CN117911722A - 基于人工智能的糖尿病人舌象特征提取方法 - Google Patents
基于人工智能的糖尿病人舌象特征提取方法 Download PDFInfo
- Publication number
- CN117911722A CN117911722A CN202410309907.XA CN202410309907A CN117911722A CN 117911722 A CN117911722 A CN 117911722A CN 202410309907 A CN202410309907 A CN 202410309907A CN 117911722 A CN117911722 A CN 117911722A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel point
- tongue
- original image
- pixel
- 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
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 145
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 title claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 42
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 239000011248 coating agent Substances 0.000 description 9
- 238000000576 coating method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 206010013781 dry mouth Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理领域,具体涉及基于人工智能的糖尿病人舌象特征提取方法,包括:采集糖尿病患者的舌部RGB图像的舌部灰度化图像,根据糖尿病患者的舌部灰度化图像灰度图像,获得图像中像素点对糖尿病舌象特征的表现程度;根据图像中像素点对糖尿病舌象特征的表现程度,获得图像上所有像素点对糖尿病舌象特征的表现程度的修正系数;根据所有像素点对糖尿病舌象特征的表现程度的修正系数,获得修正结果,构建神经网络模型,完成对糖尿病人舌象特征的提取。本发明利用图像噪声的表现程度以及颜色特征,修正像素点对舌象特征的表现程度,提高舌象特征的提取效率。
Description
技术领域
本发明涉及图像数据处理领域,具体涉及基于人工智能的糖尿病人舌象特征提取方法。
背景技术
在当今的医学领域中,利用人工智能技术实现对患者身体的局部外表特征进行分析,从而判断疾病患者当前可能所患病症,为了能够准确的区分不同病症的外表特征,通过构建神经网络模型并经过重复训练从而实现人工智能对病症特征的提取。通过利用现有算法对病症特征进行提取并构建数据集,实现对神经网络的构建。
神经网络算法对图像特征进行提取时,会直接将图像上所有像素点作为神经网络输入,存在较多的冗余信息,导致在图像中某些能够体现糖尿病人舌象特征的像素点的信息突出性较小,影响神经网络的识别效果。
发明内容
本发明提供基于人工智能的糖尿病人舌象特征提取方法,以解决现有的问题。
本发明的基于人工智能的糖尿病人舌象特征提取方法采用如下技术方案:
本发明一个实施例提供了基于人工智能的糖尿病人舌象特征提取方法,该方法包括以下步骤:
获取糖尿病患者的舌部图像的舌部灰度化图像;
对舌部灰度化图像进行降采样,获得二次降采样图像;将舌部灰度化图像记为原始图像;根据原始图像中像素点的灰度值大小,获得原始图像中每个像素点的噪声程度;
在二次降采样图像和原始图像中,根据像素点的噪声程度、编码值以及灰度值差异,得到原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度;
根据原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度以及图像中每个像素点在/>颜色通道的灰度值,得到原始图像上每个像素点对糖尿病舌象特征的表现程度的修正系数;
在原始图像中,根据每个像素点对糖尿病舌象特征的表现程度以及对糖尿病舌象特征的表现程度的修正系数,得到每个像素点修正后的对糖尿病人舌象特征的表现程度;根据每个像素点修正后的对糖尿病人舌象特征的表现程度,构建神经网络模型,完成对糖尿病人舌象特征的提取。
进一步地,所述根据原始图像与二次降采样图像中像素点的灰度值大小,获得原始图像与二次降采样图像中每个像素点的噪声程度,包括的具体步骤如下:
在原始图像中,以第个像素点为种子点,使用区域生长算法进行区域生长,得到第/>个像素点的连通区域,将原始图像中第/>个像素点的灰度值、第/>个像素点的连通区域的最小外接矩形的面积以及原始图像的面积的乘积,记为第一特征;
计算原始图像中第个像素点在图像中的连通区域面积的二次方,将第一特征与所述连通区域面积的二次方的比值,记为原始图像中第/>个像素点的噪声程度。
进一步地,所述根据像素点的噪声程度、编码值以及灰度值差异,得到原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度,包括的具体步骤如下:
根据原始图像和二次降采样图像中像素点的编码值,得到每个像素点的粗糙程度;
在二次降采样图像中,根据每个像素点与其八邻域内像素点的灰度值的差异、像素点的粗糙程度以及像素点对应在原始图像中的像素点的噪声程度,得到二次降采样图像中每个像素点对糖尿病舌象特征的表现程度;
在原始图像中,根据像素点的灰度值与其八邻域内像素点的灰度值的差异、像素点的粗糙程度以及像素点八邻域内像素点的噪声程度,得到原图像中每个像素点对糖尿病舌象特征的表现程度。
进一步地,所述根据原始图像和二次降采样图像中像素点的编码值,得到每个像素点的粗糙程度,包括的具体步骤如下:
对原始图像进行编码,得到原始图像上每个像素点的/>编码值,以原始图像上任意一个像素点作为中心点,构建大小为/>的目标窗口,将目标窗口内所有像素点的编码值的方差,记为像素点的粗糙程度,/>为预设的窗口边长;
根据原始图像中每个像素点的粗糙程度的获取方式,得到二次降采样图像中像素点的粗糙程度。
进一步地,所述根据每个像素点与其八邻域内像素点的灰度值的差异、像素点的粗糙程度以及像素点八邻域内像素点的噪声程度,得到二次降采样图像中每个像素点对糖尿病舌象特征的表现程度,包括的具体公式如下:
其中,表示二次降采样图像中第/>个像素点对糖尿病舌象特征的表现程度,表示二次降采样图像中第/>个像素点的粗糙程度,/>表示二次降采样图像中第/>个像素点的灰度值,/>表示二次降采样图像中第/>个像素点八邻域中的第/>个像素点的灰度值,表示二次降采样图像中第/>个像素点对应在原始图像中第/>个像素点的噪声程度,/>表示绝对值函数,/>表示二次降采样图像中第/>个像素点对应在原始图像中的像素点数量,/>表示二次降采样图像中第/>个像素点八邻域中的像素点数量。
进一步地,所述在原图像中,根据像素点的灰度值与其八邻域内像素点的灰度值的差异、像素点的粗糙程度、像素点的噪声程度以及像素点八邻域内像素点的噪声程度,得到原图像中每个像素点对糖尿病舌象特征的表现程度,包括的具体公式如下:
其中,表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的粗糙程度,/>表示原始图像中第/>个像素点的灰度值,/>表示原始图像中第/>个像素点的八邻域中的第/>个像素点的灰度值,/>表示原始图像中第/>个像素点的噪声程度,/>表示原始图像中第/>个像素点的八邻域中第/>个像素点的噪声程度,/>表示绝对值函数,/>表示原始图像中第/>个像素点的八邻域中的像素点个数。
进一步地,所述根据原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度以及图像中每个像素点在/>颜色通道的灰度值,得到原始图像上每个像素点对糖尿病舌象特征的表现程度的修正系数,包括的具体步骤如下:
根据舌部图像中每个像素点分别在/>颜色通道的灰度值以及原始图像中每个像素点的灰度值之间的差异,得到原始图像中每个像素点的灰度差异;
根据原始图像中每个像素点对糖尿病舌象特征的表现程度以及每个像素点对应在二次降采样图像中一个像素点对糖尿病舌象特征的表现程度,得到原始图像中每个像素点的表现程度差异;
根据原始图像中每个像素点的灰度差异以及表现程度差异,得到原始图像中每个像素点对糖尿病舌象特征的表现程度的修正系数。
进一步地,所述根据原始图像中每个像素点的灰度差异以及表现程度差异,得到原始图像中每个像素点对糖尿病舌象特征的表现程度的修正系数,包括的具体公式如下:
其中,表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度的修正系数,表示与原始图像中第/>个像素点对应在二次降采样图像中一个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的八邻域中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的八邻域中像素点数量,/>表示二次降采样图像经过的降采样次数,/>表示原始图像中第/>个像素点的粗糙程度,/>、/>和/>分别表示舌部/>图像中第/>个像素点在/>颜色通道的灰度值,/>表示原始图像中第/>个像素点的灰度值,/>表示绝对值函数,/>为线性归一化函数,/>为原始图像中第/>个像素点的表现程度差异,/>为原始图像中第/>个像素点的灰度差异。
进一步地,所述根据每个像素点对糖尿病舌象特征的表现程度以及对糖尿病舌象特征的表现程度的修正系数,得到每个像素点修正后的对糖尿病人舌象特征的表现程度,包括的具体步骤如下:
计算原始图像中每个像素点对糖尿病舌象特征的表现程度的修正系数与每个像素点对糖尿病舌象特征的表现程度的乘积,将所述乘积与原始图像中每个像素点对糖尿病舌象特征的表现程度相加,记为原始图像中每个像素点修正后的对糖尿病人舌象特征的表现程度。
进一步地,所述根据每个像素点修正后的对糖尿病人舌象特征的表现程度,构建神经网络模型,完成对糖尿病人舌象特征的提取,包括的具体步骤如下:
将原始图像,作为第一输入图像;
将原始图像的所有像素点的修正后的对糖尿病人舌象特征的表现程度构成的图像,作为第二输入图像;
将第一输入图像和第二输入图像堆叠成两通道的融合图像;
将融合图像作为卷积神经网络的输入,使用训练后的卷积神经网络输出原始图像中的糖尿病人舌象特征区域。
本发明的技术方案的有益效果是:获取糖尿病患者的舌部图像的舌部灰度化图像;对舌部灰度化图像进行降采样,获得二次降采样图像;根据原始图像与二次降采样图像中像素点的灰度值大小,获得原始图像与二次降采样图像中每个像素点的噪声程度;在二次降采样图像和原始图像中,根据像素点的噪声程度、/>编码值以及灰度值差异,得到原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度,使得像素点对舌象特征的表现程度更加准确;根据原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度以及/>图像中每个像素点在/>颜色通道的灰度值,得到原始图像上每个像素点对糖尿病舌象特征的表现程度的修正系数;在原始图像中,根据每个像素点对糖尿病舌象特征的表现程度以及对糖尿病舌象特征的表现程度的修正系数,得到每个像素点修正后的对糖尿病人舌象特征的表现程度;根据每个像素点修正后的对糖尿病人舌象特征的表现程度,构建神经网络模型,完成对糖尿病人舌象特征的提取,提高了糖尿病人舌象特征提取方法的准确性。
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他的附图。
图1为本发明基于人工智能的糖尿病人舌象特征提取方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于人工智能的糖尿病人舌象特征提取方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于人工智能的糖尿病人舌象特征提取方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的糖尿病人舌象特征提取方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取糖尿病患者的舌部图像的舌部灰度化图像。
具体的,利用医疗成像设备对糖尿病患者的舌部图像数据进行采集,获取在均匀光照下的待分析区域图像,对待分析区域图像进行灰度化处理与去噪处理,得到预处理后的灰度化图像。
至此,获得糖尿病患者的舌部图像的舌部灰度化图像。
步骤S002:对舌部灰度化图像进行降采样,获得二次降采样图像;将舌部灰度化图像记为原始图像;根据原始图像中像素点的灰度值大小,获得原始图像中每个像素点的噪声程度。
需要说明的是,糖尿病人的舌苔较厚并且由于其口腔干燥,在其舌苔表面会存在程度不一的裂纹状区域,主要表现为舌头表面存在白色、黄色、灰色区域,且表面存在深浅不一的纹路。在进行降采样的过程中,分析当前图像中像素点属于噪声的可能性,像素点属于噪声的可能性越高,则在进行降采样的过程中像素点灰度值对应权重越小。
具体的,本实施例预设图像金字塔的降采样尺度为,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定,对舌部灰度化图像进行两次降采样,得到一个三层的图像金字塔,将舌部灰度化图像记为原始图像,将舌部灰度化图像的第一次降采样后的图像记为一次降采样图像,将舌部灰度化图像的第二次降采样后的图像记为二次降采样图像,其中,降采样为公知技术,具体方法在此不做介绍,对图像中的像素点进行分析,在对糖尿病人的舌象进行采集的过程中,舌头上残留的水渍会对光线造成一定的反射,导致图像中出现高亮的噪声区域,反光水渍可能表现为图像中突出的白色斑点,即相对较小但高亮度的区域,并且由于水滴的形状和分布不均匀导致水渍反光噪声通常呈现不规则形状,当像素点的噪声程度越大,像素点在降采样插值的过程中的权重越小,在原始图像中,以第/>个像素点为种子点,使用区域生长算法,得到第/>个像素点的连通区域,其中,区域生长算法为公知技术,具体方法在此不做介绍,本实施例预设的生长条件为像素点灰度值差异小于/>,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定,当像素点自身的灰度值越小且连通域大小与图像的比值越小时,像素点的噪声程度越大,同时获取第/>个像素点所在连通域的最小外接矩形,当连通域与最小外接矩形的面积比值越小,说明连通域的形状越不规则,则像素点的噪声程度越大。
原始图像中的第个像素点的噪声程度计算公式如下:
其中,表示原始图像中第/>个像素点的噪声程度,/>表示原始图像中第/>个像素点的灰度值,/>表示原始图像中第/>个像素点的连通区域面积,/>表示原始图像的面积,/>表示原始图像中第/>个像素点的连通区域的最小外接矩形的面积。
其中,面积为对应区域内的像素点数量。
按照上述方式,得到原始图像中的每个像素点的噪声程度。
根据原始图像中的每个像素点的噪声程度的获取方式,得到二次降采样图像中每个像素点的噪声程度。
至此,获得图像上所有像素点的噪声程度。
步骤S003:在二次降采样图像和原始图像中,根据像素点的噪声程度、编码值以及灰度值差异,得到原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度。
需要说明的是,图像越处于金字塔的上层,图像的分辨率越低,即图像会越模糊并且会损失部分的图像细节,在二次降采样图像中若存在某个像素点对当前图像中的某些特征仍然具有较高的表现,则说明该像素点所表现出来的特征在图像中的重要性较高,根据该特点确定像素点对舌象特征的表现程度,从而寻找图像中最能表现糖尿病人舌象特征的像素点。
具体的,针对二次降采样图像,根据图像中像素点的分布特征,计算像素点对舌象特征的表现程度,舌苔较厚的区域可能在图像中呈现出更浓重的颜色,相对于正常舌苔区域有更高的灰度值,并且舌苔区域可能会显示出不同的纹理,可能是更多的颗粒状或粗糙的纹理。
若像素点与其八邻域内像素点具有较大的梯度变化,说明当前像素点处于图像的纹理边缘,则其对舌象特征的表现程度更高,由于二次降采样图像的像素点是通过一次降采样图像中多个像素点进行降采样所得,当一次降采样图像中像素点的噪声程度越大,则像素点特征表现程度越低。
对原始图像进行编码,获得原始图像上每个像素点的/>编码值,本实施例预设的窗口边长/>为/>,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定,仍以原始图像中的第/>个像素点为例,在原始图像中,以第/>个像素点为中心,构建大小为/>的目标窗口,将目标窗口内所有像素点的/>编码值的方差,记为第/>个像素点的粗糙程度,按照上述方式,得到原始图像中每个像素点的粗糙程度,根据原始图像中的每个像素点的粗糙程度的获取方式,得到二次降采样图像中每个像素点的粗糙程度。其中,/>编码为公知技术,具体方法在此不做介绍,将每个像素点所在的/>邻域范围记为目标区域,根据目标区域所得十进制数计算该目标区域中像素点的/>值的方差,当目标区域中像素点/>值的方差越大,则说明目标区域的粗糙程度越大,像素点的特征表现程度越大。
以二次降采样图像上第个像素点为例,则二次降采样图像上第/>个像素点对糖尿病舌象特征表现程度的计算公式为:
其中,表示二次降采样图像中第/>个像素点对糖尿病舌象特征的表现程度;表示二次降采样图像中第/>个像素点的粗糙程度;/>表示二次降采样图像中第/>个像素点的灰度值,/>表示二次降采样图像中第/>个像素点八邻域中的第/>个像素点的灰度值;表示二次降采样图像中第/>个像素点对应在原始图像中第/>个像素点的噪声程度,/>表示绝对值函数,/>表示二次降采样图像中第/>个像素点对应在原始图像中的像素点数量,/>表示二次降采样图像中第/>个像素点八邻域中的像素点数量。
所需说明的是,降采样操作后,二次降采样图像中的一个点对应原始图像中的多个点,为16,因为预设图像金字塔的降采样尺度为/>,进行两次降采样,则二次降采样图像大小为原始图像大小的/>,即二次降采样图像中的一个像素点对应原始图像中的十六个像素点。
需要说明的是,由于二次降采样图像是通过原始图像的多个像素点多次降采样所得到的,因此当二次降采样图像中的某个像素点对目标特征具有较高的表现程度时,说明在最下层的图像中最上层的像素点所对应的区域对目标特征也具有较高的表现程度;但是由于通过多次降采样导致部分信息的损失,因此在进行特征提取的过程中,通过最上层像素点的表现程度对最下层的区域进行修正,得到图像中像素点对目标特征的表现程度。
具体的,获取图像金字塔的原始图像,通过分析像素点其本身的噪声程度以及邻域像素点的噪声程度,结合计算上层图像的过程中对像素点邻域梯度变化以及对像素点所在区域的粗糙程度分析过程,计算在原始图像中像素点对糖尿病人的舌象特征表现程度。
进一步,仍以原始图像中的第个像素点为例,在原始图像中当目标邻域像素点的噪声程度越大,则原始图像上第/>个像素点与邻域范围内像素点之间梯度变化所表现出来的纹理特征的可信度越低;当原始图像中第/>个像素点本身的噪声程度越大,则像素点对舌象特征的表现程度越低;当第/>个像素点所在区域内的粗糙程度越大,则像素点对舌象特征的表现程度越高,其中,该邻域范围对应目标窗口。
原始图像的像素点特征表现程度为:
其中,表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的粗糙程度,/>表示原始图像中第/>个像素点的灰度值,/>表示原始图像中第/>个像素点的八邻域中的第/>个像素点的灰度值,/>表示原始图像中第/>个像素点的噪声程度,/>表示原始图像中第/>个像素点的八邻域中第/>个像素点的噪声程度,/>表示绝对值函数,/>表示原始图像中第/>个像素点的八邻域中的像素点个数。
根据上述方式,获得原始图像中所有像素点对糖尿病舌象特征的表现程度。
至此,获得原始图像中所有像素点对糖尿病舌象特征的表现程度。
步骤S004:根据原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度以及图像中每个像素点在/>颜色通道的灰度值,得到原始图像上每个像素点对糖尿病舌象特征的表现程度的修正系数。
需要说明的是,由于降采样的缘故,在图像金字塔中二次降采样图像的一个像素点对应原始图像中的某个区域,因此可以认为二次降采样图像中像素点对舌象特征的表现程度,也是上层像素点在下层图像中对应区域对舌象特征的表现程度。由于在上层像素点所对应的下层图像区域中还可能存在对舌象特征表现较弱的像素点,但是由于其在上层图像中对应的像素点对舌象特征的表现较好,即该类像素点对舌象特征的表现存在帮助,因此对原始图像中像素点对舌象特征的表现程度进行修正,糖尿病人的舌象颜色与正常人的舌象颜色存在较为明显的差异,正常人的舌头呈淡红色或淡粉色,而糖尿病人的舌头颜色伴随炎症的存在会出现发红、发紫,因此在颜色通道中进行分析,糖尿病人的舌头颜色在、通道上应该占据更大的灰度值并且两通道的灰度值近似。同时,糖尿病人的舌苔会出现明显的增厚,舌苔表面呈现黄白色、灰白色,在颜色通道中其像素点的/>、/>、/>通过均占有极高的灰度值并且三通道的灰度值近似。由于舌苔区域的像素点在/>、/>通道均会表现为高灰度的特征,设定当/>通道的灰度值与其他通道的灰度均值差异越大时,像素点对舌象特征的表现程度降低。
具体的,利用二次降采样图像上的每一个像素点对糖尿病舌象特征的表现程度以及糖尿病人的舌象颜色特征,确定原始图像中每个像素点对糖尿病舌象特征的表现程度的修正系数。
像素点的修正系数为:
其中,表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度的修正系数;表示原始图像中第/>个像素点对应在二次降采样图像中一个像素点对糖尿病舌象特征的表现程度;/>表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的八邻域中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的八邻域中像素点数量,/>表示二次降采样图像经过的降采样次数,降采样的次数越多则表现程度的传递效果越差,所需要的修正系数越大,/>表示原始图像中第/>个像素点的粗糙程度,/>、/>和/>分别表示舌部RGB图像中第/>个像素点在/>颜色通道的灰度值,/>表示原始图像中第/>个像素点的灰度值,/>表示绝对值函数,/>为线性归一化函数,将数据值归一化至[0,1]区间内,/>为原始图像中第/>个像素点的表现程度差异,/>为原始图像中第/>个像素点的灰度差异。
所需要说明的是,降采样操作后,原始图像中的一个点对应二次降采样图像中的一个点,而二次降采样图像中的一个点对应原始图像中的多个点。
根据上述方式,获得所有像素点对糖尿病舌象特征的表现程度的修正系数。
至此,获得原始图像上所有像素点对糖尿病舌象特征的表现程度的修正系数。
步骤S005:在原始图像中,根据每个像素点对糖尿病舌象特征的表现程度以及对糖尿病舌象特征的表现程度的修正系数,得到每个像素点修正后的对糖尿病人舌象特征的表现程度;根据每个像素点修正后的对糖尿病人舌象特征的表现程度,构建神经网络模型,完成对糖尿病人舌象特征的提取。
具体的,通过上述步骤,得到原始图像中每个像素点对糖尿病人舌象特征的表现程度以及其对应的修正系数,根据修正系数对其进行修正。
修正后的特征表现程度为:
其中,表示原始图像中第/>个像素点修正后的对糖尿病人舌象特征的表现程度,/>表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第个像素点对糖尿病舌象特征的表现程度的修正系数。
得到原始图像每个像素点修正后的对糖尿病人舌象特征的表现程度。
将原始图像,作为第一输入图像,将原始图像的所有像素点的修正后的对糖尿病人舌象特征的表现程度构成的图像,作为第二输入图像,将第一输入图像和第二输入图像堆叠成两通道的融合图像,将融合图像作为数据集,需要分割的像素点,共分为2类,即训练集对应标签标注过程为:单通道的语义标签,对应位置像素点属于背景类的标注为0,属于糖尿病人舌象特征区域的标注为1。使用的损失函数为均方差损失函数,将数据集输入到训练好的卷积神经网络中,输出原始图像中的糖尿病人舌象特征区域,本实施例使用的卷积神经网络具体为ResNet50神经网络,具体训练过程是公知的,本实施例不进行具体赘述。
至此,完成对糖尿病人舌象特征的提取。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于人工智能的糖尿病人舌象特征提取方法,其特征在于,该方法包括以下步骤:
获取糖尿病患者的舌部图像的舌部灰度化图像;
对舌部灰度化图像进行降采样,获得二次降采样图像;将舌部灰度化图像记为原始图像;根据原始图像中像素点的灰度值大小,获得原始图像中每个像素点的噪声程度;
在二次降采样图像和原始图像中,根据像素点的噪声程度、编码值以及灰度值差异,得到原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度;
根据原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度以及图像中每个像素点在/>颜色通道的灰度值,得到原始图像上每个像素点对糖尿病舌象特征的表现程度的修正系数;
在原始图像中,根据每个像素点对糖尿病舌象特征的表现程度以及对糖尿病舌象特征的表现程度的修正系数,得到每个像素点修正后的对糖尿病人舌象特征的表现程度;根据每个像素点修正后的对糖尿病人舌象特征的表现程度,构建神经网络模型,完成对糖尿病人舌象特征的提取。
2.根据权利要求1所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述根据原始图像中像素点的灰度值大小,获得原始图像中每个像素点的噪声程度,包括的具体步骤如下:
在原始图像中,以第个像素点为种子点,使用区域生长算法进行区域生长,得到第/>个像素点的连通区域,将原始图像中第/>个像素点的灰度值、第/>个像素点的连通区域的最小外接矩形的面积以及原始图像的面积的乘积,记为第一特征;
计算原始图像中第个像素点连通区域面积的二次方,将第一特征与所述连通区域面积的二次方的比值,记为原始图像中第/>个像素点的噪声程度。
3.根据权利要求1所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述根据像素点的噪声程度、编码值以及灰度值差异,得到原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度,包括的具体步骤如下:
根据原始图像和二次降采样图像中像素点的编码值,得到每个像素点的粗糙程度;
在二次降采样图像中,根据每个像素点与其八邻域内像素点的灰度值的差异、像素点的粗糙程度以及像素点对应在原始图像中的像素点的噪声程度,得到二次降采样图像中每个像素点对糖尿病舌象特征的表现程度;
在原始图像中,根据像素点的灰度值与其八邻域内像素点的灰度值的差异、像素点的粗糙程度以及像素点八邻域内像素点的噪声程度,得到原图像中每个像素点对糖尿病舌象特征的表现程度。
4.根据权利要求3所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述根据原始图像和二次降采样图像中像素点的编码值,得到每个像素点的粗糙程度,包括的具体步骤如下:
对原始图像进行编码,得到原始图像上每个像素点的/>编码值,以原始图像上任意一个像素点作为中心点,构建大小为/>的目标窗口,将目标窗口内所有像素点的/>编码值的方差,记为像素点的粗糙程度,/>为预设的窗口边长;
根据原始图像中每个像素点的粗糙程度的获取方式,得到二次降采样图像中像素点的粗糙程度。
5.根据权利要求3所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述在二次降采样图像中,根据每个像素点与其八邻域内像素点的灰度值的差异、像素点的粗糙程度以及像素点对应在原始图像中的像素点的噪声程度,得到二次降采样图像中每个像素点对糖尿病舌象特征的表现程度,包括的具体公式如下:
其中,表示二次降采样图像中第/>个像素点对糖尿病舌象特征的表现程度,/>表示二次降采样图像中第/>个像素点的粗糙程度,/>表示二次降采样图像中第/>个像素点的灰度值,/>表示二次降采样图像中第/>个像素点八邻域中的第/>个像素点的灰度值,/>表示二次降采样图像中第/>个像素点对应在原始图像中第/>个像素点的噪声程度,/>表示绝对值函数,/>表示二次降采样图像中第/>个像素点对应在原始图像中的像素点数量,/>表示二次降采样图像中第/>个像素点八邻域中的像素点数量。
6.根据权利要求3所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述在原始图像中,根据像素点的灰度值与其八邻域内像素点的灰度值的差异、像素点的粗糙程度以及像素点八邻域内像素点的噪声程度,得到原图像中每个像素点对糖尿病舌象特征的表现程度,包括的具体公式如下:
其中,表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的粗糙程度,/>表示原始图像中第/>个像素点的灰度值,/>表示原始图像中第/>个像素点的八邻域中的第/>个像素点的灰度值,/>表示原始图像中第/>个像素点的噪声程度,/>表示原始图像中第/>个像素点的八邻域中第/>个像素点的噪声程度,/>表示绝对值函数,/>表示原始图像中第/>个像素点的八邻域中的像素点个数。
7.根据权利要求1所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述根据原始图像与二次降采样图像中每个像素点对糖尿病舌象特征的表现程度以及图像中每个像素点在/>颜色通道的灰度值,得到原始图像上每个像素点对糖尿病舌象特征的表现程度的修正系数,包括的具体步骤如下:
根据舌部图像中每个像素点分别在/>颜色通道的灰度值以及原始图像中每个像素点的灰度值之间的差异,得到原始图像中每个像素点的灰度差异;
根据原始图像中每个像素点对糖尿病舌象特征的表现程度以及每个像素点对应在二次降采样图像中一个像素点对糖尿病舌象特征的表现程度,得到原始图像中每个像素点的表现程度差异;
根据原始图像中每个像素点的灰度差异以及表现程度差异,得到原始图像中每个像素点对糖尿病舌象特征的表现程度的修正系数。
8.根据权利要求7所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述根据原始图像中每个像素点的灰度差异以及表现程度差异,得到原始图像中每个像素点对糖尿病舌象特征的表现程度的修正系数,包括的具体公式如下:
其中,表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度的修正系数,/>表示与原始图像中第/>个像素点对应在二次降采样图像中一个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的八邻域中第/>个像素点对糖尿病舌象特征的表现程度,/>表示原始图像中第/>个像素点的八邻域中像素点数量,/>表示二次降采样图像经过的降采样次数,/>表示原始图像中第/>个像素点的粗糙程度,/>、/>和/>分别表示舌部/>图像中第/>个像素点在/>颜色通道的灰度值,/>表示原始图像中第/>个像素点的灰度值,/>表示绝对值函数,/>为线性归一化函数,/>为原始图像中第/>个像素点的表现程度差异,/>为原始图像中第/>个像素点的灰度差异。
9.根据权利要求1所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述根据每个像素点对糖尿病舌象特征的表现程度以及对糖尿病舌象特征的表现程度的修正系数,得到每个像素点修正后的对糖尿病人舌象特征的表现程度,包括的具体步骤如下:
计算原始图像中每个像素点对糖尿病舌象特征的表现程度的修正系数与每个像素点对糖尿病舌象特征的表现程度的乘积,将所述乘积与原始图像中每个像素点对糖尿病舌象特征的表现程度相加,记为原始图像中每个像素点修正后的对糖尿病人舌象特征的表现程度。
10.根据权利要求1所述基于人工智能的糖尿病人舌象特征提取方法,其特征在于,所述根据每个像素点修正后的对糖尿病人舌象特征的表现程度,构建神经网络模型,完成对糖尿病人舌象特征的提取,包括的具体步骤如下:
将原始图像,作为第一输入图像;
将原始图像的所有像素点的修正后的对糖尿病人舌象特征的表现程度构成的图像,作为第二输入图像;
将第一输入图像和第二输入图像堆叠成两通道的融合图像;
将融合图像作为卷积神经网络的输入,使用训练后的卷积神经网络输出原始图像中的糖尿病人舌象特征区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309907.XA CN117911722B (zh) | 2024-03-19 | 基于人工智能的糖尿病人舌象特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309907.XA CN117911722B (zh) | 2024-03-19 | 基于人工智能的糖尿病人舌象特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117911722A true CN117911722A (zh) | 2024-04-19 |
CN117911722B CN117911722B (zh) | 2024-06-04 |
Family
ID=
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920854A (zh) * | 2006-09-15 | 2007-02-28 | 清华大学 | 中医舌诊用的舌头彩色数码照片的舌体分割提取方法 |
WO2018098986A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市易特科信息技术有限公司 | 中医舌像自动检测系统及方法 |
CN110033858A (zh) * | 2018-12-28 | 2019-07-19 | 深圳铁盒子文化科技发展有限公司 | 一种舌象分析方法及其存储介质 |
CN110910317A (zh) * | 2019-08-19 | 2020-03-24 | 北京理工大学 | 一种舌象图像增强方法 |
CN112529002A (zh) * | 2020-11-11 | 2021-03-19 | 湖南老来网科技发展有限公司 | 舌体图片分类方法、装置、计算机设备及存储介质 |
CN112560911A (zh) * | 2020-12-04 | 2021-03-26 | 中国科学院苏州生物医学工程技术研究所 | 中医舌图像分类方法及系统 |
CN113707305A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于深度学习的健康方案推荐方法、装置、设备及介质 |
CN113850710A (zh) * | 2021-08-16 | 2021-12-28 | 中山大学 | 一种跨模态医学影像精准转换方法 |
CN114388101A (zh) * | 2021-12-20 | 2022-04-22 | 陈廷婷 | 一种健康食谱管理系统及其方法 |
CN116994754A (zh) * | 2023-07-25 | 2023-11-03 | 云南大学 | 基于ct影像的糖尿病患者胰腺病变可视化评估方法 |
CN117334330A (zh) * | 2023-10-16 | 2024-01-02 | 中关村科学城城市大脑股份有限公司 | 应用于冠心病的辅助诊断信息生成方法、装置和电子设备 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920854A (zh) * | 2006-09-15 | 2007-02-28 | 清华大学 | 中医舌诊用的舌头彩色数码照片的舌体分割提取方法 |
WO2018098986A1 (zh) * | 2016-11-29 | 2018-06-07 | 深圳市易特科信息技术有限公司 | 中医舌像自动检测系统及方法 |
CN110033858A (zh) * | 2018-12-28 | 2019-07-19 | 深圳铁盒子文化科技发展有限公司 | 一种舌象分析方法及其存储介质 |
CN110910317A (zh) * | 2019-08-19 | 2020-03-24 | 北京理工大学 | 一种舌象图像增强方法 |
CN112529002A (zh) * | 2020-11-11 | 2021-03-19 | 湖南老来网科技发展有限公司 | 舌体图片分类方法、装置、计算机设备及存储介质 |
CN112560911A (zh) * | 2020-12-04 | 2021-03-26 | 中国科学院苏州生物医学工程技术研究所 | 中医舌图像分类方法及系统 |
CN113850710A (zh) * | 2021-08-16 | 2021-12-28 | 中山大学 | 一种跨模态医学影像精准转换方法 |
CN113707305A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于深度学习的健康方案推荐方法、装置、设备及介质 |
CN114388101A (zh) * | 2021-12-20 | 2022-04-22 | 陈廷婷 | 一种健康食谱管理系统及其方法 |
CN116994754A (zh) * | 2023-07-25 | 2023-11-03 | 云南大学 | 基于ct影像的糖尿病患者胰腺病变可视化评估方法 |
CN117334330A (zh) * | 2023-10-16 | 2024-01-02 | 中关村科学城城市大脑股份有限公司 | 应用于冠心病的辅助诊断信息生成方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
阚红星;张璐瑶;董昌武;: "一种2型糖尿病中医证型的舌图像识别方法", 中国生物医学工程学报, no. 06, 20 December 2016 (2016-12-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017191A (zh) | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 | |
CN111784706B (zh) | 鼻咽癌原发肿瘤图像自动识别方法及系统 | |
CN113256641B (zh) | 一种基于深度学习的皮肤病灶图像分割方法 | |
CN112258530A (zh) | 基于神经网络的计算机辅助肺结节自动分割方法 | |
CN114283158A (zh) | 一种视网膜血管图像分割方法、装置及计算机设备 | |
CN112949416B (zh) | 一种监督的高光谱多尺度图卷积分类方法 | |
CN113034505A (zh) | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 | |
CN115511767B (zh) | 一种自监督学习的多模态图像融合方法及其应用 | |
CN112288749A (zh) | 一种基于深度迭代融合深度学习模型的颅骨图像分割方法 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN112330790A (zh) | 基于对抗学习与自适应色度修正的ct图像自动着色方法 | |
CN111242949A (zh) | 一种基于全卷积神经网络多尺度特征的眼底图像血管分割方法 | |
CN116152500A (zh) | 一种基于深度学习的全自动牙齿cbct图像分割方法 | |
CN117911722B (zh) | 基于人工智能的糖尿病人舌象特征提取方法 | |
CN117542488B (zh) | 一种用于脑肿瘤ct数据的智能处理方法 | |
CN115205713A (zh) | 一种无人机遥感图像阴影区景物颜色与纹理细节恢复方法 | |
CN109947960A (zh) | 基于深度卷积的人脸多属性联合估计模型构建方法 | |
CN117911722A (zh) | 基于人工智能的糖尿病人舌象特征提取方法 | |
CN109815926B (zh) | 一种基于欧式距离-差分编码的改进lbp算法 | |
CN116109933B (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN116469099A (zh) | 基于自监督光谱回归的显微高光谱图像判断方法及框架 | |
CN113643312B (zh) | 基于真彩色卫星云图与图像处理的云层分割方法 | |
CN112950599B (zh) | 一种基于深度学习的大肠空腔区及肠内容物标注方法 | |
CN116167949B (zh) | 一种基于医疗影像大数据的临床辅助决策系统 | |
CN117974633B (zh) | 基于图像处理的番茄病虫害智能检测方法 |
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 |