CN116777930B - 应用于舌象提取的图像分割方法、装置、设备及介质 - Google Patents

应用于舌象提取的图像分割方法、装置、设备及介质 Download PDF

Info

Publication number
CN116777930B
CN116777930B CN202310596774.4A CN202310596774A CN116777930B CN 116777930 B CN116777930 B CN 116777930B CN 202310596774 A CN202310596774 A CN 202310596774A CN 116777930 B CN116777930 B CN 116777930B
Authority
CN
China
Prior art keywords
tongue
image
edge
area
result
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.)
Active
Application number
CN202310596774.4A
Other languages
English (en)
Other versions
CN116777930A (zh
Inventor
请求不公布姓名
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.)
Shenzhen Huiyi Bida Medical Technology Co ltd
Original Assignee
Shenzhen Huiyi Bida Medical Technology 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 Shenzhen Huiyi Bida Medical Technology Co ltd filed Critical Shenzhen Huiyi Bida Medical Technology Co ltd
Priority to CN202310596774.4A priority Critical patent/CN116777930B/zh
Publication of CN116777930A publication Critical patent/CN116777930A/zh
Application granted granted Critical
Publication of CN116777930B publication Critical patent/CN116777930B/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
    • G06T7/10—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
    • G06T7/12—Edge-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
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • 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
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，尤其涉及一种应用于舌象提取的图像分割方法、装置、设备及介质。该方法从目标图像中识别出舌体图像进而确定表征舌苔的舌苔区域，根据舌苔区域的占比和舌苔色彩属性确定舌苔分割阈值，使用舌苔分割阈值再识别舌苔区域得到识别结果，从识别结果中分割出表征边缘的边缘图像，对每个边缘图像的像素信息进行编码得到边缘特征向量，使用深度预测模型对边缘特征向量进行预测得到深度预测值，确定所有的深度预测值的加权求和的结果为舌苔的厚度，通过两次对舌苔的识别能够更加准确地给出舌苔识的结果，提高了边缘图像提取的准确性，使得基于边缘图像预测舌苔厚度的准确度提升，提高了舌象信息的数字化表达的准确性。

Description

应用于舌象提取的图像分割方法、装置、设备及介质
技术领域
本申请适用于图像处理技术领域，尤其涉及一种应用于舌象提取的图像分割方法、装置、设备及介质。
背景技术
随着图像分析技术的发展，通过图像采集设备对目标进行采集，通过相应的图像分析软件对采集的图像进行分析，以得到想要的图像信息，能够有效地提升自动化程度，减少人为的操作，从而提高效率和准确率。舌诊是传统医学四诊中的一个组成部分，用于通过对舌体上给出的一些信息来辅助观察病情，因此，将上述图像分析技术应用在舌诊上可以取得较好的效果。
目前，针对采集的舌体图像而言，除了包含舌体以外，还可能会有嘴唇、牙齿等其他图像信息，因而，需要对属于舌体的部分进行图像分割，现有的分割是利用数学形态学来描述图像特征，基于半自动分割、自动分割等分割方法对采集的图像进行分割，也即舌象提取或者识别。然而，舌象中还包含有舌苔、舌质等信息，而舌苔中又包含有舌苔颜色、舌苔厚度、舌苔面积、舌苔腐腻、舌苔纹理等详细信息，在进一步获取舌苔厚度时，一般采用小波系数能量或者色彩效应等方式进行厚度的粗计算，导致舌苔厚度估算结果不准确，造成舌象信息的数字化表达不准确，不利于后续的计算使用。因此，如何在图像分割过程中有效地计算出舌苔厚度，以提高舌象信息的数字化表达的准确性成为亟待解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种应用于舌象提取的图像分割方法、装置、设备及介质，以解决如何在图像分割过程中有效地计算出舌苔厚度，以提高舌象信息的数字化表达的准确性的问题。
第一方面，本申请实施例提供一种应用于舌象提取的图像分割方法，所述图像分割方法包括：
获取使用舌象采集设备采集的包含舌体的目标图像，从所述目标图像中识别出舌体区域，确定所述舌体区域内的图像作为舌体图像，识别所述舌体图像中表征舌苔的舌苔区域，计算所述舌苔区域与所述舌体区域的舌苔占比；
提取所述舌苔区域中舌苔色彩属性，根据所述舌苔色彩属性和所述舌苔占比，确定舌苔分割阈值，使用所述舌苔分割阈值对所述舌体图像中表征舌苔的区域进行再识别，得到识别结果；
从所述识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像，其中，每个边缘区域的形状参数相同，N为大于零的整数；
提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值；
对所有的深度预测值进行加权求和，确定加权求和的结果为所述目标图像中舌苔的厚度。
第二方面，本申请实施例提供一种应用于舌象提取的图像分割装置，所述图像分割装置包括：
舌体分割模块，用于获取使用舌象采集设备采集的包含舌体的目标图像，从所述目标图像中识别出舌体区域，确定所述舌体区域内的图像作为舌体图像，识别所述舌体图像中表征舌苔的舌苔区域，计算所述舌苔区域与所述舌体区域的舌苔占比；
分割优化模块，用于提取所述舌苔区域中舌苔色彩属性，根据所述舌苔色彩属性和所述舌苔占比，确定舌苔分割阈值，使用所述舌苔分割阈值对所述舌体图像中表征舌苔的区域进行再识别，得到识别结果；
边缘提取模块，用于从所述识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像，其中，每个边缘区域的形状参数相同，N为大于零的整数；
深度预测模块，用于提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值；
舌苔厚度确定模块，用于对所有的深度预测值进行加权求和，确定加权求和的结果为所述目标图像中舌苔的厚度。
第三方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的图像分割方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的图像分割方法。
本申请实施例与现有技术相比存在的有益效果是：本申请获取使用舌象采集设备采集的包含舌体的目标图像，从目标图像中识别出舌体区域，确定舌体区域内的图像作为舌体图像，识别舌体图像中表征舌苔的舌苔区域，计算舌苔区域与舌体区域的舌苔占比，提取舌苔区域中舌苔色彩属性，根据舌苔色彩属性和舌苔占比，确定舌苔分割阈值，使用舌苔分割阈值对舌体图像中表征舌苔的区域进行再识别，得到识别结果，从识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像，提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值，对所有的深度预测值进行加权求和，确定加权求和的结果为目标图像中舌苔的厚度，通过一次舌苔识别的结果来修正分割阈值，再次执行对舌苔的识别，能够更加准确地给出舌苔识别的结果，有助于后续对边缘区域的边缘图像的提取，通过神经网络模型对多个边缘图像进行深度预测，从而得到表征舌苔厚度的深度预测值，实现了舌苔厚度的计算，有助于提高舌象信息的数字化表达的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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仅是本申请的一些实施例，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是本申请实施例一提供的一种应用于舌象提取的图像分割方法的一应用环境示意图；
图2是本申请实施例二提供的一种应用于舌象提取的图像分割方法的流程示意图；
图3是本申请实施例三提供的一种应用于舌象提取的图像分割方法的流程示意图；
图4是本申请实施例四提供的一种应用于舌象提取的图像分割装置的结构示意图；
图5是本申请实施例五提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
本申请实施例一提供的一种应用于舌象提取的图像分割方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、云端计算机设备、个人数字助理(personal digital assistant，PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2，是本申请实施例二提供的一种应用于舌象提取的图像分割方法的流程示意图，上述应用于舌象提取的图像分割方法应用于图1中的服务端，服务端对应的计算机设备连接相应的数据库，以获取数据库中相应的数据。上述计算机设备还可以连接相应的客户端，客户端为用户所操作，用户可以通过客户端向服务端提供相应的包含舌体的图像。例如，用户使用手机拍摄一包含舌体的图像，通过所依托的小程序、手机应用程序等，将图像上传至服务端，服务端能够进行一系列计算，最终给出舌苔厚度、舌苔颜色等信息的计算结果。如图2所示，该应用于舌象提取的图像分割方法可以包括以下步骤：
步骤S201，获取使用舌象采集设备采集的包含舌体的目标图像，从目标图像中识别出舌体区域，确定舌体区域内的图像作为舌体图像，识别舌体图像中表征舌苔的舌苔区域，计算舌苔区域与舌体区域的舌苔占比。
本申请中，舌象采集设备可以是指专业采集舌象的图像采集仪器，也可以是指其他具备图像拍摄功能的设备，例如，手机摄像头、照相机等。其中，对于采集的包含舌体的目标图像而言，需要舌体在目标图像中占比达到一定条件，以及目标图像的清晰度达到一定条件，此时的目标图像用于后续的计算时准确度相对较高。
从目标图像中识别出舌体区域可以采用基于阈值、区域、边缘、小波变换等分割方法，以期将舌体区域与目标图像中其他特征区分，舌体区域在目标图像中对应的图像即为舌体图像。例如，将舌体与嘴唇、下巴、鼻子、面部等进行区分，从而找到表征舌体的区域。
由于舌体包含舌苔和舌质，舌苔一般出现在舌体的中间位置，舌质一般为舌体的边缘位置，从舌体图像中识别出表征舌苔的舌苔区域是将舌苔与舌质分离，以针对性的对舌苔进行分析。在得到舌苔区域与舌体区域之后，将舌苔区域与舌体区域做比即可得到舌苔占比，也即舌苔在整个舌体上的占比，其中，占比越高，表明舌苔越多，占比越少，表明舌苔越少。
此舌体区域识别的过程可采用现有的舌体分割方法，当然，可选的是，从目标图像中识别出舌体区域包括：
计算目标图像中每个像素点的色饱和度和亮度，基于色饱和度确定第一分割阈值范围，基于亮度确定第二分割阈值范围；
使用第一分割阈值范围对目标图像进行分割，得到第一分割结果，使用第二分割阈值范围对第一分割结果进行分割，得到第二分割结果；
获取第二分割结果中所有连通区域的面积，确定面积最大的连通区域为舌体区域。
其中，目标图像可以为RGB图像、HSI图像等，由于HSI色彩空间是从人的视觉系统触发，用色饱和度、色饱和度和亮度来描述色彩，因此，为了使得对舌体和舌苔的识别更加贴合现实中人的视觉系统，如果图像采集设备采集的图像为RGB图像，则可以将该RGB图像通过HIS模型转化为HSI图像，从RGB图像到HSI图像的转换即为根据RGB图像的R、G、B值结合HSI模型计算得到。
至此，如果目标图像为HSI图像，则可以直接获取每个像素点的色饱和度和亮度，如果目标图像为RGB图像，则可以计算得到每个像素点的色饱和度和亮度。
基于对目标图像的色饱和度的分析可以得到第一分割阈值范围，基于对目标图像的亮度分析可以得到第二分割阈值范围，对目标图像而言，在该第一分割阈值范围内的像素点保留，其余的去除，得到第一分割结果，在该第一分割结果的基础上，将在第二分割阈值范围内的像素点保留，其余的去除，得到第二分割结果。
针对第二分割结果而言，可能存在对多个区域，例如，针对目标图像中与舌体区域较为相似的其他特征，在经过上述的两次分割后，该其他特征与舌体区域均会被保留下来，但会存在间隔，也即并非连通的两个区域。因此，针对多个区域而言，根据采集的目标图像中要求舌体占比超过一定条件的要求，所有的连通区域中面积最大的认定为舌体区域。
步骤S202，提取舌苔区域中舌苔色彩属性，根据舌苔色彩属性和舌苔占比，确定舌苔分割阈值，使用舌苔分割阈值对舌体图像中表征舌苔的区域进行再识别，得到识别结果。
本申请中，舌苔色彩属性可以是指舌苔的颜色、舌苔的色调等，经分析可知舌苔色彩属性和舌苔占比对舌苔分割阈值有一定的影响，其中，如果在第一次进行识别过程中识别出的舌苔区域对应的舌苔占比较高，超过了预设的界限，可能需要下调舌苔识别过程中的分割阈值，如果舌苔的颜色与预设的颜色(例如，红色)之间的区别度较低，则可能需要下调舌苔识别过程中的分割阈值。
在一实施方式中，可以预先设定好一映射表，该映射表表征舌苔色彩属性和舌苔占比与舌苔分割阈值的映射关系，从而根据第一次识别的舌苔区域进行第二次识别，以期得到更加准确地舌苔区域识别结果。
当然，本申请中还可以预先配置好一训练好的阈值预测模型，使用该训练好的阈值预测模型，根据舌苔色彩属性和舌苔占比来预测分割阈值。
可选的是，根据舌苔色彩属性和舌苔占比，确定舌苔分割阈值包括：
使用训练好的阈值预测编码器对舌苔色彩属性和舌苔占比分别进行特征编码，得到属性向量和占比向量，将属性向量和占比向量进行特征融合，得到特征融合结果；
使用训练好的阈值预测解码器对特征融合结果进行解码，得到解码结果；
使用训练好的全连接层对解码结果进行阈值映射，得到阈值映射结果，确定阈值映射结果为舌苔分割阈值，其中，训练好的阈值预测编码器、训练好的阈值预测解码器和训练好的全连接层为联合训练得到，联合训练采用的训练集中任一组数据均包括舌苔色彩属性、舌苔占比和对应的分割阈值。
其中，该训练好的阈值预测模型包括训练好的阈值预测编码器、训练好的阈值预测解码器和训练好的全连接层，训练上述模型的训练集中任一组数据均包括舌苔色彩属性、舌苔占比和对应的分割阈值，分割阈值与预先根据试验和效果评价等得到的，通过该训练集可实现监督训练。
训练完成后，训练好的阈值预测编码器和阈值预测解码器具备对舌苔色彩属性和舌苔占比进行特征提取和特征解析的能力，在训练好的全连接层中存储有解码结果与分割阈值的映射关系，从而在对一舌苔色彩属性和舌苔占比进行编解码后，得到对应的舌苔分割阈值。
可选的是，识别舌体图像中表征舌苔的舌苔区域包括：
使用预设的中心区域模板，从舌体图像中确定中心区域，以中心区域为聚类中心，基于像素值对舌体图像进行聚类，得到M个聚类结果，M为大于零的整数；
对每个聚类结果中的像素点的像素值进行求均值，得到对应聚类结果的像素均值，将像素均值处于预设的像素阈值范围内，且具备相邻关系的聚类结果进行聚合，得到第一聚合结果，确定第一聚合结果内所有像素点形成的区域为表征舌苔的舌苔区域。
其中，针对舌体图像中的舌苔进行识别，可以使用预设的中心区域模板，从舌体图像中确定中心区域，使用聚类的方式进行聚类，从而得到对应的聚类结果。在聚类过程中，中心区域的像素点向外部搜索，即与外部的像素点进行比较，如果差异较大，则不属于一类，如果差异较小，则属于一类。
对所有聚类结果中像素值进行求均值，得到像素均值，按照预设的像素阈值范围以及聚类结果中像素点之间的关系来进行聚合，得到的聚合结果内所有像素点形成的区域为舌苔区域。
可选的是，使用舌苔分割阈值对舌体图像中表征舌苔的区域进行再识别，得到识别结果包括：
获取每个聚类结果的像素均值，将像素均值满足舌苔分割阈值的聚类结果进行聚合，得到第二聚合结果；
确定第二聚合结果内所有像素点形成的区域为表征舌苔区域的识别结果。
其中，基于上述的聚类结果，在进行再识别时，以舌苔分割阈值为条件对上述的聚类结果进行再次聚合，该次聚合的结果内所有像素点形成的区域为再次识别的舌苔区域，也即是识别结果。
步骤S203，从识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像。
本申请中，边缘区域即表征边缘的区域，从图像中体现边缘主要是指两侧的图像的像素点的像素值发生突变。例如，识别结果表征舌苔区域，区域的边界即为边缘，另外，在一个舌苔区域中可能存在裂纹，裂纹也可以表征为一种边缘，在该边缘区域出能够体现舌苔与非舌苔的差异，以此信息可以确定舌苔的厚度。
上述边缘区域可以为一个，也可以为多个，即N为大于零的整数，针对多个边缘区域的情形，要求每个边缘区域的形状参数相同，以便于后续从边缘区域中提取出舌苔厚度时输入量的格式相同。
步骤S204，提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值。
本申请中，像素信息可以是指像素点的信息，包括像素值、灰度值、亮度等，基于像素点的信息可以将边缘图像转化为像素矩阵，其中，像素矩阵中的行数对应边缘图像的横向的像素点个数，像素矩阵中的列数对应边缘图像的纵向的像素点个数，即像素矩阵中每个元素对应相应的像素点，元素值即为像素点的像素信息。例如，边缘图像为n*l的图像，n为横向的像素点个数，l为纵向的像素点个数，对应的像素矩阵为n*l的矩阵。
使用训练好的编码器对像素矩阵进行特征编码，以识别边缘特征，并以向量的形式表达该边缘特征，该边缘特征能够给出像素信息的差异，从而依据该差异可以预测高低的差异，进而表达为深度。
使用训练好的深度预测模型对提取出的边缘特征向量进行预测，得到表征深度的深度预测值。上述训练好的编码器和训练好的深度预测模型可以联合训练，联合训练采用的训练集对应的一组数据包括边缘图像形成的像素矩阵和对应该边缘图像中舌苔的厚度。其中，舌苔的厚度除了直接用厚度值进行表达外，还可以根据需求设计“无”、“较薄”、“薄”、“厚”、“较厚”、“非常厚”等多个等级，并为每个等级赋值，从而使得预测出的结果对应的厚度也以值的方式表征。
训练好的深度预测模型本质上是学习了边缘特征向量中边缘特征处像素信息的差异，例如，像素信息的差值在某一个范围内时，确定厚度为一个厚度值或者确定厚度为“较厚”。
例如，训练集为N个舌苔样本图像，每个舌苔样本图像均由相应地人工标出边缘区域，并在边缘区域上标注出“无”、“较薄”、“薄”、“厚”、“较厚”或者“非常厚”等标注值，针对一个舌苔样本图像而言，边缘区域可以对应不止一个标注值，随后，使用编码器对舌苔样本图像对应的像素矩阵进行编码得到边缘区域，与人工标出的边缘区域形成第一类损失，再使用深度预测模型对边缘区域特征进行学习，预测出对应的厚度特征，将厚度特征与标注值进行比较形成第二类损失，两类损失结合调节编码器和深度预测模型的参数，在迭代满足时得到训练好的编码器和深度预测模型。
本申请中，编码器可以采用卷积层、池化层、激活层和全连接层的结构，能够实现边缘特征提取的功能即可，而深度预测模型并非直接对二维图像的深度信息进行提取，而是基于对边缘特征处理的像素信息的学习，从而得到所表征的深度与像素信息的关系，该深度预测模型所采用的架构可以为卷积神经网络、循环神经网络、长短期记忆网络和前馈神经网络等。
步骤S205，对所有的深度预测值进行加权求和，确定加权求和的结果为目标图像中舌苔的厚度。
本申请中，针对存在多个边缘图像的情况，最终会得到多个深度预测值，对于多个深度预测值，以加权求和的方式表征平均的舌苔厚度，能够降低单次预测的误差。另外，上述的边缘图像可能性质存在差异，因而，需要通过不同的权重值进行加权，例如，表征舌苔和舌质的边界的边缘图像与表征舌苔裂纹的边缘图像存在较大差异，其中，裂纹多出现在舌苔中间位置，此处对舌苔厚度的表达较为准确，因而，可以设置舌苔裂纹对应的边缘图像得到的深度预测值的权重较大，设置另一种的深度预测值的权重较小。
本申请实施例获取使用舌象采集设备采集的包含舌体的目标图像，从目标图像中识别出舌体区域，确定舌体区域内的图像作为舌体图像，识别舌体图像中表征舌苔的舌苔区域，计算舌苔区域与舌体区域的舌苔占比，提取舌苔区域中舌苔色彩属性，根据舌苔色彩属性和舌苔占比，确定舌苔分割阈值，使用舌苔分割阈值对舌体图像中表征舌苔的区域进行再识别，得到识别结果，从识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像，提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值，对所有的深度预测值进行加权求和，确定加权求和的结果为目标图像中舌苔的厚度，通过一次舌苔识别的结果来修正分割阈值，再次执行对舌苔的识别，能够更加准确地给出舌苔识别的结果，有助于后续对边缘区域的边缘图像的提取，通过神经网络模型对多个边缘图像进行深度预测，从而得到表征舌苔厚度的深度预测值，实现了舌苔厚度的计算，有助于提高舌象信息的数字化表达的准确性。
参见图3，是本申请实施例三提供的一种应用于舌象提取的图像分割方法的流程示意图，如图3所示，该应用于舌象提取的图像分割方法可以包括以下步骤：
步骤S301，获取使用舌象采集设备采集的包含舌体的目标图像，从目标图像中识别出舌体区域，确定舌体区域内的图像作为舌体图像，识别舌体图像中表征舌苔的舌苔区域，计算舌苔区域与舌体区域的舌苔占比。
步骤S302，提取舌苔区域中舌苔色彩属性，根据舌苔色彩属性和舌苔占比，确定舌苔分割阈值，使用舌苔分割阈值对舌体图像中表征舌苔的区域进行再识别，得到识别结果。
其中，步骤S301至步骤S302的内容与上述步骤S201至步骤S202的部分内容相同，可参考步骤S201至步骤S202的描述，在此不再赘述。
步骤S303，根据识别结果与舌体图像，确定对应识别结果的边界，使用预设的边缘框在边界上滑动以分割得到至少一个包含边界段的边缘区域。
本申请中，根据识别结果和舌体图像，确定舌苔和舌质之间的边界，使用预设大小的边缘框在边上滑动，从而得到包含边界段的边缘区域，边缘区域内的图像即为边缘图像。边界段是指落入边缘框内的一段边界，上述滑动得到的边缘区域可以出现部分重叠。
步骤S304，检测识别结果中是否存在裂纹，若检测到识别结果中存在裂纹，则使用预设的边缘框在裂纹上滑动以分割得到至少一个包含裂纹段的边缘区域。
本申请中，针对舌苔中的裂纹进行检测，检测过程可以是出现类似于边界的像素突变，但该突变发生在舌苔内部，而非舌苔与舌质的边界处。同样地，如果存在裂纹，需要使用边缘框采集包含裂纹段的边缘区域，该边缘区域内的图像即为边缘图像。
步骤S305，基于所有边缘区域的位置从舌体图像对应位置处提取出区域内的图像为对应边缘区域的边缘图像。
步骤S306，提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值。
步骤S307，对所有的深度预测值进行加权求和，确定加权求和的结果为目标图像中舌苔的厚度。
其中，步骤S305至步骤S307的内容与上述步骤S203至步骤S205的部分内容相同，可参考步骤S204至步骤S205的描述，在此不再赘述。
可选的是，从识别结果中分割出表征边缘的N个边缘区域之后，还包括：
计算舌体图像的中心点，根据所有边缘区域与中心点的距离，确定对应边缘区域的权重值，其中，越靠近中心点的边缘区域，对应的权重值越大；
对所有的深度预测值进行加权求和，确定加权求和的结果为目标图像中舌苔的厚度包括：
根据每个边缘区域的权重值，确定每个深度预测值对应的权重值，根据每个深度预测值对应的权重值对所有的深度预测值进行加权求和，确定加权求和的结果为目标图像中舌苔的厚度。
其中，对于边缘区域而言，越靠近舌体中心位置处的表明为裂纹的可能性较高，并且舌苔厚度相对也较高，更加能够表征舌苔的真实厚度，因而，提高该边缘区域对应得到的深度预测值的权重，有助于提高对权重预测的准确性。
本申请实施例通过对舌苔和舌质的边界以及裂纹的区分，以更好地得到边缘区域及边缘图像，从而用于后续的深度预测，并且能够用于区分不同的权重，以执行加权求和的步骤，提高加权求和的额准确性。
对应于上文实施例的应用于舌象提取的图像分割方法，图4示出了本申请实施例四提供的应用于舌象提取的图像分割装置的结构框图，上述图像分割装置应用于图1中的服务端，服务端对应的计算机设备连接相应的数据库，以获取数据库中相应的数据。上述计算机设备还可以连接相应的客户端，客户端为用户所操作，用户可以通过客户端向服务端提供相应的目标图像。为了便于说明，仅示出了与本申请实施例相关的部分。
参见图4，该图像分割装置包括：
舌体分割模块41，用于获取使用舌象采集设备采集的包含舌体的目标图像，从目标图像中识别出舌体区域，确定舌体区域内的图像作为舌体图像，识别舌体图像中表征舌苔的舌苔区域，计算舌苔区域与舌体区域的舌苔占比；
分割优化模块42，用于提取舌苔区域中舌苔色彩属性，根据舌苔色彩属性和舌苔占比，确定舌苔分割阈值，使用舌苔分割阈值对舌体图像中表征舌苔的区域进行再识别，得到识别结果；
边缘提取模块43，用于从识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像，其中，每个边缘区域的形状参数相同，N为大于零的整数；
深度预测模块44，用于提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值；
舌苔厚度确定模块45，用于对所有的深度预测值进行加权求和，确定加权求和的结果为目标图像中舌苔的厚度。
可选的是，上述舌体分割模块41包括：
阈值范围确定单元，用于计算目标图像中每个像素点的色饱和度和亮度，基于色饱和度确定第一分割阈值范围，基于亮度确定第二分割阈值范围；
分割单元，用于使用第一分割阈值范围对目标图像进行分割，得到第一分割结果，使用第二分割阈值范围对第一分割结果进行分割，得到第二分割结果；
舌体区域确定单元，用于获取第二分割结果中所有连通区域的面积，确定面积最大的连通区域为舌体区域。
可选的是，上述舌体分割模块41包括：
第一聚类单元，用于使用预设的中心区域模板，从舌体图像中确定中心区域，以中心区域为聚类中心，基于像素值对舌体图像进行聚类，得到M个聚类结果，M为大于零的整数；
第一舌苔区域确定单元，用于对每个聚类结果中的像素点的像素值进行求均值，得到对应聚类结果的像素均值，将像素均值处于预设的像素阈值范围内，且具备相邻关系的聚类结果进行聚合，得到第一聚合结果，确定第一聚合结果内所有像素点形成的区域为表征舌苔的舌苔区域。
可选的是，上述分割优化模块42包括：
第二聚类单元，用于获取每个聚类结果的像素均值，将像素均值满足舌苔分割阈值的聚类结果进行聚合，得到第二聚合结果；
第二舌苔区域确定单元，用于确定第二聚合结果内所有像素点形成的区域为表征舌苔区域的识别结果。
可选的是，上述分割优化模块42包括：
特征融合单元，用于使用训练好的阈值预测编码器对舌苔色彩属性和舌苔占比分别进行特征编码，得到属性向量和占比向量，将属性向量和占比向量进行特征融合，得到特征融合结果；
特征解码单元，用于使用训练好的阈值预测解码器对特征融合结果进行解码，得到解码结果；
分割阈值确定单元，用于使用训练好的全连接层对解码结果进行阈值映射，得到阈值映射结果，确定阈值映射结果为舌苔分割阈值，其中，训练好的阈值预测编码器、训练好的阈值预测解码器和训练好的全连接层为联合训练得到，联合训练采用的训练集中任一组数据均包括舌苔色彩属性、舌苔占比和对应的分割阈值。
可选的是，上述边缘提取模块43包括：
第一边缘区域确定单元，用于根据识别结果与舌体图像，确定对应识别结果的边界，使用预设的边缘框在边界上滑动以分割得到至少一个包含边界段的边缘区域；
第二边缘区域确定单元，用于检测识别结果中是否存在裂纹，若检测到识别结果中存在裂纹，则使用预设的边缘框在裂纹上滑动以分割得到至少一个包含裂纹段的边缘区域；
边缘图像提取单元，用于基于所有边缘区域的位置从舌体图像对应位置处提取出区域内的图像为对应边缘区域的边缘图像。
可选的是，上述图像分割装置还包括：
权重值确定模块，用于从识别结果中分割出表征边缘的N个边缘区域之后，计算舌体图像的中心点，根据所有边缘区域与中心点的距离，确定对应边缘区域的权重值，其中，越靠近中心点的边缘区域，对应的权重值越大；
上述舌苔厚度确定模块45包括：
舌苔厚度确定单元，用于根据每个边缘区域的权重值，确定每个深度预测值对应的权重值，根据每个深度预测值对应的权重值对所有的深度预测值进行加权求和，确定加权求和的结果为目标图像中舌苔的厚度。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5为本申请实施例五提供的一种计算机设备的结构示意图。如图5所示，该实施例的计算机设备包括：至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意各个应用于舌象提取的图像分割方法实施例中的步骤。
该计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是计算机设备的举例，并不构成对计算机设备的限定，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等，其中，内存储器可以是计算机设备的内存，内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘，在另一些实施例中也可以是计算机设备的外部存储设备，例如，计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现可实现上述方法实施例中的步骤。
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或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种应用于舌象提取的图像分割方法，其特征在于，所述图像分割方法包括：
获取使用舌象采集设备采集的包含舌体的目标图像，从所述目标图像中识别出舌体区域，确定所述舌体区域内的图像作为舌体图像，识别所述舌体图像中表征舌苔的舌苔区域，计算所述舌苔区域与所述舌体区域的舌苔占比；
提取所述舌苔区域中舌苔色彩属性，根据所述舌苔色彩属性和所述舌苔占比，确定舌苔分割阈值，使用所述舌苔分割阈值对所述舌体图像中表征舌苔的区域进行再识别，得到识别结果；
从所述识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像，其中，每个边缘区域的形状参数相同，N为大于零的整数；
提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值；
对所有的深度预测值进行加权求和，确定加权求和的结果为所述目标图像中舌苔的厚度。
2.根据权利要求1所述的图像分割方法，其特征在于，从所述目标图像中识别出舌体区域包括：
计算所述目标图像中每个像素点的色饱和度和亮度，基于所述色饱和度确定第一分割阈值范围，基于所述亮度确定第二分割阈值范围；
使用所述第一分割阈值范围对所述目标图像进行分割，得到第一分割结果，使用所述第二分割阈值范围对所述第一分割结果进行分割，得到第二分割结果；
获取所述第二分割结果中所有连通区域的面积，确定面积最大的连通区域为舌体区域。
3.根据权利要求1所述的图像分割方法，其特征在于，识别所述舌体图像中表征舌苔的舌苔区域包括：
使用预设的中心区域模板，从所述舌体图像中确定中心区域，以所述中心区域为聚类中心，基于像素值对所述舌体图像进行聚类，得到M个聚类结果，M为大于零的整数；
对每个聚类结果中的像素点的像素值进行求均值，得到对应聚类结果的像素均值，将像素均值处于预设的像素阈值范围内，且具备相邻关系的聚类结果进行聚合，得到第一聚合结果，确定所述第一聚合结果内所有像素点形成的区域为表征舌苔的舌苔区域。
4.根据权利要求3所述的图像分割方法，其特征在于，使用所述舌苔分割阈值对所述舌体图像中表征舌苔的区域进行再识别，得到识别结果包括：
获取每个聚类结果的像素均值，将像素均值满足所述舌苔分割阈值的聚类结果进行聚合，得到第二聚合结果；
确定所述第二聚合结果内所有像素点形成的区域为表征舌苔区域的识别结果。
5.根据权利要求1所述的图像分割方法，其特征在于，根据所述舌苔色彩属性和所述舌苔占比，确定舌苔分割阈值包括：
使用训练好的阈值预测编码器对所述舌苔色彩属性和所述舌苔占比分别进行特征编码，得到属性向量和占比向量，将所述属性向量和所述占比向量进行特征融合，得到特征融合结果；
使用训练好的阈值预测解码器对所述特征融合结果进行解码，得到解码结果；
使用训练好的全连接层对所述解码结果进行阈值映射，得到阈值映射结果，确定所述阈值映射结果为舌苔分割阈值，其中，所述训练好的阈值预测编码器、训练好的阈值预测解码器和训练好的全连接层为联合训练得到，联合训练采用的训练集中任一组数据均包括舌苔色彩属性、舌苔占比和对应的分割阈值。
6.根据权利要求1至5任一项所述的图像分割方法，其特征在于，从所述识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像包括：
根据所述识别结果与所述舌体图像，确定对应所述识别结果的边界，使用预设的边缘框在所述边界上滑动以分割得到至少一个包含边界段的边缘区域；
检测所述识别结果中是否存在裂纹，若检测到所述识别结果中存在裂纹，则使用所述预设的边缘框在所述裂纹上滑动以分割得到至少一个包含裂纹段的边缘区域；
基于所有边缘区域的位置从所述舌体图像对应位置处提取出区域内的图像为对应边缘区域的边缘图像。
7.根据权利要求6所述的图像分割方法，其特征在于，从所述识别结果中分割出表征边缘的N个边缘区域之后，还包括：
计算所述舌体图像的中心点，根据所有边缘区域与所述中心点的距离，确定对应边缘区域的权重值，其中，越靠近所述中心点的边缘区域，对应的权重值越大；
对所有的深度预测值进行加权求和，确定加权求和的结果为所述目标图像中舌苔的厚度包括：
根据每个边缘区域的权重值，确定每个深度预测值对应的权重值，根据所述每个深度预测值对应的权重值对所有的深度预测值进行加权求和，确定加权求和的结果为所述目标图像中舌苔的厚度。
8.一种应用于舌象提取的图像分割装置，其特征在于，所述图像分割装置包括：
舌体分割模块，用于获取使用舌象采集设备采集的包含舌体的目标图像，从所述目标图像中识别出舌体区域，确定所述舌体区域内的图像作为舌体图像，识别所述舌体图像中表征舌苔的舌苔区域，计算所述舌苔区域与所述舌体区域的舌苔占比；
分割优化模块，用于提取所述舌苔区域中舌苔色彩属性，根据所述舌苔色彩属性和所述舌苔占比，确定舌苔分割阈值，使用所述舌苔分割阈值对所述舌体图像中表征舌苔的区域进行再识别，得到识别结果；
边缘提取模块，用于从所述识别结果中分割出表征边缘的N个边缘区域，确定每个边缘区域内的图像为对应边缘区域的边缘图像，其中，每个边缘区域的形状参数相同，N为大于零的整数；
深度预测模块，用于提取每个边缘图像的像素信息，对每个像素信息进行特征编码，得到对应边缘图像的边缘特征向量，将每个边缘特征向量分别输入预设的深度预测模型进行预测输出，得到对应边缘特征向量的深度预测值；
舌苔厚度确定模块，用于对所有的深度预测值进行加权求和，确定加权求和的结果为所述目标图像中舌苔的厚度。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的图像分割方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的图像分割方法。
CN202310596774.4A 2023-05-24 2023-05-24 应用于舌象提取的图像分割方法、装置、设备及介质 Active CN116777930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310596774.4A CN116777930B (zh) 2023-05-24 2023-05-24 应用于舌象提取的图像分割方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310596774.4A CN116777930B (zh) 2023-05-24 2023-05-24 应用于舌象提取的图像分割方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116777930A CN116777930A (zh) 2023-09-19
CN116777930B true CN116777930B (zh) 2024-01-09

Family

ID=88010671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310596774.4A Active CN116777930B (zh) 2023-05-24 2023-05-24 应用于舌象提取的图像分割方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116777930B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1367454A (zh) * 2002-03-25 2002-09-04 北京工业大学 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法
CN104658003A (zh) * 2015-03-16 2015-05-27 北京理工大学 舌体图像的分割方法和装置
CN107610087A (zh) * 2017-05-15 2018-01-19 华南理工大学 一种基于深度学习的舌苔自动分割方法
CN110648336A (zh) * 2019-09-23 2020-01-03 无限极（中国）有限公司 一种舌质和舌苔的分割方法及装置
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
CN113130066A (zh) * 2021-03-22 2021-07-16 杭州电子科技大学 一种基于人工智能的舌诊图像识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1367454A (zh) * 2002-03-25 2002-09-04 北京工业大学 基于多类支持向量机的中医舌色、苔色、舌苔厚度分析方法
CN104658003A (zh) * 2015-03-16 2015-05-27 北京理工大学 舌体图像的分割方法和装置
CN107610087A (zh) * 2017-05-15 2018-01-19 华南理工大学 一种基于深度学习的舌苔自动分割方法
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
CN110648336A (zh) * 2019-09-23 2020-01-03 无限极（中国）有限公司 一种舌质和舌苔的分割方法及装置
CN113130066A (zh) * 2021-03-22 2021-07-16 杭州电子科技大学 一种基于人工智能的舌诊图像识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种有效的舌体自动化分割算法;杨大生 等;计算机应用研究(第2期);第170-172页 *
基于图像区域分割方法的舌质与舌苔识别;许家佗 等;上海中医药大学学报;第23卷(第3期);第42-45页 *
融合多颜色分量的舌图像阈值分割算法研究;余兆钗 等;计算机应用与软件;第36卷(第5期);第199-203页 *

Also Published As

Publication number Publication date
CN116777930A (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
EP3101594A1 (en) Saliency information acquisition device and saliency information acquisition method
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
TW202207077A (zh) 一種文本區域的定位方法及裝置
CN107622280B (zh) 基于场景分类的模块化处方式图像显著性检测方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理系统及方法
CN112001362A (zh) 一种图像分析方法、图像分析装置及图像分析系统
CN111444807A (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN113408472A (zh) 目标重识别模型的训练方法、目标重识别方法及装置
CN115272647A (zh) 一种肺部图像的识别处理方法及系统
CN117274278B (zh) 基于模拟感受野的视网膜图像病灶部位分割方法及系统
US20220304617A1 (en) System and method for diagnosing small bowel cleanliness
CN116596921B (zh) 一种焚烧炉渣分选方法及系统
CN113177554A (zh) 甲状腺结节识别与分割方法、系统、存储介质及设备
CN112258525A (zh) 一种基于鸟类高帧频序列图像丰度统计和种群识别算法
CN116777930B (zh) 应用于舌象提取的图像分割方法、装置、设备及介质
CN116051808A (zh) 一种基于YOLOv5的轻量化零件识别定位方法
CN112597842B (zh) 基于人工智能的运动检测面瘫程度评估系统
KR102460899B1 (ko) 심층 구조 학습 기반 사람 계수 방법 및 시스템
CN114067159A (zh) 一种基于eus的粘膜下肿瘤细粒度分类方法
Bouchet et al. Intuitionistic fuzzy sets applied to color image processing.
CN115359346B (zh) 基于街景图片的小微空间识别方法、装置及电子设备
CN114283296B (zh) 一种基于结构相似度的目标识别自评估方法
CN117037049B (zh) 基于YOLOv5深度学习的图像内容检测方法及系统
CN108416768A (zh) 一种基于二进制的前景图相似度评测方法
CN116596877A (zh) 一种基于注意力机制的骨龄智能评估方法

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
CB03 Change of inventor or designer information

Inventor after: Request for anonymity

Inventor before: Request for anonymity

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant