CN112419433A - 基于人工智能的舌下脉络检测系统 - Google Patents

基于人工智能的舌下脉络检测系统 Download PDF

Info

Publication number
CN112419433A
CN112419433A CN202011466877.1A CN202011466877A CN112419433A CN 112419433 A CN112419433 A CN 112419433A CN 202011466877 A CN202011466877 A CN 202011466877A CN 112419433 A CN112419433 A CN 112419433A
Authority
CN
China
Prior art keywords
image
venation
sublingual
region
sub
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.)
Withdrawn
Application number
CN202011466877.1A
Other languages
English (en)
Inventor
赵华
刘啟平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011466877.1A priority Critical patent/CN112419433A/zh
Publication of CN112419433A publication Critical patent/CN112419433A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的舌下脉络检测系统。该系统包括子图像获取模块，用于获取舌下图像，将舌下图像沿脉络的延伸方向分割为N个的等高的子图像；脉络检测模块用于通过舌下脉络区域的颜色特征和直线分布的特征获取到当前子图像中的脉络区域，同时利用舌系带呈直线分布的特性对当前子图像的相邻子图像进行判断和矫正，矫正之后将相邻子图像作为当前子图像进行检测，获取其脉络区域；脉络区域拼接模块，用于以每个子图像中的脉络区域按照脉络的延伸方向拼接在一起，获取到完整的脉络区域。提高了所获取到的脉络区域的完整度。

Description

基于人工智能的舌下脉络检测系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的舌下脉络检测系统。
背景技术
舌下脉络诊断与舌诊一样，对各种病症有一定的辅助诊断价值，舌下脉络诊断虽然是非特异性诊断，但是能够较好地反映患者对于致病动因的整体态势，根据中医学的大量研究，舌下脉络主要反映的是体循环和微循环的状态以及血液有关方面的变化，通过舌下两条静脉的长度、粗细、色泽，进而对身体的状况进行判断，在舌诊中占有重要地位。
舌像诊断在传统的疾病诊断方式中占了很重要的组成部分，在传统的疾病诊断方式中，诊断结果往往受医生的经验积累以及病人当时所处的环境等因素所影响，主观依赖性较强，缺乏客观化、定量化的依据，而面向计算机化的舌下脉络诊断研究工作的开展将进一步推动现代信息科学与祖国传统医学的交融发展。
舌像诊断主要分为舌面诊断和舌下静脉诊断等，对于舌面诊断已经有了许多针对性的研究，而且经过多年的发展已经有了许多的成果，但是对于舌下静脉的研究还是比较少，
现在绝大部分方法，都是通过分割出舌腹面区域图像，基于颜色聚类对舌腹面图像进行分类得到分类结果图像，获取到舌下静脉区域，对舌下静脉区域进行形态学处理得到舌下静脉模板，利用舌下静脉模板计算出舌下静脉图像，并从舌下静脉图像中提取舌下静脉特征。
发明人在实践中，发现上述现有技术存在以下缺陷：
凭借颜色特征获取到的舌下静脉区域，存在舌下静脉分割方面分割出的舌下静脉不够完整，从而导致提取的舌像静脉特征不够准确的问题。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的舌下脉络检测系统，所采用的技术方案具体如下：
第一方面，本发明另一实施例提供了一种基于人工智能的舌下脉络检测系统，该系统包括子图像获取模块、脉络检测模块和脉络区域拼接模块。
其中，子图像获取模块，用于获取舌下图像，将舌下图像沿脉络的延伸方向分割为N个的等高的子图像。
脉络检测模块包括特征增强单元、直线检测单元、脉络区域获取单元和矫正判断单元。
其中，特征增强单元，用于对当前子图像进行伽玛矫正和边缘检测。
直线检测单元，用于基于直线检测检测第一子图像中的直线，保留满足直线的斜率范围和长度阈值的第一直线；第一直线包括第一舌系带直线和第一脉络直线。
脉络区域获取单元，用于在第一脉络直线的预设直线距离搜索范围内，保留满足颜色阈值的像素点，获得第一子图像中的第一脉络区域。
矫正判断单元，用于获取相邻子图像中的第二舌系带直线，确定第二舌系带直线与第一舌系带直线的第一角度差值；当第一角度差值在预设角度差值范围外时，对第二子图像重新进行伽玛矫正。
脉络区域拼接模块，用于以每个子图像中的脉络区域按照脉络的延伸方向拼接在一起，获取到完整的脉络区域。
本发明实施例至少具有如下有益效果：
本发明实施例结合舌下脉络区域的颜色特征和相邻舌下子图像之间的相互矫正，提高了所获取到的脉络区域的完整度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的舌下脉络检测系统框图；
图2为本发明一个实施例所提供的一种基于人工智能的舌下脉络检测系统的子图像获取模块示意图；
图3为本发明一个实施例所提供的一种基于人工智能的舌下脉络检测系统的子图像获取模块框图；
图4为本发明一个实施例所提供的一种基于人工智能的舌下脉络检测系统的舌下脉络图像示意图；
图5为本发明一个实施例所提供的一种基于人工智能的舌下脉络检测系统的脉络检测模块框图；
图6为本发明一个实施例所提供的一种基于人工智能的舌下脉络检测系统的脉络检测模块示意图；
图7为本发明一个实施例所提供的一种基于人工智能的舌下脉络检测系统的脉络区域图像分析模块示意图。
具体实施方式
为了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，对依据本发明提出的一种基于人工智能的舌下脉络检测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的舌下脉络检测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的舌下脉络检测系统框图。
该系统包括子图像获取模块100、脉络检测模块200和脉络区域拼接模块300。
其中，子图像获取模块用于获取舌下图像，将舌下图像沿脉络的延伸方向分割为N个的等高的子图像。
具体地，如图2。部署RGB相机，视角正视与待测人员的嘴巴区域，采集嘴巴区域的RGB图像。将采集到的嘴巴区域的RGB图像输入到结构为编码器-解码器(Encoder-Decoder)的关键点检测网络中，Encoder对采集到的RGB图像进行下采样，即特征提取得到特征图(FeatureMap)，Decoder对特征图进行上采样得到与原RGB图等大的热力图(HeatMap)，得到的HeatMap经SoftArgmax函数处理得到关键点的位置信息。本发明实施例中，关键点为上嘴唇中心点、左右嘴角关键点、舌头边缘点和舌尖关键点，其中，舌头边缘点的数目为偶数。为了尽可能多的勾画出舌头轮廓，以及能够准确得到被牙齿遮挡的舌尖关键点，本发明实施例选择左右两侧各五个点为边缘点。
具体地，关键点网络训练过程为：
以大量的相机采集到的多帧嘴巴区域RGB图像作为训练集，人为给关键点的位置打上标签获得标签数据，损失函数采用交叉熵函数，不断迭代更新模型参数，使得损失函数不断降低，完成模型训练。
如图3所示，子图像获取模块100还包括舌下区域获取单元110。
舌下区域获取单元用于采集多帧嘴巴区域图像；嘴巴区域图像包括舌下区域；获取嘴巴区域图像中嘴巴的张开程度和舌尖的位置；当张开程度满足张开程度阈值和位置满足舌尖距离阈值时，获取此帧的嘴巴区域图像作为关键帧图像，获取关键帧图像中的所述舌下区域。
在检测舌下脉络时，令待测人员张口，舌尖轻抵上颚，使舌下脉络充分暴露，持续监测嘴巴区域图像，采集多帧嘴巴区域图像，采集关键帧嘴巴区域图像I。
具体地，采集关键帧嘴巴区域图像I的步骤为：
在使用关键点检测网络获取到上嘴唇中心点、左右嘴角关键点、舌头边缘点和舌尖关键点后，连接上嘴唇中心关键点P1和左侧嘴角关键点P2得到向量
Figure BDA0002834603290000041
连接上嘴唇中心关键点P1和右侧嘴角关键点P3得到向量
Figure BDA0002834603290000042
同时关键点检测网络借助舌头边缘点确定舌尖关键点记为P4，连接P1和P4得到向量
Figure BDA0002834603290000043
利用向量
Figure BDA0002834603290000044
和
Figure BDA0002834603290000045
的夹角θ得到嘴巴的张开程度：
Figure BDA0002834603290000046
其中，夹角θ的值越小表示嘴巴张开程度越大。
在判断夹角θ的同时，利用向量
Figure BDA0002834603290000047
判断舌尖是否是抵在上颚的。
当所述张开程度满足张开程度阈值和所述位置满足舌尖距离阈值时，本发明实施例中，张开程度阈值为35°，舌尖距离阈值为1，其中，35°和1为经验获取，可根据实际情况进行调整。即当夹角θ和向量
Figure BDA0002834603290000048
同时满足
Figure BDA0002834603290000049
时，判断该时刻为采集舌头图像的最佳时刻，采集此时的嘴巴区域图像I作为嘴巴区域图像的关键帧图像I。
嘴巴区域图像I输入到语义分割网络中，输出为舌头区域的掩膜(Mask)，该舌头区域的Mask为二值图，即舌头区域的像素值为1，其他区域的像素值为0。将该舌头区域Mask与嘴巴区域图像I相乘获得舌头区域的图像I1，即获得了舌下图像I1。获取舌头区域的Mask的最小外接矩形框，获得最小外接矩形框的宽w和高h，根据最小外接矩形框的高h制定图像I1的裁剪规则。裁剪规则为：将舌头区域的Mask的裁剪为N个裁剪区域，本发明实施例中，N＝10，所以将舌头区域的Mask裁剪为10个裁剪区域，所以每个裁剪区域的宽为w，高为h/10。如图4所示，舌下脉络图像示意图中包括舌尖区域10、舌根区域20、舌系带30、舌下脉络区域40和用来表示子图像边缘的裁剪线50。利用该裁剪规则将舌下图像I1按照脉络延伸方向进行裁剪，得到10个裁剪子图像，每个子图像的宽为w，高为h/10，将这10张子图像按照脉络延伸的方向顺序打上1-10的标签，即第一个子图像为靠近舌根区域的子图像，第10个子图像为靠近舌尖区域。
其中，语义分割网络具体的训练过程为：
将大量的嘴巴区域图像作为训练集，人为地给训练集打上标签，将舌头区域的像素值标记为1，其他区域的像素值标记为0，得到标签数据。损失函数采用交叉熵损失函数，不断迭代，更新网络内的参数，使损失函数不断降低，完成语义分割网络的训练。
如图5所示，脉络检测模块包括特征增强单元210、直线检测单元220、脉络区域获取单元230和矫正判断单元240。
其中，特征增强单元用于对当前子图像进行伽玛矫正和边缘检测。
具体地，如图6。由于舌下舌系带左右两侧各有一条纵行的大脉络，舌系带呈直线分布，但舌下脉络呈现弯曲状分布。舌系带位于舌头的中间区域，且舌系带和舌下脉络在舌头根部的特征明显，便于检测，越靠近舌尖，舌系带和舌下脉络的特征逐渐衰减，不利于特征的提取，本发明实施例中，选择了从靠近舌根部的子图像开始进行检测，即第一个子图像作为当前子图像开始进行检测。
对靠近舌根部的第一个子图像进行处理，考虑到舌头下表面在湿润状态下会出现反光现象，且舌下脉络的对比度较弱，为了能消除反光且增强对比度，对第一个子图像进行伽玛(Gamma)矫正，使边缘特征增强，Gamma矫正的公式如下：
Figure BDA0002834603290000051
其中，Iout为输出图像，Iin为输入图像，γ为人为设置的Gamma值。
根据Gamma矫正公式可知，Gamma的取值越大，边缘特征越明显，对比度越强。
在获取到伽玛矫正后的第一个子图像后，利用Canny算子对该子图像进行边缘检测，得到边缘图像，边缘图像中包含第一个子图像中梯度变化明显的像素点信息，这样就得到了舌系带和两侧脉络的边缘信息，即获得到第一个子图像的边缘图。
直线检测单元用于基于直线检测检测第一子图像中的直线，保留满足直线的斜率范围和长度阈值的第一直线；第一直线包括第一舌系带直线和第一脉络直线。
由于舌下表面本身存在凹凸不同的情况，在边缘图中成呈现无规律的噪点分布，为了去除这些噪点对舌系带和两侧脉络的边缘检测的影响以及舌下的血管对脉络检测的干扰，对边缘图进行直线检测。
本发明实施例利用霍夫直线检测得到第一个子图像中的直线，霍夫直线检测结果输出形式为：r＝xcosα+ysinα，其中，α为角度值，能够反映直线的斜率信息。此时获取到的直线不仅包括检测到的舌系带和舌下脉络产生的直线，还包括检测到一些舌下血管产生的直线。
为了去除剩余的一些噪点和舌下血管产生的影响，需要进一步进行筛选。由于舌系带和舌下脉络近似呈竖直直线分布，设置直线的斜率范围α，本发明实施例中直线的斜率范围α的取值范围为：[-20°,+20°]，利用斜率范围α对检测到的直线进行第一次筛选，又因为舌系带和舌下脉络跨越了整个子图像，进一步设置直线的长度阈值根据所检测到的直线的长度l进行第二次筛选，本发明实施例中，直线的长度阈值设置为0.07h，即保留满足l≥0.07h的直线。根据直线的斜率范围和长度阈值进行的两次筛选，获取到满足直线的斜率范围和长度阈值的直线作为第一直线，排除掉剩余的一些噪点和舌下血管产生的影响，第一直线中包括第一舌系带直线和第一脉络直线。由于舌系带位于子图像的中间位置，根据位置关系，获取到第一个子图像的第一舌系带直线L1。
脉络区域获取单元用于在第一脉络直线的预设直线距离搜索范围内，保留满足颜色阈值的像素点，获得第一子图像中的第一脉络区域。
进一步地，将经过Gamma矫正后的第一个子图像转换到HSV颜色空间中，HSV颜色空间模型表示色相、饱和度和明度。在RGB图像的三个分量中，设最大值为MAX，最小值为MIN，RGB到HSV的转换公式为：
Figure BDA0002834603290000061
Figure BDA0002834603290000062
V＝MAX
当MAX＝MIN时，H表示纯灰色；当MAX＝0时，S＝0，没有色彩。
在计算结果中，H的范围为0度到360度，S和V的范围为0到1。
由于舌下脉络的颜色有多种可能性，比如青紫、绛紫暗红等，对HSV三个通道设定较为宽松的颜色阈值，可以包含各种舌下脉络的颜色。以获取的第一脉络直线作为搜索路径，在预设直线距离搜索范围内搜索满足颜色阈值的像素点。在此范围内将满足颜色阈值的像素点归于该直线的范围，搜索完毕后，预设直线距离搜索范围所有满足颜色阈值的像素点构成了第一个子图像的舌下脉络区域。
优选地，在本发明实施例中，预设直线距离搜索范围为1.5，即以在距离第一脉络直线两侧为1.5的范围内进行搜索。
矫正判断单元用于获取相邻子图像中的第二舌系带直线，确定第二舌系带直线与第一舌系带直线的第一角度差值；当第一角度差值在预设角度差值范围外时，对第二子图像重新进行伽玛矫正。
具体地，先利用霍夫直线检测检测第一个子图像的相邻子图像，即利用霍夫直线检测第二个子图像上的第二舌系带直线L2。由于越靠近舌尖舌系带和舌下脉络的特征就越不明显，而舌系带在舌下图像I1中呈直线分布，利用第一舌系带直线L1去验证第二舌系带直线L2是否正确。验证第二舌系带直线L2是否正确的具体步骤为：获取第二舌系带直线的斜率α2与第一舌系带直线的斜率α1，确定斜率α2和α1之间的第一角度差值为：|α2-α1|。当第一角度差值在预设角度差值范围内时，判断此时相邻的第二个子图像中的检测是正确的，本发明实施例中，预设角度差值范围为1.5，即当|α2-α1|≤1.5时，判断此时相邻的第二个子图像中的检测是正确的。当第一角度差值在预设角度差值范围外时，即当|α2-α1|≤1.5时，需要对第二个子图像重新进行Gamma矫正，本发明实施例中，由于从舌根向舌尖方向逐个检测，所以提升Gamma矫正的Gamma值，进一步增强第二个子图像中的对比度。
之后将第二个子图像作为当前检测图像，重复上述过程，直至完成对所有子图像的检测，获取到各个子图像中的舌下脉络区域。
脉络区域拼接模块用于以每个子图像中的脉络区域按照脉络的延伸方向拼接在一起，获取到完整的脉络区域。
在得到每一个子图像中的舌下脉络区域后，将每个每个子图像中的脉络区域按照脉络的延伸方向拼接在一起，就获取到了完整的脉络区域。
如图7所示，该系统还包括脉络区域图像分析模块400。
脉络区域图像分析模块用于将完整的脉络区域作为掩膜区域；掩膜区域的像素值为1；通过掩膜区域获取舌下图像中的舌下脉络区域图像；提取舌下脉络区域图像的尺寸和颜色信息。
具体地，获取到完整的脉络区域后，将该完整的脉络区域构成遮罩Mask，该Mask中，舌下脉络区域的像素值为1，其他区域的像素值为0,。之后将该Mask与舌下图像I1相乘，得到完整的舌下脉络区域的RGB图像I3。
对该Mask进行轮廓检测，获取其最小外接矩形，进一步得到左右两侧完整的舌下脉络的尺寸信息，该尺寸信息包括：左侧完整的舌下脉络区域的长度Bl和粗细特征Dl，以及右侧完整的舌下脉络区域的长度Br和粗细特征Dr。
之后将图像I3转换到HSV空间，获得左侧舌下脉络图像的的颜色特征Cl和右侧舌下脉络图像的的颜色特征Cr，利用该尺寸信息和颜色信息可以反映身体状况。
综上，本发明实施例通过将舌下图像分割为多个子图像，利用舌下脉络区域的颜色特征和直线分布的特征获取到当前子图像中的脉络区域，同时利用舌系带呈直线分布的特性对当前子图像的相邻子图像进行判断和矫正，矫正之后将相邻子图像作为当前子图像进行检测，最终获取到完整的舌下脉络区域。提高了所获取的舌下脉络区域的完整度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于人工智能的舌下脉络检测系统，其特征在于，该系统包括子图像获取模块、脉络检测模块和脉络区域拼接模块；
所述子图像获取模块，用于获取舌下图像，将所述舌下图像沿脉络的延伸方向分割为N个的等高的子图像；
所述脉络检测模块包括特征增强单元、直线检测单元、脉络区域获取单元和矫正判断单元；
所述特征增强单元，用于对所述当前子图像进行伽玛矫正和边缘检测；
所述直线检测单元，用于基于直线检测检测所述第一子图像中的直线，保留满足直线的斜率范围和长度阈值的第一直线；所述第一直线包括第一舌系带直线和第一脉络直线；
所述脉络区域获取单元，用于在所述第一脉络直线的预设直线距离搜索范围内，保留满足颜色阈值的像素点，获得所述第一子图像中的第一脉络区域；
所述矫正判断单元，用于获取相邻子图像中的第二舌系带直线，确定所述第二舌系带直线与所述第一舌系带直线的第一角度差值；当所述第一角度差值在预设角度差值范围外时，对所述第二子图像重新进行伽玛矫正；
所述脉络区域拼接模块，用于以每个所述子图像中的脉络区域按照脉络的延伸方向拼接在一起，获取到完整的脉络区域。
2.根据权利要求1所述的基于人工智能的舌下脉络检测系统，其特征在于，该系统还包括脉络区域图像分析模块；
所述脉络区域图像分析模块，用于将所述完整的脉络区域作为掩膜区域；所述掩膜区域的像素值为1；通过所述掩膜区域获取所述舌下图像中的舌下脉络区域图像；提取所述舌下脉络区域图像的尺寸和颜色信息。
3.根据权利要求1所述的基于人工智能的舌下脉络检测系统，其特征在于，所述N为10。
4.根据权利要求1所述的基于人工智能的舌下脉络检测系统，其特征在于，所述颜色阈值由所述子图像转换至HSV颜色空间获取。
5.根据权利要求1和3所述的基于人工智能的舌下脉络检测系统，其特征在于，该舌下脉络检测为从靠近舌根部的子图像依次检测到靠近舌尖处的第N个子图像。
6.根据权利要求1所述的基于人工智能的舌下脉络检测系统，其特征在于，所述直线检测为霍夫直线检测。
7.根据权利要求1所述的基于人工智能的舌下脉络检测系统，其特征在于，所述子图像获取模块还包括舌下区域获取单元；
所述舌下区域获取单元，用于采集多帧嘴巴区域图像；嘴巴区域图像包括舌下区域；获取所述嘴巴区域图像中嘴巴的张开程度和舌尖的位置；当所述张开程度满足张开程度阈值和所述位置满足舌尖距离阈值时，获取此时的嘴巴区域图像作为关键帧图像，获取所述关键帧图像的所述舌下区域。
CN202011466877.1A 2020-12-14 2020-12-14 基于人工智能的舌下脉络检测系统 Withdrawn CN112419433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011466877.1A CN112419433A (zh) 2020-12-14 2020-12-14 基于人工智能的舌下脉络检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011466877.1A CN112419433A (zh) 2020-12-14 2020-12-14 基于人工智能的舌下脉络检测系统

Publications (1)

Publication Number Publication Date
CN112419433A true CN112419433A (zh) 2021-02-26

Family

ID=74775060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011466877.1A Withdrawn CN112419433A (zh) 2020-12-14 2020-12-14 基于人工智能的舌下脉络检测系统

Country Status (1)

Country Link
CN (1) CN112419433A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648512A (zh) * 2022-03-30 2022-06-21 清华大学 舌下图像分析方法、装置、计算机设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648512A (zh) * 2022-03-30 2022-06-21 清华大学 舌下图像分析方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
EP2188779B1 (en) Extraction method of tongue region using graph-based approach and geometric properties
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN112967285B (zh) 一种基于深度学习的黄褐斑图像识别方法、系统和装置
CN107506770A (zh) 糖尿病视网膜病变眼底照相标准图像生成方法
KR20170127950A (ko) Ct 치아 영상의 자동 세그먼테이션 시스템 및 방법
CN110866932A (zh) 多通道舌体边缘检测装置、方法及存储介质
WO2022198898A1 (zh) 图像分类方法和装置及设备
JP2007272435A (ja) 顔特徴抽出装置及び顔特徴抽出方法
CN103218615B (zh) 人脸判定方法
CN112330561B (zh) 基于交互式前景提取与信息熵分水岭的医学图像分割方法
CN109255775A (zh) 一种基于光纤显微内镜图像的胃肠上皮隐窝结构自动量化分析方法及系统
CN114627067A (zh) 一种基于图像处理的伤口面积测量及辅助诊疗方法
CN111222371A (zh) 舌下静脉特征提取装置及方法
CN110648336B (zh) 一种舌质和舌苔的分割方法及装置
CN112102332A (zh) 基于局部分类神经网络的癌症wsi的分割方法
CN112669959A (zh) 一种基于图像的白癜风病情自动评估方法
WO2007110982A1 (ja) 眼底のステレオ画像のための画像解析装置及びプログラム
Rehman et al. Human identification using dental biometric analysis
CN111798472A (zh) 一种基于hsi空间的绪下茧分割和识别方法
CN112419433A (zh) 基于人工智能的舌下脉络检测系统
KR101063343B1 (ko) 혀 영상을 이용한 컬러 정보 분할 방법
CN114511567A (zh) 舌体与舌苔图像识别分离方法
Anzalone et al. A system for the automatic measurement of the nuchal translucency thickness from ultrasound video stream of the foetus
CN112464871A (zh) 一种基于深度学习的中医舌部图像处理方法及系统
CN108629780B (zh) 基于颜色分解和阈值技术的舌图像分割方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210226

WW01 Invention patent application withdrawn after publication