CN113643281A - 一种舌体图像分割方法 - Google Patents
一种舌体图像分割方法 Download PDFInfo
- Publication number
- CN113643281A CN113643281A CN202111012697.0A CN202111012697A CN113643281A CN 113643281 A CN113643281 A CN 113643281A CN 202111012697 A CN202111012697 A CN 202111012697A CN 113643281 A CN113643281 A CN 113643281A
- Authority
- CN
- China
- Prior art keywords
- tongue
- image
- segmentation
- points
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003709 image segmentation Methods 0.000 title claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 6
- 210000000214 mouth Anatomy 0.000 claims description 6
- 206010037549 Purpura Diseases 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 206010034754 petechiae Diseases 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 210000002105 tongue Anatomy 0.000 description 90
- 238000010586 diagram Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种舌体图像分割方法,涉及中医舌体分割技术领域,使用图片预处理进行舌体位置定位,然后对定位图象使用超像素分割,最后将超像素分割的图像使用改进的LazySnapping算法进行分割合并,将图像平滑处理后得到舌体图片。本发明有益效果:在保证舌体图像分割完整的情况下,缩短图像处理时间,提高分割准确度,为下一步舌体特征提取和识别提供有效的技术支撑。
Description
技术领域
本发明属于中医舌体分割技术领域,具体涉及一种舌体图像分割方法。
背景技术
中医在春秋战国时期中医便已出现,通过长期医疗实践逐步形成并发展成的医学理论体系。中医在诊断过程中主要使用望闻问切四大手段。望诊主要是对病人的目、舌、口、鼻、耳进行观察,最主要是对舌头的苔质、齿痕、点刺、裂纹等信息的观察,用以得知内脏的病变。但医生对于望诊的结果往往根据的是其自身经验,不同医生对同一舌体可能有不同的诊断。
随着信息技术的不断发展,越来越多的计算机技术为中医快速诊断提供了方法。舌诊作为中医望诊一种重要的诊疗手段,无论采用什么方法对舌头进行判断,其首要目标便是将舌体从图像中分割出来。目前对舌体图像分割的方法主要有阈值分割算法、分水岭算法、Snake算法、神经网络等。阈值分割算法由于嘴唇颜色和舌体颜色相近导致分割的舌体边缘模糊;分水岭算法则会导致过分割现象;Snake算法需要先有一个全包裹舌体的范围,然后对范围的能量函数进行迭代;全包裹舌体一般则会将嘴唇以及肤色包含进去,对能量函数的最终效果有很大的影响,而且需要迭代时间也很长;神经网络则存在时间长,速度慢,样本不足等问题。因此需要一种更精准、有效的舌体分割方法。
发明内容
本发明所要解决的技术问题是提供一种舌体图像分割方法,解决现有技术中舌体分割的精准度问题。
本发明为解决上述技术问题所采用的技术方案是:一种舌体图像分割方法,包括以下步骤:
步骤一、粗分割:对拍摄的舌体图片进行粗分割以确定舌体大概位置;
步骤二、精确分割舌体:对步骤一处理后的舌体图像使用超像素分割和LazySnapping算法相结合精确分割出舌体;
步骤三、后期处理:由于二值图像边缘不光滑,使用滤波器将二值图像边缘进行平滑处理。
本发明所述步骤一中粗分割的具体方法为:
(1)将舌体图片中的图像从RGB颜色空间转换成LAB颜色空间;
(2)将舌体图片中的图像从RGB颜色空间转换成HSI颜色空间;
(3)将图像使用LBP算法进行纹理分析,找到舌体范围内的纹理特征值,之后通过舌体表面与其他部位不同的纹理特征值,实现阈值分割,进而获得舌体预分割结果;
其中(xc,yc)是中心像素,ic是灰度值,ip是相邻像素的灰度值,s是一个符号函数:
(4)从转换后的LAB颜色空间和HSI颜色空间分别提取A向量空间和H向量空间的值,通过设定不同阈值将A向量空间、H向量空间以及LBP纹理特征全部转为二值图像,对A、H向量以及LBP纹理特征图的二值图取交操作用以确定舌体的核心区域位置;
(5)通过形态学运算求得最大连通域为舌体的核心区域,将其他连通域设为背景色,并对舌体核心区域进行形态学填洞操作防止舌体的一些点刺、裂纹、瘀点未被记为舌体;
(6)裁剪图像:首先判断二值图像中最大连通域的位置,将其标记为舌体的核心区域;其次计算舌体核心区域的长度和宽度,为了防止舌体缺失,分别将长和宽向外扩大一部分,用来包含舌体全部区域和部分背景区域;根据所获取的区域,最后对原图片进行裁剪。
本发明所述步骤(4)中通过设定不同阈值将A向量空间、H向量空间全部转为二值图像的方法为:通过对每个坐标的A向量值与阈值10作比较,大于阈值的将其转换为1,小于阈值的将其置为0,从而得到A向量的二值图像;同样的,将每个坐标值的H向量值与阈值0.6做对比,大于0.6的置为1,小于0.6 的置为0,从而得到H向量的二值图像。
本发明所述步骤二中精确分割舌体具体包括:
(1)使用超像素分割将裁剪后的图像分割成多个细小区域;
(2)计算前景点和背景点;
(3)将超像素分割处理过的图片输入值,前景点和背景点作为限定条件,通过LazySnapping算法进行分割得到舌体图片。
本发明所述步骤(1)使用超像素分割将裁剪后的图像分割成多个细小区域的方法为:对裁剪后的图像的LAB颜色空间中的A分量使用超像素分割,先在整张图像上均匀初始化1500个种子点,然后对初始的种子点在3*3邻域内重置种子点至该邻域梯度最小的位置,防止种子点落在轮廓边界上;对种子点周围区域的像素点使用颜色和空间距离来确定像素点属于哪个种子点,借助K-means 聚类算法,通过变换的欧氏聚距离公式将像素点进行归类,dc为像素间的颜色差异,ai,aj为LAB空间A向量的值,ds是像素点间的空间距离,xi,xj为图片的坐标点,通过两个参数Nc和Ns协调两种距离的比例分配,参数Ns即是每个像素块的长度值,而参数Nc为LAB空间的距离可能最大值,最终将像素级图片划分为区域级图片;
本发明所述步骤(2)计算前景点和背景点的方法为:前景点在舌体核心区域位置均匀选取,背景点从裁剪图像的边角和四周中选取,对于肤色、牙齿和口腔的背景点的选取,则先从舌体核心区域边界依次向外取像素值放进集合中,然后将集合中的像素值与已经确定的前景点和背景点进行比较用以确定是否为背景点。
本发明所述步骤(3)通过LazySnapping算法进行分割得到舌体图片的具体方法为:通过能量函数计算图片中每个区域是否为前景部分,其计算公式为:
E(X)=∑i∈vE1(xi)+∑(i,j)∈sE2(xi+xj);
其中E1为计算xi分配为前景或背景时自身的代价,E2为两个相邻顶点分配不同标签时的代价;设定为前景,为背景,为其他区域的点;C(i)为该点在 RGB域的值;通过对一个点计算与不同前景、背景的距离得到最终分配结果;E1的详细的计算过程为:
设定i,j为相邻区域的点;E2越大,相邻点相似度越大,为目标边界的可能性越小;E2的详细的计算过程为:
E2(xi,xj)=|xi-xj|*g(Cij)
计算完能量函数后通过S/T分割算法分割完舌体图片。
本发明的有益效果是:本发明对原图像进行预处理以加快运行速度和增强分割效果,将超像素分割与改进的LazySnapping算法相结合进行舌体分割,在保证舌体图像分割完整的情况下,缩短图像处理时间,提高分割准确度,为下一步舌体特征提取和识别提供有效的技术支撑。
附图说明
图1为本发明舌体图像分割整体流程示意图;
图2为本发明利用8邻接连通域求最大连通域的示意图;
图3为本发明一实施例的裁剪图像示意图;
图4为本发明一实施例的HIS的H分量二值图像示意图;
图5为本发明一实施例的LAB的A分量二值图像示意图;
图6为本发明一实施例的特征联合的二值图像示意图;
图7为本发明一实施例的形态学修正后取最大连通域的二值图像示意图;
图8为本发明一实施例的舌体分割结果示意图。
具体实施方式
在本发明中,提出了一种在标准环境下对舌体图像中舌体定位并准确分割出舌体的方法。标准环境定义为包含LED阵列光源、紫外线消毒灯的采集箱。采集箱内光源采用LED阵列光源、性能稳定无闪烁;照射均匀无反光、无阴影。采集舌象时采集环境密不透光,避免外界光线干扰。本方法主要使用图片预处理进行舌体位置定位,然后对定位图象使用超像素分割,最后将超像素分割的图像使用改进的LazySnapping算法进行分割合并,将图像平滑处理后得到舌体图片。下面详细说明该方法的主要流程。
本发明主要分为两个部分。第一部分是对图片进行粗分割以确定舌体大概位置方便下一步处理减少数据量;第二部分则是对裁剪图像使用超像素分割和 LazySnapping算法相结合精确分割出舌体。
(一)粗分割
本发明主要是对标准环境下拍摄的舌体图片进行分割。由于目前数码相机所拍摄图片的数据量越来越大,为方便、快捷的对舌象进行分割。本发明第一部分主要先确定舌体的具体位置,将数据量大幅缩小方便精确分割舌体。
1、RGB转LAB颜色空间
首先将图像从RGB颜色空间转换成LAB颜色空间。因为LAB颜色空间是一种基于生理特征的颜色空间,更加容易表述出舌体与人体肤色的不同。其中A 向量包括的颜色是从深绿色(低亮度值)到灰色(中亮度值)再到亮粉红色(高亮度值),舌体的颜色在亮粉色的范围内。RGB颜色空间转换为LAB颜色空间需要先转换为XYZ空间,然后从XYZ空间转化为LAB空间。
RGB颜色空间转XYZ空间需要RGB空间的每一个像素点的R、G、B的值经过下列公式得到XYZ空间。
将得到的XYZ空间通过下列公式转换为LAB颜色空间。其中Xn=95.047, Yn=100,Zn=108.883;L*,A*,B*为最终LAB颜色空间三个通道的值。
2、RGB转HSI颜色空间
将RGB图像转为HSI颜色空间主要利用HSI颜色空间对颜色信息更高的利用率。RGB颜色空间可以直接转化为HSI颜色空间。HSI颜色空间的三个颜色通道相关性非常小,可以将舌体区域与背景区域的特征充分表现出来,对H通道S通道或者I通道单独分割的结果有时会优于RGB颜色空间的分割效果,所以HSI颜色空间广泛用于彩色舌体图像处理,是一种较稳定的色彩模型。本发明利用舌表面区域的H通道色调值的显著特性将目标舌表面区域分割出来。H 通道的优点在于删掉舌像中包含的唇部、面孔等背景,进行通道分割后获得舌体的预分割结果。RGB颜色空间可以直接转化为HSI颜色空间。使用以下公式:
3、LBP特征提取
LBP特征为一种用来描述图像局部纹理特征的算子,它具有旋转不变性和灰度不变性等显著的优点。将图像使用LBP算法进行纹理分析,找到舌体范围内的纹理特征值。之后通过舌体表面与其他部位不同的纹理特征值,实现阈值分割,进而获得舌体预分割结果。
其中(xc,yc)是中心像素,ic是灰度值,in是相邻像素的灰度值,s是一个符号函数:
4、特征联合取二值图像
向转换后的LAB颜色空间和HSI颜色空间分别提取A向量空间和H向量空间的值,然后通过设定不同阈值将A向量空间、H向量空间以及LBP纹理特征全部转为二值图像。在这里通过对每个坐标的A向量值与阈值10作比较,大于阈值的将其转换为1,小于阈值的将其置为0,从而得到A向量的二值图像,同样的,我们对每个坐标的H向量采用类似的方法,将每个坐标值的H向量值与阈值0.6做对比,大于0.6的置为1,小于0.6的置为0,从而得到H向量的二值图像。以上所述的阈值均为实验所得。对A、H向量以及LBP纹理特征图的二值图取交操作用以确定舌体的核心区域位置。
5、形态学处理
通过形态学运算求得最大连通域为舌体的核心区域。将其他连通域设为背景色,并对舌体核心区域进行形态学填洞操作防止舌体的一些点刺、裂纹、瘀点等未被记为舌体。
形态学中的闭运算是先膨胀运算,再腐蚀运算。用来填充二值图像中的小孔,弥合小缝隙,而总体的位置和形状保持不变;
连通区域的定义有8点法和4点法,区别在于构成像素连通关系的邻接像素位置不一样。在图像中,最小的单位是像素,每个像素周围有8个邻接像素,常见的邻接关系有2种:4邻接与8邻接。4邻接一共4个点,即上下左右。8 邻接的点一共有8个,包括了对角线位置的点。本文使用的是8邻接,如图2 所示。
通过使用matlab中的find()函数,可以找出最大连通域。并将其他区域置为 0。
6、裁剪图像
首先判断二值图像中最大连通域的位置,将其标记为舌体的核心区域,其次计算舌体核心区域的长度和宽度,为了防止舌体缺失,分别将长和宽向外扩大一部分,用来包含舌体全部区域和部分背景区域如牙齿和口腔黑色区域。根据所获取的区域,最后对原图片进行裁剪。
(二)精确分割舌体
通过图片预处理将数据量大大缩小,方便精确分割舌体。分割舌体首先使用超像素分割先将裁剪图片分割成多个细小区域。接下来确定前景和背景点,舌体分割中前景点是舌体的点位,背景点则为肤色、牙齿、口腔黑色区域等。将超像素分割处理后的图片和前、背景点输入LazySnapping分割算法中完成舌体精确分割。
1、超像素分割
对裁剪后的图像的LAB颜色空间中的A分量使用超像素分割。先在整张图像上均匀初始化1500个种子点,然后对初始的种子点在3*3邻域内重置种子点至该邻域梯度最小的位置,防止种子点落在轮廓边界上。对种子点周围区域的像素点使用颜色和空间距离来确定像素点属于哪个种子点。借助K-means聚类算法,通过变换的欧氏聚距离公式将像素点进行归类,dc为像素间的颜色差异,ai,aj为LAB空间A向量的值。ds是像素点间的空间距离,xi,xj为图片的坐标点。通过两个参数Nc和Ns来协调两种距离的比例分配。参数Ns即是每个像素块的长度值,而参数Nc为LAB空间的距离可能最大值。最终将像素级图片划分为区域级图片。
2、计算前景点和背景点
前景点主要在舌体核心区域位置均匀选取。背景点则是主要从裁剪图像的边角和四周中选取。对于肤色、牙齿和口腔的背景点的选取,则先从舌体核心区域边界依次向外取像素值放进集合中,然后将集合中的像素值与已经确定的前景点和背景点进行比较用以确定是否为背景点。
前景点和背景点具体的选择方法为:将裁剪区域的四个角、裁剪向外部扩取15%的区域的四个角以及该区域顶端中部标记为背景点。将裁剪图片的重心标记五个点作为前景点。
将LAB空间向量值转至[0~1]区间方便运算。转换公式如下:
3、LazySnapping分割
将超像素分割处理过的图片作为LazySnapping算法的输入值,前景点和背景点作为限定条件。LazySnapping算法是通过用户交互进行前景点与背景点的标记,本专利提出的方法通过自动对图片进行前景与背景的标记,如上图2所示。通过能量函数计算图片中每个区域是否为前景部分;其计算式为:
E(X)=∑i∈vE1(xi)+∑(i,j)∈sE2(xi+xj) (13);
其中E1为计算xi分配为前景或背景时自身的代价,E2为两个相邻顶点分配不同标签时的代价。
设定i,j为相邻区域的点;E2越大,相邻点相似度越大,为目标边界的可能性越小。E2的详细的计算过程为:
E2(xi,xj)=|xi-xj|*g(Cij) (16);
计算完能量函数后通过S/T分割算法分割完舌体图片。
(三)后期处理
由于二值图像边缘不光滑,应使用滤波器将二值图像边缘进行平滑处理。常用的滤波器为中值滤波器,根据图像的大小来将滤波器大小设定为图像宽度的 0.1%。对分割的二值图进行中值滤波以平滑舌体图,最后用蒙版显示RGB色彩图片。
Claims (7)
1.一种舌体图像分割方法,其特征在于,包括以下步骤:
步骤一、粗分割:对拍摄的舌体图片进行粗分割以确定舌体大概位置;
步骤二、精确分割舌体:对步骤一处理后的舌体图像使用超像素分割和LazySnapping算法相结合精确分割出舌体;
步骤三、后期处理:由于二值图像边缘不光滑,使用滤波器将二值图像边缘进行平滑处理。
2.根据权利要求1所述的一种舌体图像分割方法,其特征在于,所述步骤一中粗分割的具体方法为:
(1)将舌体图片中的图像从RGB颜色空间转换成LAB颜色空间;
(2)将舌体图片中的图像从RGB颜色空间转换成HSI颜色空间;
(3)将图像使用LBP算法进行纹理分析,找到舌体范围内的纹理特征值,之后通过舌体表面与其他部位不同的纹理特征值,实现阈值分割,进而获得舌体预分割结果;
其中(xc,yc)是中心像素,ic是灰度值,ip是相邻像素的灰度值,s是一个符号函数:
(4)从转换后的LAB颜色空间和HSI颜色空间分别提取A向量空间和H向量空间的值,通过设定不同阈值将A向量空间、H向量空间以及LBP纹理特征全部转为二值图像,对A、H向量以及LBP纹理特征图的二值图取交操作用以确定舌体的核心区域位置;
(5)通过形态学运算求得最大连通域为舌体的核心区域,将其他连通域设为背景色,并对舌体核心区域进行形态学填洞操作防止舌体的一些点刺、裂纹、瘀点未被记为舌体;
(6)裁剪图像:首先判断二值图像中最大连通域的位置,将其标记为舌体的核心区域;其次计算舌体核心区域的长度和宽度,为了防止舌体缺失,分别将长和宽向外扩大一部分,用来包含舌体全部区域和部分背景区域;根据所获取的区域,最后对原图片进行裁剪。
3.根据权利要求2所述的一种舌体图像分割方法,其特征在于,所述步骤(4)中通过设定不同阈值将A向量空间、H向量空间全部转为二值图像的方法为:通过对每个坐标的A向量值与阈值10作比较,大于阈值的将其转换为1,小于阈值的将其置为0,从而得到A向量的二值图像;同样的,将每个坐标值的H向量值与阈值0.6做对比,大于0.6的置为1,小于0.6的置为0,从而得到H向量的二值图像。
4.根据权利要求1所述的一种舌体图像分割方法,其特征在于,所述步骤二中精确分割舌体具体包括:
(1)使用超像素分割将裁剪后的图像分割成多个细小区域;
(2)计算前景点和背景点;
(3)将超像素分割处理过的图片输入值,前景点和背景点作为限定条件,通过LazySnapping算法进行分割得到舌体图片。
5.根据权利要求4所述的一种舌体图像分割方法,其特征在于,所述步骤(1)使用超像素分割将裁剪后的图像分割成多个细小区域的方法为:对裁剪后的图像的LAB颜色空间中的A分量使用超像素分割,先在整张图像上均匀初始化1500个种子点,然后对初始的种子点在3*3邻域内重置种子点至该邻域梯度最小的位置,防止种子点落在轮廓边界上;对种子点周围区域的像素点使用颜色和空间距离来确定像素点属于哪个种子点,借助K-means聚类算法,通过变换的欧氏聚距离公式将像素点进行归类,dc为像素间的颜色差异,ai,aj为LAB空间A向量的值,ds是像素点间的空间距离,xi,xj为图片的坐标点,通过两个参数Nc和Ns协调两种距离的比例分配,参数Ns即是每个像素块的长度值,而参数Nc为LAB空间的距离可能最大值,最终将像素级图片划分为区域级图片;
6.根据权利要求4所述的一种舌体图像分割方法,其特征在于,所述步骤(2)计算前景点和背景点的方法为:前景点在舌体核心区域位置均匀选取,背景点从裁剪图像的边角和四周中选取,对于肤色、牙齿和口腔的背景点的选取,则先从舌体核心区域边界依次向外取像素值放进集合中,然后将集合中的像素值与已经确定的前景点和背景点进行比较用以确定是否为背景点。
7.根据权利要求4所述的一种舌体图像分割方法,其特征在于,所述步骤(3)通过LazySnapping算法进行分割得到舌体图片的具体方法为:通过能量函数计算图片中每个区域是否为前景部分,其计算公式为:
E(X)=∑i∈vE1(xi)+∑(i,j)∈sE2(xi+xj);
其中E1为计算xi分配为前景或背景时自身的代价,E2为两个相邻顶点分配不同标签时的代价;设定为前景,为背景,为其他区域的点;C(i)为该点在RGB域的值;通过对一个点计算与不同前景、背景的距离得到最终分配结果;E1的详细的计算过程为:
设定i,j为相邻区域的点;E2越大,相邻点相似度越大,为目标边界的可能性越小;E2的详细的计算过程为:
E2(xi,xj)=|xi-xj|*g(Cij)
计算完能量函数后通过S/T分割算法分割完舌体图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012697.0A CN113643281A (zh) | 2021-08-31 | 2021-08-31 | 一种舌体图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012697.0A CN113643281A (zh) | 2021-08-31 | 2021-08-31 | 一种舌体图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643281A true CN113643281A (zh) | 2021-11-12 |
Family
ID=78424592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111012697.0A Pending CN113643281A (zh) | 2021-08-31 | 2021-08-31 | 一种舌体图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643281A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082461A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
CN115601358A (zh) * | 2022-12-01 | 2023-01-13 | 合肥云诊信息科技有限公司(Cn) | 一种自然光环境下的舌象图像分割方法 |
-
2021
- 2021-08-31 CN CN202111012697.0A patent/CN113643281A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082461A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
CN115082461B (zh) * | 2022-08-19 | 2022-11-04 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
CN115601358A (zh) * | 2022-12-01 | 2023-01-13 | 合肥云诊信息科技有限公司(Cn) | 一种自然光环境下的舌象图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11776216B2 (en) | System and method for extracting a region of interest from volume data | |
Cao et al. | Dual-branch residual network for lung nodule segmentation | |
CN110738676A (zh) | 一种结合RGBD数据的GrabCut自动分割算法 | |
CN109859184B (zh) | 一种连续扫描乳腺超声图像的实时检测与决策融合方法 | |
CN113643281A (zh) | 一种舌体图像分割方法 | |
Lakshmi et al. | Tooth decay prediction and classification from X-ray images using deep CNN | |
Liu et al. | Automatic lung segmentation based on image decomposition and wavelet transform | |
CN113160185A (zh) | 一种利用生成边界位置指导宫颈细胞分割的方法 | |
CN110648336B (zh) | 一种舌质和舌苔的分割方法及装置 | |
CN109741336B (zh) | 一种基于像素聚类与分割阈值的白癜风区域分割方法 | |
Kitrungrotsakul et al. | Interactive deep refinement network for medical image segmentation | |
CN113139929A (zh) | 包含信息筛选与融合修复的胃肠道内窥镜图像预处理方法 | |
CN104766068A (zh) | 一种多规则融合的随机游走舌像提取方法 | |
CN110232684B (zh) | 一种基于谱分析的三维医学图像自动分割方法 | |
EP3018626B1 (en) | Apparatus and method for image segmentation | |
CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 | |
CN114511567B (zh) | 舌体与舌苔图像识别分离方法 | |
CN114627136B (zh) | 一种基于特征金字塔网络的舌象分割与对齐方法 | |
Taouil et al. | Automatic segmentation and classification of skin lesion images | |
CN111062909A (zh) | 乳腺肿块良恶性判断方法及设备 | |
CN115761226A (zh) | 一种口腔影像分割识别方法、装置、电子设备和存储介质 | |
Taouil et al. | A new automatic approach for edge detection of skin lesion images | |
Wu et al. | Interactive foreground/background segmentation based on graph cut | |
CN110706209B (zh) | 一种网格网络的大脑磁共振图像肿瘤定位方法 | |
CN108596191B (zh) | 一种用于具有弱边缘的单一目标提取方法 |
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 |