CN115797352A - 一种用于中医保健体质检测的舌象图像处理系统 - Google Patents
一种用于中医保健体质检测的舌象图像处理系统 Download PDFInfo
- Publication number
- CN115797352A CN115797352A CN202310080683.5A CN202310080683A CN115797352A CN 115797352 A CN115797352 A CN 115797352A CN 202310080683 A CN202310080683 A CN 202310080683A CN 115797352 A CN115797352 A CN 115797352A
- Authority
- CN
- China
- Prior art keywords
- target
- initial
- cluster
- abnormal
- tongue
- 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.)
- Granted
Links
Images
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种用于中医保健体质检测的舌象图像处理系统,该系统包括:图像获取分析模块、灰度变化分析模块、层次聚类模块、异常程度确定模块、筛选确定模块、异常离散分析模块、聚类半径确定模块和聚类分割模块,通过这些模块之间的相互配合可以实现以下步骤:对获取的舌象灰度图像进行图像处理,确定初始聚类中心;对目标线段上的像素点进行灰度变化分析处理和层次聚类;对初始聚类簇进行图像处理,确定漂移聚类半径;对舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域。本发明通过对舌象灰度图像进行数据处理,提高了对目标舌苔区域和目标舌质区域分割的准确度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于中医保健体质检测的舌象图像处理系统。
背景技术
舌象包括舌质和舌苔变化,舌由肌肉、血脉和经络所构成,三者均与脏腑存在着密切的联系。中医看病讲究望闻问切,更是看重舌苔的改变。舌象变化规律一般来说为舌苔由薄变厚为病进,由厚变薄为病退,因此,可以透过舌象的观察来了解和认识疾病。然而由于舌象比较复杂,并且舌苔与舌质之间没有明显的界限,因此通过舌象来分析患者的健康状况时,为了便于中医检测,往往需要从采集的舌象图像中分割出舌苔区域与舌质区域。
目前,对舌象图像进行分割时,通常采用的方式为:采用人工的方式,从舌象图像中分割出舌苔区域与舌质区域。当采用人工的方式,对舌象图像进行分割时,分割结果往往受到人为主观的影响,往往导致分割结果不准确。现有还存在一种对舌象图像进行分割的方式为:将舌象图像中满足H≤10或I≤0.68的像素点标记为舌质像素点,否则标记为舌苔像素点。其中,H是色调,I是亮度。由于舌质、舌苔往往色彩差异繁多,因此直接根据色调是否不大于10或亮度是否不大于0.68判断舌苔与舌质,往往难以得到准确的舌苔区域与舌质区域,往往导致分割出的舌苔区域与舌质区域不精确。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对舌苔区域和舌质区域分割的准确度低下的技术问题,本发明提出了一种用于中医保健体质检测的舌象图像处理系统。
本发明提供了一种用于中医保健体质检测的舌象图像处理系统,该系统包括:
图像获取分析模块,用于获取待检测舌象的舌象灰度图像,并对所述舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心;
灰度变化分析模块,用于对所述舌象灰度图像的预先设置的预设数目个目标线段上的每个像素点进行灰度变化分析处理,得到所述像素点对应的灰度变化程度;
层次聚类模块,用于根据每个目标线段上的各个像素点对应的灰度变化程度,对所述目标线段上的各个像素点进行层次聚类,得到所述目标线段对应的初始聚类簇集合;
异常程度确定模块,用于根据每个目标线段对应的初始聚类簇集合中的每个初始聚类簇中的各个像素点对应的灰度变化程度,确定所述初始聚类簇对应的目标异常程度;
筛选确定模块,用于从预设数目个目标线段中筛选出异常扩大线段和参考线段,并根据所述异常扩大线段和所述参考线段,确定异常扩大系数;
异常离散分析模块,用于根据所述异常扩大系数、预设数目个目标线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度,对初始聚类簇进行异常离散分析处理,得到初始聚类簇对应的异常离散指标;
聚类半径确定模块,用于根据预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标,确定漂移聚类半径;
聚类分割模块,用于根据所述初始聚类中心和所述漂移聚类半径,对所述舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域。
进一步地,所述对所述舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心,包括:
对所述舌象灰度图像进行舌象区域识别,确定目标舌象区域;
作所述目标舌象区域的最小外接矩形,将所述最小外接矩形的中心点,确定为初始点;
当第一占比大于预先设置的目标占比时,将所述初始点确定为初始中心点,其中,第一占比为所述目标舌象区域中对应的灰度值与所述初始点对应的灰度值相同的像素点的占比;
当第一占比小于或等于目标占比时,将所述初始点更新为所述初始点的一个邻域像素点,重复本步骤,直至第一占比大于目标占比,将最后更新的初始点确定为初始中心点;
对于所述目标舌象区域中的每个像素点,根据所述初始中心点和所述像素点对应的预先设置的目标圆形滑窗,确定所述像素点对应的初始聚集指标;
将所述目标舌象区域中初始聚集指标最小的像素点,确定为所述初始聚类中心。
进一步地,所述根据所述初始中心点和所述像素点对应的预先设置的目标圆形滑窗,确定所述像素点对应的初始聚集指标,包括:
从所述像素点对应的目标圆形滑窗中筛选出对应的灰度值与所述初始中心点对应的灰度值相同的像素点,作为目标像素点,得到所述像素点对应的目标像素点集合;
确定所述像素点对应的目标像素点集合中的每个目标像素点与所述初始中心点之间的距离,作为目标距离,得到所述像素点对应的目标距离集合;
当所述像素点对应的目标距离集合中目标距离的数量大于0时,将所述像素点对应的第一目标距离均值和目标数量倒数的乘积,确定为所述像素点对应的初始聚集指标,其中,所述像素点对应的第一目标距离均值是所述像素点对应的目标距离集合中的目标距离的均值,所述像素点对应的目标数量倒数是所述像素点对应的目标像素点集合中目标像素点的数量的倒数。
进一步地,预设数目个目标线段的交点是所述初始点。
进一步地,所述对所述舌象灰度图像的预先设置的预设数目个目标线段上的每个像素点进行灰度变化分析处理,得到所述像素点对应的灰度变化程度,包括:
从所述像素点对应的预先设置的目标矩形滑窗中的各个像素点对应的灰度值中筛选出最大值和最小值,作为所述像素点对应的最大灰度值和最小灰度值;
将所述像素点对应的最大灰度值与最小灰度值的差值,确定为所述像素点对应的第一灰度差值;
将所述像素点对应的目标矩形滑窗中的各个像素点对应的灰度值与所述像素点对应的最大灰度值的差值的绝对值的均值,确定为所述像素点对应的第一灰度均值;
将所述像素点对应的第一灰度均值与第一灰度指标的比值,确定为所述像素点对应的灰度变化程度,其中,第一灰度指标是第一灰度差值与预先设置的大于0的灰度值的和。
进一步地,所述根据每个目标线段对应的初始聚类簇集合中的每个初始聚类簇中的各个像素点对应的灰度变化程度,确定所述初始聚类簇对应的目标异常程度,包括:
将所述初始聚类簇中的各个像素点对应的灰度变化程度的和,确定为所述初始聚类簇对应的第一异常程度;
对所述初始聚类簇对应的第一异常程度进行归一化,得到所述初始聚类簇对应的目标异常程度。
进一步地,所述根据所述异常扩大线段和所述参考线段,确定异常扩大系数,包括:
将所述异常扩大线段和所述参考线段对应的初始聚类簇集合中的各个初始聚类簇对应的目标异常程度的均值,确定为目标参考异常指标;
将所述参考线段上的各个像素点对应的灰度变化程度的均值,确定为第一异常指标;
将所述异常扩大线段上的各个像素点对应的灰度变化程度的均值,确定为第二异常指标;
将所述第二异常指标与目标参考异常指标的乘积,确定为第三异常指标;
将所述第一异常指标与第三修正异常指标的比值,确定为异常扩大系数,其中,第三修正异常指标是所述第三异常指标与预先设置的大于0的预设异常指标的和。
进一步地,所述根据所述异常扩大系数、预设数目个目标线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度,对初始聚类簇进行异常离散分析处理,得到初始聚类簇对应的异常离散指标,包括:
对于预设数目个目标线段对应的初始聚类簇集合中的每个初始聚类簇,根据所述初始聚类簇中的各个像素点对应的灰度值,对所述初始聚类簇中的各个像素点进行聚类,得到所述初始聚类簇对应的第二聚类簇集合;
将每个初始聚类簇对应的第二聚类簇集合中的每个第二聚类簇中的各个像素点之间的距离的均值,作为第一距离均值,得到所述初始聚类簇对应的第一距离均值集合;
将每个初始聚类簇对应的第一距离均值集合中的各个第一距离均值的均值,确定为所述初始聚类簇对应的目标距离指标;
将每个初始聚类簇中的各个像素点对应的灰度值中的最大值与最小值的差值,确定为所述初始聚类簇对应的灰度差值指标;
将所述异常扩大线段对应的初始聚类簇集合中的每个初始聚类簇对应的目标异常程度与所述异常扩大系数的乘积,确定为所述初始聚类簇对应的异常扩大指标;
对于所述异常扩大线段对应的初始聚类簇集合中的每个初始聚类簇,将所述初始聚类簇对应的目标距离指标、灰度差值指标和异常扩大指标的乘积,确定为所述初始聚类簇对应的异常离散指标;
对于预设数目个目标线段中除了所述异常扩大线段之外的每个目标线段对应的初始聚类簇集合中的每个初始聚类簇,将所述初始聚类簇对应的目标距离指标、灰度差值指标和目标异常程度的乘积,确定为所述初始聚类簇对应的异常离散指标。
进一步地,所述根据预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标,确定漂移聚类半径,包括:
从预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标中筛选出最大的异常离散指标,作为目标离散指标;
对所述目标离散指标进行负相关,并归一化,得到归一离散指标;
将预先设置的目标倍数与归一离散指标的乘积,确定为尺寸指标;
对所述尺寸指标进行向上取整,得到漂移聚类半径。
进一步地,所述根据所述初始聚类中心和所述漂移聚类半径,对所述舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域,包括:
根据所述初始聚类中心和所述漂移聚类半径,对所述舌象灰度图像中的目标舌象区域进行均值漂移聚类,得到目标聚簇集合;
从所述目标聚簇集合中筛选出像素点数量最多的两个目标聚簇,作为两个待分割聚簇;
获取所述两个待分割聚簇中的每个像素点对应的RGB值中的R值,作为所述像素点对应的目标R值;
将每个待分割聚簇中的各个像素点对应的目标R值的均值,确定为所述待分割聚簇对应的目标R值均值;
将所述两个待分割聚簇中目标R值均值较大的待分割聚簇所在的区域,确定为目标舌质区域,并将所述两个待分割聚簇中目标R值均值较小的待分割聚簇所在的区域,确定为目标舌苔区域。
本发明具有如下有益效果:
本发明的一种用于中医保健体质检测的舌象图像处理系统,通过对舌象灰度图像进行数据处理,解决了对目标舌苔区域和目标舌质区域分割的准确度低下的技术问题,提高了对目标舌苔区域和目标舌质区域分割的准确度。首先,通过图像获取分析模块实现获取待检测舌象的舌象灰度图像,并对舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心。由于对舌象灰度图像进行均值漂移聚类分割时对初始聚类中心的确定往往与中心密度有关,因此,对舌象灰度图像进行舌象中心密度分析处理,可以提高初始聚类中心确定的准确度,从而可以提高后续基于初始聚类中心对舌象灰度图像进行均值漂移聚类分割的准确度,进而可以提高对中医保健体质检测的准确度。接着,通过灰度变化分析模块实现对舌象灰度图像的预先设置的预设数目个目标线段上的每个像素点进行灰度变化分析处理,得到像素点对应的灰度变化程度。因此可以得到多个目标线段上的像素点的灰度变化情况,一般来说,灰度变化情况越复杂,为了提高后续均值漂移聚类分割的准确度,后续漂移聚类半径往往需要设置的越小,因此,确定像素点对应的灰度变化程度,可以便于后续确定漂移聚类半径。然后,通过层次聚类模块实现根据每个目标线段上的各个像素点对应的灰度变化程度,对目标线段上的各个像素点进行层次聚类,得到目标线段对应的初始聚类簇集合。灰度变化程度相似的像素点的异常情况往往相似,因此基于目标线段上的各个像素点对应的灰度变化程度,对该目标线段上的各个像素点进行层次聚类,可以便于后续通过分析初始聚类簇,整体的确定灰度变化程度相似的像素点的异常情况。继续,通过异常程度确定模块实现根据每个目标线段对应的初始聚类簇集合中的每个初始聚类簇中的各个像素点对应的灰度变化程度,确定初始聚类簇对应的目标异常程度。实际情况中,初始聚类簇对应的目标异常程度越大,往往说明初始聚类簇中的各个像素点的异常程度越大,为了提高后续均值漂移聚类分割的准确度,后续漂移聚类半径往往需要设置的越小,因此,确定初始聚类簇对应的目标异常程度,可以便于后续确定漂移聚类半径。再者,通过筛选确定模块实现从预设数目个目标线段中筛选出异常扩大线段和参考线段,并根据异常扩大线段和参考线段,确定异常扩大系数。实际情况中,异常扩大线段和参考线段对应的异常情况往往不同,因此确定异常扩大系数,可以便于后续对异常扩大线段进行异常放大。之后,通过异常离散分析模块实现根据异常扩大系数、预设数目个目标线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度,对初始聚类簇进行异常离散分析处理,得到初始聚类簇对应的异常离散指标。初始聚类簇对应的异常离散指标越大,往往说明初始聚类簇中的各个像素点越分散,为了提高后续均值漂移聚类分割的准确度,后续漂移聚类半径往往需要设置的越小,因此,确定初始聚类簇对应的异常离散指标,可以便于后续确定漂移聚类半径。而后,通过聚类半径确定模块实现根据预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标,确定漂移聚类半径。基于各个初始聚类簇对应的异常离散指标,确定漂移聚类半径,可以提高漂移聚类半径确定的准确度。最后,通过聚类分割模块实现根据初始聚类中心和漂移聚类半径,对舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域。因此,本发明通过对舌象灰度图像进行数据处理,提高了初始聚类中心和漂移聚类半径确定的准确度,从而提高了对舌象灰度图像进行均值漂移聚类分割时分割结果的准确度,可以使舌苔和舌质的分割不受人为主观的影响,进而提高了对舌苔和舌质分割的准确度。现有还存在一种对舌象图像进行分割的方式为:将舌象图像中满足H≤10或I≤0.68的像素点标记为舌质像素点,否则标记为舌苔像素点。其中,H是色调,I是亮度。由于舌质、舌苔色彩差异繁多,因此直接根据色调是否不大于10或亮度是否不大于0.68判断舌苔与舌质,往往难以得到准确的舌苔区域与舌质区域,往往导致分割出的舌苔区域与舌质区域不精确。本发明对舌象灰度图像进行均值漂移聚类分割时,综合考虑了舌象中心密度、灰度变化程度、目标异常程度、异常扩大系数和异常离散指标,相较于直接将舌象图像中满足H≤10或I≤0.68的像素点标记为舌质像素点,否则标记为舌苔像素点的方法,本发明提高了对舌苔和舌质分割的准确度。
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为根据本发明的一种用于中医保健体质检测的舌象图像处理系统的结构示意图;
图2为根据本发明的目标线段示意图;
图3为根据本发明的参考线段和异常扩大线段示意图。
其中,附图标记包括:目标舌象区域边缘201、初始点202、第一目标线段301、第二目标线段302。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种用于中医保健体质检测的舌象图像处理系统,该系统包括:
图像获取分析模块,用于获取待检测舌象的舌象灰度图像,并对舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心;
灰度变化分析模块,用于对舌象灰度图像的预先设置的预设数目个目标线段上的每个像素点进行灰度变化分析处理,得到像素点对应的灰度变化程度;
层次聚类模块,用于根据每个目标线段上的各个像素点对应的灰度变化程度,对目标线段上的各个像素点进行层次聚类,得到目标线段对应的初始聚类簇集合;
异常程度确定模块,用于根据每个目标线段对应的初始聚类簇集合中的每个初始聚类簇中的各个像素点对应的灰度变化程度,确定初始聚类簇对应的目标异常程度;
筛选确定模块,用于从预设数目个目标线段中筛选出异常扩大线段和参考线段,并根据异常扩大线段和参考线段,确定异常扩大系数;
异常离散分析模块,用于根据异常扩大系数、预设数目个目标线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度,对初始聚类簇进行异常离散分析处理,得到初始聚类簇对应的异常离散指标;
聚类半径确定模块,用于根据预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标,确定漂移聚类半径;
聚类分割模块,用于根据初始聚类中心和漂移聚类半径,对舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域。
参考图1,示出了根据本发明的一种用于中医保健体质检测的舌象图像处理系统的结构示意图。该用于中医保健体质检测的舌象图像处理系统,包括:
图像获取分析模块101,用于获取待检测舌象的舌象灰度图像,并对舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心。
在一些实施例中,可以获取待检测舌象的舌象灰度图像,并对上述舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心。
其中,待检测舌象可以是患者的舌象。舌象可以表征舌体的变化情况。舌象灰度图像可以是待检测舌象的灰度图像。初始聚类中心可以是后续对舌象灰度图像进行均值漂移聚类分割时的初始聚类中心。对舌象灰度图像进行均值漂移聚类分割可以是通过均值漂移聚类算法对舌象灰度图像进行分割。
需要说明的是,舌象包括舌质和舌苔变化,舌由肌肉、血脉和经络所构成,三者均与脏腑存在着密切的联系。中医看病讲究望闻问切,更是看重舌苔的改变。舌象变化规律一般来说为舌苔由薄变厚为病进,由厚变薄为病退,因此,可以透过舌象的观察来了解和认识疾病。然而由于舌象比较复杂,并且舌苔与舌质之间没有明显的界限,因此通过舌象来分析患者的健康状况时,为了便于中医观察舌苔与舌质的变化,往往需要对采集的舌象灰度图像进行分割,获得准确的舌苔与舌质区域。由于舌象的变化情况多样,并且微小的细节变化可能会引起不同的症状,在通过均值漂移聚类算法对舌体图像进行分割时,如果初始聚类中心和漂移聚类半径设置的不合适,往往会导致图像的分割不准确,因此,为了便于中医通过舌象来分析患者的健康状况,进而便于中医保健体质检测,本发明通过分析舌象情况,自适应初始聚类中心和漂移聚类半径,可以提高初始聚类中心和漂移聚类半径确定的准确度,从而可以精确获得舌苔区域与舌质区域。其中,中医保健体质检测可以是通过中医保健的方式,对患者进行健康状况检测。
作为示例,获取待检测舌象的舌象灰度图像可以包括以下步骤:
第一步,通过舌象图像采集设备,采集待检测舌象的目标表面图像。
其中,舌象图像采集设备可以用于采集待检测舌象的表面图像。目标表面图像可以是将待检测舌象的表面图像。目标表面图像可以是RGB图像。
例如,在采集目标表面图像时,患者首先需要使用漱口水漱口,然后张大嘴巴,将舌头平直的伸出来,通过舌象图像采集设备,采集患者的舌象,得到目标表面图像。其中,所使用的舌象图像采集设备可以包括:CCD(Charge Coupled Device,电荷耦合器件)相机、头部固定器和光源等。
第二步,将目标表面图像输入预先训练完成的舌象识别网络,通过舌象识别网络,得到舌象掩膜图像,将舌象掩膜图像与目标表面图像相乘,得到目标舌象图像。
其中,舌象识别网络可以用于识别舌象。舌象识别网络可以是DNN(Deep NeuralNetworks,深度神经网络)。舌象掩膜图像可以是二值图像。目标舌象图像可以是只包含舌象区域的图像。
需要说明的是,由于采集得到的目标表面图像中往往包含口腔、嘴唇和牙齿等,因此确定只包含舌象区域的目标舌象图像,可以便于后续对舌象进行分析。
可选地,舌象识别网络的训练过程可以包括以下子步骤:
第一子步骤,获取样本图像集合和样本图像集合中的每个样本图像对应的样本掩膜图像。
其中,样本图像集合中的样本图像可以是已知舌象区域的舌象图像。样本图像可以是灰度图像。样本图像集合是舌象识别网络的训练集。样本图像对应的样本掩膜图像是舌象识别网络的训练标签。样本掩膜图像是二值图像。
比如,可以将样本图像中的舌象区域中的像素点对应的像素值更新为1,将样本图像中的除了舌象区域之外的区域中的像素点对应的像素值更新为0,将更新后的样本图像作为该样本图像对应的样本掩膜图像。
第二子步骤,构建舌象识别网络。
比如,可以构建DNN,作为舌象识别网络。
第三子步骤,将样本图像集合输入舌象识别网络,利用各个样本图像对应的样本掩膜图像对舌象识别网络进行训练,得到训练完成的舌象识别网络。
其中,舌象识别网络训练过程的loss函数为交叉熵损失函数。
第三步,对目标舌象图像进行灰度化,得到舌象灰度图像。
作为又一示例,对舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心可以包括以下步骤:
第一步,对上述舌象灰度图像进行舌象区域识别,确定目标舌象区域。
其中,目标舌象区域可以是舌象灰度图像中的舌象区域。
由于目标舌象图像可以是只包含舌象区域的图像,并且舌象灰度图像是进行灰度化后的目标舌象图像,因此,舌象灰度图像中灰度值不为0的像素点组成的区域可以是目标舌象区域。
第二步,作上述目标舌象区域的最小外接矩形,将上述最小外接矩形的中心点,确定为初始点。
第三步,当第一占比大于预先设置的目标占比时,将上述初始点确定为初始中心点。
其中,第一占比可以为上述目标舌象区域中对应的灰度值与上述初始点对应的灰度值相同的像素点的占比。目标占比可以是预先设置的占比。比如,目标占比可以是5%。
例如,当目标舌象区域中像素点的数量为1000,目标舌象区域中对应的灰度值与初始点对应的灰度值相同的像素点的数量为100时,第一占比可以为10%。
第四步,当第一占比小于或等于目标占比时,将上述初始点更新为上述初始点的一个邻域像素点,重复本步骤,直至第一占比大于目标占比,将最后更新的初始点确定为初始中心点。
其中,邻域像素点可以是预先设置的目标邻域中的像素点。例如,目标邻域可以是八邻域。
需要说明的是,当患者的身体在出现异常(比如,消化不良)时,在舌体的中间位置往往会出现比较明显的变化,所以初始聚类中心应该靠近舌体的中间位置,并且初始聚类中心不能是异常的离群点。由于舌体的形状一般为对称形状,因此,作上述目标舌象区域的最小外接矩形,将上述最小外接矩形的中心点,确定为初始点,可以得到舌体的中心点,即初始点。当第一占比大于目标占比时,往往说明初始点不是异常的离群点,往往说明初始中心点可能是初始聚类中心。
第五步,对于上述目标舌象区域中的每个像素点,根据上述初始中心点和上述像素点对应的预先设置的目标圆形滑窗,确定上述像素点对应的初始聚集指标。
其中,目标圆形滑窗可以是预先设置的圆形滑窗。比如,目标圆形滑窗的半径可以是4。像素点在该像素点对应的目标圆形滑窗的中心。
例如,根据上述初始中心点和上述像素点对应的预先设置的目标圆形滑窗,确定上述像素点对应的初始聚集指标可以包括以下子步骤:
第一子步骤,从上述像素点对应的目标圆形滑窗中筛选出对应的灰度值与上述初始中心点对应的灰度值相同的像素点,作为目标像素点,得到上述像素点对应的目标像素点集合。
第二子步骤,确定上述像素点对应的目标像素点集合中的每个目标像素点与上述初始中心点之间的距离,作为目标距离,得到上述像素点对应的目标距离集合。
第三子步骤,当上述像素点对应的目标距离集合中目标距离的数量大于0时,将上述像素点对应的第一目标距离均值和目标数量倒数的乘积,确定为上述像素点对应的初始聚集指标。
其中,上述像素点对应的第一目标距离均值可以是上述像素点对应的目标距离集合中的目标距离的均值。上述像素点对应的目标数量倒数可以是上述像素点对应的目标像素点集合中目标像素点的数量的倒数。
比如,当上述像素点对应的目标距离集合中目标距离的数量大于0时,确定像素点对应的初始聚集指标对应的公式可以为:
其中,是目标舌象区域中的第i个像素点对应的初始聚集指标。i是目标舌象区域中像素点的序号。是目标舌象区域中的第i个像素点对应的目标像素点集合中目标像素点的数量。是目标舌象区域中的第i个像素点对应的目标数量倒数。是目标舌象区域中的第i个像素点对应的目标像素点集合中的第j个目标像素点对应的坐标包括的横坐标。是目标舌象区域中的第i个像素点对应的目标像素点集合中的第j个目标像素点对应的坐标包括的纵坐标。j是目标像素点集合中目标像素点的序号。是初始中心点对应的坐标包括的横坐标。是初始中心点对应的坐标包括的纵坐标。是目标舌象区域中的第i个像素点对应的第一目标距离均值。
需要说明的是,当像素点对应的目标距离集合中目标距离的数量大于0时,往往说明该像素点对应的目标像素点集合中目标像素点的数量大于0,往往说明该像素点周围存在与初始中心点对应的灰度值相同的像素点,往往说明该像素点可能是初始聚类中心。并且越小,往往说明第i个像素点距离初始中心点越近,往往说明第i个像素点越向舌体中间位置聚集靠近,往往说明第i个像素点越可能是初始聚类中心。越小,往往说明第i个像素点对应的目标像素点集合中目标像素点的数量越多,往往说明第i个像素点对应的目标像素点集合中的目标像素点越聚集,往往说明第i个像素点越可能是初始聚类中心。
又如,当像素点对应的目标像素点集合中目标像素点的数量大于1时,为了减少计算量,可以直接将该像素点对应的目标像素点集合中的各个目标像素点之间的距离的均值,确定为该像素点对应的初始聚集指标。当像素点对应的目标像素点集合中目标像素点的数量小于或等于1时,往往说明该像素点周围与初始中心点对应的灰度值相同的像素点很少,往往说明该像素点不是初始聚类中心,由于后续将初始聚集指标最小的像素点,确定为初始聚类中心,所以可以将该像素点对应的初始聚集指标设置的尽可能大,如,可以将该像素点对应的初始聚集指标设置为正无穷。
需要说明的是,像素点对应的目标像素点集合中的各个目标像素点之间的距离的均值越小,往往说明该像素点对应的目标圆形滑窗内的目标像素点往往越聚集,往往说明该像素点越可能是初始聚类中心。
再如,当像素点对应的目标距离集合中目标距离的数量大于0时,为了减少计算量,还可以直接将该像素点对应的目标像素点集合中目标像素点的数量的倒数,确定为该像素点对应的初始聚集指标。
第四子步骤,当上述像素点对应的目标距离集合中目标距离的数量为0时,将上述像素点对应的初始聚集指标设置为正无穷。
需要说明的是,当像素点对应的目标距离集合中目标距离的数量为0时,往往说明该像素点对应的目标像素点集合中目标像素点的数量为0,往往说明该像素点周围没有与初始中心点对应的灰度值相同的像素点,往往说明该像素点不是初始聚类中心,由于后续将初始聚集指标最小的像素点,确定为初始聚类中心,所以可以将该像素点对应的初始聚集指标设置的尽可能大,如,可以将该像素点对应的初始聚集指标设置为正无穷。
第六步,将上述目标舌象区域中初始聚集指标最小的像素点,确定为上述初始聚类中心。
灰度变化分析模块102,用于对舌象灰度图像的预先设置的预设数目个目标线段上的每个像素点进行灰度变化分析处理,得到像素点对应的灰度变化程度。
在一些实施例中,可以对上述舌象灰度图像的预先设置的预设数目个目标线段上的每个像素点进行灰度变化分析处理,得到上述像素点对应的灰度变化程度。
其中,预设数目可以是预先设置的数目。例如,预设数目可以是4。目标线段的一个端点可以是该目标线段与目标舌象区域边缘的交点。预设数目个目标线段的交点可以是上述初始点。当预设数目为4时,如图2所示,与目标舌象区域边缘201和初始点202相交的4个线段可以是4个目标线段。其中,这4个目标线段中的每个目标线段的端点包括:初始点202、该目标线段与目标舌象区域边缘201的交点。这4个目标线段中的相邻目标线段之间夹角可以为45°。
需要说明的是,均值漂移聚类是一种爬山算法,它可以在每一步中迭代地向更高密度区域移动,直到收敛。像素点的分布往往影响着进行均值漂移聚类的结果,并且像素点的异常情况往往可以表征像素点的分布,因此,确定像素点对应的灰度变化程度,可以便于了解像素点的异常分布情况,可以便于后续确定均值漂移聚类分割的聚类半径。其次,由于舌体的对称性,所以对舌体的像素点进行灰度变化分析处理时,往往不需要对整个舌体的像素点进行灰度变化分析处理,因此,可以选取比较具有代表性的预设数目个目标线段进行分析,相较于对整个舌体的像素点进行灰度变化分析处理,可以减小计算量,减小计算资源的占用,提高处理效率。
作为示例,本步骤可以包括以下步骤:
第一步,从上述像素点对应的预先设置的目标矩形滑窗中的各个像素点对应的灰度值中筛选出最大值和最小值,作为上述像素点对应的最大灰度值和最小灰度值。
其中,目标矩形滑窗可以是预先设置的矩形滑窗。比如,目标矩形滑窗可以是5×5的滑窗。像素点在该像素点对应的目标矩形滑窗的中心。
例如,可以从像素点对应的目标矩形滑窗中的各个像素点对应的灰度值中筛选出最大值,作为该像素点对应的最大灰度值。从像素点对应的目标矩形滑窗中的各个像素点对应的灰度值中筛选出最小值,作为该像素点对应的最小灰度值。
第二步,将上述像素点对应的最大灰度值与最小灰度值的差值,确定为上述像素点对应的第一灰度差值。
第三步,将上述像素点对应的目标矩形滑窗中的各个像素点对应的灰度值与上述像素点对应的最大灰度值的差值的绝对值的均值,确定为上述像素点对应的第一灰度均值。
第四步,将上述像素点对应的第一灰度均值与第一灰度指标的比值,确定为上述像素点对应的灰度变化程度。
其中,第一灰度指标可以是第一灰度差值与预先设置的大于0的灰度值的和。预先设置的大于0的灰度值主要为了防止分母为0。例如,预先设置的大于0的灰度值可以为0.1。
需要说明的是,由于第一灰度差值是像素点对应的最大灰度值与最小灰度值的差值,所以第一灰度差值往往大于或等于0,由于第一灰度差值需要作为分母,为了防止分母为0,可以在分母上加一个大于0的灰度值。
例如,确定像素点对应的灰度变化程度对应的公式可以为:
其中,是预设数目个目标线段上的第r个像素点对应的灰度变化程度。是预设数目个目标线段上的第r个像素点对应的目标矩形滑窗中像素点的数量。比如,当目标矩形滑窗为5×5的滑窗时,为25。r是预设数目个目标线段上像素点的序号。是预设数目个目标线段上的第r个像素点对应的目标矩形滑窗中第t个像素点对应的灰度值。t是目标矩形滑窗中像素点的序号。是预设数目个目标线段上的第r个像素点对应的最大灰度值。是预设数目个目标线段上的第r个像素点对应的最小灰度值。是预设数目个目标线段上的第r个像素点对应的第一灰度差值。是预先设置的大于0的灰度值,主要为了防止分母为0。是预设数目个目标线段上的第r个像素点对应的第一灰度指标。为对进行取绝对值处理。是预设数目个目标线段上的第r个像素点对应的第一灰度均值。
层次聚类模块103,用于根据每个目标线段上的各个像素点对应的灰度变化程度,对目标线段上的各个像素点进行层次聚类,得到目标线段对应的初始聚类簇集合。
在一些实施例中,可以根据每个目标线段上的各个像素点对应的灰度变化程度,对上述目标线段上的各个像素点进行层次聚类,得到上述目标线段对应的初始聚类簇集合。
需要说明的是,灰度变化程度相似的像素点的异常情况往往相似,因此基于目标线段上的各个像素点对应的灰度变化程度,对该目标线段上的各个像素点进行层次聚类,可以便于后续通过分析初始聚类簇,整体的确定灰度变化程度相似的像素点的异常情况。
作为示例,可以根据每个目标线段上的各个像素点对应的灰度变化程度,对该目标线段上的各个像素点进行层次聚类,可以将位置相邻并且灰度变化程度相似的像素点,划分为同一个初始聚类簇,得到该目标线段对应的初始聚类簇集合。
异常程度确定模块104,用于根据每个目标线段对应的初始聚类簇集合中的每个初始聚类簇中的各个像素点对应的灰度变化程度,确定初始聚类簇对应的目标异常程度。
在一些实施例中,可以根据每个目标线段对应的初始聚类簇集合中的每个初始聚类簇中的各个像素点对应的灰度变化程度,确定上述初始聚类簇对应的目标异常程度。
作为示例,本步骤可以包括以下步骤:
第一步,将上述初始聚类簇中的各个像素点对应的灰度变化程度的和,确定为上述初始聚类簇对应的第一异常程度。
第二步,对上述初始聚类簇对应的第一异常程度进行归一化,得到上述初始聚类簇对应的目标异常程度。
其中,目标异常程度的取值范围可以为[0,1]。
例如,确定初始聚类簇对应的目标异常程度对应的公式可以为:
其中,是预设数目个目标线段中第a个目标线段对应的初始聚类簇集合中的第l个初始聚类簇对应的目标异常程度。a是预设数目个目标线段中目标线段的序号。是对进行归一化处理。比如,可以为。e是自然常数。是预设数目个目标线段中第a个目标线段对应的初始聚类簇集合中的第l个初始聚类簇中像素点的数量。是预设数目个目标线段中第a个目标线段对应的初始聚类簇集合中的第l个初始聚类簇中第Q个像素点对应的灰度变化程度。Q是第l个初始聚类簇中像素点的序号。l是第a个目标线段对应的初始聚类簇集合中初始聚类簇的序号。
需要说明的是,由于像素点对应的灰度变化程度可以表征该像素点的灰度异常程度,初始聚类簇对应的目标异常程度可以表征该初始聚类簇中的各个像素点的整体灰度异常程度。因此,第l个初始聚类簇中第Q个像素点对应的灰度变化程度越大,往往说明第l个初始聚类簇对应的目标异常程度越大。并且进行归一化,可以便于后续处理。
筛选确定模块105,用于从预设数目个目标线段中筛选出异常扩大线段和参考线段,并根据异常扩大线段和参考线段,确定异常扩大系数。
在一些实施例中,可以从预设数目个目标线段中筛选出异常扩大线段和参考线段,并根据上述异常扩大线段和上述参考线段,确定异常扩大系数。
其中,异常扩大线段可以靠近舌尖区域。异常扩大线段可以表征舌尖方向的目标线段。参考线段可以靠近舌体中间区域。参考线段可以是舌体中间方向的目标线段。如图3所示,第一目标线段301可以是参考线段。第二目标线段302可以是异常扩大线段。
需要说明的是,舌体中间位置的异常程度往往较大,而处于舌尖位置的异常程度往往较小,并且舌尖的异常变化相对于舌体的中间位置往往不是特别明显,因此需要对舌尖位置的异常程度进行放大。由于舌尖位置的变化往往不明显,所以后续基于舌尖位置的异常程度,确定漂移半径时,往往使后续确定的漂移半径较小,因此需要对舌尖位置的异常程度进行放大,放大的原理是根据舌苔变化明显的区域(舌体中间位置所在的区域),对变化不明显的区域(舌尖位置所在的区域)进行调整,可以获得与变化明显区域相似的异常程度。由于异常扩大线段可以代表舌尖位置。参考线段可以代表舌体中间位置,因此,可以基于异常扩大线段和参考线段,确定异常扩大系数。
作为示例,本步骤可以包括以下步骤:
第一步,从预设数目个目标线段中筛选出异常扩大线段和参考线段。
第二步,将上述异常扩大线段和上述参考线段对应的初始聚类簇集合中的各个初始聚类簇对应的目标异常程度的均值,确定为目标参考异常指标。
第三步,将上述参考线段上的各个像素点对应的灰度变化程度的均值,确定为第一异常指标。
第四步,将上述异常扩大线段上的各个像素点对应的灰度变化程度的均值,确定为第二异常指标。
第五步,将上述第二异常指标与目标参考异常指标的乘积,确定为第三异常指标。
第六步,将上述第一异常指标与第三修正异常指标的比值,确定为异常扩大系数。
其中,第三修正异常指标可以是上述第三异常指标与预先设置的大于0的预设异常指标的和。比如,预设异常指标可以为0.01。预设异常指标主要为了防止分母为0。
例如,确定异常扩大系数对应的公式可以为:
其中,K是异常扩大系数。w是参考线段上像素点的数量。是参考线段上像素点的序号。是参考线段上的第个像素点对应的灰度变化程度。是第一异常指标。v是异常扩大线段上像素点的数量。是异常扩大线段上像素点的序号。是异常扩大线段上的第个像素点对应的灰度变化程度。是第二异常指标。是目标参考异常指标。是第三异常指标。是预先设置的大于0的预设异常指标,主要为了防止分母为0。例如,可以为0.01。是第三修正异常指标。
需要说明的是,可以表征参考线段的异常情况,可以表征异常扩大线段的异常情况,可以表征参考线段和异常扩大线段的整体异常情况,是预先设置的大于0的预设异常指标,主要为了防止分母为0,因此,可以表征异常扩大线段需要放大的异常程度。
异常离散分析模块106,用于根据异常扩大系数、预设数目个目标线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度,对初始聚类簇进行异常离散分析处理,得到初始聚类簇对应的异常离散指标。
在一些实施例中,可以根据上述异常扩大系数、预设数目个目标线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度,对初始聚类簇进行异常离散分析处理,得到初始聚类簇对应的异常离散指标。
需要说明的是,初始聚类簇对应的异常离散指标可以表征该初始聚类簇中的各个像素点的异常离散情况,异常离散情况往往影响后续漂移聚类半径的确定,因此,确定初始聚类簇对应的异常离散指标,可以便于后续确定漂移聚类半径。
作为示例,本步骤可以包括以下步骤:
第一步,对于预设数目个目标线段对应的初始聚类簇集合中的每个初始聚类簇,根据上述初始聚类簇中的各个像素点对应的灰度值,对上述初始聚类簇中的各个像素点进行聚类,得到上述初始聚类簇对应的第二聚类簇集合。
其中,第二聚类簇中的各个像素点对应的灰度值可以相同。
例如,可以将初始聚类簇中的灰度值相同的像素点,划分为第二聚类簇,得到该初始聚类簇对应的第二聚类簇集合。
第二步,将每个初始聚类簇对应的第二聚类簇集合中的每个第二聚类簇中的各个像素点之间的距离的均值,作为第一距离均值,得到上述初始聚类簇对应的第一距离均值集合。
第三步,将每个初始聚类簇对应的第一距离均值集合中的各个第一距离均值的均值,确定为上述初始聚类簇对应的目标距离指标。
第四步,将每个初始聚类簇中的各个像素点对应的灰度值中的最大值与最小值的差值,确定为上述初始聚类簇对应的灰度差值指标。
第五步,将上述异常扩大线段对应的初始聚类簇集合中的每个初始聚类簇对应的目标异常程度与上述异常扩大系数的乘积,确定为上述初始聚类簇对应的异常扩大指标。
例如,确定初始聚类簇对应的异常扩大指标对应的公式可以为:
其中,是异常扩大线段对应的初始聚类簇集合中的第s个初始聚类簇对应的异常扩大指标。s是异常扩大线段对应的初始聚类簇集合中初始聚类簇的序号。K是异常扩大系数。是异常扩大线段对应的初始聚类簇集合中的第s个初始聚类簇对应的目标异常程度。
需要说明的是,由于异常扩大线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度可以表征异常放大前的异常程度。异常扩大线段对应的初始聚类簇集合中的初始聚类簇对应的异常扩大指标可以表征异常放大后的异常程度。因此,第s个初始聚类簇对应的目标异常程度越大或异常扩大系数K越大时,往往说明第s个初始聚类簇对应的异常扩大指标越大。
第六步,对于上述异常扩大线段对应的初始聚类簇集合中的每个初始聚类簇,将上述初始聚类簇对应的目标距离指标、灰度差值指标和异常扩大指标的乘积,确定为上述初始聚类簇对应的异常离散指标。
例如,确定异常扩大线段对应的初始聚类簇集合中的每个初始聚类簇对应的异常离散指标对应的公式可以为:
其中,是异常扩大线段对应的初始聚类簇集合中的第s个初始聚类簇对应的异常离散指标。s是异常扩大线段对应的初始聚类簇集合中初始聚类簇的序号。是异常扩大线段对应的初始聚类簇集合中的第s个初始聚类簇对应的目标距离指标。是异常扩大线段对应的初始聚类簇集合中的第s个初始聚类簇中的各个像素点对应的灰度值中的最大值。是异常扩大线段对应的初始聚类簇集合中的第s个初始聚类簇中的各个像素点对应的灰度值中的最小值。是异常扩大线段对应的初始聚类簇集合中的第s个初始聚类簇对应的灰度差值指标。是异常扩大线段对应的初始聚类簇集合中的第s个初始聚类簇对应的异常扩大指标。
需要说明的是,可以表征异常扩大线段对应的初始聚类簇集合中的初始聚类簇中的灰度值相同的像素点的分散情况,当越大时,异常扩大线段对应的初始聚类簇集合中的初始聚类簇中的灰度值相同的像素点之间的距离往往越大,异常扩大线段对应的初始聚类簇集合中的初始聚类簇中的灰度值相同的像素点往往越分散,后续进行均值漂移聚类分割时往往需要较小的漂移聚类半径。当越大时,往往说明异常扩大线段对应的初始聚类簇集合中的初始聚类簇中的灰度差异越大,往往说明异常扩大线段发生变化的情况越复杂,后续进行均值漂移聚类分割时往往需要较小的漂移聚类半径。可以表征异常扩大线段的异常程度,越大,往往说明异常扩大线段的像素点变化越剧烈,往往说明异常扩大线段的像素点的离散程度往往越大,后续进行均值漂移聚类分割时往往需要较小的漂移聚类半径。
第七步,对于预设数目个目标线段中除了上述异常扩大线段之外的每个目标线段对应的初始聚类簇集合中的每个初始聚类簇,将上述初始聚类簇对应的目标距离指标、灰度差值指标和目标异常程度的乘积,确定为上述初始聚类簇对应的异常离散指标。
例如,确定预设数目个目标线段中除了上述异常扩大线段之外的每个目标线段对应的初始聚类簇集合中的每个初始聚类簇对应的异常离散指标对应的公式可以为:
其中,是预设数目个目标线段中除了上述异常扩大线段之外的第B个目标线段对应的初始聚类簇集合中的第b个初始聚类簇对应的异常离散指标。B是预设数目个目标线段中除了上述异常扩大线段之外的目标线段的序号。b是第B个目标线段对应的初始聚类簇集合中初始聚类簇的序号。是预设数目个目标线段中除了上述异常扩大线段之外的第B个目标线段对应的初始聚类簇集合中的第b个初始聚类簇对应的目标距离指标。是预设数目个目标线段中除了上述异常扩大线段之外的第B个目标线段对应的初始聚类簇集合中的第b个初始聚类簇中的各个像素点对应的灰度值中的最大值。是预设数目个目标线段中除了上述异常扩大线段之外的第B个目标线段对应的初始聚类簇集合中的第b个初始聚类簇中的各个像素点对应的灰度值中的最小值。是预设数目个目标线段中除了上述异常扩大线段之外的第B个目标线段对应的初始聚类簇集合中的第b个初始聚类簇对应的灰度差值指标。是预设数目个目标线段中除了上述异常扩大线段之外的第B个目标线段对应的初始聚类簇集合中的第b个初始聚类簇对应的目标异常程度。
需要说明的是,可以表征第B个目标线段对应的初始聚类簇集合中的初始聚类簇中的灰度值相同的像素点的分散情况,当越大时,第B个目标线段对应的初始聚类簇集合中的初始聚类簇中的灰度值相同的像素点之间的距离往往越大,第B个目标线段对应的初始聚类簇集合中的初始聚类簇中的灰度值相同的像素点往往越分散,后续进行均值漂移聚类分割时往往需要较小的漂移聚类半径。当越大时,往往说明第B个目标线段对应的初始聚类簇集合中的初始聚类簇中的灰度差异越大,往往说明第B个目标线段发生变化的情况越复杂,后续进行均值漂移聚类分割时往往需要较小的漂移聚类半径。可以表征第B个目标线段的异常程度,越大,往往说明第B个目标线段的像素点变化越剧烈,往往说明第B个目标线段的像素点的离散程度往往越大,后续进行均值漂移聚类分割时往往需要较小的漂移聚类半径。
聚类半径确定模块107,用于根据预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标,确定漂移聚类半径。
在一些实施例中,可以根据预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标,确定漂移聚类半径。
其中,漂移聚类半径可以是后续对舌象灰度图像进行均值漂移聚类分割时的聚类半径。
作为示例,本步骤可以包括以下步骤:
第一步,从预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标中筛选出最大的异常离散指标,作为目标离散指标。
第二步,对上述目标离散指标进行负相关,并归一化,得到归一离散指标。
第三步,将预先设置的目标倍数与归一离散指标的乘积,确定为尺寸指标。
其中,目标倍数可以是预先设置的倍数。例如,目标倍数可以是10。
第四步,对上述尺寸指标进行向上取整,得到漂移聚类半径。
例如,确定漂移聚类半径对应的公式可以为:
需要说明的是,目标离散指标越大,漂移聚类半径往往越小,可以使与满足当越大时,越小的关系。由于的取值范围为[0,1],直接将的值作为漂移聚类半径时,漂移聚类半径往往过小,并且漂移聚类半径往往不是小数,因此,将的的值作为漂移聚类半径时,可以通过目标倍数c适当放大漂移聚类半径,并且对进行向上取整,可以使漂移聚类半径不是小数。
聚类分割模块108,用于根据初始聚类中心和漂移聚类半径,对舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域。
在一些实施例中,可以根据上述初始聚类中心和上述漂移聚类半径,对上述舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域。
其中,目标舌苔区域可以是目标舌象区域中的舌苔区域。目标舌质区域可以是目标舌象区域中的舌质区域。
作为示例,本步骤可以包括以下步骤:
第一步,根据上述初始聚类中心和上述漂移聚类半径,对上述舌象灰度图像中的目标舌象区域进行均值漂移聚类,得到目标聚簇集合。
比如,分别将上述初始聚类中心和上述漂移聚类半径,作为均值漂移聚类的初始聚类中心和聚类半径,对舌象灰度图像中的目标舌象区域进行均值漂移聚类,得到目标聚簇集合。
需要说明的是,均值漂移聚类是一种爬山算法,它可以在每一步中迭代地向更高密度区域移动,直到收敛。最后聚类的结果可以是将舌体上发生变化的不同颜色区域聚类一类,获得若干个目标聚类簇。
第二步,从上述目标聚簇集合中筛选出像素点数量最多的两个目标聚簇,作为两个待分割聚簇。
实际情况中,目标舌象区域中往往由舌苔区域和舌质区域组成,一般情况下,对舌象灰度图像中的目标舌象区域进行均值漂移聚类会得到两个目标聚簇,分别为目标舌苔区域和目标舌质区域对应的目标聚簇。由于多种原因,对舌象灰度图像中的目标舌象区域进行均值漂移聚类得到的目标聚簇可能会多于两个,然而目标舌象区域往往由目标舌苔区域和目标舌质区域组成,所以像素点数量最多的两个目标聚簇往往是目标舌苔区域和目标舌质区域对应的目标聚簇。
第三步,获取上述两个待分割聚簇中的每个像素点对应的RGB值中的R值,作为上述像素点对应的目标R值。
其中,像素点对应的RGB值可以是该像素点对应在目标表面图像上时,该像素点对应的RGB值。
第四步,将每个待分割聚簇中的各个像素点对应的目标R值的均值,确定为上述待分割聚簇对应的目标R值均值。
第五步,将上述两个待分割聚簇中目标R值均值较大的待分割聚簇所在的区域,确定为目标舌质区域,并将上述两个待分割聚簇中目标R值均值较小的待分割聚簇所在的区域,确定为目标舌苔区域。
需要说明的是,舌质往往比舌苔红,因此上述两个待分割聚簇中目标R值均值较大的待分割聚簇所在的区域,往往是目标舌质区域,上述两个待分割聚簇中目标R值均值较小的待分割聚簇所在的区域,往往是目标舌苔区域。
又如,可以通过人工的方式,对上述两个待分割聚簇所在的区域进行判断,得到目标舌苔区域和目标舌质区域。
可选地,医生可以对分割的目标舌苔区域和目标舌质区域进行分析,以实现对待检测舌象的检测,进而可以判断患者的健康状况。
综上,为了便于中医观察舌苔与舌质的变化,往往需要对采集的舌象灰度图像进行分割,获得舌苔区域与舌质区域,本发明提高了舌苔区域与舌质区域确定的准确度。首先,识别出只包含舌象区域的目标舌象图像,可以便于后续对舌象进行分析。并且对舌象灰度图像进行舌象中心密度分析处理,提高了初始聚类中心确定的准确度。接着,由于均值漂移聚类是一种爬山算法,它可以在每一步中迭代地向更高密度区域移动,直到收敛。像素点的分布往往影响着进行均值漂移聚类的结果,并且像素点的异常情况往往可以表征像素点的分布,因此,确定像素点对应的灰度变化程度,可以便于了解像素点的异常分布情况,可以便于后续确定均值漂移聚类的聚类半径。其次,由于舌体的对称性,所以对舌体的像素点进行灰度变化分析处理时,往往不需要对整个舌体的像素点进行灰度变化分析处理,因此,可以选取比较具有代表性的预设数目个目标线段进行分析,相较于对整个舌体的像素点进行灰度变化分析处理,可以减小计算量,减小计算资源的占用,提高处理效率。然后,灰度变化程度相似的像素点的异常情况往往相似,因此基于目标线段上的各个像素点对应的灰度变化程度,对该目标线段上的各个像素点进行层次聚类,可以便于后续通过分析初始聚类簇,整体的确定灰度变化程度相似的像素点的异常情况。继续,像素点对应的灰度变化程度可以表征该像素点的灰度异常程度,初始聚类簇对应的目标异常程度可以表征该初始聚类簇中的各个像素点的整体灰度异常程度。之后,舌体中间位置的异常程度往往较大,而处于舌尖位置的异常程度往往较小,并且舌尖的异常变化相对于舌体的中间位置往往不是特别明显,因此需要对舌尖位置的异常程度进行放大。通过异常扩大系数,可以实现对异常扩大线段进行精确放大。而后,综合考虑异常扩大系数和初始聚类簇对应的目标异常程度,对初始聚类簇进行离散分析,可以提高异常离散指标确定的准确度。再者,基于各个初始聚类簇对应的异常离散指标,确定漂移聚类半径,可以提高漂移聚类半径确定的准确度。最后,根据初始聚类中心和漂移聚类半径,对舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域,可以提高对目标舌苔区域和目标舌质区域进行分割的准确度。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述系统包括:
图像获取分析模块,用于获取待检测舌象的舌象灰度图像,并对所述舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心;
灰度变化分析模块,用于对所述舌象灰度图像的预先设置的预设数目个目标线段上的每个像素点进行灰度变化分析处理,得到所述像素点对应的灰度变化程度;
层次聚类模块,用于根据每个目标线段上的各个像素点对应的灰度变化程度,对所述目标线段上的各个像素点进行层次聚类,得到所述目标线段对应的初始聚类簇集合;
异常程度确定模块,用于根据每个目标线段对应的初始聚类簇集合中的每个初始聚类簇中的各个像素点对应的灰度变化程度,确定所述初始聚类簇对应的目标异常程度;
筛选确定模块,用于从预设数目个目标线段中筛选出异常扩大线段和参考线段,并根据所述异常扩大线段和所述参考线段,确定异常扩大系数;
异常离散分析模块,用于根据所述异常扩大系数、预设数目个目标线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度,对初始聚类簇进行异常离散分析处理,得到初始聚类簇对应的异常离散指标;
聚类半径确定模块,用于根据预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标,确定漂移聚类半径;
聚类分割模块,用于根据所述初始聚类中心和所述漂移聚类半径,对所述舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域。
2.根据权利要求1所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述对所述舌象灰度图像进行舌象中心密度分析处理,确定初始聚类中心,包括:
对所述舌象灰度图像进行舌象区域识别,确定目标舌象区域;
作所述目标舌象区域的最小外接矩形,将所述最小外接矩形的中心点,确定为初始点;
当第一占比大于预先设置的目标占比时,将所述初始点确定为初始中心点,其中,第一占比为所述目标舌象区域中对应的灰度值与所述初始点对应的灰度值相同的像素点的占比;
当第一占比小于或等于目标占比时,将所述初始点更新为所述初始点的一个邻域像素点,重复本步骤,直至第一占比大于目标占比,将最后更新的初始点确定为初始中心点;
对于所述目标舌象区域中的每个像素点,根据所述初始中心点和所述像素点对应的预先设置的目标圆形滑窗,确定所述像素点对应的初始聚集指标;
将所述目标舌象区域中初始聚集指标最小的像素点,确定为所述初始聚类中心。
3.根据权利要求2所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述根据所述初始中心点和所述像素点对应的预先设置的目标圆形滑窗,确定所述像素点对应的初始聚集指标,包括:
从所述像素点对应的目标圆形滑窗中筛选出对应的灰度值与所述初始中心点对应的灰度值相同的像素点,作为目标像素点,得到所述像素点对应的目标像素点集合;
确定所述像素点对应的目标像素点集合中的每个目标像素点与所述初始中心点之间的距离,作为目标距离,得到所述像素点对应的目标距离集合;
当所述像素点对应的目标距离集合中目标距离的数量大于0时,将所述像素点对应的第一目标距离均值和目标数量倒数的乘积,确定为所述像素点对应的初始聚集指标,其中,所述像素点对应的第一目标距离均值是所述像素点对应的目标距离集合中的目标距离的均值,所述像素点对应的目标数量倒数是所述像素点对应的目标像素点集合中目标像素点的数量的倒数。
4.根据权利要求2所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,预设数目个目标线段的交点是所述初始点。
5.根据权利要求4所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述对所述舌象灰度图像的预先设置的预设数目个目标线段上的每个像素点进行灰度变化分析处理,得到所述像素点对应的灰度变化程度,包括:
从所述像素点对应的预先设置的目标矩形滑窗中的各个像素点对应的灰度值中筛选出最大值和最小值,作为所述像素点对应的最大灰度值和最小灰度值;
将所述像素点对应的最大灰度值与最小灰度值的差值,确定为所述像素点对应的第一灰度差值;
将所述像素点对应的目标矩形滑窗中的各个像素点对应的灰度值与所述像素点对应的最大灰度值的差值的绝对值的均值,确定为所述像素点对应的第一灰度均值;
将所述像素点对应的第一灰度均值与第一灰度指标的比值,确定为所述像素点对应的灰度变化程度,其中,第一灰度指标是第一灰度差值与预先设置的大于0的灰度值的和。
6.根据权利要求4所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述根据每个目标线段对应的初始聚类簇集合中的每个初始聚类簇中的各个像素点对应的灰度变化程度,确定所述初始聚类簇对应的目标异常程度,包括:
将所述初始聚类簇中的各个像素点对应的灰度变化程度的和,确定为所述初始聚类簇对应的第一异常程度;
对所述初始聚类簇对应的第一异常程度进行归一化,得到所述初始聚类簇对应的目标异常程度。
7.根据权利要求4所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述根据所述异常扩大线段和所述参考线段,确定异常扩大系数,包括:
将所述异常扩大线段和所述参考线段对应的初始聚类簇集合中的各个初始聚类簇对应的目标异常程度的均值,确定为目标参考异常指标;
将所述参考线段上的各个像素点对应的灰度变化程度的均值,确定为第一异常指标;
将所述异常扩大线段上的各个像素点对应的灰度变化程度的均值,确定为第二异常指标;
将所述第二异常指标与目标参考异常指标的乘积,确定为第三异常指标;
将所述第一异常指标与第三修正异常指标的比值,确定为异常扩大系数,其中,第三修正异常指标是所述第三异常指标与预先设置的大于0的预设异常指标的和。
8.根据权利要求4所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述根据所述异常扩大系数、预设数目个目标线段对应的初始聚类簇集合中的初始聚类簇对应的目标异常程度,对初始聚类簇进行异常离散分析处理,得到初始聚类簇对应的异常离散指标,包括:
对于预设数目个目标线段对应的初始聚类簇集合中的每个初始聚类簇,根据所述初始聚类簇中的各个像素点对应的灰度值,对所述初始聚类簇中的各个像素点进行聚类,得到所述初始聚类簇对应的第二聚类簇集合;
将每个初始聚类簇对应的第二聚类簇集合中的每个第二聚类簇中的各个像素点之间的距离的均值,作为第一距离均值,得到所述初始聚类簇对应的第一距离均值集合;
将每个初始聚类簇对应的第一距离均值集合中的各个第一距离均值的均值,确定为所述初始聚类簇对应的目标距离指标;
将每个初始聚类簇中的各个像素点对应的灰度值中的最大值与最小值的差值,确定为所述初始聚类簇对应的灰度差值指标;
将所述异常扩大线段对应的初始聚类簇集合中的每个初始聚类簇对应的目标异常程度与所述异常扩大系数的乘积,确定为所述初始聚类簇对应的异常扩大指标;
对于所述异常扩大线段对应的初始聚类簇集合中的每个初始聚类簇,将所述初始聚类簇对应的目标距离指标、灰度差值指标和异常扩大指标的乘积,确定为所述初始聚类簇对应的异常离散指标;
对于预设数目个目标线段中除了所述异常扩大线段之外的每个目标线段对应的初始聚类簇集合中的每个初始聚类簇,将所述初始聚类簇对应的目标距离指标、灰度差值指标和目标异常程度的乘积,确定为所述初始聚类簇对应的异常离散指标。
9.根据权利要求4所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述根据预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标,确定漂移聚类半径,包括:
从预设数目个目标线段对应的初始聚类簇集合中的各个初始聚类簇对应的异常离散指标中筛选出最大的异常离散指标,作为目标离散指标;
对所述目标离散指标进行负相关,并归一化,得到归一离散指标;
将预先设置的目标倍数与归一离散指标的乘积,确定为尺寸指标;
对所述尺寸指标进行向上取整,得到漂移聚类半径。
10.根据权利要求2所述的一种用于中医保健体质检测的舌象图像处理系统,其特征在于,所述根据所述初始聚类中心和所述漂移聚类半径,对所述舌象灰度图像进行均值漂移聚类分割,得到目标舌苔区域和目标舌质区域,包括:
根据所述初始聚类中心和所述漂移聚类半径,对所述舌象灰度图像中的目标舌象区域进行均值漂移聚类,得到目标聚簇集合;
从所述目标聚簇集合中筛选出像素点数量最多的两个目标聚簇,作为两个待分割聚簇;
获取所述两个待分割聚簇中的每个像素点对应的RGB值中的R值,作为所述像素点对应的目标R值;
将每个待分割聚簇中的各个像素点对应的目标R值的均值,确定为所述待分割聚簇对应的目标R值均值;
将所述两个待分割聚簇中目标R值均值较大的待分割聚簇所在的区域,确定为目标舌质区域,并将所述两个待分割聚簇中目标R值均值较小的待分割聚簇所在的区域,确定为目标舌苔区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310080683.5A CN115797352B (zh) | 2023-02-08 | 2023-02-08 | 一种用于中医保健体质检测的舌象图像处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310080683.5A CN115797352B (zh) | 2023-02-08 | 2023-02-08 | 一种用于中医保健体质检测的舌象图像处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797352A true CN115797352A (zh) | 2023-03-14 |
CN115797352B CN115797352B (zh) | 2023-04-07 |
Family
ID=85430448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310080683.5A Active CN115797352B (zh) | 2023-02-08 | 2023-02-08 | 一种用于中医保健体质检测的舌象图像处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797352B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309649A (zh) * | 2023-05-17 | 2023-06-23 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于ct影像的喉部病变异常区域分割系统 |
CN116385315A (zh) * | 2023-05-31 | 2023-07-04 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
CN116433669A (zh) * | 2023-06-14 | 2023-07-14 | 山东兴华钢结构有限公司 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
CN117091754A (zh) * | 2023-10-20 | 2023-11-21 | 山东远盾网络技术股份有限公司 | 基于数据分析的大型设备故障检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
CN114862851A (zh) * | 2022-07-06 | 2022-08-05 | 深圳市圆道妙医科技有限公司 | 一种基于舌相分析的处理方法 |
CN115375690A (zh) * | 2022-10-26 | 2022-11-22 | 合肥云诊信息科技有限公司 | 一种舌象腐腻苔分类识别方法 |
-
2023
- 2023-02-08 CN CN202310080683.5A patent/CN115797352B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114359274A (zh) * | 2022-03-16 | 2022-04-15 | 布鲁奇维尔通风设备启东有限公司 | 基于图像处理的通风设备叶片质量检测方法、装置及系统 |
CN114862851A (zh) * | 2022-07-06 | 2022-08-05 | 深圳市圆道妙医科技有限公司 | 一种基于舌相分析的处理方法 |
CN115375690A (zh) * | 2022-10-26 | 2022-11-22 | 合肥云诊信息科技有限公司 | 一种舌象腐腻苔分类识别方法 |
Non-Patent Citations (1)
Title |
---|
韩立博: "基于直方图均衡化的伽马校正和K-means聚类的舌象苔质分离方法" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309649A (zh) * | 2023-05-17 | 2023-06-23 | 青岛市妇女儿童医院(青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心) | 一种基于ct影像的喉部病变异常区域分割系统 |
CN116385315A (zh) * | 2023-05-31 | 2023-07-04 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
CN116385315B (zh) * | 2023-05-31 | 2023-09-08 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
CN116433669A (zh) * | 2023-06-14 | 2023-07-14 | 山东兴华钢结构有限公司 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
CN116433669B (zh) * | 2023-06-14 | 2023-08-18 | 山东兴华钢结构有限公司 | 基于机器视觉的抗震结构钢架焊缝质量检测方法 |
CN117091754A (zh) * | 2023-10-20 | 2023-11-21 | 山东远盾网络技术股份有限公司 | 基于数据分析的大型设备故障检测方法及系统 |
CN117091754B (zh) * | 2023-10-20 | 2023-12-19 | 山东远盾网络技术股份有限公司 | 基于数据分析的大型设备故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115797352B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797352B (zh) | 一种用于中医保健体质检测的舌象图像处理系统 | |
US11681418B2 (en) | Multi-sample whole slide image processing in digital pathology via multi-resolution registration and machine learning | |
US20230419696A1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN112088394A (zh) | 生物组织的计算机分类 | |
CN113723573B (zh) | 基于自适应比例学习的肿瘤组织病理分类系统及方法 | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN111488912B (zh) | 一种基于深度学习神经网络的喉部疾病诊断系统 | |
CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN111062936B (zh) | 用于面部变形诊疗效果的量化指标评估方法 | |
CN114359288A (zh) | 基于人工智能的医学影像脑动脉瘤检测和定位方法 | |
CN115965607A (zh) | 一种智能中医舌诊辅助分析系统 | |
CN113450305A (zh) | 医疗图像的处理方法、系统、设备及可读存储介质 | |
US20220304617A1 (en) | System and method for diagnosing small bowel cleanliness | |
CN112927215A (zh) | 一种消化道活检病理切片自动分析方法 | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
CN116434920A (zh) | 一种胃肠上皮化生进展风险预测方法与装置 | |
Wilm et al. | Multi-scanner canine cutaneous squamous cell carcinoma histopathology dataset | |
Rungruangbaiyok et al. | Chromosome image classification using a two-step probabilistic neural network. | |
CN109658382B (zh) | 基于图像聚类和灰度投影的舌体定位方法 | |
Dandan et al. | A multi-model organ segmentation method based on abdominal ultrasound image | |
CN110334582B (zh) | 智能识别和记录内镜黏膜下剥离术摘除息肉视频的方法 | |
CN113420636A (zh) | 一种基于深度学习与阈值分割的线虫识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |