CN110929740A - 一种基于lgbm模型的舌质舌苔分离方法 - Google Patents
一种基于lgbm模型的舌质舌苔分离方法 Download PDFInfo
- Publication number
- CN110929740A CN110929740A CN201911149900.1A CN201911149900A CN110929740A CN 110929740 A CN110929740 A CN 110929740A CN 201911149900 A CN201911149900 A CN 201911149900A CN 110929740 A CN110929740 A CN 110929740A
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- lgbm
- color space
- model
- 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
- 239000011248 coating agent Substances 0.000 title claims abstract description 27
- 238000000576 coating method Methods 0.000 title claims abstract description 27
- 238000000926 separation method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 239000003086 colorant Substances 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- MCSXGCZMEPXKIW-UHFFFAOYSA-N 3-hydroxy-4-[(4-methyl-2-nitrophenyl)diazenyl]-N-(3-nitrophenyl)naphthalene-2-carboxamide Chemical compound Cc1ccc(N=Nc2c(O)c(cc3ccccc23)C(=O)Nc2cccc(c2)[N+]([O-])=O)c(c1)[N+]([O-])=O MCSXGCZMEPXKIW-UHFFFAOYSA-N 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 206010043945 Tongue coated Diseases 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于LGBM模型的舌质舌苔分离方法，涉及舌体图像处理技术领域，本发明根据舌体图像的颜色特征，将舌质像素点和舌苔像素点共同划分为N类不同的颜色种类；然后采样分别获取样本在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值，特征组合后得到特征向量；利用PCA降维方法对特征向量进行降维，得到M类特征作为LGBM模型的输入特征；通过训练集对LGBM模型进行训练优化，得到训练好的LGBM舌体颜色分类器；将待分类的舌体图像进行预处理后，输入LGBM舌体颜色分类器，分别得到对应的舌质图像和舌苔图像，本发明具有分类精度大幅提升，分类时间较短，占用资源较少的优点。
Description
技术领域
本发明涉及舌体图像处理技术领域，更具体的是涉及一种基于LGBM模型的舌质舌苔分离方法。
背景技术
目前，对于舌体图像的舌质舌苔分类主要是通过以下两种方式进行的：
1、K-means分类方法；
2、SVM分类器；
舌质舌苔分离技术的难点在于对于不同个体不同拍照环境，舌体图像千差万别，没有一个明确的区分舌质和舌苔的标准，很难构建舌质或者舌苔的样本库，所以现有算法多采用无监督的分类算法，但是，对于K-means分类方法，虽然其属于无监督的分类算法，可以无前提无样本的使用，但是其分类精度差，很难选择分类特征，导致邻近的舌苔舌质像素点一般在特征空间中距离较小，容易被误分类为一种，使得分类结果较差，且运行时间长；
而对于SVM分类器的分类算法，首先在数据获取上，很难构建普适的舌质舌苔训练样本库，并且由于SVM分类器本身具有局限性，适用范围是小数据的训练集，而且SVM分类器不适用于多分类问题，对舌质舌苔进行二分类容易出现分类效果差的问题，而若通过组合SVM进行多分类，则会出现训练速度慢，修改一类数据就需要对整体进行重新训练，训练效率过低。
发明内容
本发明的目的在于：为了解决现有的舌质舌苔分类方法分类精度和分类效果差，分类效率较低的问题，本发明提供一种基于LGBM模型的舌质舌苔分离方法。
本发明为了实现上述目的具体采用以下技术方案：
一种基于LGBM模型的舌质舌苔分离方法，包括：
根据舌体图像的颜色特征，制定颜色分类标准，将舌体图像的舌质像素点和舌苔像素点共同划分为N类不同的颜色种类；
对每一类颜色种类的像素点进行采样，根据舌体图像的颜色学特性，分别获取样本在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值，然后将各通道分量的特征值以及RGB颜色空间三通道分量的特征值进行特征组合后，得到特征向量存入样本特征向量集合中；
利用PCA降维方法对样本特征向量集合中的特征向量进行降维，得到M类特征作为LGBM模型的输入特征，其中M和N均为正整数，且M<N；
初始化LGBM模型，将M类特征的样本按比例随机分为训练集和测试集，通过训练集对LGBM模型进行训练优化，直至LGBM模型在测试集上的分类准确率达到目标值，得到训练好的LGBM舌体颜色分类器；
将待分类的舌体图像进行预处理后，得到待分类有效舌体图像，将待分类有效舌体图像在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值以及RGB颜色空间三通道分量的特征值进行特征组合后，输入LGBM舌体颜色分类器，得到待分类有效舌体图像每个像素点的颜色种类，将分类为舌质像素点和舌苔像素点的像素点对应到待分类有效舌体图像中，即分别得到对应的舌质图像和舌苔图像。
进一步的，将舌体图像的舌质像素点和舌苔像素点共同划分为N类不同的颜色种类，N＝10，其中舌质像素点为5类，分别为淡色舌质、淡红舌质、红色舌质、深红舌质和绛色舌质，舌苔像素点为5类，分别为白色舌苔、淡黄舌苔、深黄舌苔、棕黄舌苔和灰黑舌苔。
进一步的，将RGB颜色空间三通道分量的特征值进行特征组合得到的三个特征向量，分别为R-B、R-G和G-B。
进一步的，利用PCA降维方法对样本特征向量集合中的特征向量进行降维，具体为：
设分类类别为目标向量，对特征向量进行相关性分析：计算特征向量与目标向量构成的协方差矩阵的协方差和特征向量与目标向量各自的方差，得到特征向量与目标向量的相关系数即影响因子，从大到小对影响因子进行排序，选择前M个影响因子对应的M类特征作为LGBM模型的输入特征。
进一步的，所述LGBM模型初始化为多分类分类器，利用网格调参法对LGBM模型进行训练优化。
进一步的，所述利用网格调参法对LGBM模型进行训练优化，具体为：设定模型的学习率、Boosting迭代次数、最大深度、叶节点数和正则化参数的取值范围，在训练过程中利用F1分数对各参数的取值进行得分评估，取得最优得分时所对应的参数值，即为最佳参数值。
进一步的，所述将待分类的舌体图像进行预处理，具体为：
去除待分类的舌体图像的阴影区域：将待分类的舌体图像转化为灰度图像，然后采用阈值分割法将灰度图像中灰度小于阈值的区域去除。
进一步的，对每一类颜色种类的像素点进行采样，具体是，根据三甲医院专业医师对每幅舌体图像进行舌质舌苔厚薄深浅标注后，进行有差异采样，并由专业医师对采样结果进行评估校验。
本发明的有益效果如下：
1、本发明采用的LGBM模型是一种轻量化的分类模型，通过前期数据的输入，对模型进行训练，一旦训练完成，则不需要再携带数据库，能够直接提取待分类点的特征向量，输入LGBM模型就会直接得到分类结果，对所有舌体图像具有普适性，且与现有的分类技术相比准确率有较大的增长，分类效果明显提升。
2、本发明采用LGBM模型处理多分类问题，将舌质舌苔两种类型细化为十种类型，并对各种类型分别采样，可以较大提升准确率，且LGBM模型架构属于轻量级，模型结构简单，运行速度快且易于部署。
3、本发明为了融合各个颜色空间包含的信息，将各个颜色空间的分量进行特征融合，而由于进行特征组合后，特征向量的维度很大，为了避免没必要的计算，减少运行时间，本发明对所有的维度做PCA降维，选取包含较多信息的维度进行特征向量构建，即避免了信息损失，又加速了分类时间。
附图说明
图1是本发明具体实施方式的方法流程示意图。
图2是本发明具体实施方式三种颜色空间的舌体图像示意图。
图3是本发明具体实施方式去除阴影区域前后的舌体图像对比示意图。
图4是本发明具体实施方式的伪彩色效果图。
图5是本发明具体实施方式的苔质分离效果图。
具体实施方式
为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示，本实施例提供一种基于LGBM模型的舌质舌苔分离方法，包括：
根据舌体图像的颜色特征，制定颜色分类标准，将舌体图像的舌质像素点和舌苔像素点共同划分为N类不同的颜色种类，本实施例中，N＝10，其中舌质像素点为5类，分别为淡色舌质、淡红舌质、红色舌质、深红舌质和绛色舌质，舌苔像素点为5类，分别为白色舌苔、淡黄舌苔、深黄舌苔、棕黄舌苔和灰黑舌苔；
分别对每一类颜色种类的像素点进行采样，本实施例中，根据三甲医院专业医师对每幅舌体图像进行舌质舌苔厚薄深浅标注后，进行有差异采样，并由专业医师对采样结果进行评估校验，每一类颜色种类的像素点分别采样200例，根据舌体图像的颜色学特性，由于舌体中区分舌质和舌苔的主要依据就是通过视觉差异，反映到图像中即为颜色的差异，而RGB颜色空间对颜色并不敏感，HSV颜色空间和LAB颜色空间相较RGB颜色空间更能体现颜色间的差异，因此为了使分类效果良好，分别获取样本在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值，如图2所示，从左往右分别是RGB颜色空间、HSV颜色空间和LAB颜色空间的舌体图像示意图，然后将各通道分量的特征值以及RGB颜色空间三通道分量的特征值进行特征组合后，得到特征向量存入样本特征向量集合中，其中RGB颜色空间三通道分量的特征值进行特征组合得到的三个特征向量，分别为R-B、R-G和G-B；
利用PCA降维方法对样本特征向量集合中的特征向量进行降维，得到M类特征作为LGBM模型的输入特征，其中M和N均为正整数，且M<N，具体的：
设分类类别为目标向量，对特征向量进行相关性分析：计算特征向量与目标向量构成的协方差矩阵的协方差和特征向量与目标向量各自的方差，得到特征向量与目标向量的相关系数即影响因子，从大到小对影响因子进行排序，选择前M个影响因子对应的M类特征作为LGBM模型的输入特征，本实施例中，M＝7，即得到10种颜色类别的作为LGBM模型的输入特征；
初始化LGBM模型为多分类分类器，将7维特征向量样本按0.8:0.2的比例随机分为训练集和测试集，基于网格调参法通过训练集对LGBM模型进行训练优化，直至LGBM模型在测试集上的分类准确率达到目标值，如80％，则得到训练好的LGBM舌体颜色分类器；
网格调参法进行训练优化具体为：设定模型的学习率、Boosting迭代次数、最大深度、叶节点数和正则化参数的取值范围，在训练过程中利用F1分数对各参数的取值进行得分评估，取得最优得分时所对应的参数值，即为最佳参数值；
如图3的左图所示，由于拍摄照片时的光线原因，在舌体图像根部、侧后方等部位常常会出现阴影区域，对分类结果产生不利影响。因此本实施例对待分类的舌体图像进行阴影区域的去除，根据阴影区域在图像中表现为亮度较低，灰度值较小，将待分类的舌体图像转化为灰度图像，然后采用阈值分割法将灰度图像中灰度小于阈值的区域去除，因为舌体明暗也属于舌体特征的一部分，设置自适应的阈值容易将图像中本来亮度较低但不属于阴影区域的部分误去除，故本实施例采用基于实验的经验阈值，将灰度不足阈值的区域忽略，采用其他区域进行分类，如图3的右图所示，得到待分类有效舌体图像，将待分类有效舌体图像在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值以及RGB颜色空间三通道分量的特征值进行特征组合后，输入LGBM舌体颜色分类器，得到待分类有效舌体图像每个像素点的颜色种类，根据颜色种类，输出待分类有效舌体图像的伪彩色图像，如图4所示，然后将分类为舌质像素点和舌苔像素点的像素点对应到待分类有效舌体图像中，即分别得到对应的舌质图像和舌苔图像，如图5所示，左边即为舌质图像，右边即为舌苔图像。
本实施例解决了不同舌体图像中分类标准难以确定，导致的舌质舌苔分离效果差的问题，与现有技术相比，分类精度大幅提升，分类时间较短，占用资源较少，与此同时还获得了除类别之外的颜色信息，为舌象的计算机代替人工诊断提供了可能。
以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。
Claims (8)
1.一种基于LGBM模型的舌质舌苔分离方法，其特征在于，包括：
根据舌体图像的颜色特征，将舌体图像的舌质像素点和舌苔像素点共同划分为N类不同的颜色种类；
对每一类颜色种类的像素点进行采样，根据舌体图像的颜色学特性，分别获取样本在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值，然后将各通道分量的特征值以及RGB颜色空间三通道分量的特征值进行特征组合后，得到特征向量存入样本特征向量集合中；
利用PCA降维方法对样本特征向量集合中的特征向量进行降维，得到M类特征作为LGBM模型的输入特征，其中M和N均为正整数，且M<N；
初始化LGBM模型，将M类特征的样本按比例随机分为训练集和测试集，通过训练集对LGBM模型进行训练优化，直至LGBM模型在测试集上的分类准确率达到目标值，得到训练好的LGBM舌体颜色分类器；
将待分类的舌体图像进行预处理后，得到待分类有效舌体图像，将待分类有效舌体图像在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值以及RGB颜色空间三通道分量的特征值进行特征组合后，输入LGBM舌体颜色分类器，得到待分类有效舌体图像每个像素点的颜色种类，将分类为舌质像素点和舌苔像素点的像素点对应到待分类有效舌体图像中，即分别得到对应的舌质图像和舌苔图像。
2.根据权利要求1所述的一种基于LGBM模型的舌质舌苔分离方法，其特征在于，将舌体图像的舌质像素点和舌苔像素点共同划分为N类不同的颜色种类，N＝10，其中舌质像素点为5类，分别为淡色舌质、淡红舌质、红色舌质、深红舌质和绛色舌质，舌苔像素点为5类，分别为白色舌苔、淡黄舌苔、深黄舌苔、棕黄舌苔和灰黑舌苔。
3.根据权利要求1所述的一种基于LGBM模型的舌质舌苔分离方法，其特征在于，将RGB颜色空间三通道分量的特征值进行特征组合得到的三个特征向量，分别为R-B、R-G和G-B。
4.根据权利要求1所述的一种基于LGBM模型的舌质舌苔分离方法，其特征在于，利用PCA降维方法对样本特征向量集合中的特征向量进行降维，具体为：
设分类类别为目标向量，对特征向量进行相关性分析：计算特征向量与目标向量构成的协方差矩阵的协方差和特征向量与目标向量各自的方差，得到特征向量与目标向量的相关系数即影响因子，从大到小对影响因子进行排序，选择前M个影响因子对应的M类特征作为LGBM模型的输入特征。
5.根据权利要求1所述的一种基于LGBM模型的舌质舌苔分离方法，其特征在于，所述LGBM模型初始化为多分类分类器，利用网格调参法对LGBM模型进行训练优化。
6.根据权利要求5所述的一种基于LGBM模型的舌质舌苔分离方法，其特征在于，所述利用网格调参法对LGBM模型进行训练优化，具体为：设定模型的学习率、Boosting迭代次数、最大深度、叶节点数和正则化参数的取值范围，在训练过程中利用F1分数对各参数的取值进行得分评估，取得最优得分时所对应的参数值，即为最佳参数值。
7.根据权利要求1所述的一种基于LGBM模型的舌质舌苔分离方法，其特征在于，所述将待分类的舌体图像进行预处理，具体为：
去除待分类的舌体图像的阴影区域：将待分类的舌体图像转化为灰度图像，然后采用阈值分割法将灰度图像中灰度小于阈值的区域去除。
8.根据权利要求1所述的一种基于LGBM模型的舌质舌苔分离方法，其特征在于，对每一类颜色种类的像素点进行采样，具体是，根据三甲医院专业医师对每幅舌体图像进行舌质舌苔厚薄深浅标注后，进行有差异采样，并由专业医师对采样结果进行评估校验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911149900.1A CN110929740A (zh) | 2019-11-21 | 2019-11-21 | 一种基于lgbm模型的舌质舌苔分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911149900.1A CN110929740A (zh) | 2019-11-21 | 2019-11-21 | 一种基于lgbm模型的舌质舌苔分离方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110929740A true CN110929740A (zh) | 2020-03-27 |
Family
ID=69850606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911149900.1A Pending CN110929740A (zh) | 2019-11-21 | 2019-11-21 | 一种基于lgbm模型的舌质舌苔分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929740A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511567A (zh) * | 2022-04-20 | 2022-05-17 | 天中依脉(天津)智能科技有限公司 | 舌体与舌苔图像识别分离方法 |
| CN115035573A (zh) * | 2022-05-27 | 2022-09-09 | 哈尔滨工程大学 | 一种基于融合策略的唇部分割方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1367454A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法 |
| CN1931085A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 基于像素的舌苔舌质颜色提取及分类方法 |
| WO2009038376A1 (en) * | 2007-09-21 | 2009-03-26 | Korea Institute Of Oriental Medicine | Extraction method of tongue region using graph-based approach and geometric properties |
| CN101799920A (zh) * | 2009-02-06 | 2010-08-11 | 天津市医学堂科技有限公司 | 基于颜色特征的舌象分析方法及其应用 |
| CN102426583A (zh) * | 2011-10-10 | 2012-04-25 | 北京工业大学 | 基于图像内容分析的中医舌象检索方法 |
| CN102509312A (zh) * | 2011-09-20 | 2012-06-20 | 哈尔滨工业大学 | 人体数字舌图像颜色色域空间及其提取方法 |
| KR20130067658A (ko) * | 2011-12-14 | 2013-06-25 | 한국 한의학 연구원 | 설태 및 설질 영역을 구분하여 건강을 진단하는 장치 및 방법 |
| 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 |
| CN104156715A (zh) * | 2014-09-01 | 2014-11-19 | 杭州朗和科技有限公司 | 一种终端设备、信息采集方法及装置 |
| CN104298983A (zh) * | 2013-07-15 | 2015-01-21 | 清华大学 | 具有分布式用户终端的舌苔图像获取与分析系统 |
| WO2015156039A1 (ja) * | 2014-04-08 | 2015-10-15 | コニカミノルタ株式会社 | 器官画像撮影装置 |
| WO2017073823A1 (ko) * | 2015-10-29 | 2017-05-04 | 한국 한의학 연구원 | 적응 임계값 도출과 설태, 설질, 및 혼합 영역을 구분하는 장치 및 방법 |
| CN109147935A (zh) * | 2018-07-19 | 2019-01-04 | 山东和合信息科技有限公司 | 基于人体特征采集识别技术的健康数据平台 |
| CN109598297A (zh) * | 2018-11-29 | 2019-04-09 | 新绎健康科技有限公司 | 一种舌苔舌质分析方法、系统、计算机设备和存储介质 |
| CN109816629A (zh) * | 2018-12-20 | 2019-05-28 | 新绎健康科技有限公司 | 一种基于k-means聚类的苔质分离方法和装置 |
| CN109872299A (zh) * | 2018-12-14 | 2019-06-11 | 上海源庐加佳信息科技有限公司 | 一种中医舌色苔色识别方法 |
| 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 |
| JP2019180749A (ja) * | 2018-04-09 | 2019-10-24 | 富士通株式会社 | 画像処理プログラム、画像処理装置、および画像処理方法 |
-
2019
- 2019-11-21 CN CN201911149900.1A patent/CN110929740A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1367454A (zh) * | 2002-03-25 | 2002-09-04 | 北京工业大学 | 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法 |
| CN1931085A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 基于像素的舌苔舌质颜色提取及分类方法 |
| WO2009038376A1 (en) * | 2007-09-21 | 2009-03-26 | Korea Institute Of Oriental Medicine | Extraction method of tongue region using graph-based approach and geometric properties |
| CN101799920A (zh) * | 2009-02-06 | 2010-08-11 | 天津市医学堂科技有限公司 | 基于颜色特征的舌象分析方法及其应用 |
| CN102509312A (zh) * | 2011-09-20 | 2012-06-20 | 哈尔滨工业大学 | 人体数字舌图像颜色色域空间及其提取方法 |
| CN102426583A (zh) * | 2011-10-10 | 2012-04-25 | 北京工业大学 | 基于图像内容分析的中医舌象检索方法 |
| KR20130067658A (ko) * | 2011-12-14 | 2013-06-25 | 한국 한의학 연구원 | 설태 및 설질 영역을 구분하여 건강을 진단하는 장치 및 방법 |
| CN104298983A (zh) * | 2013-07-15 | 2015-01-21 | 清华大学 | 具有分布式用户终端的舌苔图像获取与分析系统 |
| 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 |
| WO2015156039A1 (ja) * | 2014-04-08 | 2015-10-15 | コニカミノルタ株式会社 | 器官画像撮影装置 |
| CN104156715A (zh) * | 2014-09-01 | 2014-11-19 | 杭州朗和科技有限公司 | 一种终端设备、信息采集方法及装置 |
| WO2017073823A1 (ko) * | 2015-10-29 | 2017-05-04 | 한국 한의학 연구원 | 적응 임계값 도출과 설태, 설질, 및 혼합 영역을 구분하는 장치 및 방법 |
| JP2019180749A (ja) * | 2018-04-09 | 2019-10-24 | 富士通株式会社 | 画像処理プログラム、画像処理装置、および画像処理方法 |
| CN109147935A (zh) * | 2018-07-19 | 2019-01-04 | 山东和合信息科技有限公司 | 基于人体特征采集识别技术的健康数据平台 |
| CN109598297A (zh) * | 2018-11-29 | 2019-04-09 | 新绎健康科技有限公司 | 一种舌苔舌质分析方法、系统、计算机设备和存储介质 |
| CN109872299A (zh) * | 2018-12-14 | 2019-06-11 | 上海源庐加佳信息科技有限公司 | 一种中医舌色苔色识别方法 |
| CN109816629A (zh) * | 2018-12-20 | 2019-05-28 | 新绎健康科技有限公司 | 一种基于k-means聚类的苔质分离方法和装置 |
| 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 |
Non-Patent Citations (16)
| Title |
|---|
| CHUANG-CHIEN CHIU: "A novel approach based on computerized image analysis for traditional Chinese medical diagnosis of the tongue", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
| GUOLIN KE 等: "LightGBM: A highly efficient gradient boosting decision tree", 《NIPS"17: PROCEEDINGS OF THE 31ST INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
| K. H. KIM 等: "Tongue diagnosis method for extraction of effective region and classification of tongue coating", 《2008 FIRST WORKSHOPS ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS》 * |
| LI QINGLI 等: "Tongue color analysis and discrimination based on hyperspectral images", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》 * |
| RATCHADAPORN KANAWONG 等: "Automated Tongue Feature Extraction for ZHENG Classification in Traditional Chinese Medicine", 《EVID BASED COMPLEMENT ALTERNAT MED》 * |
| VINÍCIUS VELOSO DE MELO 等: "Gradient boosting decision trees for echocardiogram images", 《2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
| 卫保国 等: "数字化中医舌象分析仪", 《中国医疗器械杂志》 * |
| 周文 等: "LightGBM算法在阿尔茨海默症结构磁共振成像分类中的应用", 《中国医学物理学杂志》 * |
| 张新峰 等: "多类支撑向量机在中医舌质、舌苔分类和识别的应用研究", 《电路与系统学报》 * |
| 张艺凡 等: "基于支持向量机的痤疮患者舌色苔色识别算法研究", 《北京生物医学工程》 * |
| 王学民 等: "基于双光源的舌质舌苔分离方法研究", 《纳米技术与精密工程》 * |
| 王永刚 等: "中医舌象颜色识别的研究", 《生物医学工程学杂志》 * |
| 苏明玉: "中医舌诊中舌象特征提取及分类算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 郭宙 等: "基于K-均值聚类的常用色彩空间舌质舌苔分割研究", 《北京中医药大学学报》 * |
| 阚红星 等: "一种2型糖尿病中医证型的舌图像识别方法", 《中国生物医学工程学报》 * |
| 黄景斌 等: "基于舌象图像分区指标的糖尿病疗效评价", 《中华中医药杂志》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511567A (zh) * | 2022-04-20 | 2022-05-17 | 天中依脉(天津)智能科技有限公司 | 舌体与舌苔图像识别分离方法 |
| CN114511567B (zh) * | 2022-04-20 | 2022-08-05 | 天中依脉(天津)智能科技有限公司 | 舌体与舌苔图像识别分离方法 |
| CN115035573A (zh) * | 2022-05-27 | 2022-09-09 | 哈尔滨工程大学 | 一种基于融合策略的唇部分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
| CN107330889B (zh) | 一种基于卷积神经网络的中医舌色苔色自动分析方法 | |
| Waghmare et al. | Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system | |
| Khan et al. | A nonlinear mapping approach to stain normalization in digital histopathology images using image-specific color deconvolution | |
| CN105930815B (zh) | 一种水下生物检测方法和系统 | |
| CN111860533A (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
| Agrawal et al. | Grape leaf disease detection and classification using multi-class support vector machine | |
| CN102194108B (zh) | 一种聚类线性鉴别分析特征选择的笑脸表情识别方法 | |
| Renugambal et al. | Application of image processing techniques in plant disease recognition | |
| Niu et al. | Image segmentation algorithm for disease detection of wheat leaves | |
| Almogdady et al. | A flower recognition system based on image processing and neural networks | |
| CN112464942B (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
| CN111340824A (zh) | 一种基于数据挖掘的图像特征分割方法 | |
| CN110991389A (zh) | 判断目标行人在非重叠相机视角中出现的匹配方法 | |
| Trivedi et al. | Automatic segmentation of plant leaves disease using min-max hue histogram and k-mean clustering | |
| CN110929740A (zh) | 一种基于lgbm模型的舌质舌苔分离方法 | |
| CN115272838A (zh) | 基于信息融合技术的海洋浮游生物自动识别方法及系统 | |
| Warrell et al. | Labelfaces: Parsing facial features by multiclass labeling with an epitome prior | |
| Laursen et al. | Statistics-based segmentation using a continuous-scale naive Bayes approach | |
| Youlian et al. | Face detection method using template feature and skin color feature in rgb color space | |
| Dhingra et al. | Clustering-based shadow detection from images with texture and color analysis | |
| CN113034454B (zh) | 一种基于人类视觉感官的水下图像质量评价方法 | |
| CN110348530B (zh) | 用于识别口红色号的方法 | |
| Li et al. | A novel denoising autoencoder assisted segmentation algorithm for cotton field | |
| CN111563536B (zh) | 一种基于机器学习的竹条颜色自适应分类方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yao Shukun Inventor after: Duan Shaojie Inventor after: Chen Jialiang Inventor after: Wang Tianhao Inventor after: Chao Dai Inventor after: He Fan Inventor after: Zhou Zhen Inventor before: Wang Tianhao Inventor before: Chao Dai Inventor before: He Fan Inventor before: Zhou Zhen |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201228 Address after: Shuangxin District, Chengdu, Sichuan 610000 Applicant after: CHINA POWER HEALTH CLOUD TECHNOLOGY Co.,Ltd. Applicant after: China Japan Friendship Hospital (China Japan Friendship Institute of clinical medicine) Address before: Shuangxin District, Chengdu, Sichuan 610000 Applicant before: CHINA POWER HEALTH CLOUD TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |
|
| RJ01 | Rejection of invention patent application after publication |