数
的遗传算法确定，其中：
为
的均值，M1为舌象图像的长，M2为舌象图像的宽。
更进一步，所述遗传算法确定参数α,β,k包括：S511,利用二进制编码，初始化设定初代种群的大小H1；S512,计算适应度函数；S513,选择运算时，最优个体直接选择，剩余个体使用轮盘赌选择法；S514,根据设定的优选交叉概率进行交叉运算；S515,根据设定的变异概率进行变异运算；S516,根据设定的停止条件停止运算。
本发明解决了舌象图像检测中因椒盐噪声、摄像管和摄像机噪声等引起的图像细节不清晰，从而影响后续舌体分割、特征提取等操作的精确性问题，提高了增强后的舌象图像效果。
附图说明
图1为本发明的流程示意图；
图2为本发明一示例步骤S100中的S步骤111、S112、S121、S122的关系示意图；
图3为本发明一示例步骤S100的完整流程示意图；
图4为本发明一示例步骤S200的流程示意；
图5为本发明一示例步骤S300的流程示意图；
图6为本发明一示例采用遗传算法确定调节参数α,β,k的流程示意图；
图7是实施例的舌象图像增强效果图。
具体实施方式
下面结合附图对本发明的实施方式做具体说明。如图1所示本发明流程示意图，一种舌象图像增强方法，包含以下步骤：
S100,将输入舌象图像F(x,y)的RGB颜色空间转换到HSI颜色空间；对HSI颜色空间舌象图像的亮度分量I进行全局平滑处理，得到舌象平滑图像G(x,y)，其中x,y分别表示图像像素点的横坐标和纵坐标。因为舌象图像中会存在椒盐噪声、摄像管和摄像机噪声等，会影响边缘的检测，为了降低噪声对于后续边缘检测的影响，需要先对图像进行平滑处理，采用交叉加权复合双边滤波，选择W1×W1大小的滤波器，在去噪的同时可以很好的保存边缘，并且可以有效降低计算量，加快平滑效率。作为优选，取W1＝5。其中：
将输入舌象图像F(x,y)的RGB颜色空间转换到HSI颜色空间的步骤中，为保证增强后舌象图像的真实性，作为优选，采用几何推导法，具体包括以下步骤：
S111,对舌象图像F(x,y)的每一像素进行RGB归一化，即
其中，R、G、B分别表示图像F(x,y)在像素点(x,y)处的红色、绿色、蓝色亮度值，范围在0～255之间；
S112,将步骤S111中归一化RGB颜色空间转换到HIS颜色空间，并将亮度值扩展到[0,255]，即
其中，H、S、I分别表示图像的色调、饱和度、亮度，
表示取
三者中的最小值。
另外，对HSI颜色空间舌象图像的亮度分量I进行平滑处理的步骤中，作为优选，采用在45°，135°方向及0°，90°方向上距离相似度参数和像素相似度参数的平滑滤波，包括以下步骤：
S121,对F(x,y)在HSI颜色空间的亮度分量I进行45°，135°方向上的平滑处理；其计算式为：
其中，f(x,y)为点(x,y)处的亮度分量值，
为输出，Ω1,Ω2分别表示W1×W1窗口在45°，135°方向上的点集，σr表示像素相似度参数；
表示距离相似度参数，通过下式计算：
式中，L1、L2为常数，对于舌象图像，一般选取1≤L1≤50，500≤L2≤5000。作为优选，取L1＝10,L2＝2980；归一化共生矩阵
M1为舌象图像的长，M2为舌象图像的宽；pi(f1,f2)，i＝1,2分别是偏离点(x+1,y+1)和偏离点(x-1,y+1)的共生矩阵。下面以偏离点(x+1,y+1)为例说明共生矩阵的具体计算方法：取图像F(x,y)中任意一点(x,y)及偏离它的另一点(x+1,y+1)，该点对的亮度值为(f1,f2)，令点(x,y)在整个画面上移动，则会得到各种(f1,f2)值，对于整个画面，统计出每一种(f1,f2)值出现的次数，然后排列成一个方阵，再用(f1,f2)出现的总次数将它们归一化为出现的概率p1(f1,f2)，即偏离点(x+1,y+1)的共生矩阵。同理，计算偏离点(x-1,y+1)的共生矩阵p2(f1,f2)。
像素相似度参数σr选取高中低三个尺度
分别计算45°，135°方向上的平滑处理结果，得到
及
作为优选，
S122,对步骤S121得到的图像
的像素
进行0°，90°方向上的平滑处理；其计算式为：
其中，g(x,y)为平滑处理完成之后的输出，Ω3,Ω4分别表示W1×W1窗口0°，90°方向上的点集；σr表示像素相似度参数；
表示距离相似度参数，通过下式计算：
式中，L1、L2为常数，对于舌象图像，一般选取1≤L1≤50，500≤L2≤5000。作为优选，取L1＝10,L2＝2980；
为图像
的在方向0°,90°上偏离点为(x+1,y)及(x,y+1)的归一化后的共生矩阵，计算方法与S121中计算共生矩阵p1(f1,f2)和p2(f1,f2)，及归一化共生矩阵
类似。
像素相似度参数σr选取高中低三个尺度
分别计算0°，90°方向上的平滑处理结果，得到G1(x,y),G2(x,y),G3(x,y)，作为优选，
步骤S111、S112、S121、S122之间的关系如图2所示，其完整流程示意图如图3所示。
S200,对舌象平滑处理后的图像G(x,y)进行边缘检测，得到舌象边缘图像B(x,y)。作为优选，采用以下步骤检测边缘像素点：
S211,确定过零点，所述过零点满足至少以下条件A1～A4中的两项，
A1：P(x-1,y)P(x+1,y)＜0；
A2：P(x,y-1)P(x,y+1)＜0；
A3：P(x-1,y-1)P(x+1,y+1)＜0；
A4：P(x+1,y-1)P(x-1,y+1)＜0；
其中：
Gx,Gy分别为图像G(x,y)的像素点g(x,y)处对x,y的一阶差分，Gxx,Gxy,Gyy为相应的二阶差分。详细的过零点成立条件如表1所示。表中，0代表条件不成立，1代表条件成立。
表1过零点成立条件
| 条件 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 |
| A<sub>1</sub> | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
| A<sub>2</sub> | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 1 |
| A<sub>3</sub> | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 1 |
| A<sub>4</sub> | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 |
| 过零点 | 0 | 0 | 0 | 1 | 0 | 1 | 1 | 1 | 0 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
S212,计算过零点的梯度值：
将所有过零点的梯度值按从小到大排列{C1,...,Cn}，其中，n为过零点数目。
S213,计算过零点梯度值的类方差
其中，N0,N1,N2分别表示非边缘点、待定点、边缘点三个类的过零点数，μ0,μ1,μ2分别表示非边缘点、待定点、边缘点三个类的平均梯度值，所述非边缘点是指梯度值C＜K1的过零点，待定点是指梯度值C在范围[K1,K2]内的过零点，边缘点是指梯度值C＞K2的过零点，其中，K1＝Ci,K2＝Cj,1＜i＜j＜n，K1,K2是遍历步骤S212中整个梯度序列，使过零点梯度值的类方差
最大。
S214,对于待定点，若其8个邻域像素点中有边缘点，则该待定点就可以保留为边缘点，否则，视为非边缘点。
分别将G1(x,y),G2(x,y),G3(x,y)进行边缘检测处理，得到舌象边缘图像B1(x,y),B2(x,y),B3(x,y)，即B1(p),B2(p),B3(p)。步骤S211～S214的流程示意图如图4所示。
S300,利用引导图像H(p)，对舌象边缘图像B(x,y)进行非线性引导滤波，得到滤波后的图像
其中，
为转换系数。
通常将输入图像F(x,y)作为引导滤波的引导图像H(x,y)，即H(p)，再使用非线性的引导滤波。作为优选，可以采用以下步骤：
S311,由边缘图像B(p)，即B(x,y)，和引导图像H(p)的方差计算复合权重算子：
其中：b(p)为边缘图像B(p)的像素点p对应的边缘值，σ2 G(p)表示点p处5×5邻域的方差，p′取遍图像的所有像素，λ,ε为调整因子；一般情况，0＜λ≤1,0＜ε≤1，作为优选，λ＝0.12,ε＝0.31；m表示整个图像的像素点个数，对于长为M1、宽为M2的舌象图像，m＝M1×M2。
S312,输出滤波图像
其中，
为转换系数，作为优选，可通过在整幅图像内采取窗口操作再取均值得到，即由
计算得出，其中：wi表示第i个窗口，|w|表示窗口总数，ak，bk，ck由代价函数根据最小二乘法解得：
其中，Ωω为w1×w1的邻域窗口，当选取50x50的邻域窗口时，
λ1,λ2为调控系数，一般情况，0＜λ1≤1,0＜λ2≤1，作为优选，λ1＝0.1,λ2＝0.2；F(p)即为舌象图像F(x,y)。所述代价函数为：
分别利用B1(x,y),B2(x,y),B3(x,y)对舌象图像进行非线性过滤处理，得到滤波后的舌象图像Z1(p),Z2(p),Z3(p)，即Z1(x,y),Z2(x,y),Z3(x,y)。步骤S311、S312的示意如图5所示。
S400,利用Z(x,y)，将舌象图像F(x,y)的亮度分量I分解，得到反射分量R(x,y)；作为优选
其中
ωn为不同尺度n,n＝1,2,3时的权重值，rn(x,y)为尺度n下的亮度。不考虑多尺度时，r(x,y)＝lnI(x,y)-lnZ(x,y)。其中I(x,y)即为亮度分量。考虑多尺度的情况，rn(x,y)＝lnI(x,y)-lnZn(x,y),n＝1,2,3，r1(x,y)＝lnI(x,y)-lnZ1(x,y)，r2(x,y)＝lnI(x,y)-lnZ2(x,y)，r3(x,y)＝lnI(x,y)-lnZ3(x,y)。
作为优选，
其中，
rn(x,y)为尺度n下的亮度，
表示rn(x,y)的最大值，
γ1,γ2为调整参数，ξ1,ξ2为微调参数，一般情况，0＜γ1≤10,0≤γ2≤10，0＜ξ1≤1,1≤ξ2≤20，作为优选，γ1＝4.32,γ2＝2.35,ξ1＝0.25,ξ2＝10；尺度
取前述像素相似度参数的值，σrmax为最大尺度，当取低中高三个尺度，如
时，最大尺度为σrmax＝270。
S500,利用R(x,y)及归一化
得到增强的亮度图像L(x,y)，再结合图像F(x,y)HSI颜色空间的H、S分量，转换到RGB颜色空间，其中，Rmax(x,y)为R(x,y)的最大值，Rmin(x,y)为R(x,y)的最小值。
作为优选，增强的亮度图像通过
计算，其中：
为
在点(x,y)处的值，α,β,k为调节参数，
为归一化
的最小值，
为归一化
的最大值。
作为优选，利用适应度函数
的遗传算法确定调节参数α,β,k，其中：
为
的均值，M1为舌象图像的长，M2为舌象图像的宽。采用所述遗传算法确定调节参数α,β,k的流程示意图如图6所示，方法包括：
S511,利用二进制编码，初始化设定初代种群的大小为H1，优选H1＝70；
S512,计算适应度函数
作为优选，M1＝1400,M2＝1200；适应度的值越大，图像对比度越高，舌象质量越好；
S513,选择运算时，最优个体直接选择，剩余个体使用轮盘赌选择法；
S514,交叉运算，优选交叉概率μp1为0.7；
S515,变异运算，优选变异概率μp2为0.002；
S516,停止条件判断，优选迭代次数t设置为300，或连续5次适应度保持不变。
另外，结合图像F(x,y)HSI颜色空间的H、S分量，将增强的亮度图像L(x,y)转换到RGB颜色空间时，先利用
将H扩展到[0,360]，再根据以下范围，分别计算：
当
时：B＝L(1-S)，
G＝3L-(R+B)；
当
时：R＝L(1-S)，
B＝3L-(R+G)；
当
时：G＝L(1-S)，
R＝3L-(G+B).
图7是实施例的舌象图像增强效果图，从图中可以看出，增强后的图像B比增强之前的图像A降低了图像获取时产生椒盐噪声、摄像管和摄像机噪声，并且在纹理上细节更突出、更丰富，这有利于后续的舌象特征提取与诊断，能够提高舌体分割、特征提取等操作的精确性，进而提升舌象疾病诊断的准确性。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。
Claims (10)
1.一种舌象图像增强方法，包括步骤：
S100,将输入舌象图像F(x,y)的RGB颜色空间转换到HSI颜色空间；对HSI颜色空间舌象图像的亮度分量I进行全局平滑处理，得到舌象平滑图像G(x,y)；
S200,对G(x,y)进行边缘检测，得到舌象边缘图像B(x,y)；
S300,利用B(x,y)对舌象图像进行非线性引导滤波，得到滤波后的图像
其中，H(p)为引导图像，
为转换系数；
S400,利用Z(x,y)对舌象图像F(x,y)的亮度分量I进行分解，得到反射分量R(x,y)；
S500,通过R(x,y)及归一化
增强图像亮度，得到图像L(x,y)；再结合图像F(x,y)HSI颜色空间的H、S分量，转换到RGB颜色空间。
2.根据权利要求1所述的方法，其中S100所述将输入舌象图像F(x,y)的RGB颜色空间转换到HSI颜色空间采用几何推导法。
3.根据权利要求1所述的方法，其中S100所述对HSI颜色空间舌象图像的亮度分量I进行全局平滑处理采用在45°，135°方向及0°，90°方向上距离相似度参数和像素相似度参数的平滑滤波。
4.根据权利要求1所述的方法，其中S200所述对G(x,y)进行边缘检测包括：
S211,确定过零点；
S212,计算过零点的梯度值，并将所有过零点的梯度值按从小到大排列{C1,...,Cn}，其中，n为过零点数目；
S213,计算过零点梯度值的类方差
其中，N0,N1,N2分别表示非边缘点、待定点、边缘点三个类的过零点数，μ0,μ1,μ2分别表示非边缘点、待定点、边缘点三个类的平均梯度值，所述非边缘点是指梯度值C＜K1的过零点，待定点是指梯度值C在范围[K1,K2]内的过零点，边缘点是指梯度值C＞K2的过零点，其中，K1＝Ci,K2＝Cj,1＜i＜j＜n，K1,K2是遍历步骤S212中整个梯度序列，使过零点梯度值的类方差值
最大；
S214,对于待定点，若其8个邻域像素点中有边缘点，则该待定点就可以保留为边缘点，否则，视为非边缘点。
5.根据权利要求1所述的方法，其中S300所述转换系数
通过代价函数
得到，其中ΓG(p)为复合权重算子，λ1,λ2为调控系数，引导图像H(p)为输入图像F(x,y)。
6.根据权利要求1所述的方法，其中S400所述反射分量
其中
ωn为不同尺度n,n＝1,2,3时的权重值，rn(x,y)为尺度n下的亮度。
7.根据权利要求1所述的方法，其中S500所述L(x,y)通过
计算，其中：
为
在点(x,y)处的值，α,β,k为调节参数，
为归一化
的最小值，
为归一化
的最大值。
8.根据权利要求3所述的方法，其中所述像素相似度参数选取高中低三个尺度。
9.根据权利要求3所述的方法，其中所述距离相似度参数
表示距离相似度参数，通过下式计算：
式中，L1、L2为常数，归一化共生矩阵
i＝1,2；N为舌象图像的长，M为舌象图像的宽；pi(f1,f2)，i＝1,2分别是偏离点(x+1,y+1)和偏离点(x-1,y+1)共生矩阵。
10.根据权利要求4所述的方法，所述过零点满足至少以下条件A1～A4中的两项，A1：P(x-1,y)P(x+1,y)＜0；A2：P(x,y-1)P(x,y+1)＜0；A3：P(x-1,y-1)P(x+1,y+1)＜0；A4：P(x+1,y-1)P(x-1,y+1)＜0；其中：
Gx,Gy分别为图像G(x,y)的像素点g(x,y)处对x,y的一阶差分，Gxx,Gxy,Gyy为相应的二阶差分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910761923.1A CN110910317B (zh) | 2019-08-19 | 2019-08-19 | 一种舌象图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910761923.1A CN110910317B (zh) | 2019-08-19 | 2019-08-19 | 一种舌象图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110910317A CN110910317A (zh) | 2020-03-24 |
| CN110910317B true CN110910317B (zh) | 2020-08-14 |
Family
ID=69814442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910761923.1A Active CN110910317B (zh) | 2019-08-19 | 2019-08-19 | 一种舌象图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110910317B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111445419A (zh) * | 2020-04-09 | 2020-07-24 | 南京图格医疗科技有限公司 | 一种基于数学形态学的医学内窥镜图像增强方法 |
| CN112862715B (zh) * | 2021-02-08 | 2023-06-30 | 天津大学 | 一种实时且可控的尺度空间滤波方法 |
| CN113223099B (zh) * | 2021-06-11 | 2023-04-18 | 苏州大学 | 基于生物视觉模型的RatSLAM环境适应性提升方法和系统 |
| CN117911722A (zh) * | 2024-03-19 | 2024-04-19 | 陕西中医药大学 | 基于人工智能的糖尿病人舌象特征提取方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184743B (zh) * | 2015-08-19 | 2018-03-30 | 常州工学院 | 一种基于非线性导向滤波的图像增强方法 |
| CN107451990B (zh) * | 2017-06-13 | 2019-11-15 | 宁波大学 | 一种使用非线性引导滤波的照片图像篡改检测方法 |
| CN109859229A (zh) * | 2018-12-14 | 2019-06-07 | 上海源庐加佳信息科技有限公司 | 一种中医舌质苔质分离方法 |
| CN109872298A (zh) * | 2018-12-14 | 2019-06-11 | 上海源庐加佳信息科技有限公司 | 一种中医舌苔腐腻识别方法 |
-
2019
- 2019-08-19 CN CN201910761923.1A patent/CN110910317B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110910317A (zh) | 2020-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110910317B (zh) | 一种舌象图像增强方法 | |
| CN113313641B (zh) | 一种自适应中值滤波的ct图像去噪方法 | |
| CN109064470B (zh) | 一种基于自适应模糊聚类的图像分割方法及装置 | |
| CN110930416A (zh) | 一种基于u型网络的mri图像前列腺分割方法 | |
| CN110992292B (zh) | 一种增强型低秩稀疏分解模型医学ct图像去噪方法 | |
| CN112001904A (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
| CN114549492A (zh) | 一种基于多粒度图像信息内容的质量评价方法 | |
| CN115578284A (zh) | 一种多场景图像增强方法及系统 | |
| CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
| CN114359637A (zh) | 一种脑部医学影像分类方法及装置 | |
| CN110599422B (zh) | 一种基于边缘保护的加权平均椒盐噪声降噪方法 | |
| Tripathy et al. | Performance observation of mammograms using an improved dynamic window based adaptive median filter | |
| CN114863498A (zh) | 一种基于AGC和Frangi的手部静脉红外图像的增强与分割方法 | |
| CN111383759A (zh) | 一种肺炎自动诊断系统 | |
| Kesuma et al. | Improved Chest X-Ray Image Quality Using Median and Gaussian Filter Methods | |
| CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
| Kumar et al. | Spatial mutual information based detail preserving magnetic resonance image enhancement | |
| Fazli et al. | A novel retinal vessel segmentation based on local adaptive histogram equalization | |
| Bhuvaneswari et al. | Contrast enhancement of retinal images using green plan masking and whale optimization algorithm | |
| US20100061656A1 (en) | Noise reduction of an image signal | |
| Kumar et al. | Automatic tissue attenuation-based contrast enhancement of low-dynamic X-Ray images | |
| CN115511814A (zh) | 一种基于兴趣区域多纹理特征融合的图像质量评价方法 | |
| CN115456890A (zh) | 基于多尺度双域判别器的生成对抗医学ct图像去噪方法 | |
| CN115272184A (zh) | 基于优化工业图像质量的缺陷识别方法 | |
| Teh et al. | Contrast enhancement of CT brain images using gamma correction adaptive extreme-level eliminating with weighting distribution |
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 |