基于学习的面向手机应用的舌像快速检测分割方法
【专利摘要】本发明公开了基于学习的面向手机应用的舌像快速检测分割方法，其包括以下步骤：S1.手机端检测，其包括：S11.建立手机端Adaboost级联分类器，S12.提取舌像候选区域，S13.检测含舌像候选区域图像；S2.服务器端检测，其包括：S21.建立服务器端Adaboost级联分类器，S22.图像检测，S3.服务器端分割；其包括：S31.超像素分割，S32.计算概率图像，S33.概率图像分割。本发明在手机端检测与服务器端检测均基于学习的Adaboost级联分类器，能够实时精确检测出图像中的舌象，分采用适于手机图像的超像素分割准确分割出舌像。
【专利说明】
基于学习的面向手机应用的舌像快速检测分割方法
技术领域
[0001] 本发明涉及图像处理技术领域，特别是基于学习的面向手机应用的舌像快速检测 分割方法。
【背景技术】
[0002] 舌像分割是应用于中医舌诊的图像处理技术，传统的舌象处理针对的大部分是医 院自己设定的图像采集设备，默认图像中已经有舌象，而且光线条件恒定，传统的舌象分割 技术往往采用的是基于舌象边缘进行分割或者是基于图像颜色阈值的分割，这些舌像分割 方法对于来自手机端的图像准确率较低，其原因是手机计算速度有限，计算内存较小，拍摄 的照片存在光线并不稳定的情况，手机采集的图像光照不足而导致边缘不够明显。
[0003] 有鉴于此，本发明人提出一种基于学习的面向手机应用的舌像快速检测分割方 法，基于较少的计算资源以较高的准确率检测和分割出舌像。
【发明内容】
[0004] 本发明为解决上述问题，提供了基于学习的面向手机应用的舌像快速检测分割方 法，针对手机采集的图像，在手机端检测与服务器端检测均基于深度学习的Adaboost级联 分类器，能够实时精确检测出图像中的舌象，分采用适于手机图像的超像素分割准确分割 出舌像。
[0005] 为实现上述目的，本发明采用的技术方案为：
[0006] 基于学习的面向手机应用的舌像快速检测分割方法，包括以下步骤：
[0007] S1.手机端检测，其包括：
[0008] S11.建立手机端Adaboost级联分类器:采用预置数量张含舌像图像作为正样本和 预置数量张不含舌像的背景图像作为负样本，分别提取正样本和负样本的纹理特征，采用 Adaboost机器将提取的纹理特征进行学习训练，获得手机端Adaboost级联分类器；
[0009] S12.提取舌像候选区域:将待检测图像输入手机端Adaboost级联分类器进行分类 检测，获得含舌像候选区域的图像；
[0010] S13.将含舌像候选区域的图像转换为RG幽像，计算其颜色直方图，根据颜色直方 图判断每个像素及其周围区域与舌像颜色的相似度，再计算舌像候选区域的平均颜色相似 度，选取平均相似度不低于阈值的图像作为手机端检测出含舌像的图像，手机端将其检测 出的含舌像图像上传至服务器端作为服务器端的待检测图像；
[0011] S2.服务器端检测，其包括：
[0012] S21.建立服务器端Adaboost级联分类器:采用预置数量张含舌像图像作为正样本 和预置数量张不含舌像的背景图像作为负样本，将正样本与负样本归一化并分别计算其 H0G特征，再放入SVM模型中训练，获得服务器端Adaboost级联分类器；
[0013] S22.图像检测:将从手机端上传至服务器端的待检测图像输入服务器端Adaboost 级联分类器，排除不含舌像的图像，得到待分割图像；
[0014] S3.服务器端分割，其包括：
[0015] S31 ?将待分害_像进行超像素分割，得到超像素块ai，a2,……an-i，a n，获取每个超 像素块的直方图特征Vi，将所有超像素块的直方图特征集合成一个矩阵M，采用K-means聚 类算法将M聚为600类的词典；
[0016] S32.计算每个直方图特征与600类词典之间的欧式最小距离，经过归一化后获得 每个像素块的属于舌像类的概率，获得概率图像；
[0017] S33?采用Graph Cuts算法在概率图像上分割出舌像。
[0018] 所述步骤SI 1中采用的正样本数量至少2000张，负样本数量至少4000张;所述步骤 S21中采用的正样本数量和负样本数量均为至少3000张。
[0019] 步骤S13中的阈值为0.0042。
[0020]所述步骤S11中提取正样本和负样本的纹理特征的算法是：
[0021] /).?〇, .>?) = sign(arraym - real) i=0
[0022] 其中，Dst(x，y)表示与原图对应的纹理图像，real为原图的灰度值，arraym为原图 周围的图像色块，sign〇为符号函数，组织方式为从目标点(x，y)斜上方开始，从左至右，从 上向下的顺时针顺序组织的的块序列。
[0023] 所述步骤S21正样本与负样本归一化到64X64的大小，H0G特征的维数为1764。 [0024]所述超像素分割采用SLIC超像素分割算法。
[0025] 本发明的有益效果是:本发明针对手机采集并上传服务器的舌像图像（照片），依 次进行手机端检测、服务器端检测和服务器端分割过程，手机端检测与服务器端检测均基 于深度学习的Adaboost级联分类器，经手机端检测可在0.1S内完成舌像的判定，图像准确 率可达到97.50%，经过服务器端检测后进一步排除误检图像，提高舌像检测的准确率，在 服务器端采用超像素分割较好的把光线变化较大的手机图像整块相似区域分割出来。
【附图说明】
[0026] 此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0027] 图1为本发明基于学习的面向手机应用的舌像快速检测分割方法的流程简图； [0028]图2a和2b是超像素分割前后对比图；
[0029]图3a和3b是舌像概率计算前后对比图；
[0030]图4a和4b是舌像分割前后对比图。
【具体实施方式】
[0031]为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结 合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用 以解释本发明，并不用于限定本发明。
[0032]如图1所示，本发明的基于学习的面向手机应用的舌像快速检测分割方法，其包括 以下步骤：
[0033] S1 ?手机端检测，其包括：
[0034] S11.建立手机端Adaboost级联分类器:采用至少2000张含舌像图像作为正样本和 至少4000张不含舌像的背景图像作为负样本，分别提取正样本和负样本的纹理特征，采用 Adaboost机器将提取的纹理特征进行学习训练，获得手机端Adaboost级联分类器;手机提 取到的图片分为两种，一种是在光线较弱的情形下（如夜晚的灯光下)采集到的，图像呈暗 紫色，在光线充足的情况下图像呈鲜红色，而舌像有不同于其周围背景的纹理特征，纹理包 含舌头中间的从舌根至舌中部的一条直线、设变斑点状纹理以及弧形轮廓，因此提取2000 张舌像图像的上述纹理特征；
[0035] S12.提取舌像候选区域:将待检测图像输入手机端Adaboost级联分类器进行分类 检测，获得含舌像候选区域的图像；
[0036] S13.将含舌像候选区域的图像转换为RGB图像，候选区域可能是衬衫的衣领，男士 的脸颊，普通人的上嘴唇等位置，因此我们采用基于RGB颜色来区分，计算其颜色直方图，输 入图像采用直方图投影的方式，根据颜色直方图判断每个像素及其周围区域与舌像颜色的 相似度，再计算舌像候选区域的平均颜色相似度，我们在之前通过对比正负样本获得的相 似度统计发现低于〇. 0042这个阈值的大部分都不是舌象，即使包含舌象图像的光照或者是 不足，或者是明显太亮不符合我们要求的图像标准，因此选取平均相似度不低于0.0042的 图像作为手机端检测出含舌像的图像，手机端检测可以在0.1s以内完成舌象的判定，同时 准确率在97.50%;手机端将其检测出的含舌像图像上传至服务器端作为服务器端的待检 测图像；
[0037] S2.服务器端检测，其包括：
[0038] S21.建立服务器端Adaboost级联分类器:采用至少3000张含舌像图像作为正样本 和至少3000张不含舌像的背景图像作为负样本，将正样本与负样本归一化到64X64的大小 并分别计算其H0G特征，H0G特征的维数为1764,再放入SVM模型中训练，获得服务器端 Adaboost级联分类器；
[0039] S22.图像检测:将从手机端上传至服务器端的待检测图像输入服务器端Adaboost 级联分类器，排除不含舌像的图像，得到待分割图像；
[0040] S3.服务器端分割，其包括：
[0041] S31.如图2a_2b所示，将待分割图像进行超像素分割，得到超像素块ai，a2,…… ，获取每个超像素块的直方图特征I，将所有超像素块的直方图特征集合成一个矩阵 M，采用K-means聚类算法将M聚为600类的词典；
[0042] S32.计算每个直方图特征与600类词典之间的欧式最小距离，经过归一化后获得 每个像素块的属于舌像类的概率，获得概率图像，如图3a_3b所示；
[0043] S33.如图4a-4t^/f示，采用Graph Cuts算法在概率图像上分割出舌像。
[0044]所述步骤S11中提取正样本和负样本的纹理特征的算法是： n
[0045] Os!(x,y) - ^ 2l slgn(arraytll - real) 1=0
[0046] 其中，Dst(x，y)表示与原图对应的纹理图像，real为原图的灰度值，arraym为原图 周围的图像色块，sign〇为符号函数，组织方式为从目标点(x，y)斜上方开始，从左至右，从 上向下的顺时针顺序组织的的块序列。
[0047] 上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所 披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能 够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人 员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护 范围内。
【主权项】
1. 基于学习的面向手机应用的舌像快速检测分割方法，其特征在于，包括以下步骤：51. 手机端检测，其包括： SI 1.建立手机端Adaboost级联分类器:采用预置数量张含舌像图像作为正样本和预置 数量张不含舌像的背景图像作为负样本，分别提取正样本和负样本的纹理特征，采用 Adaboost机器将提取的纹理特征进行学习训练，获得手机端Adaboost级联分类器；512. 提取舌像候选区域:将待检测图像输入手机端Adaboost级联分类器进行分类检 测，获得含舌像候选区域的图像；513. 将含舌像候选区域的图像转换为RGB图像，计算其颜色直方图，根据颜色直方图判 断每个像素及其周围区域与舌像颜色的相似度，再计算舌像候选区域的平均颜色相似度， 选取平均相似度不低于阈值的图像作为手机端检测出含舌像的图像;手机端将其检测出的 含舌像图像上传至服务器端作为服务器端的待检测图像；52. 服务器端检测，其包括：521. 建立服务器端Adaboost级联分类器:采用预置数量张含舌像图像作为正样本和预 置数量张不含舌像的背景图像作为负样本，将正样本与负样本归一化并分别计算其HOG特 征，再放入SVM模型中训练，获得服务器端Adaboost级联分类器；522. 图像检测:将从手机端上传至服务器端的待检测图像输入服务器端Adaboost级联 分类器，排除不含舌像的图像，得到待分割图像；53. 服务器端分割，其包括：531. 将待分割图像进行超像素分割，得到超像素块ai，a2,……an，an，获取每个超像素 块的直方图特EVi，将所有超像素块的直方图特征集合成一个矩阵M，采用K-means聚类算 法将Μ聚为600类的词典；532. 计算每个直方图特征与600类词典之间的欧式最小距离，经过归一化后获得每个 像素块的属于舌像类的概率，获得概率图像；533. 采用Graph Cuts算法在概率图像上分割出舌像。2. 如权利要求1所述的基于学习的面向手机应用的舌像快速检测分割方法，其特征在 于:所述步骤SI 1中采用的正样本数量至少2000张，负样本数量至少4000张;所述步骤S21中 采用的正样本数量和负样本数量均为至少3000张。3. 如权利要求1所述的基于学习的面向手机应用的舌像快速检测分割方法，其特征在 于:步骤S13中的阈值为0.0042。4. 如权利要求1所述的基于学习的面向手机应用的舌像快速检测分割方法，其特征在 于:所述步骤S11中提取正样本和负样本的纹理特征的算法是：其中，Dst(x，y)表示与原图对应的纹理图像，real为原图的灰度值，arraym为原图周围 的图像色块，signO为符号函数，组织方式为从目标点(x，y)斜上方开始，从左至右，从上向 下的顺时针顺序组织的的块序列。5. 如权利要求1所述的基于学习的面向手机应用的舌像快速检测分割方法，其特征在 于:所述步骤S21正样本与负样本归一化到64X64的大小，HOG特征的维数为1764。6. 如权利要求1所述的基于学习的面向手机应用的舌像快速检测分割方法，其特征在 于:所述超像素分割采用SLIC超像素分割算法。
【文档编号】G06K9/46GK105930798SQ201610250907
【公开日】2016年9月7日
【申请日】2016年4月21日
【发明人】肖龙源, 谢军伟, 李稀敏, 杨开涛
【申请人】厦门快商通科技股份有限公司