SCI论文（www.lunwensci.com）:
摘要：中医舌诊客观化对中医现代化具有重要意义。将舌体从图像中分割出来是自动分析舌象的重要步骤,舌体分割质量会直接影响后续分析算法的准确性。因此,本文提出一种简易舌体边缘自动识别算法。首先,将色彩位图转化为灰度图像,滤波后去除图像中噪点,用全局门限法找出上部边缘。其次,用Sobel算法对图像进行水平和垂直检测,找出左、右和下部边缘。最后,将所有边缘组合起来,并用腐蚀算法对边缘进行优化得出最终的边缘。实验结果表明,该方法能够较好的识别舌体边缘。
关键词：边缘检测；Sobel算法；阈值算法；腐蚀算法
The Automatic Recognition Algorithm of Tongue Edge
QIAN Yaoyu
(Fujian Xiamen Maternal and Child Care Service Center,Xiamen Fujian 361021)
【Abstract】：The objectification of tongue diagnosis in Modernization of Traditional Chinese Medicine(TCM)is of great significance.In order to facilitate the automatic analysis of the tongue image,it's important to segment the tongue from the whole image,and the segmentation results will directly affect the accuracy of the tongue image feature analysis algorithm.Therefore,this paper proposes a simple automatic tongue edge recognition algorithm.Firstly,it converts the color bitmap into a grayscale image,and removes the noise afterfiltering the image,and then uses the global threshold method tofind the up edge of the tongue.Secondly,the image is detected horizontally and vertically with the Sobel algorithm tofind the left,right and low edges.Finally,it combines all the edges and optimizes these edges with a corrosion algorithm to get thefinal edge of the tongue.The experimental results show that this algorithm can effectively identify the edge of the tongue.
【Key words】：edge detection;Soble algorithm;threshold algorithm;corrosion algorithm
0引言
舌诊为中医望诊的重点内容之一,是中医诊断疾病的一种重要指标[1-2]。应用图像技术将中医舌诊客观化而不是依靠医师的主观判断,对中医现代化具有重要意义。将舌体部分从采集到的脸部照片分割出来是自动分析舌象指标的重要步骤,舌体分割的质量会直接影响到后续分析算法的准确性,同时,它也是进一步对舌体进行分析研究的重要前提。早期多采用人工进行舌体区域图像的分割,虽然准确率很高,但费时费力且效率低下。因此,对舌体区域的自动分割算法研究势在必行。
近年来,出现了不少用于舌体分割的方法,如Li Z等人[3]提出基于颜色与模型的分割方法,通过转换HSI色度空间的色相分量确定舌体区域,再对RGB色度空间的红色分量进行图像处理后确定最终舌体区域。傅之成等人[4]提出使用边缘检测和Snake模型的舌体分割算法,由边缘检测和色彩对消方法得到舌体初始轮廓,再由Snake模型提取舌体分割结果。马龙祥等人[5]提出一种基于高分辨率特征的舌体分割算法。该算法通过区域定位网络定位出舌体区域,针对该区域搭建高分辨率网络来提取相应特征,从而对舌体进行精准确分割。刘梦等人[6]提出基于深度学习和迁移学习的舌体提取方法,研究中提出的模型虽然有很好的泛化性,但其主要是对齿痕舌和裂纹舌局部特征的提取。
1舌体边缘自动识别算法
本文用普通数码相机拍摄,在普通光照条件下采集包括唇、齿、舌及部分脸部的图像,整个算法利用C++编程语言对舌体图片的RGB色彩模型位图进行一系列的处理,最终得到整个舌体的边缘。如图1所示是整个自动识别算法的流程。
1.1预处理
由于每张舌体图均有其特殊的光照、颜色和纹理等信息,所以本文采用自适应算法来确定典型灰度值,同时尽量避免其他特征的影响[4],预处理的目的就是使进入识别器的图像保留边缘区域信息的同时尽量少包含甚至不包含影响边缘识别的其他信息。
实验中的舌体图片均为RGB色彩模型位图。本文采用的是精确加权平均值算法gray=R×0.299+G×0.587+B×0.144将其转化为灰度图,并采用的是3×3的滤波器掩模进行滤波,掩模中的所有系数的和为16,2的整数次幂,便于计算机实现。一幅M×N的图像经过一个m×n（m和n是奇数）的加权均值滤波器滤波的方法如下：
如图2(b)所示显示了应用3×3滤波器掩模对灰度图像处理后的结果。
1.2获得初始边缘
1.2.1全局门限法
对于舌体的灰度图像,舌头上嘴唇之间通常有一块深色的区域,这块深色区域与舌体其他部分的灰度差别很大,在灰度直方图上呈现典型的双峰分布,适合采用门限值法来分割图像。本文采用全局门限法,通过迭代找出分割门限值。(1)计算图片平均灰度值T；(2)采用T为门限值分割生成两组像素：灰度值大于T的像素为P1,其他像素为P2；(3)分别计算出P1和P2中所含像素点的平均灰度值μ1和μ2；(4)计算新的门限值：T'=1/2(μ1+μ2)；(5)使用T'代替T,重复(2)到(4),直到两次迭代所得的T'值之差小于预定值退出。通过迭代出的门限值T'分割后的二值图像后,舌体上部边缘已经出现。（如图3所示）
1.2.2 Sobel算法
在边缘检测中,常用的一种模板是Sobel算子,有水平边缘检测和垂直边缘检测两种。Sobel算子对于像素的位置的影响做了加权,可以降低边缘模糊程度。与Prewitt算子相比,在舌体上的实际应用效果更好。检测出水平和垂直边缘后,整体边缘仍不明显,必须将水平与垂直边缘叠加。叠加后两种边缘都得到了加强,并且整体边缘初步形成。（如图4所示）
1.2.3获得初步舌体边缘
经过叠加后的图像的舌体边缘已经比较明显了,但其仍旧是灰度图不利于抓取边缘。所以要对其进行阈值处理将其转化成二值图像。在这里使用的是类似于全局门限的方法找出原灰度图的阈值T,然后分别从左、右和下三个方向扫描二值图像,找出舌体的左右和下部边缘。然后将四周的边缘组合起来,得到一个初步的舌体边缘。如图5所示。
1.3体边缘的腐蚀优化以及插值算法连接舌体边缘
1.3.1改进型腐蚀算法
此时的舌体边缘包括许多离散的非边缘点必须去除,本文使用改进型腐蚀的办法。传统腐蚀是一种消除边界点算法。通常定义为：E=X⊕B={(x,y)|Bxy⊆X}。有几种简单对称结构元素（圆形、方形、菱形）如图6所示。
本文采用的改进腐蚀算法为：（1）使用传统腐蚀算法中的方形结构,对边缘图像的每一个像素进行扫描。当且仅当一个边缘点四周方形邻域内存在其他边缘点时,才将其保留下来。这样就去除了图中离散的边缘点优化了边缘（如图7(a)所示）。（2）经过第一步腐蚀处理的边缘依然存在许多远离边缘的点需要进一步优化。由于舌体的边缘近似一个圆形且均匀变化的,所以只需将中点到舌体边缘距离规定在一定范围内,便可以去除远离边缘的点。以图像中心为圆心,1°为间隔,逆时针扫描舌体的边缘,删除到中心距离超出范围的点。处理后效果如图7(b)所示。经过上述两步骤处理舌体的主体边缘已经被找出,非边缘点基本被去除。
1.3.2插值连接
对于腐蚀后的边缘只需将图中离散的点用插值算法依次连接起来,便能得到舌体的封闭边缘线（如图7(c)所示）。最后将边缘叠加到原图中用白色线线条表示出来(如图7(d)所示)。
2实验结果和分析
使用本文算法能够快速的完成舌体图像的边缘识别,绝大部分图像能取得较好的结果。实际应用过程中约87.5%的舌体图像通过边缘识别后,能够满足后续舌象特征提取、分析等要求。如图8所示为部分舌体图像的识别效果。
3结语
经过实验得出：该方法能适应大多数舌体图像,给出较好的边缘。但对于拍照方式和舌体在图中的位置有较高的要求。并且最终边缘还不够平滑,还有待于进一步改进。
下一步研究工作就是根据舌体边缘将舌体分割出来,为舌苔和舌质的分离、舌色分析与量化、以及舌苔厚度和湿润程度及裂纹方面的研究做准备。
参考文献
[1]刘梦,王曦廷,周璐,等.基于深度学习与迁移学习的中医舌象提取识别研究[J].中医杂志,2019,60(10):835-840.
[2]孟宪友,黄水清.中医舌诊源流探析[J].辽宁中医杂志,2016,43(5):946-948.
[3]Li Z,Yu Z,Liu W,et al.Tongue image segmentation via color decomposition and thresholding[J].Concurrency and Computation:Practice and Experience,2019,31(23):4662.
[4]傅之成,李晓强,李福凤.基于径向边缘检测和Snake模型的舌像分割[J].中国图象图形学报,2009,14(4):688-693.
[5]马龙祥,杨浩,宋婷婷,等.基于高分辨率特征的舌象分割算法研究[J].计算机工程,2020,46(10):248-252.
[6]刘梦,王曦廷,周璐,等.基于深度学习与迁移学习的中医舌象提取识别研究[J].中医杂志,2019,60(10):835-840.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/38327.html
