一种口腔诊断装置及图像处理方法与流程

本发明涉及口腔器械领域，具体涉及一种口腔诊断装置及图像处理方法。

背景技术：

依据近几年生活的变化，口腔问题越来越得到人们的重视。目前，口腔治疗与诊断必须去医院进行口腔影像采集，才能进行治疗，而不能在家立即进行诊断。传统的口腔影像采集设备是由口腔窥镜完成，且要通过数据线传输到电脑上查看，体积较大，只能在医院使用，不能随身携带，不能使患者自诊断。

技术实现要素：

本发明的目的在于克服上述不足，提供一种口腔诊断装置及图像处理方法，使患者在家能自我诊断口腔问题，为人类口腔健康做出极大贡献。

为了达到上述目的，一种口腔诊断装置，其特征在于，包括摄像头s1，摄像头s1连接处理模块s2，处理模块s2包括图像识别模块s7和图像储存模块s8，处理模块s2连接显示器s3；

摄像头s1用于采集口腔内图像，并将采集的口腔内图像发送至处理模块s2中；

图像识别模块s7用于对口腔内图像进行分割和特征提取，并根据现有图像对特征提取后的图像进行对比，对具有异样状况的图像进行标记；

图像储存模块s8用于储存现有图像和对异样状况标记后的图像；

显示器s3用于显示摄像头s1采集的图像，以及对异样状况标记后的图像。

处理模块s2连接图像分享模块s9，图像分享模块s9连接无线模块s6，图像分享模块s9用于接收对异样状况标记后的图像并进行转发。

摄像头s1上设置有光源组，光源组通过光源控制模块s16控制，光源控制模块s16连接处理单元s2，光源控制器s16用于采集处理单元s2中的口腔内图像，并根据图像亮度控制光源组的亮度。

处理模块s2连接有蜂鸣器s11，在图像识别模块s7对具有异样状况的图像进行标记后，蜂鸣器s11用于报警。

处理模块s2连接有红外模块s10。

处理模块s2连接有卡槽s12。

一种口腔诊断装置的图像处理方法，图像识别模块s7的具体处理方法如下：

步骤一，把摄像头s1采集的真彩图像利用r＝g＝b＝0.3r+0.59g+0.11b转换为灰度图像；

步骤二，把经过步骤一后的灰度图像利用迭代求图像最佳分割阈值算法，提取出所需区域；

在阈值选取时，先用初始的开关函数将原图全部像素分成前景、背景两大类，然后分别对其进行积分并将结果取平均获取新的阈值，之后再次根据新的阈值控制开关并将图像分成前景、背景，并用做新的开关函数，当开关函数不在变化时，找到了合适阈值，并对图像进行分割，最后通过直接跟踪物体边界方法将物体区域分割出来；

步骤三，对分割后的图像数据变换，得到了最能反映模式的特征，利用图像矩特征与图像纹理特征提取出所需的特征；

步骤四，利用pca法对所需特征的样本数据先进行预处理，再对预处理后的的特征量进行聚类；

步骤五，将聚类的部分数据分为训练集和测试集，利用bp神经网络对聚类后的数据进行训练与测试；

步骤六，利用单类别分类器集成对口腔病理特征识别。

步骤三中，图像矩特征利用图像边缘不变矩方法对分割后的图像二值化，再提取不变矩，对不变矩取对数后得到。

步骤四中，pca过程具体如下：

第一步，构造样本矩阵y：假设训练图像为m×n，将m×n的训练图像重新排列成m×n维的列向量，即构成样本矩阵y；

第二步，计算其均值向量，并利用均值向量将所有样本进行中心化处理：样本第m维的平均值为再对所有样本进行中心化为a＝x-uh，h[n]＝1,forn＝1,2,…n,u是一个列向量；

第三步，计算协方差矩阵：协方差矩阵计算公式为其中a、b为矩阵；

第四步，计算协方差矩阵的特征值和对应的特征向量，并根据特征值的大小对特征值对应的特征向量从大到小进行排序；

第五步，从第四步的结果中选择前k≤n-1个特征向量组成新的矩阵c，然后将每幅待训练的图像向矩阵c投影，就得到降维图像。

步骤五中，利用bp神经网络对聚类后的数据进行训练与测试的具体方法如下：

第一步，加载m×n维的口腔原始特征向量矩阵f及m×2维的期望输出向量矩阵o，特征向量矩阵中矩阵的行数代表口腔样本个数，列数n代表原始特征个数。期望输出向量矩阵中每一行的值代表相应口腔样本的期望输出；

第二步，对第一步中的特征向量矩阵进行归一化处理；

第三步，在经过第二步后的归一化的特征向量矩阵中选取步骤三中的所需特征对应的列组成新的特征向量矩阵，维数为m×l，l为特征提取后的特征维数；

第四步，将经过第三步后的新的特征向量矩阵及相应的目标输出向量矩阵组合为模式矩阵g，则模式矩阵大小为m×(l+2)，其中g(i,1:l)表示第i个口腔样本的特征，g(i，l+1:l+2)代表第i个口腔样本的期望输出；

第五步，对第四步中的模式矩阵进行拆分，代入训练样本集和测试样本集，且输入时各类样本数据交替输入，使样本具有代表性，测试样本集也用同样方法输入；

第六步，进行bp网络创建，对相应的训练参数进行设定；

第七步，使用测试集对网络进行测试，得到测试结果。

与现有技术相比，本发明的装置采用摄像头采集图像，通过图像设备模块对图像进行处理，能够对具有异样状况的图像进行标记，简化了传统口腔检查的复杂流程，提高了易用性与工作效率。本装置能够使患者在家中即可诊断口腔问题，便于携带，使患者可以及时就医。

进一步的，本发明设置有图像分享模块，使本装置远距离操控，对于双手有缺陷和不识字人群有极大帮助。

本发明的图像处理方法是将灰度图像通过迭代求图像最佳分割阈值算法，提取出所需区域，再利用图像矩特征与图像纹理特征提取出所需的特征，最后根据pca法对所需特征的样本数据先进行预处理，根据bp神经网络对聚类后的数据进行训练与测试，完成对口腔病理的识别，该方法识别精度高，能够自动检测并鉴定口腔问题，避免肉眼的偏差，使判断更加高效。

附图说明

图1为本发明的结构框图；

图2为本发明中图像识别模块的流程图；

图3为本发明中bp神经网络分类器图。

具体实施方式

下面结合附图对本发明作进一步说明。

参见图1，一种口腔诊断装置，其特征在于，包括摄像头s1，摄像头s1连接处理模块s2，处理模块s2包括图像识别模块s7和图像储存模块s8，处理模块s2连接显示器s3，摄像头s1上设置有光源组，光源组通过光源控制模块s16控制，光源控制模块s16连接处理单元s2，光源控制器s16用于采集处理单元s2中的口腔内图像，并根据图像亮度控制光源组的亮度。

摄像头s1用于采集口腔内图像，并将采集的口腔内图像发送至处理模块s2中；

图像识别模块s7用于对口腔内图像进行分割和特征提取，并根据现有图像对特征提取后的图像进行对比，对具有异样状况的图像进行标记；

图像储存模块s8用于储存现有图像和对异样状况标记后的图像；

显示器s3用于显示摄像头s1采集的图像，以及对异样状况标记后的图像。

处理模块s2连接图像分享模块s9，图像分享模块s9连接无线模块s6，图像分享模块s9用于接收对异样状况标记后的图像并进行转发。

处理模块s2连接有蜂鸣器s11，在图像识别模块s7对具有异样状况的图像进行标记后，蜂鸣器s11用于报警。

处理模块s2连接有红外模块s10，能够用遥控器对设备进行远距离操控。

处理模块s2连接有卡槽s12，用来插入手机卡或者内存卡保存数据。

打开摄像头s1后，进行采集口腔影像，采集结果会通过显示器s3显示在屏幕上，也可以通过usb线与电脑或者电视连接，显示在更大的屏幕上。

摄像头s1拍摄到口腔异样处时，蜂鸣器s11会放出音乐，提醒患者此处有问题，同时，摄像头s1会对异样处自动聚焦，放大异样处。

由于摄像头s1像素有一定的限制，为了使影像更加清晰，图像识别模块s7会对拍摄到的图像进行处理，并且自动标记出异样区域，还会对异样区域自动检测，判断出口腔问题症状，此时会有语音播报问题症状。

对处理后的影像，图像存储模块s8会存储到终端设备或者其他设备或云端，存储图片时，同时存储采集时间、采集的用户信息和症状检测结果，还会保存生成的影像二维码，方便查看。为了节省存储空间，分享时的高速性，便于查看，并对诊断的结果生成电子病历二维码。想清楚的看到异样区域图片，可拿移动设备扫描影像二维码查看；想查看诊断结果，可扫描电子病历二维码。

选择“分享”选项，图像分享模块s9会将需要分享的文件通过无线网络分享到需要的地方，包括二维码的分享；当遇到没有无线网络的情况时，我们可以将手机卡插入卡槽s12，利用流量即可进行分享，且耗费的流量少，此时还可以分享给手机联系人。

在本发明实施例中，当外出，终端设备忽然没电，又忘记带充电线时，打开无线模块s6，选择最近的电源进行及时充电，且此设备充电时间短，电池耐用性好。

在本发明实施例中，对于双手有缺陷或者不识字的人群，可将遥控器s4给予他人，通过红外模块s10，他人可以远距离操控此设备，患者自己可在此设备上看到诊断图像与结果，还可以听到语音播报结果；在进行这一过程时，可插入手机卡与他人语音对话，达到最佳拍摄效果。

参见图2，图像识别模块s7的具体处理方法如下：

步骤a1，把摄像头s1采集的真彩图像利用r＝g＝b＝0.3r+0.59g+0.11b转换为灰度图像；

步骤a2，把经过步骤a1后的图像利用迭代求图像最佳分割阈值算分，提取出感兴趣的区域。在阈值选取时，先用初始的开关函数将原图全部像素分成前景、背景两大类，然后分别对其进行积分并将结果取平均获取新的阈值，之后再次按此阈值控制开关并将图像分成前景、背景，并用做新的开关函数，当开关函数不在变化时，找到了合适阈值，并对图像进行分割，最后通过直接跟踪物体边界方法将物体区域分割出来。

步骤a3，对图像数据变换，得到了最能反映模式的特征。利用图像矩特征与图像纹理特征提取出需要的特征。图像矩特征利用图像边缘不变矩方法对步骤a2后的图像二值化，再提取不变矩，对不变矩取对数即可得到。在此基础上，在对图像纹理特征进行提取，提取到的特征清晰、无损失。

步骤a4，利用pca法对高维大样本数据先进行预处理，再利用分析所得的特征量进行聚类，这样既可以降噪、降维，还可以从大样本集中选出几乎可以包含全部样本特性的训练样本。其中，pca过程如下：

step1：构造样本矩阵y。假设训练图像为m×n，将m×n的训练图像重新排列成m×n维的列向量，即构成样本矩阵y。

step2:计算其均值向量，并利用均值向量将所有样本进行中心化处理。样本第m维的平均值为再对所有样本进行中心化为a＝x-uh，h[n]＝1,forn＝1,2,…n,u是一个列向量。

step3:计算协方差矩阵。协方差矩阵计算公式为其中a、b为矩阵。

step4:计算协方差矩阵的特征值和对应的特征向量，并根据特征值的大小对特征值对应的特征向量从大到小进行排序。

step5:从step4的结果中选择前k≤n-1个特征向量组成新的矩阵c，然后将每幅待训练的图像向矩阵c投影，就得到降维图像。

其中，聚类法是对经过pca后的特征结果分为l个小类，其中l<n，以一定的比例选取m(m<n)个作为训练样本集，此时的样本数少，再又保证训练样本具有代表性。

步骤a5，本发明利用bp神经网络对样本进行训练与测试。这一过程包括分类器的训练与分类器的测试。本发明将经过步骤a4后的样本随机抽取20％样本作为测试样本，用剩余的样本作为训练样本，进行训练分类器。其中，利用bp算法对病理图像识别过程如下：

step1:加载m×n维的口腔原始特征向量矩阵f及m×2维的期望输出向量矩阵o，特征向量矩阵中矩阵的行数代表口腔样本个数，列数n代表原始特征个数。期望输出向量矩阵中每一行的值代表相应口腔样本的期望输出。

step2:对step1中的特征向量矩阵进行归一化处理。

step3:在经过step2后的归一化的特征向量矩阵中选取步骤a3后的特征对应的列组成新的特征向量矩阵，维数为m×l，l为特征提取后的特征维数。

step4:将经过step3后的新的特征向量矩阵及相应的目标输出向量矩阵组合为模式矩阵g，则模式矩阵大小为m×(l+2)，其中g(i,1:l)表示第i个口腔样本的特征，g(i，l+1:l+2)代表第i个口腔样本的期望输出。

step5:对step4中的模式矩阵进行拆分，带到训练样本集和测试样本集，且输入时各类样本数据交替输入，使样本具有代表性。测试样本集也用同样方法输入。

step6:进行bp网络创建，对相应的训练参数进行设定，如训练次数、性能指标及学习率等，并对网络进行训练，保存训练好的神经网络。

step7:使用测试集对网络进行测试，得到测试结果。

步骤6：利用单类别分类器集成对口腔病理特征识别。把n类病理分类问题看成n个单独的类别，分别建立n个分类器，每个分类器仅需确认一个类别，在使用过程中，对类别i，分类器仅有两种输出，是i类和非i类，最终各分类器集成输出，如图3所示。例如，对于牙病问题可分为三类，分别为牙龈炎、牙根炎和牙髓炎，则分类器有三类,n＝3,n＝3。