一种基于纹理和分布特征的舌苔腐腻识别方法
【技术领域】
[0001] 本发明涉及一种基于纹理和分布特征的舌苔腐腻识别方法，属于模式识别和图像 处理领域。
【背景技术】
[0002] 中医诊断的基本方法有四种，即：望、闻、问、切。望舌的主要内容包括舌质和舌苔 两方面。舌苔是附着在舌面上的一层苔状物，舌苔的颜色、厚薄和腐腻程度都能反映出五脏 六腑的健康状况。按舌苔腐腻程度的不同可以将舌苔分成腐苔和腻苔。腻苔表现为苔质颗 粒细腻致密，融合成片，中间厚边周薄，紧贴于舌面，揩之不去，刮之不易脱落。而腐苔则表 现为颗粒较粗大且根底松浮，如豆腐渣堆铺舌面，边中皆厚，揩之可去，或成片脱落，舌底光 滑。然而，现今中医的发展仍存在相当大的主观经验判断，大部分舌苔诊断结果受知识水 平、思维能力、诊断技能等人为主观因素的制约，缺乏客观的评价依据和统一的评价标准。 舌诊具有非接触、无痛和无副作用等优势，这使其非常符合现代医学理念，同时容易应用到 机器辅助医疗、远程会诊等新兴医疗技术中。
【发明内容】
[0003] 本发明的目的在于针对现有技术存在的不足，提出一种基于纹理和分布特征的舌 苔腐腻识别方法。该方法采用支持向量机作为分类器，以舌头图像的Gabor纹理、Tamura粗 糙度、和舌苔的分布特征作为特征向量。利用计算机模拟中医专家对舌苔进行识别，进而克 服传统对舌苔腐腻识别的主观性强、可重复性差的缺点。
[0004] 为了达到上述目的，本发明采用下述技术方案： 一种基于纹理和分布特征的舌苔腐腻识别方法，包括如下步骤： (1) 、建立基于Gabor纹理、Tamura粗糙度和舌苔分布特征的训练样本集； (2) 、构建基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器； (3) 、利用基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔分类器进行识 另IJ，判断待识别的舌面图像是否为腐腻舌苔图像。
[0005] 所述步骤（1)建立基于Gabor纹理、Tamura粗糙度和舌苔分布特征的训练样本集， 其具体步骤如下： (11) 、从人脸伸舌照片中分割出舌面图像，构建舌面图像库 对采集到的舌面图像进行预处理，在每幅图像上进行苔质分离得到舌体图像和舌苔图 像。将所有已识别的图像分为：腐苔和腻苔，分别存入两个样本库； (12) 、将彩色的舌苔图像转化为灰度图像；
[0006] (13)、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成 特征向量。
[0007] (131).在舌苔通常分布的位置即舌面图像的中间80*80的区域抽取4个不同尺 度和6个不同方向上的Gabor特征，形成48维的Gabor纹理特征向量；在舌面图像的中间 128*128的区域，将该区域分为16*16个子块，在每个子块中抽取Tamura粗糙度特征，形成 16个舌苔的粗糙度值； (132) .选取舌苔图像中间宽的范围在0. 2*Width~0. 8Width，高的范围为 0. 2*Height~0. 8*Height，Width和Height为舌体的宽度和高度，利用开闭运算剔除该区 域中的一些由于图像分割以及照相光源导致舌根部阴影噪声数据。计算每一幅舌苔图像 的基于舌苔分布的7维特征； i. 计算开闭运算后与苔质分离重合的像素个数/苔质分离后苔的像素个数； ii. 计算开闭运算后的像素个数/苔质分离后苔的像素个数 iii. 计算舌中上部分苔质分离的像素个数/苔质分离后苔的像素个数 iv. 计算开闭运算后最大块的大小/苔质分离后苔的像素个数 V.计算开闭运算后的像素个数/苔质分离后质的像素个数 vi. 计算开闭运算后与苔质分离重合的像素个数/开闭运算后的像素个数 vii. 计算开闭运算后最大块的大小/开闭运算后的像素个数 (133) .将以上得到的参数列在一个向量中，代表了每一个样本的特征向量，所有的特 征向量组成了特征样本集。
[0008] 所述步骤（2)所述的构建基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻 舌苔分类器，其具体步骤如下： (21)、将步骤（1)得到的三类特征训练样本集输入支持向量机； 实施例中，采用LIBSVM软件包作为分类工具，以径向基函数为核函数，其中，最优惩罚 参数C为8.0,径向基函数中的参数〇等于0.00012。
[0009] (22)、经训练得到训练模型，构建成舌苔腐腻识别的分类器；对三类特征训练样本 集进行训练，得到训练模型，由该训练模型构建成舌苔腐腻分类器； 所述步骤（3)所述的利用基于Gabor纹理、Tamura粗糙度和舌苔分布特征的腐腻舌苔 分类器进行识别，判断待识别的舌面图像是否属于腐苔或是腻苔，其具体步骤如下： (31) 、从人脸伸舌照片中分割得到若干待识别舌面图像库；对采集到的舌面图像进行 预处理，在每幅图像上进行苔质分离得到若干幅待识别舌面图像； (32) 、将彩色的舌苔图像转化为灰度图像；将舌面图像运用自动分离算法将舌样本分 为舌体图像和舌苔图像，将舌苔图像转化为灰度图像 (33) 、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成特征 向量；根据步骤（13)分别对上述每一幅待识别舌面计算舌苔图像的Gabor纹理48维特 征、计算舌苔图像的Tamura粗糙度16维特征、计算舌苔图像的舌苔分布7维特征，形成51 维的特征向量； (34) 、用舌苔腐腻分类器对样本特征向量分类；将步骤（33)得到待识别舌面图像的 特征向量输入到步骤（2)中所述的舌苔腐腻分类器，得出每一幅待识别舌面图像的分类结 果。
[0010] 本发明相比现有技术具有如下显而易见的突出实质性特点和显著优点： 该方法采用支持向量机作为分类器，以舌苔图像的Gabor纹理特征、Tamura粗糙度特 征和舌苔分布特征为特征向量，利用计算机模拟中医专家对裂纹进行识别，具有可重复性； 该方法利用一次性的大样本集训练即可胜任识别工作，而且在识别过程中不需要任何的参 数设置等人工因素干预，实现了全自动化识别；模拟中医对舌苔腐腻进行识别，克服中医目 测观察舌苔腐腻的主观性强、无统一标准的缺点；该方法是对中医舌苔腐腻识别经验的总 结和继承。
【附图说明】
[0011] 图1为本发明的舌苔腐腻识别方法的总流程框图； 图2为本发明的舌苔腐腻识别方法一幅腐苔舌面图像和腻苔舌面图像，其中左边卫腐 苔图像，右边为腻苔图像。
【具体实施方式】
[0012] 以下结合附图对本发明的优选实施例作进一步的详细说明。
[0013] 本实施例以本发明的技术方案为前提进行实施。
[0014] 如图1所示，本发明基于纹理和分布特征的舌苔腐腻识别方法，其具体步骤如下： (I) 、建立基于Gabor纹理、Tamura粗糙度和舌苔分布特征的训练样本集； (II) 、从人脸伸舌照片中分割出舌面图像，构建舌面图像库 对采集到的舌面图像进行预处理，在每幅图像上进行苔质分离得到舌体图像和舌苔图 像。将所有已识别的图像分为：腐苔和腻苔，分别存入两个样本库； (12) 、将彩色的舌苔图像转化为灰度图像； 将舌面图像运用自动分离算法将舌样本分为舌体图像和舌苔图像，将舌苔图像转化为 灰度 (13) 、提取图像的Gabor纹理特征、Tamura粗糙度特征和舌苔分布三个特征组成特征 向量 (131) .在舌苔通常分布的位置即舌面图像的中间80*80的区域抽取4个不同尺度和 6个不同方向上的Gabor特征，形成48维的Gabor纹理特征向量在舌面图像的中间 128*128的区域，将该区域分为16*16个子块，在每个子块中抽取Tamura粗糙度特征，形成 16个舌苔的粗糙度值/ 2 ; (132) .选取舌苔图像中间宽的范围在0. 2*Width~0. 8Width，高的范围为 0. 2*Height~0. 8*Height，Width和Height为舌体的宽度和高度，利用开闭运算剔除该区 域中的一些由于图像分割以及照相光源导致舌根部阴影噪声数据。计算每一幅舌苔图像 的基于舌苔分布的7维特征I ; i. 计算开闭运算后与苔质分离重合的像素个数/苔质分离后苔的像素个数