CN117934966A - 一种配色融合规划的烤瓷义齿自动调色系统 - Google Patents

Abstract

本发明涉及烤瓷义齿调色技术领域，具体为一种配色融合规划的烤瓷义齿自动调色系统，包括光谱数据分析模块、图像数据分析模块和结果比较与优化模块，其中：光谱数据分析模块利用光谱分析仪收集用户牙齿的光谱数据，并利用线性回归算法对光谱数据进行烤瓷义齿配色的预测，图像数据分析模块利用图像传感器拍摄用户的牙齿图片，并利用逻辑回归算法对图片数据进行烤瓷义齿配色的预测，结果比较与优化模块比较光谱数据分析模块和图像数据分析模块预测的结果，比较一致，则将预测结果确定为最终结果，比较不一致，则利用卷积神经网络算法进行卷积烤瓷义齿配色的预测，将卷积预测结果与上述结果分别进行比较，根据比较结果进行优化处理。

Description

一种配色融合规划的烤瓷义齿自动调色系统

技术领域

本发明涉及烤瓷义齿调色技术领域，具体为一种配色融合规划的烤瓷义齿自动调色系统。

背景技术

传统的烤瓷义齿配色系统通常依赖于牙医或技术人员的经验和肉眼观察。这个过程主要包括客户咨询、基础色板对比、手动调色、试色和调整等步骤。首先，牙医会对客户牙齿的颜色进行评估，然后从标准色板中选择一个或多个接近的颜色作为基础色。技术人员会根据这些基础色涂抹烤瓷釉进行色彩搭配，并经过烧制前的多次试验和调整。因为这个过程高度依赖人工经验和肉眼判断，很多时候难以达到完美的颜色匹配。光线条件的变化、操作人员的主观感觉差异，甚至是客户自身牙齿颜色的复杂性都可能造成颜色选择的偏差。

传统系统存在几个劣势。首先，精确度较低，因为肉眼判断存在局限性，特别是在识别牙齿的微妙色彩变化方面容易出错。其次，效率较低，手动调色过程耗时且可能需要多次调整和反复比对才能得到满意的效果。此外，可重复性差，不同技术人员之间，甚至是相同技术人员在不同时间的操作结果都可能存在差异，难以保证每一次的配色结果都能获得同样的质量标准。最后，传统系统很难处理复杂色彩的变化，比如牙齿颜色的深浅、渐变等影响颜色选择的各种因素，这些都需要高度的技艺和经验来处理，而且即使有丰富的经验也难以保证完美的结果。

发明内容

本发明的目的在于提供一种配色融合规划的烤瓷义齿自动调色系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种配色融合规划的烤瓷义齿自动调色系统，其包括光谱数据分析模块、图像数据分析模块和结果比较与优化模块，其中：

所述光谱数据分析模块利利用线性回归算法对光谱数据进行光谱烤瓷义齿配色的预测；

所述图像数据分析模块利用图像传感器拍摄用户的牙齿图片，对图片数据进行预处理以及特征提取，并利用逻辑回归算法对提取的数据特征进行图像烤瓷义齿配色的预测；

所述结果比较与优化模块比较光谱数据分析模块预测的光谱烤瓷义齿配色和图像数据分析模块预测的图像烤瓷义齿配色，比较一致，则将预测结果确定为最终结果；

比较不一致，将光谱数据分析模块中的光谱数据和光谱烤瓷义齿配色的预测结果与图像数据分析模块中的图像数据以及图像烤瓷义齿配色的预测结果进行整合，并利用卷积神经网络算法对整合数据进行卷积烤瓷义齿配色的预测，并将卷积烤瓷义齿配色分别与光谱数据分析模块预测的光谱烤瓷义齿配色和图像数据分析模块预测的图像烤瓷义齿配色进行比较，具体包括：

卷积烤瓷义齿配色与光谱数据分析模块预测的光谱烤瓷义齿配色比较不一致时，对光谱数据分析模块中的方法进行正则化处理，用于约束模型参数；

卷积烤瓷义齿配色与图像数据分析模块预测的图像烤瓷义齿配色比较不一致时，对图像数据分析模块中的高斯平滑的去噪方法转换为中值滤波，用于保留图像细节和边缘信息，减少图像模糊；

优化处理之后，再次按照之前的逻辑进行结果确定以及比较，直到确定最终结果。

作为本技术方案的进一步改进，所述光谱数据分析模块包括光谱数据收集单元和光谱数据分析单元，所述光谱数据收集单元利用光谱分析仪收集用户牙齿的光谱数据，光谱数据包括但不限于波长、光强度、反射率、透射率和吸收率；所述光谱数据分析单元利用线性回归算法对光谱数据进行光谱烤瓷义齿配色的预测，并将光谱烤瓷义齿配色发送给结果比较与优化模块。

作为本技术方案的进一步改进，所述图像数据分析模块包括图像数据收集单元和图像数据分析单元，所述图像数据收集单元利用图像传感器拍摄用户的牙齿图片，并对图像进行预处理以及特征提取；所述图像数据分析单元利用逻辑回归算法对提取的数据特征进行图像烤瓷义齿配色的预测，并将图像烤瓷义齿配色发送给结果比较与优化模块。

作为本技术方案的进一步改进，所述结果比较与优化模块包括结果比较单元和方法优化单元，所述结果比较单元接收光谱数据分析单元和图像数据分析单元，比较光谱数据分析单元和图像数据分析单元的预测结果，比较一致，确定为最终结果，比较不一致，则将光谱数据分析模块和图像数据分析模块中的数据以及预测结果进行整合，利用卷积神经网络算法对整合数据进行卷积烤瓷义齿配色的预测，将卷积烤瓷义齿配色分别与光谱数据分析单元和图像数据分析单元的预测结果进行比较，根据比较结果对两者进行优化处理；所述方法优化单元对光谱数据分析单元中的方法进行正则化处理，对图像数据收集单元中的高斯平滑的去噪方法转换为中值滤波，进行优化处理。

作为本技术方案的进一步改进，所述光谱数据分析单元利用线性回归算法对光谱数据进行光谱烤瓷义齿配色的预测，模型训练具体包括：

线性回归模型的数学表达为Y＝β0+β1X1+β2X2+…+βnXn，其中，Y是光谱烤瓷义齿的配色，X1,X2,…,Xn是其余特征，代表影响因变量的解释变量，β0,β1,β2,…,βn则是模型的参数，分别代表截距和各自变量的系数；利用训练集数据对模型参数进行估计的过程，采用最小二乘法，通过最小化实际观测值与模型预测值之间的差距来求解模型参数的方法，在模型训练过程中，找到最优的参数值，使得模型预测值与实际观测值之间的残差平方和达到最小。

作为本技术方案的进一步改进，所述图像数据收集单元利用图像传感器拍摄用户的牙齿图片，并对图像进行预处理以及特征提取，具体包括：

去噪声：应用去噪声算法，包括高斯平滑，通过对图像进行卷积，用高斯函数作为权重的模糊核，对每个像素及其周围的像素进行加权平均，权重由高斯分布决定，中心像素具有最高的权重；

调整对比度：通过直方图均衡化完成，通过重新分配图像的亮度来增强全局对比度，操作包括拉伸图像直方图，使之在所有亮度上都有一个均匀分布，提高图像的整体对比度；

颜色特征提取：通过转换颜色空间从RGB到Lab更为均匀的颜色空间，其中Lab颜色空间更贴近人类视觉对颜色的感知，用于颜色差异的量化分析,Lab颜色模型是一种色彩空间，按照人的视觉感知非线性地映射颜色,在Lab空间中，L代表亮度，a和b代表颜色对立维度，其中a是从绿色到红色的轴，b是从蓝色到黄色的轴；

纹理特征提取：纹理特征描述了牙齿表面的模式和结构，使用局部二值模式提取这些特征,通过比较中心像素与其周围邻域像素的亮度值，将中心点的邻域内的像素按照亮度值转化为0和1，构成一种二进制代码；

形状特征提取：通过边缘检测技术包括索贝尔滤波，提取牙齿的轮廓和结构特征,索贝尔滤波是一个包含垂直和水平方向卷积核的离散微分算子,通过计算图像亮度函数的梯度的近似值，突出显示图像中亮度变化迅速的区域的边缘。

作为本技术方案的进一步改进，所述图像数据分析单元利用逻辑回归算法对提取的数据特征进行图像烤瓷义齿配色的预测，具体包括：

利用公共数据库收集与图像数据收集单元收集的相同类型的图片，并进行同样的数据处理和特征提取，包括特征向量以及对应图像烤瓷义齿配色的标签，并将其作为模型的训练集，将训练集分为输入特征矩阵x和输出标签向量y，其中，x是m行n列的矩阵，表示m个样本的n个特征；y是一个列向量，表示m个样本的图像烤瓷义齿配色标签；

初始化回归系数向量w和偏置项b，定义逻辑回归模型的假设函数，使用Sigmoid函数将输入特征x和参数w线性组合，并加上偏置项b，经过Sigmoid函数映射为0到1之间的概率值，其中Sigmoid函数是将任何实数输入值映射到一个介于0和1之间的输出值；定义逻辑回归模型的代价函数，代价函数是交叉熵损失函数，其衡量了模型预测结果与真实标签之间的差异；

通过最小化代价函数来求得最优的参数w和b，使用梯度下降算法来更新参数，使代价函数降低，计算预测值；计算代价函数关于参数w和b的偏导数；更新参数w2＝w1-learning_rate*dw，b2＝b1-learning_rate*db；其中learning_rate是学习率，dw和db是代价函数对参数的偏导数，w1是当前迭代步的权重向量，w2是下一迭代步的权重向量，b1是当前迭代步的偏置项，b2是下一迭代步的偏置项。

作为本技术方案的进一步改进，所述方法优化单元对光谱数据分析单元中的方法进行正则化处理，通过在线性回归公式的基础上Y＝β0+β1X1+…+βnXn，加入一个正则化项，正则化是通过加入一个额外的惩罚项到损失函数中来约束和减少模型参数的复杂度的过程，正则化项减少参数的大小但不会将其完全置零，并通过网格搜索以及交叉验证确定正则化系数的最优值，在这个过程中，正则化强度参数的不同取值会被遍历，模型在不同取值下的表现会被比较，以交叉验证的平均得分为标准，选择最佳的参数值；确定了最优的正则化强度后，使用它来训练全量的训练数据并得到最终模型。

作为本技术方案的进一步改进，所述方法优化单元对图像数据收集单元中的高斯平滑的去噪方法转换为中值滤波，通过将高斯平滑的去噪方法转换为中值滤波，通过选择5x5窗口尺寸，将窗口移动至图像上的每个像素位置，使该像素位于窗口的中心，收集窗口内所有像素的强度值，将这些值排序，找出中间值，用中间值替换当前窗口中心的像素值，重复以上步骤，移动窗口直到覆盖整个图像。

与现有技术相比，本发明的有益效果是：

1、该一种配色融合规划的烤瓷义齿自动调色系统利用光谱分析仪收集用户牙齿的光谱数据，并利用线性回归算法对光谱数据进行烤瓷义齿配色的预测，利用图像传感器拍摄用户的牙齿图片，对图片数据进行预处理以及特征提取，并利用逻辑回归算法对提取的数据特征进行烤瓷义齿配色的预测，比较两者的预测结果，比较一致，则将预测结果确定为最终结果，通过结合光谱数据和图像数据进行分析和预测，系统能够更全面地捕捉和分析牙齿颜色的细微变化，光谱数据提供了详细的光波反射信息，图像数据则捕捉了视觉上的参考；结合这两个数据源的分析，系统能够提供更准确的配色结果，从而满足患者的个性化需求。

2、该一种配色融合规划的烤瓷义齿自动调色系统在无法确定最终结果时，将光谱数据分析模块和图像数据分析模块中的数据以及预测结果进行整合，利用卷积神经网络算法对整合数据进行卷积烤瓷义齿配色的预测，并将卷积烤瓷义齿配色分别与光谱烤瓷义齿配色和图像烤瓷义齿配色进行比较，根据比较结果，确定对其方法的优化处理，系统能够通过算法自动调整参数和优化模型，以适应各种不确定因素并最终得出一致的最终结果。这种自动适应能力降低了对人工干预的依赖，使得系统更加智能和高效。

附图说明

图1为本发明的整体模块示意图；

图2为本发明的各个模块单元示意图。

图中：100、光谱数据分析模块；101、光谱数据收集单元；102、光谱数据分析单元；200、图像数据分析模块；201、图像数据收集单元；202、图像数据分析单元；300、结果比较与优化模块；301、结果比较单元；302、方法优化单元。

具体实施方式

下面将结合本发明中的附图，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。

请参阅图1-2，本发明提供一种技术方案：一种配色融合规划的烤瓷义齿自动调色系统，包括光谱数据分析模块100、图像数据分析模块200和结果比较与优化模块300。

光谱数据分析模块100中的光谱数据收集单元101利用光谱分析仪收集用户牙齿的光谱数据，光谱数据包括但不限于波长、光强度、反射率、透射率和吸收率，具体包括：

波长：以纳米为单位，指定了光波的长度，决定光的颜色；

光强度：波长对应的光的强度，体现了不同波长的光被物体吸收、反射或透射的程度；

反射率：当光波打到物体表面时，特定波长所反射的光的比率；

透射率：特定波长的光线通过材料时的比率；

吸收率：物体吸收特定波长光的能力，与物质的组成和结构有关。

光谱数据收集单元101对光谱数据进行预处理，具体包括：

去噪声：用于消除光谱数据中由仪器、环境或物料本身异性引起的噪声，通过平滑技术如移动平均实现；

归一化：将所有光谱数据调整到相同的比例，从而减少数据量纲的影响，使用最大值归一化，将所有波长点的反射强度除以最大的反射强度；

校准：使用标准样品对仪器进行光谱响应的校准，保证测量数据与实际情况相符。

光谱数据收集单元101将处理好的数据发送给光谱数据分析单元102，光谱数据分析单元102利用线性回归算法对光谱数据进行光谱烤瓷义齿配色的预测，具体包括：

数据准备：从公共数据库中收集训练数据，训练数据包括与光谱数据收集单元101中光谱数据相同的数据特征和光谱烤瓷义齿配色；

特征处理：在数据准备阶段，对训练数据进行处理，包括数据清洗、特征提取和特征缩放等操作，对于线性回归模型，将光谱烤瓷义齿配色作为目标变量；

线性回归模型构建：线性回归模型的数学表达为Y＝β0+β1X1+β2X2+…+βnXn，其中，Y是因变量(光谱烤瓷义齿配色)，X1,X2,…,Xn是自变量(其余特征)，代表影响因变量的解释变量，β0,β1,β2,…,βn则是模型的参数，分别代表截距和各自变量的系数；利用训练集数据对模型参数进行估计的过程，采用最小二乘法，通过最小化实际观测值与模型预测值之间的差距来求解模型参数的方法，在模型训练过程中，找到最优的参数值，使得模型预测值与实际观测值之间的残差平方和达到最小；其中β0是截距，截距不依赖于任何特定的自变量，而是与整个模型的位置有关，将β0与X0相乘会导致混淆，因为无法将其解释为某个具体自变量的影响，简而言之，β0作为截距项表示了在其他自变量为零时的基准值，与特定的自变量没有直接的乘法关系；

光谱烤瓷义齿配色的结果预测：线性回归模型将利用特征值和它在训练阶段学到的参数(权重和偏差)，根据公式Y＝β0+β1X1+β2X2+…+βnXn，计算出预测的光谱烤瓷义齿配色，其中Y是预测的光谱烤瓷义齿配色，X1,X2,…,Xn是其余特征，β0代表截距，β1,β2,…,βn是从训练数据中学习到的系数；其中这里是对公式的应用，也就是此时的参数已经确定了，是对公式的应用，与线性回归模型构建中的公式虽然形式一样，但是作用不一样。

光谱数据分析单元102将预测的光谱烤瓷义齿配色的结果发送给结果比较与优化模块300中的结果比较单元301。

图像数据分析模块200中的图像数据收集单元201利用图像传感器拍摄用户的牙齿图片，并对图像进行预处理，具体包括：

去噪声：由于拍摄过程中的多种因素，如环境、相机感光元件等，图像中可能会含有噪声，应用去噪声算法，包括高斯平滑，帮助移除这些无关的像素变化，从而保留下有用的牙齿图像信息；其中高斯平滑是一种模糊图像的技术，用来减少图像噪声和细节，通过对图像进行卷积，用高斯函数作为权重的模糊核，对每个像素及其周围的像素进行加权平均，权重由高斯分布决定，中心像素具有最高的权重；

调整对比度：增强图像的对比度使得牙齿与背景之间、牙齿的不同区域之间的颜色差异更加明显，通过直方图均衡化完成，通过重新分配图像的亮度来增强全局对比度，操作包括拉伸图像直方图，使之在所有亮度上都有一个均匀分布，从而提高图像的整体对比度；

亮度校正：由于光照条件的变化导致图像亮度不一，亮度校正旨在调整图像的整体亮暗，确保颜色分析的准确性。

图像数据收集单元201对图像进行特征提取，具体包括：

颜色特征提取：颜色是烤瓷义齿配色中最关键的特征之一，通过转换颜色空间从RGB到Lab更为均匀的颜色空间，来更精确地进行颜色比较和分析，其中Lab颜色空间更贴近人类视觉对颜色的感知，用于颜色差异的量化分析,Lab颜色模型是基于人类视觉响应设计的，按照人的视觉感知非线性地映射颜色,在Lab空间中，L代表亮度，a和b代表颜色对立维度，其中a是从绿色到红色的轴，b是从蓝色到黄色的轴；

纹理特征提取：纹理特征描述了牙齿表面的模式和结构，有助于模拟牙齿的表面效果，使用局部二值模式提取这些特征,通过比较中心像素与其周围邻域像素的亮度值，将中心点的邻域内的像素按照亮度值转化为0或1(较中心像素亮则为1，否则为0)，从而构成一种二进制代码；

形状特征提取：通过边缘检测技术包括索贝尔滤波，提取牙齿的轮廓和结构特征,索贝尔滤波是一个包含垂直和水平方向卷积核的离散微分算子,通过计算图像亮度函数的梯度的近似值，来突出显示图像中亮度变化迅速的区域的边缘。

图像数据收集单元201将提取的数据特征发送给图像数据分析单元202，图像数据分析单元202利用逻辑回归算法对提取的数据特征进行图像烤瓷义齿配色的预测，具体包括：

数据准备：利用公共数据库收集与图像数据收集单元201收集的相同类型的图片，并进行同样的数据处理和特征提取，包括特征向量以及对应图像烤瓷义齿配色的标签，并将其作为模型的训练集，将训练集分为输入特征矩阵x和输出标签向量y，其中，x是m行n列的矩阵，表示m个样本的n个特征；y是一个列向量，表示m个样本的图像烤瓷义齿配色标签；

定义假设函数：初始化回归系数向量w和偏置项b，定义逻辑回归模型的假设函数h(x)，使用Sigmoid函数将输入特征x和参数w线性组合，并加上偏置项b，经过Sigmoid函数映射为0到1之间的概率值，其中Sigmoid函数是将任何实数输入值映射到一个介于0和1之间的输出值，数学形式为f(x)＝1/(1+e^(-x))，假设函数h(x)的函数形式：h(x)＝Sigmoid(w^T*x+b)，T是指向量w的转置，w是一个权重向量，x是输入向量，b是偏置项；

定义代价函数：定义逻辑回归模型的代价函数J(w,b)，代价函数是交叉熵损失函数，其衡量了模型预测结果与真实标签之间的差异，代价函数的形式为：J(w,b)＝-1/m*sum(y*log(h(x))+(1-y)*log(1-h(x)))，其中sum为求和运算，y为真实标签；

参数优化：通过最小化代价函数J(w,b)来求得最优的参数w和b，使用随机梯度下降算法来更新参数，使代价函数降低，首先计算预测值h(x)，然后计算代价函数关于参数w和b的偏导数，最后更新参数w2＝w1-learning_rate*dw，b2＝b1-learning_rate*db；其中learning_rate是学习率，dw和db是代价函数对参数的偏导数，w1是当前迭代步的权重向量，w2是下一迭代步的权重向量，b1是当前迭代步的偏置项，b2是下一迭代步的偏置项；

结果预测：参数优化后，利用建立好的逻辑回归模型对图像数据收集单元201发送的图像数据进行图像烤瓷义齿配色的预测。

图像数据分析单元202将预测的图像烤瓷义齿配色的结果发送给结果比较与优化模块300中的结果比较单元301。

结果比较单元301比较光谱数据分析单元102中预测的光谱烤瓷义齿配色和图像数据分析单元202预测的图像烤瓷义齿配色的结果，比较一致，则确定为最终结果；

比较不一致，结果比较单元301将整合光谱数据收集单元101和图像数据收集单元201中的数据与对应的光谱烤瓷义齿配色和图像烤瓷义齿配色的预测结果，利用卷积神经网络算法模型对整合数据进行烤瓷义齿配色结果的预测，具体包括：

训练数据收集：从公共数据库中收集训练数据，训练数据包括与整合数据相同的数据特征；

模型建立：输入层接收训练数据作为输入，卷积层使用卷积核逐一扫描输入数据来提取局部特征，每个滤波器专注于从输入数据中学习某种特定的视觉特征，卷积操作将滤波器与输入数据对应元素相乘并求和，生成新的特征图；

在卷积层之后会跟一个激活层，激活函数包括整流线性单元函数，整流线性单元函数的作用是增加非线性；池化层作用是进行下采样，减少特征图的维度，减少计算量和参数数量；

经过卷积和池化层之后，特征图会被展平以便传递到全连接层，全连接层的作用是基于提取出的特征进行分类，指示输入图像属于每个类别的概率；输出层用于产生最终的预测结果，通过软最大函数来将全连接层的输出转换为概率分布形式；

网络在输出层生成一个预估值，计算预估值和真实值之间的损失，损失表明了当前模型的预估表现，损失函数包括交叉熵损失函数，采用反向传播算法根据损失函数计算梯度，并使用随机梯度下降算法更新网络中每层的权重，降低预估误差；

卷积烤瓷义齿配色的结果预测：利用建立好的卷积神经网络算法模型对整合数据进行卷积烤瓷义齿配色的预测，通过前向传播计算，输入数据被输入到网络中，从输入层开始，逐层通过每一个神经元进行计算，并沿着网络层级传递信息，直到达到最后一层，得到卷积烤瓷义齿配色预测结果。

结果比较单元301将卷积烤瓷义齿配色预测结果分别与光谱数据分析单元102和图像数据分析单元202预测的结果进行比较，具体包括：

卷积神经网络的卷积烤瓷义齿配色预测结果与光谱数据分析单元102的光谱烤瓷义齿配色预测结果不一致时，则启动方法优化单元302对光谱数据分析单元102中的算法进行优化处理，具体包括：

通过在线性回归公式的基础上Y＝β0+β1X1+…+βnXn，加入一个正则化项，正则化是通过加入一个额外的惩罚项到损失函数中来约束和减少模型参数的复杂度的过程，正则化项减少参数的大小但不会将其完全置零，并通过网格搜索以及交叉验证确定正则化系数的最优值，在这个过程中，正则化强度参数的不同取值会被遍历，模型在不同取值下的表现会被比较，以交叉验证的平均得分为标准，选择最佳的参数值；确定了最优的正则化强度后，使用它来训练全量的训练数据并得到最终模型，以此进行优化处理；

卷积神经网络的卷积烤瓷义齿配色预测结果与图像数据分析单元202的图像烤瓷义齿配色预测结果不一致时，则启动方法优化单元302对图像数据收集单元201进行优化处理，通过将高斯平滑的去噪方法转换为中值滤波，通过选择5x5窗口尺寸，将窗口移动至图像上的每个像素位置，使该像素位于窗口的中心，收集窗口内所有像素的强度值(如果是彩色图像，则分别对每个颜色通道进行操作)，将这些值排序，找出中间值(中值)，用中间值替换当前窗口中心的像素值，重复以上步骤，移动窗口直到覆盖整个图像。

优化处理之后，按照之间的逻辑进行再次的结果确定以及比较，直到确定最终结果。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种配色融合规划的烤瓷义齿自动调色系统，其特征在于：包括光谱数据分析模块(100)、图像数据分析模块(200)和结果比较与优化模块(300)，其中：

所述光谱数据分析模块(100)利用线性回归算法对光谱数据进行光谱烤瓷义齿配色的预测；

所述图像数据分析模块(200)利用图像传感器拍摄用户的牙齿图片，对图片数据进行预处理以及特征提取，并利用逻辑回归算法对提取的数据特征进行图像烤瓷义齿配色的预测；

所述结果比较与优化模块(300)比较光谱数据分析模块(100)预测的光谱烤瓷义齿配色和图像数据分析模块(200)预测的图像烤瓷义齿配色，比较一致，则将预测结果确定为最终结果；

比较不一致，将光谱数据分析模块(100)中的光谱数据和光谱烤瓷义齿配色的预测结果与图像数据分析模块(200)中的图像数据以及图像烤瓷义齿配色的预测结果进行整合，并利用卷积神经网络算法对整合数据进行卷积烤瓷义齿配色的预测，并将卷积烤瓷义齿配色分别与光谱数据分析模块(100)预测的光谱烤瓷义齿配色和图像数据分析模块(200)预测的图像烤瓷义齿配色进行比较，具体包括：

卷积烤瓷义齿配色与光谱数据分析模块(100)预测的光谱烤瓷义齿配色比较不一致时，对光谱数据分析模块(100)中的方法进行正则化处理，用于约束模型参数；

卷积烤瓷义齿配色与图像数据分析模块(200)预测的图像烤瓷义齿配色比较不一致时，对图像数据分析模块(200)中的高斯平滑的去噪方法转换为中值滤波，用于保留图像细节和边缘信息，减少图像模糊；

优化处理之后，再次按照之前的逻辑进行结果确定以及比较，直到确定最终结果。

2.根据权利要求1所述的配色融合规划的烤瓷义齿自动调色系统，其特征在于：所述光谱数据分析模块(100)包括光谱数据收集单元(101)和光谱数据分析单元(102)，所述光谱数据收集单元(101)利用光谱分析仪收集用户牙齿的光谱数据，光谱数据包括但不限于波长、光强度、反射率、透射率和吸收率；所述光谱数据分析单元(102)利用线性回归算法对光谱数据进行光谱烤瓷义齿配色的预测，并将光谱烤瓷义齿配色发送给结果比较与优化模块(300)。

3.根据权利要求2所述的配色融合规划的烤瓷义齿自动调色系统，其特征在于：所述图像数据分析模块(200)包括图像数据收集单元(201)和图像数据分析单元(202)，所述图像数据收集单元(201)利用图像传感器拍摄用户的牙齿图片，并对图像进行预处理以及特征提取；所述图像数据分析单元(202)利用逻辑回归算法对提取的数据特征进行图像烤瓷义齿配色的预测，并将图像烤瓷义齿配色发送给结果比较与优化模块(300)。

4.根据权利要求3所述的配色融合规划的烤瓷义齿自动调色系统，其特征在于：所述结果比较与优化模块(300)包括结果比较单元(301)和方法优化单元(302)，所述结果比较单元(301)接收光谱数据分析单元(102)和图像数据分析单元(202)，比较光谱数据分析单元(102)和图像数据分析单元(202)的预测结果，比较一致，确定为最终结果，比较不一致，则将光谱数据分析模块(100)和图像数据分析模块(200)中的数据以及预测结果进行整合，利用卷积神经网络算法对整合数据进行卷积烤瓷义齿配色的预测，将卷积烤瓷义齿配色分别与光谱数据分析单元(102)和图像数据分析单元(202)的预测结果进行比较，根据比较结果对两者进行优化处理；所述方法优化单元(302)对光谱数据分析单元(102)中的方法进行正则化处理，对图像数据收集单元(201)中的高斯平滑的去噪方法转换为中值滤波，进行优化处理。

5.根据权利要求2所述的配色融合规划的烤瓷义齿自动调色系统，其特征在于：所述光谱数据分析单元(102)利用线性回归算法对光谱数据进行光谱烤瓷义齿配色的预测，模型训练具体包括：

线性回归模型的数学表达为Y＝β0+β1X1+β2X2+…+βnXn，其中，Y是光谱烤瓷义齿的配色，X1,X2,…,Xn是其余特征，代表影响因变量的解释变量，β0,β1,β2,…,βn则是模型的参数，分别代表截距和各自变量的系数；利用训练集数据对模型参数进行估计的过程，采用最小二乘法，通过最小化实际观测值与模型预测值之间的差距来求解模型参数的方法，在模型训练过程中，找到最优的参数值，使得模型预测值与实际观测值之间的残差平方和达到最小。

6.根据权利要求3所述的配色融合规划的烤瓷义齿自动调色系统，其特征在于：所述图像数据收集单元(201)利用图像传感器拍摄用户的牙齿图片，并对图像进行预处理以及特征提取，具体包括：

去噪声：应用去噪声算法，包括高斯平滑，通过对图像进行卷积，用高斯函数作为权重的模糊核，对每个像素及其周围的像素进行加权平均，权重由高斯分布决定，中心像素具有最高的权重；

调整对比度：通过直方图均衡化完成，通过重新分配图像的亮度来增强全局对比度，操作包括拉伸图像直方图，使之在所有亮度上都有一个均匀分布，提高图像的整体对比度；

颜色特征提取：通过转换颜色空间从RGB到Lab更为均匀的颜色空间，其中Lab颜色空间更贴近人类视觉对颜色的感知，用于颜色差异的量化分析,Lab颜色模型是一种色彩空间，按照人的视觉感知非线性地映射颜色,在Lab空间中，L代表亮度，a和b代表颜色对立维度，其中a是从绿色到红色的轴，b是从蓝色到黄色的轴；

纹理特征提取：纹理特征描述了牙齿表面的模式和结构，使用局部二值模式提取这些特征,通过比较中心像素与其周围邻域像素的亮度值，将中心点的邻域内的像素按照亮度值转化为0和1，构成一种二进制代码；

形状特征提取：通过边缘检测技术包括索贝尔滤波，提取牙齿的轮廓和结构特征,索贝尔滤波是一个包含垂直和水平方向卷积核的离散微分算子,通过计算图像亮度函数的梯度的近似值，突出显示图像中亮度变化迅速的区域的边缘。

7.根据权利要求3所述的配色融合规划的烤瓷义齿自动调色系统，其特征在于：所述图像数据分析单元(202)利用逻辑回归算法对提取的数据特征进行图像烤瓷义齿配色的预测，具体包括：

利用公共数据库收集与图像数据收集单元(201)收集的相同类型的图片，并进行同样的数据处理和特征提取，包括特征向量以及对应图像烤瓷义齿配色的标签，并将其作为模型的训练集，将训练集分为输入特征矩阵x和输出标签向量y，其中，x是m行n列的矩阵，表示m个样本的n个特征；y是一个列向量，表示m个样本的图像烤瓷义齿配色标签；

初始化回归系数向量w和偏置项b，定义逻辑回归模型的假设函数，使用Sigmoid函数将输入特征x和参数w线性组合，并加上偏置项b，经过Sigmoid函数映射为0到1之间的概率值，其中Sigmoid函数是将任何实数输入值映射到一个介于0和1之间的输出值；定义逻辑回归模型的代价函数，代价函数是交叉熵损失函数，其衡量了模型预测结果与真实标签之间的差异；

通过最小化代价函数来求得最优的参数w和b，使用梯度下降算法来更新参数，使代价函数降低，计算预测值；计算代价函数关于参数w和b的偏导数；更新参数w2＝w1-learning_rate*dw，b2＝b1-learning_rate*db；其中learning_rate是学习率，dw和db是代价函数对参数的偏导数，w1是当前迭代步的权重向量，w2是下一迭代步的权重向量，b1是当前迭代步的偏置项，b2是下一迭代步的偏置项。

8.根据权利要求4所述的配色融合规划的烤瓷义齿自动调色系统，其特征在于：所述方法优化单元(302)对光谱数据分析单元(102)中的方法进行正则化处理，通过在线性回归公式的基础上Y＝β0+β1X1+…+βnXn，加入一个正则化项，正则化是通过加入一个额外的惩罚项到损失函数中来约束和减少模型参数的复杂度的过程，正则化项减少参数的大小但不会将其完全置零，并通过网格搜索以及交叉验证确定正则化系数的最优值，在这个过程中，正则化强度参数的不同取值会被遍历，模型在不同取值下的表现会被比较，以交叉验证的平均得分为标准，选择最佳的参数值；确定了最优的正则化强度后，使用它来训练全量的训练数据并得到最终模型。

9.根据权利要求4所述的配色融合规划的烤瓷义齿自动调色系统，其特征在于：所述方法优化单元(302)对图像数据收集单元(201)中的高斯平滑的去噪方法转换为中值滤波，通过将高斯平滑的去噪方法转换为中值滤波，通过选择5x5窗口尺寸，将窗口移动至图像上的每个像素位置，使该像素位于窗口的中心，收集窗口内所有像素的强度值，将这些值排序，找出中间值，用中间值替换当前窗口中心的像素值，重复以上步骤，移动窗口直到覆盖整个图像。