CN116740054A - 一种基于图像处理的舌象齿痕检测方法 - Google Patents

一种基于图像处理的舌象齿痕检测方法 Download PDF

Info

Publication number
CN116740054A
CN116740054A CN202310987087.5A CN202310987087A CN116740054A CN 116740054 A CN116740054 A CN 116740054A CN 202310987087 A CN202310987087 A CN 202310987087A CN 116740054 A CN116740054 A CN 116740054A
Authority
CN
China
Prior art keywords
image
gray
tooth trace
gradient direction
gray level
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
Application number
CN202310987087.5A
Other languages
English (en)
Other versions
CN116740054B (zh
Inventor
高燕
张敏
吕博
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.)
Tianshi Liaocheng Biotechnology Co ltd
Original Assignee
Tianshi Liaocheng Biotechnology Co ltd
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 Tianshi Liaocheng Biotechnology Co ltd filed Critical Tianshi Liaocheng Biotechnology Co ltd
Priority to CN202310987087.5A priority Critical patent/CN116740054B/zh
Publication of CN116740054A publication Critical patent/CN116740054A/zh
Application granted granted Critical
Publication of CN116740054B publication Critical patent/CN116740054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像处理的舌象齿痕检测方法，涉及图像处理技术领域；采集舌象的灰度图像，并获取灰度图像的二值图像；根据二值图像获取舌象的凹陷程度；获取灰度图像中像素点的灰度梯度方向，获取每个像素点在该像素点灰度梯度方向上像素点的梯度方向相似性；获取每个像素点与该像素点灰度梯度方向上像素点的梯度方向关联性；获取灰度图像中的齿痕区域；获取每个齿痕区域的灰度直方图；获取灰度图像中齿痕区域的灰度变化程度；获取舌象中齿痕的整体特征值；本发明解决了相关技术中，在对舌象中齿痕识别时因为误判导致误差大的技术问题。

Description

一种基于图像处理的舌象齿痕检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的舌象齿痕检测方法。
背景技术
现有技术主要根据舌体周边的颜色特征和舌体边界的斜率变化情况来判别取舌象齿痕，但是，舌体周边颜色特征受舌体颜色的变化影响较大，导致出现误判的情况较多；很多情况下舌体边界曲线不够光滑，毛边现象严重，从而导致舌体齿痕判别误差较大。
发明内容
为了解决相关技术中，在对舌象齿痕检测时由于舌体边界曲线不够光滑，以及毛边现象严重，导致舌体齿痕判别误差大的技术问题，本发明提供了一种基于图像处理的舌象齿痕检测方法，该方法包括：
采集舌象的灰度图像，并获取所述灰度图像的二值图像；
对所述二值图像进行凸包检测获取所述二值图像的凸包边缘；根据所述二值图像的面积和所述凸包边缘围成的面积获取所述舌象的凹陷程度；
获取所述灰度图像中像素点的灰度梯度方向，根据所述灰度图像中每个像素点灰度梯度方向上像素点的灰度梯度方向角，获取每个像素点的梯度方向相似性；
根据每个像素点灰度梯度方向上像素点的梯度方向相似性获取每个像素点的梯度方向关联性；根据所述灰度图像中像素点的灰度梯度关联性获取所述灰度图像中的齿痕区域像素点，根据所述齿痕区域像素点获取所述灰度图像中的齿痕区域；
根据每个齿痕区域的灰度直方图中灰度级分布获取所述灰度图像中齿痕区域的灰度变化程度；
根据所述凹陷程度和所述灰度变化程度获取舌象中齿痕的整体特征值，根据所述整体特征值判断所述舌象的整体缺陷程度。
进一步地，获取所述舌象的凹陷程度的过程为：
获取凸包边缘围成的面积与二值图像的面积的差值；
所述舌象的凹陷程度通过所述差值与所述凸包边缘围成的面积的比值得到。
进一步地，所述像素点的梯度方向相似性通过下式确定：
式中，为像素点/>的梯度方向相似性；/>为像素点/>的灰度梯度方向上除像素点/>外其余像素点的个数；/>为像素点/>的灰度梯度方向角；/>为像素点/>的灰度梯度方向上除像素点/>外第/>个像素点的灰度梯度方向角。
进一步地，所述像素点的梯度方向关联性通过下式确定：
式中，为像素点/>的梯度方向关联性；/>为像素点/>的梯度方向延长线上除像素点/>外第/>个像素点的梯度方向相似性；/>为像素点/>的梯度方向上除像素点/>外第/>个像素点的梯度方向相似性；/>表示线性整流函数。
进一步地，根据所述齿痕区域像素点获取所述灰度图像中的齿痕区域的过程为：
在所述灰度图像中获取梯度方向关联性大于0的像素点，所述梯度方向关联性大于0的像素点组成一个或多个连通域；所述连通域为灰度图像中的齿痕区域。
进一步地，所述舌象中齿痕的整体特征值通过下式确定：
式中，为舌象中齿痕的整体特征值；/>为二值图像的凹陷程度；/>为灰度图像中齿痕区域的灰度变化程度；/>为第一权重值；/>为第二权重值。
进一步地，所述第一权重值为0.6；所述第二权重值为0.4。
进一步地，根据所述凹陷程度和所述灰度变化程度获取舌象中齿痕的整体特征值后，还包括将所述整体特征值标记于灰度图像中。
进一步地，所述灰度图像的获取方法包括：
利于预先训练好的语义分割DNN网络对相机拍摄到的舌象区域图像进行分割，获得舌象图像，对所述舌象图像进行降噪和灰度处理，获得所述灰度图像。
进一步地，所述获取所述灰度图像中像素点的灰度梯度方向包括：
使用Sobel算子获取每个像素点的灰度梯度方向。与现有技术相比，本发明的有益效果是：
本发明提供了一种基于图像处理的舌象齿痕检测方法，包括：采集舌象的灰度图像，并获取灰度图像的二值图像；灰度图像用于确定舌象中的齿痕区域，二值图像用于确定舌象的凹凸程度；对二值图像进行凸包检测获取二值图像的凸包边缘；根据二值图像的面积和凸包边缘围成的面积获取舌象的凹陷程度；由于舌象的边缘齿痕呈现凹陷的块状区域，根据舌象的凹陷程度可确定舌象边缘的缺陷程度；获取灰度图像中像素点的灰度梯度方向，获取每个像素点在该像素点灰度梯度方向的延长线，并获取延长线上像素点的梯度方向相似性；梯度方向相似性用于从灰度梯度的角度确定齿痕区域的特征；当后一像素点的梯度方向相似性大于前一像素点的梯度方向相似性时说明梯度方向相似性沿着梯度方向在递减，符合齿痕区域的梯度方向特征；根据延长线上像素点的梯度方向相似性获取每个像素点与该像素点灰度梯度方向的延长线上像素点的梯度方向关联性；根据梯度方向关联性获取灰度图像中的齿痕区域；通过在灰度图像中获取每个像素点与该像素点灰度梯度方向的延长线上像素点的梯度方向关联性大于0的像素点，全部关联性大于0的像素点组成一个或多个连通域；连通域即为灰度图像中的齿痕区域；获取每个齿痕区域的灰度直方图；根据灰度直方图中灰度级分布获取灰度图像中齿痕区域的灰度变化程度；根据凹陷程度、灰度级变化程度获取舌象中齿痕的整体特征值；舌象中齿痕的整体特征值反映舌象的整体特征，当齿痕的整体特征值越大时，说明舌象的平均齿痕越深；本发明解决了相关技术中，在对舌象中齿痕识别时因为误判导致误差大的技术问题。
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，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地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于图像处理的舌象齿痕检测方法的流程示意图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，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做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。
本实施例提供了一种基于图像处理的舌象齿痕检测方法，如图1所示，方法包括：
S101，获取舌象的二值图像，根据二值图像获取舌象的凹陷程度；
采集舌象的灰度图像，并获取所述灰度图像的二值图像；对所述二值图像进行凸包检测获取所述二值图像的凸包边缘；根据所述二值图像的面积和所述凸包边缘围成的面积获取所述舌象的凹陷程度；
本实施例中在采集舌象的灰度图像的过程中，布置相机从舌象正上方采集舌象区域图像，对舌体区域图像进行语义分割获取舌象图像；语义分割通过DNN网络实现，DNN网络的损失函数为交叉熵损失函数；对舌象图像使用高斯滤波进行降噪处理，并对舌象图像分别进行灰度处理获取舌象图像的灰度图像，对灰度图像进行二值化处理获取二值图像；
对二值图像进行凸包检测获取二值图像的凸包边缘；获取二值图像的凸包边缘的过程为，获取二值图像的每个边缘像素点，边缘像素点的个数为；对全部边缘像素点两两配对组成/>条直线；对于任意两点确定的每条直线，遍历两点剩余之外的/>个像素点是否在该条直线的同一侧，如果存在剩余的点都在该条直线的一侧，则将该条直线加入到凸包集合，直到所有直线都被遍历完毕为止，获得凸包集合，凸包集合中的直线组成一个完整的凸包边缘；由此获得二值图像的凸包边缘；获取凸包边缘围成的面积与二值图像的面积的差值；二值图像的凹陷程度为差值与凸包边缘围成的面积的比值，由此获得舌象的凹陷程度；
S102，获取舌象的灰度图像中的齿痕区域；
获取所述灰度图像中像素点的灰度梯度方向，根据所述灰度图像中每个像素点灰度梯度方向上像素点的灰度梯度方向角获取每个像素点的梯度方向相似性；根据每个像素点灰度梯度方向上像素点的梯度方向相似性获取每个像素点的梯度方向关联性；根据所述灰度图像中像素点的灰度梯度关联性获取所述灰度图像中的齿痕区域像素点，根据所述齿痕区域像素点获取所述灰度图像中的齿痕区域；
本实施例中，根据灰度图像中每个像素点与该像素点相邻像素点的灰度值获取该像素点的灰度梯度方向；依次获取灰度图像中每个像素点的灰度梯度方向；根据灰度梯度方向获取灰度图像中的齿痕区域；获取灰度图像中的齿痕区域的过程为，获取灰度图像的中心点，以中心点为坐标原点，以灰度图像的水平方向为横坐标，以灰度图像的竖直方向为纵坐标建立直角坐标系；使用Sobel算子获取灰度图像中个像素点方向的灰度梯度和/>方向的灰度梯度，对于一个坐标为/>的像素点/>，像素点/>的/>方向的灰度梯度通过下式确定：
式中，为坐标为/>的像素点/>在/>方向的灰度梯度；/>为坐标为的像素点的灰度值；/>为坐标为/>的像素点的灰度值；
像素点的方向的灰度梯度通过下式确定：
式中，为坐标为/>的像素点/>在/>方向的灰度梯度；/>为坐标为的像素点的灰度值；/>为坐标为/>的像素点的灰度值；
根据像素点的/>方向的灰度梯度和/>方向的灰度梯度可获得像素点/>的灰度梯度方向角；像素点/>的灰度梯度方向角通过下式确定：
式中，为像素点/>的灰度梯度方向角；/>为像素点/>的水平方向的灰度梯度；/>为像素点/>的竖直方向的灰度梯度；
依次获得灰度图像中每个像素点的灰度梯度方向角；根据像素点的灰度梯度方向角获取每个像素点的灰度梯度方向；获取像素点的灰度梯度方向上的每个像素点，则像素点/>的梯度方向相似性通过下式确定：
式中，为像素点/>的梯度方向相似性；/>为像素点/>的灰度梯度方向上除像素点/>外其余像素点的个数；/>为像素点/>的灰度梯度方向角；/>为像素点/>的灰度梯度方向上除像素点/>外第/>个像素点的灰度梯度方向角；
需要说明的是，本实施例中像素点的灰度梯度方向上有一个获取多个像素点，依次获取素点/>的灰度梯度方向上每个像素点的梯度方向相似性；当像素点/>的梯度方向相似性越大时，认为像素点/>为齿痕区域像素点的可能性越大，相反地，像素点/>的灰度梯度延长线上像素点与像素点/>的梯度方向角的差距较大时，像素点/>为齿痕区域像素点的可能性越小；根据像素点/>的灰度梯度方向上每个像素点的梯度方向相似性获取像素点/>的梯度方向关联性，依次获取所述灰度图像中每个像素点的梯度方向关联性，像素点/>的梯度方向关联性通过下式确定：
式中，为像素点/>的梯度方向关联性；/>为像素点/>的梯度方向延长线上除像素点/>外第/>个像素点的梯度方向相似性；/>为像素点/>的梯度方向上除像素点/>外第/>个像素点的梯度方向相似性；/>表示线性整流函数；
依次获取所述灰度图像中每个像素点的梯度方向关联性；在灰度图像中，如果在像素点的灰度梯度方向上后一像素点的梯度方向相似性大于前一像素点的梯度方向相似性，说明梯度相似性沿着灰度梯度方向在递增，符合齿痕区域像素点的灰度值的特征，反之，当像素点的灰度梯度方向上的其余像素点的梯度方向相似性不是递增时，则认为该像素点的梯度方向相似性与该像素点的灰度梯度方向上的其余像素点的梯度方向相似性不关联，不符合齿痕区域像素点的灰度值的特征，并将该像素点的灰度梯度方向上像素点的梯度方向关联性置为0；
在灰度图像中选择梯度方向关联性大于0的像素点，将该像素点与该像素点距离最近的梯度方向关联性大于0的像素点联通获取连通域，该连通域即为灰度图像的齿痕区域；依次获取灰度图像中所有的梯度方向关联性大于0的像素点组成的连通域；由此获得灰度图像中的全部齿痕区域；需要说明的是，齿痕区域包含齿痕像素点和齿痕边缘的像素点，通过每个齿痕像素点和齿痕边缘像素点的灰度值的关系可确定灰度图像中齿痕区域的灰度变化程度；
S103，根据每个齿痕区域的灰度直方图中灰度级分布获取所述灰度图像中齿痕区域的灰度变化程度；
本实施例中，获取每个齿痕区域的灰度直方图，将每个灰度直方图拟合成一条曲线，根据齿痕区域中齿痕像素点和齿痕边缘的像素点的灰度值的特征，得到的灰度直方图包含两个区域，其中，灰度直方图的波峰对应的灰度值小的直方图峰的灰度级为灰度图像中齿痕像素点的灰度级；灰度直方图的波峰对应的灰度值大的直方图峰的灰度级为灰度图像中齿痕边缘的像素点灰度级；分别获取每个灰度直方图中齿痕像素点的灰度值的平均值，以及齿痕边缘的像素点灰度值的平均值/>；根据每个个直方图中齿痕像素点的灰度值得平均值/>，以及齿痕边缘的像素点灰度值的平均值/>获取每个齿痕区域的灰度变化值/>；齿痕区域的灰度变化值通过下式确定：
式中，为第/>个齿痕区域的灰度变化值；/>为第/>个齿痕区域的灰度直方图中齿痕像素点的灰度值的平均值；/>为第/>个齿痕区域的灰度直方图中齿痕边缘的像素点灰度值的平均值；/>表示向上取整；
需要说明的是，本实施例中对齿痕区域的灰度变化值的结果进行了对10向上取整，以减少计算量，当齿痕区域的灰度直方图中齿痕边缘的像素点灰度值的平均值与齿痕像素点的灰度值的平均值/>为0到10时，齿痕区域的灰度变化值为1；在获得了每个齿痕区域的灰度变化值后，根据每个齿痕区域的灰度变化值可获得灰度图像中齿痕区域的灰度变化程度；灰度图像中齿痕区域的灰度变化程度通过下式确定：
式中，为灰度图像中齿痕区域的灰度变化程度；/>为灰度图像中第/>个齿痕区域的灰度变化值；/>为灰度图像中的齿痕区域的个数；/>为以自然常数/>为底的指数函数；
需要说明的是，灰度图像中齿痕区域的灰度变化程度通过灰度图像中每个齿痕区域的灰度变化值的和来衡量，灰度图像中齿痕区域的灰度变化程度用于表征灰度图像中所有齿痕区域的整体的灰度变化程度；
S104，根据所述凹陷程度和所述灰度变化程度获取舌象中齿痕的整体特征值，根据所述整体特征值判断所述舌象的整体缺陷程度；
本实施例中，根据舌象的凹凸程度和灰度图像中齿痕的灰度级变化程度获取舌象中齿痕的整体特征值；由于凹凸程度和灰度变化程度对舌象的影响程度不同，且凹凸程度对舌象的影响程度大于灰度变化程度对舌象的影响程度，因此需要设定凹凸程度对舌象的影响程度的权重和灰度变化程度对舌象的影响程度的权重；本实施例分别设定了第一权重和第二权重，第一权重用于表示凹陷程度对舌象的影响程度；第二权重用于表示灰度变化程度对舌象的影响程度；根据舌象的二值图像的凹凸程度和灰度图像中齿痕区域的灰度变化程度，以及第一权重和第二权重可获得舌象中齿痕的整体特征值；舌象中齿痕的整体特征值通过下式确定：
式中，为舌象中齿痕的整体特征值；/>为二值图像的凹陷程度；/>为灰度图像中齿痕区域的灰度变化程度；/>为第一权重值，根据经验值，第一权重为0.6；/>为第二权重值，根据经验值，第一权重为0.4；
需要说明的是，当舌象中齿痕的整体特征值越大，说明舌象中全部齿痕深度的平均值越大；当舌象中齿痕的整体特征值/>越小，说明舌象中全部齿痕深度的平均值越小；将上述步骤获得的舌象中齿痕的整体特征值/>标记于本实施例步骤S101的舌象图像或灰度图像上，完成舌象齿痕检测，可进一步通过整体特征值判断当前舌象的整体缺陷程度，在本发明一个实施例中可通过阈值分割方法处理每个像素点的整体特征值，进而筛选出缺陷严重的像素点，根据缺陷严重的像素点形成区域的面积评估当前舌象的整体缺陷程度。
综上，本实施例提供了一种基于图像处理的舌象齿痕检测方法，包括：采集舌象的灰度图像，并获取灰度图像的二值图像；灰度图像用于确定舌象中的齿痕区域，二值图像用于确定舌象的凹凸程度；对二值图像进行凸包检测获取二值图像的凸包边缘；根据二值图像的面积和凸包边缘围成的面积获取舌象的凹陷程度；由于舌象的边缘齿痕呈现凹陷的块状区域，根据舌象的凹陷程度可确定舌象边缘的缺陷程度；获取灰度图像中像素点的灰度梯度方向，获取每个像素点在该像素点灰度梯度方向的延长线，并获取延长线上像素点的梯度方向相似性；梯度方向相似性用于从灰度梯度的角度确定齿痕区域的特征；当后一像素点的梯度方向相似性大于前一像素点的梯度方向相似性时说明梯度方向相似性沿着梯度方向在递减，符合齿痕区域的梯度方向特征；根据延长线上像素点的梯度方向相似性获取每个像素点与该像素点灰度梯度方向的延长线上像素点的梯度方向关联性；根据梯度方向关联性获取灰度图像中的齿痕区域；通过在灰度图像中获取每个像素点与该像素点灰度梯度方向的延长线上像素点的梯度方向关联性大于0的像素点，全部关联性大于0的像素点组成一个或多个连通域；连通域即为灰度图像中的齿痕区域；获取每个齿痕区域的灰度直方图；根据灰度直方图中灰度级分布获取灰度图像中齿痕区域的灰度变化程度；根据凹陷程度、灰度级变化程度获取舌象中齿痕的整体特征值；舌象中齿痕的整体特征值反映舌象的整体特征，当齿痕的整体特征值越大时，说明舌象的平均齿痕越深；本实施例解决了相关技术中，在对舌象中齿痕识别时因为误判导致误差大的技术问题。
以上仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于图像处理的舌象齿痕检测方法，其特征在于，包括以下步骤：
采集舌象的灰度图像，并获取所述灰度图像的二值图像；
对所述二值图像进行凸包检测获取所述二值图像的凸包边缘；根据所述二值图像的面积和所述凸包边缘围成的面积获取所述舌象的凹陷程度；
获取所述灰度图像中像素点的灰度梯度方向，根据所述灰度图像中每个像素点灰度梯度方向上像素点的灰度梯度方向角获取每个像素点的梯度方向相似性；
根据每个像素点灰度梯度方向上像素点的梯度方向相似性获取每个像素点的梯度方向关联性；根据所述灰度图像中像素点的灰度梯度关联性获取所述灰度图像中的齿痕区域像素点，根据所述齿痕区域像素点获取所述灰度图像中的齿痕区域；
根据每个齿痕区域的灰度直方图中灰度级分布获取所述灰度图像中齿痕区域的灰度变化程度；
根据所述凹陷程度和所述灰度变化程度获取舌象中齿痕的整体特征值，根据所述整体特征值判断所述舌象的整体缺陷程度。
2.根据权利要求1所述的基于图像处理的舌象齿痕检测方法，其特征在于，获取所述舌象的凹陷程度的过程为：
获取凸包边缘围成的面积与二值图像的面积的差值；
所述舌象的凹陷程度通过所述差值与所述凸包边缘围成的面积的比值得到。
3.根据权利要求1所述的基于图像处理的舌象齿痕检测方法，其特征在于，所述像素点的梯度方向相似性通过下式确定：
式中，为像素点/>的梯度方向相似性；/>为像素点/>的灰度梯度方向上除像素点/>外其余像素点的个数；/>为像素点/>的灰度梯度方向角；/>为像素点/>的灰度梯度方向上除像素点/>外第/>个像素点的灰度梯度方向角。
4.根据权利要求3所述的基于图像处理的舌象齿痕检测方法，其特征在于，所述像素点的梯度方向关联性通过下式确定：
式中，为像素点/>的梯度方向关联性；/>为像素点/>的梯度方向延长线上除像素点/>外第/>个像素点的梯度方向相似性；/>为像素点/>的梯度方向上除像素点/>外第/>个像素点的梯度方向相似性；/>表示线性整流函数。
5.根据权利要求4所述的基于图像处理的舌象齿痕检测方法，其特征在于，根据所述齿痕区域像素点获取所述灰度图像中的齿痕区域的过程为：
在所述灰度图像中获取梯度方向关联性大于0的像素点，所述梯度方向关联性大于0的像素点组成一个或多个连通域；所述连通域为灰度图像中的齿痕区域。
6.根据权利要求5所述的基于图像处理的舌象齿痕检测方法，其特征在于，所述舌象中齿痕的整体特征值通过下式确定：
式中，为舌象中齿痕的整体特征值；/>为二值图像的凹陷程度；/>为灰度图像中齿痕区域的灰度变化程度；/>为第一权重值；/>为第二权重值。
7.根据权利要求6所述的基于图像处理的舌象齿痕检测方法，其特征在于，所述第一权重值为0.6；所述第二权重值为0.4。
8.根据权利要求1所述的基于图像处理的舌象齿痕检测方法，其特征在于，根据所述凹陷程度和所述灰度变化程度获取舌象中齿痕的整体特征值后，还包括将所述整体特征值标记于灰度图像中。
9.根据权利要求1所述的基于图像处理的舌象齿痕检测方法，其特征在于，所述灰度图像的获取方法包括：
利于预先训练好的语义分割DNN网络对相机拍摄到的舌象区域图像进行分割，获得舌象图像，对所述舌象图像进行降噪和灰度处理，获得所述灰度图像。
10.根据权利要求1所述的基于图像处理的舌象齿痕检测方法，其特征在于，所述获取所述灰度图像中像素点的灰度梯度方向包括：
使用Sobel算子获取每个像素点的灰度梯度方向。
CN202310987087.5A 2023-08-08 2023-08-08 一种基于图像处理的舌象齿痕检测方法 Active CN116740054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310987087.5A CN116740054B (zh) 2023-08-08 2023-08-08 一种基于图像处理的舌象齿痕检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310987087.5A CN116740054B (zh) 2023-08-08 2023-08-08 一种基于图像处理的舌象齿痕检测方法

Publications (2)

Publication Number Publication Date
CN116740054A true CN116740054A (zh) 2023-09-12
CN116740054B CN116740054B (zh) 2023-10-20

Family

ID=87901464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310987087.5A Active CN116740054B (zh) 2023-08-08 2023-08-08 一种基于图像处理的舌象齿痕检测方法

Country Status (1)

Country Link
CN (1) CN116740054B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115174A (zh) * 2023-10-25 2023-11-24 张家港市金阳工具有限公司 一种钳子外形自动检测方法及系统
CN117237333A (zh) * 2023-11-07 2023-12-15 江苏森力威冶金设备有限公司 一种不锈钢材料表面酸洗程度检测方法
CN117893541A (zh) * 2024-03-18 2024-04-16 济南玖通志恒信息技术有限公司 一种基于边缘检测的果树叶部花叶病分析方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826565A (zh) * 2019-11-01 2020-02-21 北京中科芯健医疗科技有限公司 基于跨连接的卷积神经网络齿痕舌象分类方法及系统
WO2020043178A1 (zh) * 2018-08-30 2020-03-05 深圳市前海安测信息技术有限公司 基于舌体轮廓线的舌体齿痕识别装置及方法
CN110866932A (zh) * 2018-08-20 2020-03-06 深圳市前海安测信息技术有限公司 多通道舌体边缘检测装置、方法及存储介质
CN113139971A (zh) * 2021-03-22 2021-07-20 杭州电子科技大学 一种基于人工智能的舌象识别方法及系统
CN115311290A (zh) * 2022-10-12 2022-11-08 南通市通州区精华电器有限公司 一种精密仪器金属零部件缺陷检测方法
CN115345885A (zh) * 2022-10-19 2022-11-15 南通鹏宝运动用品有限公司 一种金属健身器材外观质量检测方法
CN115760884A (zh) * 2023-01-06 2023-03-07 山东恩信特种车辆制造有限公司 基于图像处理的半挂车表面焊渣优化分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866932A (zh) * 2018-08-20 2020-03-06 深圳市前海安测信息技术有限公司 多通道舌体边缘检测装置、方法及存储介质
WO2020043178A1 (zh) * 2018-08-30 2020-03-05 深圳市前海安测信息技术有限公司 基于舌体轮廓线的舌体齿痕识别装置及方法
CN110826565A (zh) * 2019-11-01 2020-02-21 北京中科芯健医疗科技有限公司 基于跨连接的卷积神经网络齿痕舌象分类方法及系统
CN113139971A (zh) * 2021-03-22 2021-07-20 杭州电子科技大学 一种基于人工智能的舌象识别方法及系统
CN115311290A (zh) * 2022-10-12 2022-11-08 南通市通州区精华电器有限公司 一种精密仪器金属零部件缺陷检测方法
CN115345885A (zh) * 2022-10-19 2022-11-15 南通鹏宝运动用品有限公司 一种金属健身器材外观质量检测方法
CN115760884A (zh) * 2023-01-06 2023-03-07 山东恩信特种车辆制造有限公司 基于图像处理的半挂车表面焊渣优化分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENSHU LI: "Towards the objectification of tongue diagnosis: Automatic segmentation of tongue image", 《IEEE》 *
张新峰;王虹;贵明俊;胡广芹;: "基于中医舌象特征的痤疮证型分类的初步研究", 北京生物医学工程, no. 05 *
范尚勇: "基于模式识别的舌象图像与疾病相关性研究", 《硕士电子期刊》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115174A (zh) * 2023-10-25 2023-11-24 张家港市金阳工具有限公司 一种钳子外形自动检测方法及系统
CN117115174B (zh) * 2023-10-25 2024-02-06 张家港市金阳工具有限公司 一种钳子外形自动检测方法及系统
CN117237333A (zh) * 2023-11-07 2023-12-15 江苏森力威冶金设备有限公司 一种不锈钢材料表面酸洗程度检测方法
CN117237333B (zh) * 2023-11-07 2024-02-20 江苏森力威冶金设备有限公司 一种不锈钢材料表面酸洗程度检测方法
CN117893541A (zh) * 2024-03-18 2024-04-16 济南玖通志恒信息技术有限公司 一种基于边缘检测的果树叶部花叶病分析方法
CN117893541B (zh) * 2024-03-18 2024-05-28 济南玖通志恒信息技术有限公司 一种基于边缘检测的果树叶部花叶病分析方法

Also Published As

Publication number Publication date
CN116740054B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN116740054B (zh) 一种基于图像处理的舌象齿痕检测方法
CN107808378B (zh) 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法
CN107729899B (zh) 一种车牌号码识别方法及装置
CN115861291B (zh) 基于机器视觉的贴片电路板生产缺陷检测方法
CN108711158B (zh) 基于轮廓拟合和径向分割的指针式仪表图像识别方法
CN102982545B (zh) 一种图像深度估计方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN108985305B (zh) 一种激光蚀刻工业雷管编码图像定位及校正方法
CN106446894A (zh) 一种基于轮廓识别球型目标物位置的方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN109961065B (zh) 一种海面舰船目标检测方法
CN112734729B (zh) 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN115063430B (zh) 基于图像处理的电气管道裂纹检测方法
CN111738256A (zh) 基于改进分水岭算法的复合材料ct图像分割方法
CN116740072B (zh) 基于机器视觉的道路表面缺陷检测方法及系统
CN116110053A (zh) 基于图像识别的集装箱表面信息检测方法
CN112884746B (zh) 一种基于边缘形状匹配的字符缺陷智能检测算法
CN114863493B (zh) 一种低质量指纹图像和非指纹图像的检测方法及检测装置
CN112464949A (zh) 一种消除液位线对仪表指针识别影响的方法
CN116128873A (zh) 一种基于图像识别的轴承保持器检测方法、设备及介质
CN114494165A (zh) 一种基于聚类的光条提取方法及装置
CN110705568B (zh) 一种图像特征点提取的优化方法
CN114627147B (zh) 基于多阈值图像分割的颅面标志点自动识别方法
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN114445814B (zh) 一种字符区域提取方法、计算机可读存储介质

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