CN1931087A - 舌象纹理自动分析方法 - Google Patents

Abstract

本发明提供了一种舌象纹理自动分析方法，从原始图像中选取子图像，对不同子图像分别进行预处理，预处理后进行特征参数提取，将提取的特征向量送入分类器进行分类，分类后输出分类结果。本发明采用Gabor滤波、灰度共生矩阵以及分形模型等多种方法来分析和识别不同舌象纹理特征，分别对厚苔薄苔进行分类，对红刺进行分类，对舌质老嫩纹理舌象纹理进行分类和对红星进行分类，得到了一种科学严谨、准确率高，具有广泛的应用价值的舌象纹理自动分析方法。

Description

舌象纹理自动分析方法

(一)技术领域

本发明涉及一种分析方法，具体涉及一种采用Gabor滤波、灰度共生矩阵以及分形模型等多种方法来分析和识别不同舌象纹理特征的舌象纹理自动分析方法。

(二)背景技术

舌象特征在中医诊断病症等过程中具有较高的应用价值，尤其舌象纹理是中医舌诊中较为重要的信息。但是目前对舌象纹理的分析、判别还停留在人工凭经验处理的水平。这不仅限制了舌象纹理这一有用的人体生理特征在判定人体病症等领域的应用，而且目前的人工分析判断的准确率较低，具有较大的随意性和不确定性。

(三)发明内容

本发明的目的在于提供一种科学严谨、准确率高，具有广泛的应用价值的舌象纹理自动分析方法。

本发明的目的是这样实现的：从原始图像中选取子图像，对不同子图像分别进行预处理，预处理后进行特征参数提取，将提取的特征向量送入分类器进行分类，分类后输出分类结果。

本发明还包括有以下技术特征：

1、所述的预处理包括图像灰度级的压缩和灰度共生矩阵的正规化；

2、所述的特征参数提取方法包括Gabor滤波、灰度共生矩阵以及分形模型方法；

3、所述的分类方法包括现行判别分析方法；

4、在提取纹理特征向量之前对处理对象进行去反光处理；

5、所述的用于分析灰度共生矩阵的特征包括能量、对比度、熵、逆差和灰度共生矩阵中非零点的个数。

6、所述的分形模型方法包括使用分形维数和lacunarity共同组成特征向量表示纹理特征。

本发明针对各种不同的情况分别采用Gabor滤波、灰度共生矩阵以及分形模型方法进行特征参数提取进行分类，其中针对厚苔薄苔以盒维数和5个尺度下的lacunarity为特征向量，采用线性判别分析对这些样本进行了分类，并利用这些样本作了简单的交叉比对(crossingvalidation)；在对红刺特征的研究中，本发明以舌图像上舌尖处截取64×64的子图像为研究对象，采用Gabor小波滤波作为主要纹理分析方法，在部分实验中还将图像均值作为特征向量的元素，并把图像均值与滤波参数的均值和标准差一起作为纹理特征，进行分类能得到比较好的结果；由于红星多分布于舌边与舌中部之间的舌体表面，本发明采用前述基于Gabor小波的纹理分析方法对舌面红星的64×64的子图像进行分类；而在舌质老嫩舌象的分类研究中，本发明主要从舌体边缘选取64×64的子图像作为研究对象，采用综合灰度共生矩阵方法提取了不同距离下的能量、对比度、熵、逆差和灰度共生矩阵的非零点个数等5个特征参数，采用线性判别分析对这些样本进行了分类，并利用这些样本作了简单的交叉比对(crossingvalidation)。

本发明采用Gabor滤波、灰度共生矩阵以及分形模型等多种方法来分析和识别不同的舌象纹理特征，包括对图像灰度级的压缩和灰度共生矩阵的正规化预处理和纹理图像去反光处理，分别对厚苔薄苔进行分类，对红刺进行分类，对舌质老嫩纹理舌象纹理进行分类和对红星进行分类，得到了一种科学严谨、准确率高，具有广泛的应用价值的舌象纹理自动分析方法。

(四)附图说明

图1是本实用新型的方法流程图；

图2-4是厚苔薄苔研究对象选取过程；

图5-7是红刺分类研究对象的选取过程；

图8-10是红星分类研究对象的选取过程；

图11是不同尺度和方向下平均分类精度曲线

图12是虚证、实证分类研究对象选取过程；

图13为舌质娇嫩对应的舌图像；

图14为舌质苍老对应的舌图像。

(五)具体实施方式

下面结合附图对本发明的原理及分析过程作进一步的分析：

本发明从原始图像中选取子图像，对不同子图像分别进行预处理，预处理后进行特征参数提取，将提取的特征向量送入分类器进行分类，分类后输出分类结果。其中，预处理包括图像灰度级的压缩和灰度共生矩阵的正规化；特征参数提取方法包括Gabor滤波、灰度共生矩阵以及分形模型方法；分类方法包括现行判别分析方法；在提取纹理特征向量之前对处理对象进行去反光处理；而用于分析灰度共生矩阵的特征包括能量、对比度、熵、逆差和灰度共生矩阵中非零点的个数；分形模型方法包括使用分形维数和lacunarity共同组成特征向量表示纹理特征。

本发明采用Gabor滤波、灰度共生矩阵以及分形模型等多种方法来分析和识别不同的舌象纹理特征，取得了较好的结果。

1、基于Gabor小波的纹理分析算法

本发明采用Gabor函数及Gabor小波进行舌象纹理特征提取和分析。舌象纹理具有一定的准周期性统计特征，不同的纹理有一个主要频率和其它一些次要频率，其频带宽度一般较窄。而Gabor小波是一组窄带带通滤波器，在空间和频率域均有较好的分辨能力，有明显的方向选择和频率选择性，其较好的描述了生物视觉神经元的感受视野问题，可以根据特定的视觉需要相应得调整它的空间与频率特性。目前，Gabor小波已经被应用于纹理分割、纹理分类、图像识别等领域。本发明所采用的Gabor函数及Gabor小波其表达式如下：

1.1、Gabor函数及Gabor小波

二维Gabor函数g(x，y)及其傅立叶变换形式G(x，y)公式如下：

$g(x,y)=\left(\frac{1}{2\mathrm{\π}{\mathrm{\σ}}_x{\mathrm{\σ}}_y}\right)\exp [-\frac{1}{2}(\frac{x^2}{{\mathrm{\σ}}_x^2}+\frac{y^2}{{\mathrm{\σ}}_y^2})+2\mathrm{\πjWx}]---\left(1\right)$

$G(u,v)=\exp \{-\frac{1}{2}[\frac{{(u-W)}^2}{{\mathrm{\σ}}_u^2}+\frac{v^2}{{\mathrm{\σ}}_v^2}\left]\right\}---\left(2\right)$

          其中σ_u＝1/2πσ_x，σ_v＝1/2πσ_y

Gabor函数产生一个完全但非正交基底集，使用这个基底集扩展信号即可得到一个局部频率表示。考虑一组称为Gabor小波的自相似函数，令g(x，y)为Gabor小波母函数，则其自相似滤波集可以通过使用如下的产生函数对g(x，y)进行适当的扩展和旋转而得到：

    g_mn(x，y)＝a^-mG(x′，y′)，a＞1，m，n为整数

                                                              (3)

    x′＝a^-m(xcosθ+ysinθ)，y′＝a^-m(-xsinθ+ycosθ)

其中θ＝nπ/K，K为方向数

在公式(3-11)在中，尺度因子a^-m使得能量不依赖于m。

1.2、Gabor滤波器设计

Gabor小波的非正交特性表明在被滤波的图像中存在冗余信息，我们可以使用下述策略降低这种冗余。另U_l和U_h代表最低和最高中心频率，K和S分别代表多分辨率分解的方向数和尺度数，该策略能够保证频率谱中滤波响应的半峰值相切。计算滤波参数σ_u和σ_v(亦即σ_x和σ_y)的公式如下所示：

$a={(U_h/U_l)}^{\frac{1}{S-1}}---\left(4\right)$

${\mathrm{\σ}}_u=\frac{(a-1)U_h}{(a+1)\sqrt{2\ln 2}}---\left(5\right)$

${\mathrm{\σ}}_v=\tan \left(\frac{\mathrm{\π}}{2k}\right)[U_h-2\ln \left(\frac{{\mathrm{\σ}}_u^2}{U_h}\right)]{\left[\right[2\ln 2-\frac{{\left(2\ln 2\right)}^2{\mathrm{\σ}}_u^2}{U_h^2}\left]\right]}^{\frac{1}{2}}---\left(6\right)$

其中W＝U_h，m＝0，1，…，S-1。

为了降低滤波器对绝对密度值相应时的敏感度，用常数来偏置二维Gabor滤波的实部以使其均值为零。

1.3、纹理特征的Gabor方法表示

设I(x，y)为一幅给定的图像，则其Gabor小波变换可以如下定义：

$W_{\mathrm{mn}}(x,y)=\∫I(x_1,y_1)g_{\mathrm{mn}}^{*}(x-x_1,y-y_1)d{x}_{1}d{y}_1---\left(7\right)$

其中^*代表共轭复数。可以认为纹理区域具有空间相似性，所以变换参数的均值μ_mn和标准差σ_mn可以用来表示该区域的纹理特征并以之进行分类，μ_mn和σ_mn的计算公式如下：

   μ_mn＝∫∫|W_mn(x，y)|dxdy                (8)

${\mathrm{\σ}}_{\mathrm{mn}}=\sqrt{{\∫\∫\left(\right|W_{\mathrm{mn}}(x,y)|-{\mathrm{\μ}}_{\mathrm{mn}})}^3\mathrm{dxdy}}---\left(9\right)$

可以用μ_mn和σ_mn为元素构造特征向量，在本研究中，我们采用了8个尺度和4个方向，故我们的特征向量可表示为：

        f＝[μ₀₀σ₀₀μ₀₁…μ₇₃σ₇₃]               (10)

2、基于灰度共生矩阵的纹理分析算法

灰度共生矩阵是图像纹理分析一种常用方法，基于灰度共生矩阵一些二次统计特征如能量、熵和对比度等能很好的描述图像纹理的规律性、复杂程度等特性。

2.1、灰度共生矩阵(GLCM)

灰度共生矩阵(Gray level co-occurrence matrix)是由Haralick等人在70年代初期提出的，是一种用来分析图像纹理特征的重要方法，并且已在图像纹理分类中取得了不错的效果。灰度共生矩阵建立在估计图像的二阶组合条件概率密度函数的基础上，通过计算图像中有一定距离和一定方向的两点灰度之间的相关性，反映图像在方向、间隔、变化幅度及快慢上的综合信息。

灰度共生矩阵描述了在图像中，在θ方向上，距离为d的一对像元分别具有灰度i和j的出现概率。其具体定义为：设一幅图像在水平和垂直方向上分别有Nx和Ny个像元，灰度级为Ng。Lx＝{1，2，…，Nx}和Ly＝{1，2，…，Ny}分别为水平和垂直空间域，G＝{1，2，…，Ng}为像素的灰度量化集。Ly×Lx是图像的像素集，图像函数I表明每个像素值的灰度值都取自集合G，I:Ly×Lx→G。灰度为i和j的一对像素点位置方向为θ，距离为d的概率记为p(i，j，d，θ)。θ有四种情况：0°、45°、90°和135°，像素对I(k，l)＝i和I(m，n)＝j在这四个方向的出现概率为：

P(i，j，d，0°)＝#{[(k，l)，(m.n)]|k-m＝0，|l-n|＝d，I(k，l)＝i，I(m，n)＝j}(6-8)P(i，j，d，45°)＝#{[(k，l)，(m.n)]|k-m＝d，l-n＝d，I(k，l)＝i，I(m，n)＝j}(6-9)P(i，j，d，90°)＝#{[(k，l)，(m.n)]||k-m|＝d，l-n＝0，I(k，l)＝i，I(m，n)＝j}(6-10)P(i，j，d，135°)＝#{[(k，l)，(m.n)]|k-m＝-d，l-n＝-d，I(k，l)＝i，I(m，n)＝j}(6-11)

其中，#表示在该集合中的元素数目。可以看到这些矩阵是对称的，即P(i，j，d，θ)＝P(j，i，d，θ)。

灰度共生矩阵中，d和θ的选取是至关重要的指标，针对不同的图像，它们的取值是不一样的，会随着纹理结构的变化而变化。

2.2、综合灰度共生矩阵

用灰度共生矩阵分析图像纹理要先确定两个关键的参数值：距离和方向。通过实验分析，我们发现当d＝1或d＝2时，基于灰度共生矩阵特征取得了较好的效果。为了更全面地描述虚证/实证舌图像的纹理特性，我们采用综合灰度共生矩阵来描述其纹理特征，这里我们分别计算在同一距离下4个不同方向的灰度共生矩阵。综合灰度共生矩阵可以按公式(11)导出：S(i，j，d)＝a*p(i，j，d，0°)+b*p(i，j，d，45°)+c*p(i，j，d，90°)+d*p(i，j，d，135°)

                                                                               (11)

公式(11)反映了综合灰度共生矩阵S(i，j，d)是各个方向灰度共生矩阵的加权值之和。加权系数为a、b、c、d。其具体可如下计算：首先计算得到每个方向的共生矩阵的某个特征值(如能量)，共有四个：N1，N2，N3，N4，求平均值：

        N＝(N1+N2+N3+N4)/4                     (12)

设 $M_i=\frac{1}{|N_i-\stackrel{\‾}{N}|+1},i=1...4---\left(13\right)$

则 $a=\frac{M_1}{M_1+M_2+M_3+M_4},b=\frac{M_2}{M_1+M_2+M_3+M_4}$

$c=\frac{M_3}{M_1+M_2+M_3+M_4},d=\frac{M_4}{M_1+M_2+M_3+M_4}$

加权系数a，b，c，d反映了四个方向共生矩阵的重要性，从上述公式可以看出，若离平均值较远的矩阵值所对应的权值较小，说明此值对纹理分类贡献相对较弱；反之，离平均值较近、权值较大，则表明此值对分类贡献较强。

2.3、基于灰度共生矩阵的纹理特征参数

图像的灰度共生矩阵反映了图像灰度关于方向，相邻间隔，及变化幅度的综合信息，它是分析图像局部模式结构及其排列规则的基础。作为纹理分析的特征量往往不是直接应用计算的灰度共生矩阵，而是在灰度共生矩阵的基础上再提取纹理特征量，称为二次统计量。

Haralick在文献中提出了用于分析灰度共生矩阵的14个特征，这里我们使用了其中的4个特征和另外一个特征：能量、对比度、熵、逆差和灰度共生矩阵中非零点的个数。

能量：又称为二阶角矩，是图像灰度分布均匀程度和纹理粗细的一个度量，当图像较细致、均匀时，能量值较大，最大值为1，表明灰度分布完全均匀；当图像灰度分布很不均匀、比较粗糙时，能量值较小。

对比度：反映临近像素的反差，描述图像的清晰度、纹理的强弱，值越大，表明纹理效果越明显；值越小，表明纹理效果越不明显，当值为0时，表明图像完全均一、无纹理。

熵：表明图像的复杂程度，当复杂程度高时，熵值较大；复杂程度低时，熵值较小或为0。

逆差：反映纹理的规则程度，纹理杂乱无章、难于描述的，值较小；规律较强、易于描述的，值较大。

非零点个数：反映图像纹理的复杂程度和灰度分布程度，非零点个数越多，纹理越复杂，灰度分布范围较大；非零点个数越少，则反之。

2.4、纹理特征参数提取

再提取计算上述各个纹理特征参数之前，首先要对图像做一些预处理工作，包括图像灰度级的压缩和灰度共生矩阵的正规化。

因为一幅图像的灰度级通常为256级，这样多的级数会导致计算灰度共生矩阵大，计算量大，因此首先要对图像灰度级进行压缩，在实验中，我们将灰度级压缩为64级。

为了分析方便，灰度共生矩阵的元素常用概率值表示，即将各元素P(i，j)除以灰度共生矩阵各元素之和S，得到各元素都小于1的归一化值，即：

$\hat{P}(i,j)=\frac{P(i,j)}{S}---\left(14\right)$

由此得到的共生矩阵成为归一化共生矩阵。灰度共生矩阵各元素之和S表示了图像上一定位置关系下像素对的总组合数。以d＝1，θ＝0°为例，每一行有N_X个水平相邻对点，共有N_Y行，因此总共有2N_Y(N_X-1)个相邻对点，所以取S＝2N_Y(N_X-1)。当d＝1，θ＝45°时，共有相邻对点2(N_Y-1)(N_X-1)，所以取S＝2(N_Y-1)(N_X-1)。由对称性，当θ＝90°和θ＝135°时，同理可得其它S值。

在经过上述两步处理之后，即可按照各种特征参数的定义计算我们所需要的特征了。

2.5、特征参数归一化

各种纹理特征参数值分布范围比较大，标准不统一，为了便于分析，将上述特征值归一化，方法如下：

1)如果一组特征值中存在大于1的值，用这组特征值除以一个固定数值m，使其中的最大值max＝0.95；如果该组特征值都小于1且最大值max＜0.9，则乘以一个固定数值m，使得max＝0.95。

2)如果一组特征值中不存在小于0.1的值，则认为这些值在0～1之间分布不够均匀，需要拉大这组值之间的距离，设一固定参p(i)(p(i)＞1)，使最小值min＝0.05，且最大值保持

不变，即保证该组中既有＞0.9的值，也有＜0.1的值。

3)对每一组特征值进行以上操作。

3、基于分形理论的纹理分析算法

“分形”是由曼德勃罗特(Mandelbrot)在1975年首次提出，其原义是“不规则的、分数的、支离破碎的”物体。分形能够完美地表示自然物体表面的粗糙度。目前，分形已经成功应用于地理学仿真、纹理分析以及X-ray医疗图像等领域。在分形理论中，表示一个分形表面的两个重要参数是分形维数(fractal dimension)和lacunarity，它们是自然物体表面粗糙度和颗粒度的度量，因此也是舌象纹理研究中的重要特征参数。

分形维数的定义方法有很多种，现在常见的有：豪斯道夫维数、盒维数、信息维数、关联维数、相似维数、谱维数、填充维数、分配维数、模糊维数、质量维数、广义维数、Lyapunov(吸引子)维数、函数图维数等等。尽管计算分形维数的方法有很多，不同的人采用不同的计算方法所得到的计算结果可能是不同的。但是总的要求是：分数维必须能够反映“在不断缩小直径的很小的比例下，去观测一个分形集，找出这个集的一个代表维数”，使它能够反映出图形的复杂程度，或“不规则程度的量度”，或“充满空间的程度”。在我们的研究中，采用了盒维数，其公式如下：

        1＝N_rr^D  或 $D=\frac{\log \left(N_r\right)}{\log (1/r)}---\left(15\right)$

但是，直接利用上式计算分形维数是很困难的。事实上，计算盒维数的方法为：由上式，将大小为M*M的图像考虑成为一个三维空间，坐标(x，y)代表二维平面，图像灰度值代表Z轴方向。将(x，y)二维平面分割成大小s*s的格子(s为整数，M/2＞＝s＞1).此时我们有r＝s/M，在每一个格子中有许多体积为s*s*s。的小盒子的堆砌。使第(i，j)个格子中的灰度表面的最大和最小的灰度值分别落入堆砌的序号为k和1的盒子中。令Nr(i，j)＝1-k+1，将所有格子的Nr(i，j)求和，则有：

$N_r=\underset{i,j}{\mathrm{\Σ}}{N}_r(i,j)---\left(16\right)$

通过s的变化引起r的变化，用最小二乘法来拟合log(Nr)-log(1/r)，求出斜率即为D。

一般说来，仅靠分形维数是无法判别大多数现实世界的纹理的。因此，引入术语”lacunarity”来表示这种具有相同分形维数而纹理不同的特性。纹理粗糙，则lacunarity值较大；反之，纹理表面光滑，则lacunarity值较小。Voss定义lacunarity为：

$\mathrm{\λ}\left(L\right)=\frac{M^2\left(L\right)-{\left(M\left(L\right)\right)}^2}{{\left(M\left(L\right)\right)}^2}---\left(17\right)$

其中， $\left\{\begin{array}{c}M\left(L\right)=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}m\·p(m,L)\\ M^2\left(L\right)=\underset{m=1}{\overset{N}{\mathrm{\Σ}}}{m}^2\·p(m,L)\end{array}\right.$

式(17)中，式中L为立方体盒之边长；m是落入边长为L的盒子中点数；p(m，L)为以影像面上点为中心，盒边长为L时，落入盒子中点数为m个的概率。对于每个L值，有 $\underset{m=1}{\overset{N}{\mathrm{\Σ}}}p(m,L)=1,$ N为盒中可能会有的最大点个数。L值变化一次，就相应地得到一个λ(L)值。

本发明使用分形维数和lacunarity共同组成特征向量表示纹理特征，在lacunarity的计算中，我们使用了5个尺度，亦即式(3-27)中的L分别取值2¹，2²，2³，2⁴和2⁵，由此，我们可以得到5个不同尺度下的lacunarity值。综上所述，所提出的特征向量具体构造如下：

f＝[bd lac1 lac2 lac3 lac4 lac5]                     (18)

4、纹理图像去反光预处理

由于舌体上分泌的唾液，使得采集到的舌图像中不可避免地存在一定数量的反光点。当反光点过多时，会产生很多的噪声；若反光点连接成片状，形成大面积干扰，会使得一些舌象纹理特征向量值失效，严重影响舌图像的纹理分类。因此，在提取纹理特征向量前，必需先要对研究对象进行了简单的去反光处理，其方法具体如下：

1)计算该绿色分量图像所有象素点的像素值的均值；

2)遍历该绿色分量图像的每一个像素，若该点绿色分量值大于250，则认为该点位反光点，

用均值替换该点像素值。

4.1、厚苔薄苔的分类

本发明中对于厚苔薄苔的分类仍以64×64的子图像为研究对象，其选取过程结合图2-4所示。在厚苔薄苔分类中，本发明采取了分形的方法来提取研究对象的纹理特征。

         表1厚苔薄苔分类结果

	厚苔	薄苔
			样本集1	80.25％	91.50％
样本集2	81.25％	82.00％
			样本集3	95.25％	80.75％

本发明以哈尔滨工业大学生物信息技术研究中心的舌象数据库中选取的舌图像作为样本，取厚苔样本800个，薄苔样本800个；以盒维数和5个尺度下的lacunarity为特征向量，采用线性判别分析对这些样本进行了分类，并利用这些样本作了简单的交叉比对(crossingvalidation)。实验结果表1所示。从表1中可以看出，采用分形方法提取特征，并以之进行分类，能较好的完成厚苔薄苔的分类。

4.2、红刺的分类

中医理论与临床实践研究表明，红刺多出现于舌尖部位。因此，在对红刺特征的研究中本发明以舌图像上舌尖处截取64×64的子图像为研究对象，其具体获取过程如图5-7所示：

在RGB空间上，舌图像的G(绿色)分量较R(红)、B(蓝)分量能更好的表达图像的视觉特性。同时，由于舌图像的G分量出现过饱和相对于RG两个分量较小，可使得计算变得简单。故此，本发明以舌图像舌尖子图像的绿色分量图像为纹理分析的基本输入对象。

本发明采用Gabor小波滤波作为主要纹理分析方法，预处理方法，在部分实验中还将图像均值作为特征向量的元素，在不同的训练测试样本集上进行了多次实验，其结果表2所示：

                表2红刺分类结果

	Gabor变换		Gabor变换+均值
					样本集1	78％	75％	85％	75％
样本集2	72％	94％	75％	97％
					样本集3	82％	74％	83％	84％

	去反光+Gabor变换		去反光+Gabor变换+均值
					样本集1	79％	71％	84％	77％
样本集2	75％	90％	83％	88％
					样本集3	83％	68％	82％	82％

分析上表可以看出，首先对图像进行预处理，而后对图像进行Gabor小波滤波，并把图像均值与滤波参数的均值和标准差一起作为纹理特征，进行分类能得到比较好的结果。

4.3、红星分类

根据中医临床实践以及我们的观察，我们认为红星多分布于舌边与舌中部之间的舌体表面。在研究中，本发明按图8-11所示过程选取我们的研究对象。

根据实验，图像RGB空间的绿色分量图像既能更好的表达了原图像的视觉特性，又使得计算变得简单，因此，我们最终将以64×64像素的子图像的绿色分量图像为研究对象，采用前述基于Gabor小波的纹理分析方法对舌面红星进行分类。低频中心频率U_l和高频中心频率U_h，U_h最大值为0.5，最小值可以取0^[3]，然而这样的图像在实际中并不常见，同时，考虑到存储空间和计算时间等代价，这里我们将U_l和U_h分别设置为0.4和0.01。滤波的方向数和尺度数K和S，不同的K和S，将会有不同的滤波器，从而得到不同的特征向量，并进一步影响分类结果，因此，这里本发明着重研究不同方向和尺度数对分类的影响。

为找到最优的尺度和方向，我们对尺度和方向分别由4到8变化的不同组合进行了实验，我们把s＝4，ori＝4(即4个尺度4个方向)对应为x轴的1处，s＝4，ori＝5对应x轴的2处，依此类推，画出不同尺度和方向下两类的分类精度曲线，如图12所示。

由图12可以看出，两类分类精度在x＝16处，即s＝7，ori＝4时，达到最大，因此，Gabor的尺度和方向可以确定为7个尺度和4个方向。

5、舌质老嫩纹理舌象纹理分类

灰度共生矩阵是图像纹理分析的一种常用的方法，它能精确地反映纹理的粗糙程度和重复方向，利用这种方法可对地理信息、遥感、SAR以及木材等纹理图像进行分析和描述。本研究以多个方向灰度共生矩阵的综合灰度共生矩阵为特征提取方法，提取了舌图像的能量、对比度、熵和逆差等二次统计特征组成特征向量，对虚证/实证舌象进行了分类，并取得了较好的结果。

5.1、舌质老嫩舌象纹理分区

根据中医理论和中医临床经验，在舌质老嫩舌象的分类研究中，我们主要从舌体边缘选取64×64的子图像作为我们的研究对象。为此，首先我们要将舌体与背景分开，即获得舌体的边缘，其次要在沿舌体的边缘循环的选取子图像，最后因为这些选取到的部分多为倾斜的图像，为此我们要对其进行相应得旋转，变成64×64的子图像，并对其进行RGB空间到灰度的变换。上述过程如图13所示。

5.2、舌质老嫩舌图像纹理特性分析

通过对大量的舌质老嫩舌象的观察，我们可以得出舌质老嫩舌图像的一些主要纹理特性。附图中，图14为舌质娇嫩对应的舌图像，图15为舌质苍老对应的舌图像。

●舌质娇嫩比较光滑，灰度分布比较均匀，舌质苍老比较粗糙，灰度分布不很均匀；

●舌质娇嫩的纹理规律性较强，舌质苍老纹理较为杂乱，规律性较弱；

●舌质娇嫩临近像素灰度值反差较小，舌质苍老临近像素灰度值反差较大；

●舌质娇嫩的纹理较细，舌质苍老的纹理较粗。

6、结论

本发明以哈尔滨工业大学生物信息技术研究中心的舌象数据库中选取的舌图像作为样本，取舌质娇嫩对应的图像300个，舌质苍老对应的图像300个。采用综合灰度共生矩阵方法提取了不同距离下的能量、对比度、熵、逆差和灰度共生矩阵的非零点个数等5个特征参数，采用线性判别分析对这些样本进行了分类，并利用这些样本作了简单的交叉比对(crossingvalidation)。实验结果表3所示。分析表3可以看出，当距离d＝1或d＝2时分类结果较好，随着距离的增大，分类精度逐渐降低。此外，还将我们的方法与Gabor小波的方法做了比较，比较结果如表4所示。从表4的比较中可以看出，灰度共生矩阵方法的精度要远高于Gabor方法。

表3综合灰度共生矩阵方法在不同距离下的分类结果

d	d＝1		d＝2		d＝3		d＝4		d＝5
											样本集1	85％	87％	82％	86％	77％	83％	74％	85％	81％	84％
样本集2	90％	85％	93％	83％	89％	79％	85％	80％	84％	80％
											样本集3	90％	81％	91％	83％	87％	82％	82％	83％	68％	84％

       表4灰度共生矩阵方法与Gabor方法的比较

	LCM		ABOR
					d＝1	虚	实	虚	实
样本集1	85％	87％	75％	71％
					样本集2	90％	85％	88％	73％
样本集3	90％	81％	71％	72％

Claims (7)

1、一种舌象纹理自动分析方法，其特征在于从原始图像中选取子图像，对不同子图像分别进行预处理，预处理后进行特征参数提取，将提取的特征向量送入分类器进行分类，分类后输出分类结果。

2、根据权利要求1所述的一种舌象纹理自动分析方法，其特征在于所述的预处理包括图像灰度级的压缩和灰度共生矩阵的正规化。

3、根据权利要求1所述的一种舌象纹理自动分析方法，其特征在于所述的特征参数提取方法包括Gabor滤波、灰度共生矩阵以及分形模型方法。

4、根据权利要求1所述的一种舌象纹理自动分析方法，其特征在于所述的分类方法包括现行判别分析方法。

5、根据权利要求1所述的一种舌象纹理自动分析方法，其特征在于在提取纹理特征向量之前对处理对象进行去反光处理。

6、根据权利要求1所述的一种舌象纹理自动分析方法，其特征在于所述的用于分析灰度共生矩阵的特征包括能量、对比度、熵、逆差和灰度共生矩阵中非零点的个数。

7、根据权利要求1所述的一种舌象纹理自动分析方法，其特征在于所述的分形模型方法包括使用分形维数和lacunarity共同组成特征向量表示纹理特征。

Images