CN111950492A - 一种基于中医理论与手掌多特征提取的高血压风险预测方法 - Google Patents

Abstract

本发明提供的一种基于中医理论与手掌多特征提取的高血压风险预测方法，包括：获取待测手掌的图像；建立手部关键点模型；根据生命线过中线特征、红润特征、隆起特征、肥厚特征，对图像信息分别进行相应的ROI分割；对生命线过中线特征对应的生命线过中线ROI区域进行检测判断生命线是否过中线；对红润特征对应的红润ROI区域进行红润检测判断是否为红润；对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，判断是否为肥厚、隆起；通过过中线权重Weight₁、红润权重Weight₂、肥厚权重为Weight₃、隆起权重为Weight₄，判断是否为高血压风险；本发明具有能够快速识别掌纹信息，使人们能够对高血压进行自测的有益效果，适用于医学图像处理领域。

Description

一种基于中医理论与手掌多特征提取的高血压风险预测方法

技术领域

本发明涉及医学图像处理的技术领域，具体涉及一种基于中医理论与手掌多特征提取的高血压风险预测方法。

背景技术

在中医理论中，手诊是指通过人体手的纹路形态、变化、规律等方式，对人体器官的演变作出推理的一种防治辅助手段。早在唐朝，王超就在《水镜图诀》中记载了根据观察幼儿食指内侧表浅静脉的色泽与形态变化推断病情的案例，同时西方在古希腊时期，就有哲学家亚里士多德的《亚里士多德手相术》，都对后世产生了极为深远的影响。

手部掌纹是反映人体健康状况重要的表征窗口，研究掌纹可认识机体内部的发展状况；手掌皮肤下分布着丰富的毛细血管，末梢神经集中，身体细胞新陈代谢会直接影响掌纹的走向，就将身体健康信息以纹路的形式表现在手掌上；通过掌纹预测高血压风险已有相关中医理论支撑。

现代社会中，由于人们生活水平的提高，人们的饮食习惯和工作性质都在发生着很大的变化，高血压疾病的发病率越来越高；使得人们对自身是否患高血压疾病的检测需求增多。

目前高血压的检测需要去往医院等医疗机构专门进行专门检测，检测繁琐且不便。

发明内容

针对相关技术中存在的不足，本发明所要解决的技术问题在于：提供一种能够快速识别掌纹信息，使人们能够对高血压进行自测的基于中医理论与手掌多特征提取的高血压风险预测方法。

为解决上述技术问题，本发明采用的技术方案为：一种基于中医理论与手掌多特征提取的高血压风险预测方法，包括：

S10，获取待测手掌的图像；

S20，建立手部关键点模型；所述手部关键点模型包括：手部主要关节的位置信息；

S30，根据生命线过中线特征、红润特征、隆起特征、肥厚特征，对图像信息分别进行相应的ROI分割；

S40，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，若生命线与中线相交，则计算过中线权重为Weight₁，否则权重为0；

S50，对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，若为红润，则红润权重为Weight₂，否则权重为0；

S60，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，若为肥厚，则肥厚权重为Weight₃，若为隆起，则隆起权重为Weight₄，否则为0；

S70，通过过中线权重Weight₁、红润权重Weight₂、肥厚权重为Weight₃、隆起权重为Weight₄，判断是否为高血压风险。

优选地，所述步骤S30，根据生命线过中线特征、隆起特征、红润特征、肥厚特征，分别进行相应的ROI分割，具体包括：

S301，根据生命线过中线特征，分割出生命线过中线ROI区域，其中，所述生命线过中线ROI区域为三角形区域，所述生命线过中线ROI区域中的三个定点分别为：(x₀，y₀)，(x₅，y₅)，

其中：(x₀，y₀)为关键点0点的位置，(x₅，y₅)为关键点5点的位置，关键点0点对应的手部位置为手腕中心，关键点5点对应的手部位置为食指根部；

S302，根据隆起特征，分割出隆起ROI区域，其中：所述隆起特征ROI区域为矩形区域，所述隆起特征ROI区域的四个顶点的坐标分别为：(x₅+m，y₅-m)，(x₅+m，y₁₇+m)，(x₁₇-m，y₁₇+m)，(x₁₇-m，y₅-m)；其中：(x₁₇，y₁₇)为关键点17点的位置，关键点17点对应的手部位置为小拇指根部；m为标准距离、且取值为：关键点5与关键点17的横坐标距离的四分之一；

S303，根据红润特征，分割出红润ROI区域，其中：所述红润特征ROI区域为矩形区域，所述红润特征ROI区域的四个顶点的坐标分别为(x₅+m，y₅-m)，(x₅+m，y₁₇+3m)，(x₁₇-m，y₁₇+3m)，(x₁₇-m，y₅-m)；

S304，根据肥厚特征，分割出肥厚ROI区域，其中：所述红润特征ROI区域为矩形区域，所述肥厚特征ROI区域的四个顶点的坐标分别为(x₅+3m，y₅+6m)，(x₅+3m，y₁₇+2m)，(x₁₇-m，y₁₇+2m)，(x₁₇-m，y₅+6m)。

优选地，所述生命线过中线特征、红润特征、隆起特征、肥厚特征对应的权值系数分别设置为：0.55、0.15、0.15、0.15；

当生命线过中线检测判断为过中线时，

Weight₁＝min(W，0.55) 公式(1)

其中：

判断是否存在交点的过程如下：

若存在交点，则计算公式(1-2)中二次函数顶点与直线的距离d，并得到三倍的该距离与关键点5点到关键点17点的距离的比值L：其中：关键点5点对应的手部位置为食指根部，关键点17点对应的手部位置为小拇指根部；

当红润检测判断为红润时，所述Weight₂＝0.15；

当肥厚检测判断为肥厚时，所述Weight₃＝0.15；

当隆起检测判断为隆起时，所述Weight₄＝0.15。

优选地，所述步骤S40，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，若生命线与中线相交，则计算权重Weight₁，否则权重为0，具体包括：

S401，对生命线过中线ROI区域内的图像进行灰度处理，转化为灰度图像；

S402，通过Scharr算子得到x方向上的梯度后，用特定阈值的Canny算子再对x方向上的梯度进行边缘检测，所述的特定阈值包括：上阈值500、下阈值300；

S403，进行图像增强操作；

S404，通过轮廓检测算法得到生命线对应的最大亮斑点集，以及最大亮斑所在的垂直区域内亮斑的点集；

S405，对生命线进行二次函数拟合；

S406，由关键点得出中线的直线方程；

S407，计算中线的直线方程与生命线的二次函数是否存在交点，若生命线与中线相交，则计算过中线权重为Weight₁，否则权重为0。

优选地，所述步骤S50，所述对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，若为红润，则红润权重为Weight₂，否则权重为0，具体包括：

S501，将获取的图像转换为HSV颜色空间；

S502，在HSV颜色空间中，按照各颜色的阈值，将红润ROI区域进行二值化，对应颜色为亮，其他区域为暗；

S503，将步骤S502得到的图像依次进行膨胀操作、轮廓检测后，得到轮廓；

S504，把轮廓中所有的面积按颜色分别相加，得到各颜色区域的面积；

S505，若面积最大的颜色是“red”、“red2”、“purple”中的一个，则认为是红润，则红润权重为Weight₂，否则权重为0；

优选地，所述步骤S60，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，若为肥厚，则肥厚权重为Weight₃，若为隆起，则隆起权重为Weight₄，否则为0；具体包括：

S601，对肥厚ROI区域、隆起ROI区域内的图像进行灰度处理，转化为灰度图像；

S602，对灰度图像进行奇异值分解，得到肥厚ROI区域、隆起ROI区域内的奇异值特征；

S603，对灰度图像进行LBP分解后，得到肥厚ROI区域、隆起ROI区域内的LBP特征；

S604，将奇异值特征和LBP特征向量进行融合后降维，得到精简后的有效模型；

S605，将降维后的特征随机分为训练集和预测集，利用训练集分别训练SVM模型，通过自动调参函数确立模型参数，之后分别对隆起与肥厚特征进行训练；

S605，使用训练过的两个模型分别对隆起与肥厚进行判断，隆起与肥厚的权值均为0.15；

优选地，所述步骤S70，通过过中线权重Weight₁、红润权重Weight₂、肥厚权重为Weight₃、隆起权重为Weight₄，判断是否为高血压风险，具体包括：

所述高血压风险判断公式为：

P＝max(P₁，P₂) 公式(5)；其中：

P₂＝Weight₁+Weight₂+Weight₃+Weight₄ 公式(5-2)。

优选地，所述步骤S404，通过轮廓检测算法得到生命线对应的最大亮斑点集，以及最大亮斑所在的垂直区域内亮斑的点集，具体包括：

取面积最大的轮廓作为最大亮斑，然后以面积最大的轮廓出发，取各个轮廓第一个点；其中：设面积最大的轮廓的第一个点为(x₀，y₀)，其他轮廓第一个点为(x_k，y_k)，当|y_k-y₀|≥4^*|x_k-x₀|时保留该轮廓为最大亮斑所在的垂直区域内的亮斑，否则不保留。

优选地，所述步骤S405，对生命线进行二次函数拟合，具体包括：

使用最大亮斑所在的垂直区域内亮斑的点集，使用最小二乘法进行二次函数拟合；

将最大亮斑纵向四等分，得到中间三个检查点，分别得到二次函数上相同纵坐标的三个点，若这三个点均在最大亮斑的轮廓之内，则拟合效果合格；若拟合效果不合格，则再使用最大亮斑的点集重新进行拟合。

本发明的有益技术效果在于：

1、本发明一种基于中医理论与手掌多特征提取的高血压风险预测方法，基于中医手诊的相关理论，选择了手掌的4个特征并分配了权值，属于中医望诊的应用，能够使人们快速识别掌纹信息，对高血压进行自测，有利于用户早日发现高血压风险，以便自觉改善生活习惯，也便于促使人们定期去医院进行排查有利于满足大众的养生需求，提高居民健康水平。

2、本发明根据手诊的相关理论，提取了手掌的生命线是否过中线、手掌是否肥厚、隆起、红润共4个特征，并对每个特征的ROI提供了了实际可行的分割与分析方案，实施简单，便于实现。

附图说明

图1是本发明实施例一提供的一种基于中医理论与手掌多特征提取的高血压风险预测方法的流程示意图；

图2是本发明实施例一中手部关键点模型的结构示意图；

图3是本发明实施例一中生命线在手掌中的位置示意图；

图4是本发明实施例一中生命线过中线ROI区域的位置结构示意图；

图5是本发明实施例一中隆起特征ROI区域的位置结构示意图；

图6是本发明实施例一中红润ROI区域的位置结构示意图；

图7是本发明实施例一中肥厚ROI区域的位置结构示意图；

图8是本实施例二中对生命线过中线特征对应的生命线过中线ROI区域进行检测的流程示意图；

图9是本实施例二中图像增强操作后的图像示意图；

图10是本实施例二中对生命线进行二次函数拟合、中线的直线方程的效果图；

图11是本实施例三中对红润特征对应的红润ROI区域进行红润检测的流程示意图；

图12是本实施例三中个颜色区域提取效果图；

图13是本实施例四中对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测的流程示意图；

图14是本实施例三中的特征学习曲线图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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作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。

以下结合附图详细说明本发明的一个实施例。

实施例一

图1是本发明实施例一提供的一种基于中医理论与手掌多特征提取的高血压风险预测方法的流程示意图；图2是本发明实施例一中手部关键点模型的结构示意图；如图1、图2所示，一种基于中医理论与手掌多特征提取的高血压风险预测方法，包括：

S10，获取待测手掌的图像；

S20，建立手部关键点模型；所述手部关键点模型包括：手部主要关节的位置信息；

S30，根据生命线过中线特征、红润特征、隆起特征、肥厚特征，对图像信息分别进行相应的ROI分割；

S40，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，若生命线与中线相交，则计算过中线权重为Weight₁，否则权重为0；

S50，对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，若为红润，则红润权重为Weight₂，否则权重为0；

S60，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，若为肥厚，则肥厚权重为Weight₃，若为隆起，则隆起权重为Weight₄，否则为0；

S70，通过过中线权重Weight₁、红润权重Weight₂、肥厚权重为Weight₃、隆起权重为Weight₄，判断是否为高血压风险。

本实施例一中，所述生命线过中线特征、红润特征、隆起特征、肥厚特征对应的权值系数分别设置为：0.55、0.15、0.15、0.15；

具体地，当生命线过中线检测判断为过中线时，

Weight₁＝min(W，0.55) 公式(1)

其中：

判断是否存在交点的过程如下：

若存在交点，则计算公式(1-2)中二次函数顶点与直线的距离d，并得到三倍的该距离与关键点5点到关键点17点的距离的比值L：其中：关键点5点对应的手部位置为食指根部，关键点17点对应的手部位置为小拇指根部；

当红润检测判断为红润时，所述Weight₂＝0.15；当肥厚检测判断为肥厚时，所述Weight₃＝0.15；当隆起检测判断为隆起时，所述Weight₄＝0.15；

进一步地，所述步骤S70，通过过中线权重Weight₁、红润权重Weight₂、肥厚权重为Weight₃、隆起权重为Weight₄，判断是否为高血压风险，具体包括：

所述高血压风险判断公式为：

P＝max(P₁，P₂) 公式(5)；其中：

P₂＝Weight₁+Weight₂+Weight₃+Weight₄ 公式(5-2)。

本发明基于中医手诊的相关理论，选择了手掌的4个特征并分配了权值，属于中医望诊的应用，能够使人们快速识别掌纹信息，对高血压进行自测，有利于用户早日发现高血压风险，以便自觉改善生活习惯，也便于促使人们定期去医院进行排查有利于满足大众的养生需求，提高居民健康水平。

图4是本发明实施例一中生命线过中线ROI区域的位置结构示意图；图5是本发明实施例一中隆起特征ROI区域的位置结构示意图；图6是本发明实施例一中红润ROI区域的位置结构示意图；图7是本发明实施例一中肥厚ROI区域的位置结构示意图；如图4至图7所示，所述步骤S30，根据生命线过中线特征、隆起特征、红润特征、肥厚特征，分别进行相应的ROI分割，具体包括：

S301，根据生命线过中线特征，分割出生命线过中线ROI区域，其中，所述生命线过中线ROI区域为三角形区域，所述生命线过中线ROI区域中的三个定点分别为：(x₀，y₀)，(x₅，y₅)，

其中：(x₀，y₀)为关键点0点的位置，(x₅，y₅)为关键点5点的位置，关键点0点对应的手部位置为手腕中心，关键点5点对应的手部位置为食指根部；上述的RO1分割能够在覆盖了生命线与中线相交区域的同时，减少其他掌纹的干扰；

S302，根据隆起特征，分割出隆起ROI区域，其中：所述隆起特征ROI区域为矩形区域，所述隆起特征ROI区域的四个顶点的坐标分别为：(x₅+m，y₅-m)，(x₅+m，y₁₇+m)，(x₁₇-m，y₁₇+m)，(x₁₇-m，y₅-m)；其中：(x₁₇，y₁₇)为关键点17点的位置，关键点17点对应的手部位置为小拇指根部；m为标准距离、且取值为：关键点5与关键点17的横坐标距离的四分之一；本实施例一中，由于隆起特征主要表现在指关节与手掌相交处，因此以关键点5与关键点17的横坐标距离的四分之一作为标准距离m划分隆起特征的矩形区域；

S303，根据红润特征，分割出红润ROI区域，其中：所述红润特征ROI区域为矩形区域，所述红润特征ROI区域的四个顶点的坐标分别为(x₅+m，y₅-m)，(x₅+m，y₁₇+3m)，(x₁₇-m，y₁₇+3m)，(x₁₇-m，y₅-m)，本实施例一中，由于红润特征要参考手掌的整体情况，因此需要扩大所选择的手掌的面积，在隆起特征ROI区域的基础上，再往下扩充两个m单位；

S304，根据肥厚特征，分割出肥厚ROI区域，其中：所述红润特征ROI区域为矩形区域，所述肥厚特征ROI区域的四个顶点的坐标分别为(x₅+3m，y₅+6m)，(x₅+3m，y₁₇+2m)，(x₁₇-m，y₁₇+2m)，(x₁₇-m，y₅+6m)；本实施例一中，由于肥厚特征主要参考大小鱼际的丰满程度，因此，比起红润特征ROI区域，取更接近手腕的区域。

本发明根据手诊的相关理论，提取了手掌的生命线是否过中线、手掌是否肥厚、隆起、红润共4个特征，并对每个特征的ROI提供了了实际可行的分割与分析方案，实施简单，便于实现。

实施例二

图8是本实施例二中对生命线过中线特征对应的生命线过中线ROI区域进行检测的流程示意图；如图8所示，在实施例一的基础上，一种基于中医理论与手掌多特征提取的高血压风险预测方法，所述步骤S40，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，若生命线与中线相交，则计算权重Weight₁，否则权重为0，具体包括：

S401，对生命线过中线ROI区域内的图像进行灰度处理，转化为灰度图像；其转换公式为：Gray＝(R*30+G*59+B*11+50)/100。

S402，通过Scharr算子得到x方向上的梯度后，用特定阈值的Canny算子再对x方向上的梯度进行边缘检测，所述的特定阈值包括：上阈值500、下阈值300；具体包括：

S4021，通过Scharr算子得到x方向上的梯度；由于生命线在手掌上是纵向的，因此通过Scharr算子得到x方向上的梯度，在初步提取了边缘特征的同时，加强了纵向纹路，削弱了横向纹路。所用滤波器如下所示：

S4022，取阈值为(300,500)对上述步骤S4021得到的图像进行Canny算子边缘检测；使用Canny算子可以得到比较清晰的掌纹图像，有利于进一步的曲线拟合，具体为：

1)使用Sobel算子求得x、y方向上的梯度，如下所示：

2)得到梯度值与梯度方向，如下所示：

3)进行非最大值过滤，使边缘的宽度尽可能为1个像素点；如下所示：

只有当一个像素在梯度方向上的梯度值是最大的时，才认为它属于边缘，否则将像素值设为0：

4)使用上下阈值进行边缘检测；设上阈值为500，下阈值为300，所有大于上阈值的均为边缘，所有小于下阈值的均不属于边缘。对于处于上下阈值之间的点，如果其与边缘相连，则认为是边缘，否则不属于边缘。

S403，进行图像增强操作；

具体为：对步骤S402得到的依次图像进行一次膨胀、一次腐蚀、两次膨胀操作，实现图像的增强；其中，膨胀本质上是使用卷积核进行与并用最大值替换参考点，如下所示：

腐蚀也使用卷积核进行与运算，但是用最小值替换参考点，如下所示：

本实施例中，膨胀操作可以使生命线的轮廓更清晰，便于拟合；而腐蚀操作能够在一定程度上消除噪点，减少干扰。两者结合起来，能够优化拟合的效果。

S404，通过轮廓检测算法得到生命线对应的最大亮斑点集，以及最大亮斑所在的垂直区域内亮斑的点集；图9是本实施例二中图像增强操作后的图像示意图；如图9所示，本实施例一中，步骤S403得到的图像，是由若干亮斑所组成的，由于所分割的生命线过中线ROI区域内生命线是最明显的纹路，因此，最大的亮斑一定来自生命线，并将其作为评价拟合效果的主要参照；此外，由于生命线在手掌上是纵向，并且通常在图中是若干光斑组成的，因此在大部分情况下，使用最大亮斑所在的垂直区域内的亮斑进行拟合的效果更好。

具体地，所述步骤S404，通过轮廓检测算法得到生命线对应的最大亮斑点集，以及最大亮斑所在的垂直区域内亮斑的点集，具体包括：

取面积最大的轮廓作为最大亮斑，然后以面积最大的轮廓出发，取各个轮廓第一个点；其中：设面积最大的轮廓的第一个点为(x₀，y₀)，其他轮廓第一个点为(x_k，y_k)，当|y_k-y₀|≥4*|x_k-x₀|时保留该轮廓为最大亮斑所在的垂直区域内的亮斑，否则不保留。

S405，对生命线进行二次函数拟合；由于手上的掌纹符合圆锥曲线的特征，因此使用二次函数进行拟合，就可以在计算量较小的情况下，准确地对生命线进行拟合；

所述步骤S405，对生命线进行二次函数拟合，具体包括：

S4051，使用最大亮斑所在的垂直区域内亮斑的点集，使用最小二乘法进行二次函数拟合；设误差方程为：

Error(w|X，y)＝(Xw-y)^T(Xw-y)

其中X为m×n的样本输入矩阵，y为m×1的函数值矩阵，而w为代求的n×1权重矩阵，由此得最优解为：

w＝(X^TX)^-1X^Ty；

S4052，将最大亮斑纵向四等分，得到中间三个检查点，分别得到二次函数上相同纵坐标的三个点，若这三个点均在最大亮斑的轮廓之内，则拟合效果合格；若拟合效果不合格，则再使用最大亮斑的点集重新进行拟合。

S406，由关键点得出中线的直线方程；

S407，计算中线的直线方程与生命线的二次函数是否存在交点，若生命线与中线相交，则计算过中线权重为Weight₁，否则权重为0。

图10是本实施例二中对生命线进行二次函数拟合、中线的直线方程的效果图，如图10所示，只需通过二次曲线和直线方程的联立公式可得中线和生命线是否存在交点，具体判断方式参照实施例一。

实施例三

图11是本实施例三中对红润特征对应的红润ROI区域进行红润检测的流程示意图；图12是本实施例三中个颜色区域提取效果图；如图11、图12所示，在实施例一的基础上，一种基于中医理论与手掌多特征提取的高血压风险预测方法，所述步骤S50，所述对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，若为红润，则红润权重为Weight₂，否则权重为0，具体包括：

S501，将获取的图像转换为HSV颜色空间；HSV能更加直观地表观颜色地色调、鲜艳程度与明暗程度，因此在颜色对比方面表现更好，更容易追踪某种颜色地物体，可用于分割特定颜色的物体；RGB转HSV的计算公式如下：

R′＝R/255

G′＝G/255

B′＝B/255

C max＝max(R′，G′，B′)

C min＝min(R′，G′，B′)

Δ＝C max-C min

然后分别计算H、S、V：

V＝C max。

本实施例中，得到红润ROI区域内的主要颜色。为了检验手掌是否红润，接下来在HSV颜色空间内，对红润ROI区域的颜色组成进行分析。

S502，在HSV颜色空间中，按照各颜色的阈值，将红润ROI区域进行二值化，对应颜色为亮，其他区域为暗；

S503，将步骤S502得到的图像依次进行膨胀操作、轮廓检测后，得到轮廓；

S504，把轮廓中所有的面积按颜色分别相加，得到各颜色区域的面积；具体为：

采用步骤S404中相同的轮廓检测方法得到轮廓，把所有轮廓的面积相加，得到各颜色区域的面积。

S505，若面积最大的颜色是“red”、“red2”、“purple”中的一个，则认为是红润，则红润权重为Weight₂，否则权重为0；

实施例四

图13是本实施例四中对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测的流程示意图；图14是本实施例三中的特征学习曲线图，如图13、图14所示，在实施例一的基础上，一种基于中医理论与手掌多特征提取的高血压风险预测方法，所述步骤S60，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，若为肥厚，则肥厚权重为Weight₃，若为隆起，则隆起权重为Weight₄，否则为0。

具体包括：S601，对肥厚ROI区域、隆起ROI区域内的图像进行灰度处理，转化为灰度图像；

S602，对灰度图像进行奇异值分解，得到肥厚ROI区域、隆起ROI区域内的奇异值特征；对图像进行奇异值分解，即对于矩阵A，找到：

A＝U∑V^T

其中V是n×n的正交阵，U是m×m的正交阵，Σ是m×n的对角阵；

S603，对灰度图像进行LBP分解后，得到肥厚ROI区域、隆起ROI区域内的LBP特征；对图像进行LBP分解，具体包括：

局部二值模式(LBP)是一种参照中心像素对周围像素重新赋值的算法，以3×3的正方形区域为例，周围8个点的像素值若大于中心的像素值，则赋值为1，否则为0；由此得到8位二进制数来表示该区域的纹理信息，如下所示：

其中：(xc，yc)表示正方形区域内中心元素，其像素值为ic，其他点的像素值为ip，s(x)定义如下：

S604，将奇异值特征和LBP特征向量进行融合后降维，得到精简后的有效模型；具体包括：

S6041，使用递归特征消除法对特征进行排序；递归特征消除法是一种贪婪算法，每一步都构建模型，剔除最不重要的若干个特征，然后用剩下的特征重复这个步骤，直到所有特征都耗尽为止；递归特征消除法对特征的重要性进行了大致的排序，接下来就可以只关注于选取前多少个特征。

S6042，绘制学习曲线，确定合适的特征数量；为了尽可能减少特征数量，使模型精简有效，接下来绘制学习曲线，得到模型在不同特征数量下的表现；

分别选取前1个特征、前10001个特征、前20001个特征等测试模型表现，得到学习曲线如图12所示；从图中可以看出，在使用的特征数量为10001时，模型用较少的特征数量实现了较高的准确度，因此选用前10001个特征进行SVM模型搭建。

S605，将降维后的10001个特征，随机分为训练集和预测集，利用训练集分别训练SVM模型，通过自动调参函数确立模型参数，之后分别对隆起与肥厚特征进行训练。

S605，使用训练过的两个模型分别对隆起与肥厚进行判断，隆起与肥厚的权值均为0.15；

综上，本发明对人体各部位通用的纹路、颜色、凸起等特征的分析都进行了探索，并提出了一套实用且正确率高的方案，该方案可迁移性强，可以轻松迁移到身体的其他部位，促进中医望诊在身体各个部分的应用开发，实用性极强。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：

S10，获取待测手掌的图像；

S20，建立手部关键点模型；所述手部关键点模型包括：手部主要关节的位置信息；

S30，根据生命线过中线特征、红润特征、隆起特征、肥厚特征，对图像信息分别进行相应的ROI分割；

S40，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，若生命线与中线相交，则计算过中线权重为Weight₁，否则权重为0；

S50，对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，若为红润，则红润权重为Weight₂，否则权重为0；

S60，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，若为肥厚，则肥厚权重为Weight₃，若为隆起，则隆起权重为Weight₄，否则为0；

S70，通过过中线权重Weight₁、红润权重Weight₂、肥厚权重为Weight₃、隆起权重为Weight₄，判断是否为高血压风险。

2.根据权利要求1所述的一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：所述步骤S30，根据生命线过中线特征、隆起特征、红润特征、肥厚特征，分别进行相应的ROI分割，具体包括：

S301，根据生命线过中线特征，分割出生命线过中线ROI区域，其中，所述生命线过中线ROI区域为三角形区域，所述生命线过中线ROI区域中的三个定点分别为：(x₀，y₀)，(x₅，y₅)，

其中：(x₀，y₀)为关键点0点的位置，(x₅，y₅)为关键点5点的位置，关键点0点对应的手部位置为手腕中心，关键点5点对应的手部位置为食指根部；

S302，根据隆起特征，分割出隆起ROI区域，其中：所述隆起特征ROI区域为矩形区域，所述隆起特征ROI区域的四个顶点的坐标分别为：(x₅+m，y₅-m)，(x₅+m，y₁₇+m)，(x₁₇-m，y₁₇+m)，(x₁₇-m，y₅-m)；其中：(x₁₇，y₁₇)为关键点17点的位置，关键点17点对应的手部位置为小拇指根部；m为标准距离、且取值为：关键点5与关键点17的横坐标距离的四分之一；

S303，根据红润特征，分割出红润ROI区域，其中：所述红润特征ROI区域为矩形区域，所述红润特征ROI区域的四个顶点的坐标分别为(x₅+m，y₅-m)，(x₅+m，y₁₇+3m)，(x₁₇-m，y₁₇+3m)，(x₁₇-m，y₅-m)；

S304，根据肥厚特征，分割出肥厚ROI区域，其中：所述红润特征ROI区域为矩形区域，所述肥厚特征ROI区域的四个顶点的坐标分别为(x₅+3m，y₅+6m)，(x₅+3m，y₁₇+2m)，(x₁₇-m，y₁₇+2m)，(x₁₇-m，y₅+6m)。

3.根据权利要求2所述的一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：所述生命线过中线特征、红润特征、隆起特征、肥厚特征对应的权值系数分别设置为：0.55、0.15、0.15、0.15；

当生命线过中线检测判断为过中线时，

Weight₁＝min(W，0.55) 公式(1)

其中：

判断是否存在交点的过程如下：

若存在交点，则计算公式(1-2)中二次函数顶点与直线的距离d，并得到三倍的该距离与关键点5点到关键点17点的距离的比值L：其中：关键点5点对应的手部位置为食指根部，关键点17点对应的手部位置为小拇指根部；

当红润检测判断为红润时，所述Weight₂＝0.15；

当肥厚检测判断为肥厚时，所述Weight₃＝0.15；

当隆起检测判断为隆起时，所述Weight₄＝0.15。

4.根据权利要求3所述的一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：所述步骤S40，对生命线过中线特征对应的生命线过中线ROI区域进行检测，通过基于边缘检测算法与曲线拟合算法判断生命线是否过中线，若生命线与中线相交，则计算权重Weight₁，否则权重为0，具体包括：

S401，对生命线过中线ROI区域内的图像进行灰度处理，转化为灰度图像；

S402，通过Scharr算子得到x方向上的梯度后，用特定阈值的Canny算子再对x方向上的梯度进行边缘检测，所述的特定阈值包括：上阈值500、下阈值300；

S403，进行图像增强操作；

S404，通过轮廓检测算法得到生命线对应的最大亮斑点集，以及最大亮斑所在的垂直区域内亮斑的点集；

S405，对生命线进行二次函数拟合；

S406，由关键点得出中线的直线方程；

S407，计算中线的直线方程与生命线的二次函数是否存在交点，若生命线与中线相交，则计算过中线权重为Weight₁，否则权重为0。

5.根据权利要求3所述的一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：所述步骤S50，所述对红润特征对应的红润ROI区域进行红润检测，通过基于HSV色域空间判断是否为红润，若为红润，则红润权重为Weight₂，否则权重为0，具体包括：

S501，将获取的图像转换为HSV颜色空间；

S502，在HSV颜色空间中，按照各颜色的阈值，将红润ROI区域进行二值化，对应颜色为亮，其他区域为暗；

S503，将步骤S502得到的图像依次进行膨胀操作、轮廓检测后，得到轮廓；

S504，把轮廓中所有的面积按颜色分别相加，得到各颜色区域的面积；

S505，若面积最大的颜色是“red”、“red2”、“purple”中的一个，则认为是红润，则红润权重为Weight₂，否则权重为0；

6.根据权利要求3所述的一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：所述步骤S60，对肥厚特征对应的肥厚ROI区域、隆起特征对应的隆起ROI区域进行肥厚、隆起检测，通过SVM模型分别判断是否为肥厚、隆起，若为肥厚，则肥厚权重为Weight₃，若为隆起，则隆起权重为Weight₄，否则为0；具体包括：

S601，对肥厚ROI区域、隆起ROI区域内的图像进行灰度处理，转化为灰度图像；

S602，对灰度图像进行奇异值分解，得到肥厚ROI区域、隆起ROI区域内的奇异值特征；

S603，对灰度图像进行LBP分解后，得到肥厚ROI区域、隆起ROI区域内的LBP特征；

S604，将奇异值特征和LBP特征向量进行融合后降维，得到精简后的有效模型；

S605，将降维后的特征随机分为训练集和预测集，利用训练集分别训练SVM模型，通过自动调参函数确立模型参数，之后分别对隆起与肥厚特征进行训练；

S605，使用训练过的两个模型分别对隆起与肥厚进行判断，隆起与肥厚的权值均为0.15；

7.根据权利要求3所述的一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：所述步骤S70，通过过中线权重Weight₁、红润权重Weight₂、肥厚权重为Weight₃、隆起权重为Weight₄，判断是否为高血压风险，具体包括：

所述高血压风险判断公式为：

P＝max(P₁，P₂) 公式(5)；其中：

P₂＝Weight₁+Weight₂+Weight₃+Weight₄ 公式(5-2)。

8.根据权利要求4所述的一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：所述步骤S404，通过轮廓检测算法得到生命线对应的最大亮斑点集，以及最大亮斑所在的垂直区域内亮斑的点集，具体包括：

取面积最大的轮廓作为最大亮斑，然后以面积最大的轮廓出发，取各个轮廓第一个点；其中：设面积最大的轮廓的第一个点为(x₀，y₀)，其他轮廓第一个点为(x_k，y_k)，当|y_k-y₀|≥4*|x_k-x₀|时保留该轮廓为最大亮斑所在的垂直区域内的亮斑，否则不保留。

9.根据权利要求4所述的一种基于中医理论与手掌多特征提取的高血压风险预测方法，其特征在于：所述步骤S405，对生命线进行二次函数拟合，具体包括：

使用最大亮斑所在的垂直区域内亮斑的点集，使用最小二乘法进行二次函数拟合；

将最大亮斑纵向四等分，得到中间三个检查点，分别得到二次函数上相同纵坐标的三个点，若这三个点均在最大亮斑的轮廓之内，则拟合效果合格；若拟合效果不合格，则再使用最大亮斑的点集重新进行拟合。

Images