文摘

舌诊是中国传统医学的一个重要方法。医生可以判断疾病的情况通过观察病人的舌头颜色和质地。本文提出一种新颖的方法来提取舌图像的颜色和纹理特征。首先,我们使用改进的杯子(广义劳埃德算法)来提取舌图像的主色调。考虑到颜色特征不能完全表达的舌头图像信息,分析舌边缘的纹理特性,提出了一种算法来提取它们。然后,我们整合检索的两个特性不同的重量。实验结果表明,该方法可以提高病变检出率的舌图像相对于单一特征检索。

1。介绍

中药是中国人民在几千年的经验与疾病斗争。它的疗效是显著的,副作用很小。与现代医学相比,它具有一定的优势和潜在的医疗保健、医疗、康复,等等。中药,有四种诊断方法,包括检查、嗅觉,审讯,触诊。舌头图像检测的一个重要组成部分,得到了疾病的情况通过观察病人的舌头颜色和边缘形状变化(1]。

舌诊是目前医学领域的重要主题;的不断深化中药舌诊客观研究,数字图像的舌诊也被应用于临床工作。生成大量的舌图像在临床工作每一天,和如何检索和管理越来越大的舌头数据库支持舌诊特征提取已经成为一个非常具有挑战性的课题。传统的舌图像管理描述通过手动标签和舌头图像信息检索的舌头图像的描述信息,但是这种方式已经无法满足大规模的舌头图像数据库检索的需要。另一方面,传统舌诊高度取决于临床医生的经验,因此不同的临床医生可能达到显著不同的诊断结果相同的病人。所以本文提出了一种新颖的方法将基于内容的图像检索技术应用于舌图像检索。

近年来,一些计算机图像处理技术已经用于舌诊的中药。这些方法可以根据不同的舌图像特征分为两类:基于颜色的方法和texture-based的。对于前者,(2- - - - - -7)使用分析舌图像颜色特征。舌头的颜色匹配的图像在不同的颜色空间有不同的度量研究和报道2,4),提出了一种基于区域划分的方法和特征匹配的舌图像颜色识别。李、袁(2002)解决医疗诊断中彩色图像匹配的问题。他们在坐标空间提出了分类指标。提高匹配性能,提出了一种概率指标相结合理论的基础上结合分类器。王et al。(2004)提出了一种新的舌头颜色校准方案,利用基于梯度矢量流(预防)蛇模型集成舌图像的彩色信息用于提取舌体。李、刘(2009)发明了一种把扫帚舌头高光谱成像仪,并讨论了其光谱响应校准方法。一种新方法来分析舌头颜色基于光谱与光谱角映射器。这个新的颜色分析方法优于传统方法特别是在实现有意义的物质和涂料领域的舌头。论文(8,9)使用各种各样的舌图像特征(如颜色、纹理或形状)来匹配和识别的舌头图像。赵(2000)建立了一个计算机化的舌头考试制度(ct)基于彩色和结构算法。彩色算法开发识别舌头的颜色和厚度的涂层。郭(2008)提出了一种新的颜色纹理运营商,主要区别信号局部二进制模式。匹配性能评估颜色、灰度和彩色纹理,颜色和纹理特征的融合。

这些方法,他们每个人都有它的成功,但相应的局限性也伴随着他们。作为一个整体,他们不能同时满足要求的准确性和鲁棒性,对于一个成功提取的基本要求。事实上,中国传统医学重视相关性分析;也就是说,不同的语言反映不同的疾病,可能会存在一些共生或舌头的不同特征之间的相互排他性。我们有必要整合各种舌图像特性的舌头图像分析。在此基础上,提出了一种方法结合颜色和纹理特征检索不同的重量来提高识别率的舌诊的中药。首先,我们使用迭代法提取初始主要颜色和他们的数量,然后被杯子主要颜色直方图算法。考虑到缺乏表达的舌头图像信息通过使用颜色特征,进一步分析舌图像并将算法得到舌图像的纹理特征。新方法结合了改进的主色调直方图描述符和边缘直方图描述符给不同的权重综合检索。

评估算法的性能,在实验的过程中,我们使用268年的舌头图像作为实验样本;这些图像分为几个颜色提前医生。

从实验结果中,我们可以看到改进的主色调直方图算法比传统的主色调直方图在搜索结果中。虽然统计结果的差异很小,我们可以明显感觉到检索的效果大大提高。与此同时,相关的舌头的位置也更集中。

实验使用相同的舌头图像同上,分为5个纹理类别。实验结果表明,改进的边缘直方图的检索精度和召回率略高于传统的边缘直方图。

最后,为了分析函数舌头综合颜色和纹理特征的图像检索,我们选择一组著名的舌图像颜色和纹理特征的实验,然后随机选择一个舌头查询图像的形象。为了达到更好的检索结果,颜色和纹理特征的权重设置为0.6和0.4,分别。我们可以看到,结果比单一特征的搜索结果更准确。大量的舌图像检索实验表明,由于舌图像的差异,使用颜色或纹理特征检索会更好一些的舌头图像。

实验表明,新方法可以提高病变检出率的舌图像。

本文组织如下。部分2评论一些舌图像的特征提取方法。一种改进的主色调直方图法和改进的边缘直方图为舌诊在中国传统医学提出了部分3。实验结果与分析部分所示4。最后,一些结论是在部分5。

2。相关工作

2.1。主要颜色描述符

颜色是舌头图像和它的基本元素是舌头图像识别的主要特征之一。每个舌图像都有自己的独特的颜色特性,这是基本的和重要的特征图像。舌头和涂层颜色与身体接触,代表不同的病变。所以颜色是舌诊的支柱之一,在中国传统医学和具有重要的诊断价值。

根据视觉心理学的理论9),人类的感知形象集中在几个有代表性的颜色,而忽略了次要颜色细节。MPEG-7提供了主要的颜色描述符来描述图像的主要颜色信息在任意不规则的地区,它反映了图像的主色调。主颜色描述符作为颜色特征的图像检索,和基本思想如下10]。

图像,首先颜色空间转换为维度;然后,图像可以表示为一个颜色维向量: 在哪里,代表图像的颜色量化后,代表一个相应的比例量化颜色为整个图像。排序通过降序排列,传统的方法是使用为主要颜色。

杯子算法迭代聚类算法搜索最优矢量量化器为目标;这是一个迭代的分裂和工会的过程。算法1描述了杯子算法步骤(11]。

2.2。边缘直方图描述符

的过程中,中国传统医学,歧视舌头颜色和分析舌齿痕,戳破,裂纹,上瘾,和其他特性是必要的;这些特性是纹理分析的范畴。边缘纹理的分布是一个重要的纹理信息和推荐的边缘直方图描述符MPEG-7广泛应用于纹理特征的图像检索的概念的基础上,特别是在图像纹理分布不是均匀的,描述符的效果会更好,当用于图像匹配(10]。

边缘直方图描述了五个类型的边缘空间分布,包含四种方向的边缘和一个没有方向的边缘。算法的基本思想是将图像划分为若干子块,计算每个子块的价值优势,根据子块边缘的方向累积统计和边缘直方图的图像,如下:(1)将图像分成子图象。(2)将每个子图象分成更小的子图象块。(3)根据MPEG-7定义的边缘检测算子,计算每个子图象块的五种边缘值。如果最大边缘值大于某个阈值,设置方向的边缘方向的图像块。(4)得到了边缘直方图的子图象边缘方向的图像块,最后计算整个图像的直方图。

假设有两个图像和和他们的边缘直方图和,然后和可以使用闵可夫斯基公式在哪里衡量相似之处如下:

3所示。方法

本文结合一种改进MPEG-7主要颜色边缘直方图描述符和改善。他们可以克服的问题不准确的检索利用单张图片的功能,他们可以提高检索的效率。详细介绍了两种算法在以下。

3.1。改进的主要颜色提取算法

每个舌图像都有自己的独特的颜色特性,这是基本的和重要的特征图像。根据以前的文献[8),没有明显区别不同种类的RGB颜色在使用计算机自动分类和识别的舌头图像RGB颜色空间。因此,RGB颜色空间很难代表不同的舌图像的颜色特征;这种颜色空间不能舌图像颜色进行分类。当使用HSV颜色空间分类舌图像颜色、色调角值依次增加根据订单的紫色的舌头,紫色红色的舌头,粉红色的舌头,yellow-coating舌头,苍白的舌头,white-coating舌头的颜色特性;饱和价值降低和亮度价值增加的紫色红色的舌头,紫色的舌头,粉红色的舌头,苍白的舌头,yellow-coating舌头,white-coating舌头。这个结果可以舌头颜色进行分类。因此,有必要使用颜色特征RGB颜色空间转换到HSV颜色空间而让舌头图像检索。

HSV空间可以得到的RGB空间的非线性变化;转换公式如下:

集 然后,

从上面的公式,我们可以知道

可以提取图像的主要颜色聚类的方法,和初始聚类中心的选择有很大影响的结果图像在杯子颜色分类算法。因为舌图像颜色不明显,分工的效果随机选择初始聚类中心是不好的。在本节中,我们使用一个迭代的方法来确定初始聚类数和聚类中心,然后使用杯子算法提取的主要颜色直方图。

具体算法流程来确定主颜色和最初的颜色的数量如下:(1)指定彩色图像,设置它的规模;如果是RGB颜色空间的空间,将其转换到HSV空间根据公式(3)- (5)。(2)九个部分量化HSV空间;公式如下:

扫描图像并计算像素属于九子空间的数量和图像的概率,分别。(3)设定一个阈值,计算的时间间隔数量,并记录的值空间区域,存储在数组中;在实验中,选择。(4)的时间间隔由步骤是主要的颜色。和区域的价值只是近似范围的主要颜色但不能用作图像的主色调。例如,颜色是黄色的,但它可以分为暗黄色、淡黄色,等等。因此,我们仍需要继续迭代计算图像的主色调。

原来的主色调和主要的颜色号码是用来获得杯子算法的主色调,然后计算的主要颜色直方图;的步骤如下:(我)每个像素进行分类的形象。根据公式(8),除间隔,其像素值接近最初的主要颜色。加权系数。图1示例描述聚类图的步骤(我)。 (2)阐明集群中心。重新计算每个颜色区间的集群中心新颜色分类后像素。像素的数量吗时间间隔。图2描述聚类示例图(2)的步骤。 (3)重复执行步骤(1)和步骤(2),直到聚类中心不会改变。(IV)执行分割操作。根据公式(10集群),计算每个颜色之间的误差区间,如果误差大于阈值,颜色区间划分成两个新的颜色间隔和计算中心的新区间,。重复步骤(1),(2),(3)图3描述聚类示例图(IV)的步骤。 (V)执行合并操作。计算集群中心的距离,如果两个颜色集群间隔的距离小于阈值,统一两个区间。根据公式(11),计算新的聚类中心。重复步骤(1),(2),(3)图4描述聚类示例图(V)的步骤。 (VI)执行聚类结束。而不会改变,除或统一集群。

到彩色图像,用算法部分3.1获得图像的主要颜色描述符如下: 在哪里是主要的颜色和介绍了概率发生。

图5主要描述了一个舌头图像和颜色直方图提取算法。

3.2。改进的边缘直方图提取算法

颜色特性的能力区分的舌头图像包含干皮毛,裂纹和其他刺破空间突出的位置不强。用舌头舌头图像边缘的纹理特征来描述图像检索可以达到更好的检索对舌图像的空间分布的影响。节2.2,边缘直方图提取算法只描述了图像的局部边缘信息和改进算法增加了全球边缘直方图和semiglobal边缘直方图来弥补短缺。

改进的边缘直方图提取方法的步骤如下:(1)集是一个灰度图像,其规模;灰度是;如果在RGB彩色图像空间,使用下面的公式将彩色图像转换成灰度图像: (2)分成子图象,平均而言,。计算每个子图象的局部边缘直方图;每个子图象都包含(0°、90°、45°、135°和nondirection),所以整个图像。(3)把每个子图象固定数量的图像块;图像块的面积变化整体形象的面积。256年实验的图像块的数量。(4)每个子图象块可以被看作是四个宏模块;每个宏模块的边缘检测算子在每个方向都是不一样的。计算每个图像块的五种边值和最大值;如果最大值大于阈值,然后设置方向的边缘图像块。实验结果表明,最佳阈值是20。方向的边缘值计算如下: 在哪里代表的平均灰度值聚积科技和代表宏模块的边缘检测算子的方向。0°、90°、45°、135°,没有方向。(5)获取子图象的从256年边缘直方图图像块;整个图像的边缘直方图。(6)标准化和量化边缘直方图得到的一步,然后用非线性量化值必须规范化,每个直方图使用固定吗编码的计算量减少。(7)全局直方图代表了整个图像的边缘分布信息,通过添加和计算平均子图象在五个方向的分布信息;全局直方图的维数是5。设置本地边缘图像的直方图;全局直方图 (8)Semiglobal直方图表示图像区域水平、垂直和相邻块边缘信息。如数据所示3- - - - - -111 ~ 4子块代表垂直边缘信息,8子块代表水平边缘信息,第四子块代表相邻块边缘信息,和semiglobal整个图像的直方图。

3.3。特征提取

到彩色图像,使用算法部分3.1获得图像的主要颜色描述符如下: 在哪里是主要的颜色和代表的概率发生。

获得图像的局部边缘直方图通过算法部分3.2 ;全局直方图和semiglobal直方图。

考虑,在那里代表了图像边缘值子图象的方向:,= nondirection;代表13子块站semiglobal图像边缘值的信息方向。

3.4。相似度测量

对于一个给定的图像,该算法可以提取的主要颜色,当地边缘直方图,全球边缘直方图,semiglobal边缘直方图,在那里是80 -维向量和的尺寸是65。

设置柱状图,,和,,作为和的局部边缘直方图,全球边缘直方图和semiglobal边缘直方图。添加全局直方图的重量增加图像的影响,和纹理相似性定义为

该算法是一个全面的检索图像的颜色和纹理。如果查询图像之间的距离主要颜色直方图和目标图像主要的颜色直方图,边缘直方图距离,的范围是,的范围是。距离值越大,两张图片越不相似。为了使和能够进行比较,规范化:;。

和归一化后的范围。如果两个图像最相似,相似度测量是1;否则,至少相似度测量的图像相似度度量方法是0,0 ~ 1的值。而检索的主要颜色和边缘直方图,利用相似度的距离,代表的重量主要颜色和表示纹理特征的重量。一般来说,重量是0.6:0.4。不同的图像信息和实际应用,我们可以增加一定的体重达到更好的检索结果。

4所示。实验结果和分析

4.1。颜色特征检索的实验

评估部分的性能3.1该算法,在实验1中,我们使用268年的舌头图像作为实验样本;这些图像分为几个颜色提前医生。总舌图像被分为六类,分别是粉红色的舌头,苍白的舌头,紫色的舌头,紫色红色的舌头,yellow-coating舌头,white-coating舌头,每个类别包含至少30图像。6舌头图像样本如图6。

我们从每个类别随机选择的样本为例,舌图像,然后在数据库中检索它。系统第一颜色特征向量,然后计算相似性匹配的舌图像的颜色特征向量在特征库。使用欧氏距离的相似性,最后返回的舌图像最相似的样本。

以粉红色的舌头为例,图7代表前9图像基于传统的主色调算法和改进算法的主要颜色。

两种算法的检索系统的检索性能可以显示。在图3,每组图像的左上角的图像是图像检索;其他检索结果。“1”形象和“0”的相关不相关的图片。从实验结果中,我们可以看到改进的主色调直方图算法通常可以与图像最相似的相关图片,哪个更符合人类的视觉感知。

进一步比较两种算法的性能,我们分别使用传统的主要算法和改进的主要颜色直方图算法进行大量的舌图像检索实验,计算平均精度两种算法在不同的舌图像,然后计算每个算法的平均精度比较两种算法的集成检索性能。精度之间的比率被定义为目标图像和所有图片搜索:,回忆被定义为目标图像结果队列之间的比例和目标数据库中的图片:。在这里代表总数的图像返回检索结果,代表的数量目标图像与查询相关的图像查询结果,和代表的数量目标图像从图像库,查询相关的图像。精度越高,算法检索变得越好。

六组的图像选择从舌头图像数据库构建一套检索,形成12次检索。图4展示了本文的算法之间的比较结果精度和传统检索方法主要颜色。TMC代表根据传统主要颜色检索方法,检索结果和IMCH代表了检索结果的基础上改进的主色调直方图的方法。

实验结果表明,改进的主色调直方图算法比传统的主色调直方图在搜索结果中。虽然统计结果的差异很小,我们可以明显感觉到检索的效果大大提高。与此同时,相关的舌头的位置也更集中。

4.2。纹理特征检索的实验

评估部分的性能3.2算法,实验使用相同的舌图像同上,也分为5类:正常的舌头,teeth-printed舌头,厚的舌苔,表皮剥脱的舌头,和裂缝性的舌头,每个类别包含至少30图像。如图五舌图像样本9。

我们从每个类别随机选择的样本为例,舌图像,然后在数据库中检索它。使用欧氏距离的相似性,最后返回的舌图像最相似的样本。

利用裂缝舌图像作为一个例子,图10代表了检索结果根据传统边缘直方图算法和改进的边缘直方图算法,前9图像根据相似度的大小排序。

我们反复每种类型的舌图像检索。图11之间的精度和召回率比较结果表明本文的算法和传统边缘直方图检索方法。格兰表示基于传统边缘直方图检索方法,检索结果和IEH代表了检索结果的基础上,改善边缘直方图的方法。

实验结果表明,改进的边缘直方图的检索精度和召回率略高于传统的边缘直方图。虽然统计结果的差异很小,我们可以明显感觉到检索的效果大大提高。与此同时,相关的舌头的位置也更集中。

4.3。综合特征检索的实验

分析函数舌头综合颜色和纹理特征的图像检索,我们选择一组著名的舌图像颜色和纹理特征的实验,然后随机选择一个舌头查询图像的形象。为了达到更好的检索结果,颜色和纹理特征的权重设置为0.6和0.4,分别。

图12代表了检索结果的主要颜色算法,改进的边缘直方图算法,基于主颜色的图像检索算法和边缘直方图,按照前9图像根据相似度的大小。

图12(一个)只使用颜色特性的结果。相似度逐渐减小从左到右,从上到下。虽然舌头图像检索与查询图像的颜色相似,最后两个图像的纹理模式显然是不同于查询图像。图12 (b)只使用纹理特性的结果。尽管在图的检索性能比12(一个),但它舌头图像检索与完全不同的颜色。图12 (c)显示了一个综合颜色和纹理相同的两个特性和舌头图像检索结果;我们可以看到,结果比单一特征的搜索结果更准确。

进一步比较三种算法的性能,本文使用训练集的方法,用5倍交叉验证,和足够的训练集的分布特征来描述整个图像集的分布特征。通过这种方式,当添加新图像训练集,它不会影响整个图像数据库的分布特征和每个图像训练集用于实验作为查询的形象。计算的平均精度和召回率的训练集图像;实验结果如表所示1。

从表11,我们可以看到,当使用算法来获取舌图像,精确算法的效果略高于2;算法3舌图像检索的精度高于前两个算法,但平均查全率低。原因是不同的舌图像的颜色性能,可以更好地表达1的特征提取算法。因为舌头图像纹理特征的差异并不明显,特征的提取算法2是很困难的。算法3可以专注于颜色和纹理特性,所以它达到更高的精度和召回率。

大量的舌图像检索实验表明,由于舌图像的差异,使用颜色或纹理特征检索会更好一些的舌头图像。因此,了解舌图像在实际应用中,我们首先判断舌图像的颜色和纹理根据人类的视觉,然后选择不同的检索方法和权重获得更满意的结果。

5。结论

本文以舌头图像为例;研究集中在图像特征提取的关键技术和技术研究的最后层相似距离的测量,从而实现基于内容检索的舌头图像与一个特定的诊断价值。

本文首先使用迭代法提取初始主要颜色和他们的数量,然后被杯子主要颜色直方图算法。考虑到缺乏表达的舌头图像信息通过使用颜色特征,进一步分析舌图像并将算法得到舌图像的纹理特征。新方法结合了改进的主色调直方图描述符和边缘直方图描述符给不同的权重综合检索。实验268图片,包括正常的舌头,teeth-printed舌头,厚的舌苔,表皮剥脱的舌头,裂缝的舌头,和各种各样的颜色验证该方法的有效性和鲁棒性。实验表明,新方法可以提高病变检出率的舌图像。

基于内容的图像检索技术在中药有一定的现实意义。使用这种技术,提取的信息可以直接从舌头图像数据库,避免了主观性的人工注释舌头的形象,极大地减少了人工工作量。根据这一主题的研究将有广阔的应用前景。结果客观性舌诊发挥积极作用在促进中国传统医学的研究。如何结合临床医生停滞的标准提取更多的高级功能和识别病变图像针对疾病的不同表现形式是一个问题,需要进一步的研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了福建省教育科学基金(没有。JAT160010),国家科技支撑计划(没有。2015 bah55f05),基础研究基金(没有在中国中央大学。20720160073),中国福建省软科学基金会(没有。2014 r0091),中国国家自然科学基金(没有。61502402),中国福建省自然科学基金(没有。2015 j05129)。