[发明专利]基于图论的中医舌质、舌苔分离算法

说明书

技术领域

本发明属于一般的图像数据处理或产生的技术领域，特别涉及一种基于图论的中医舌质、舌苔分离算法。

背景技术

舌质、舌苔所蕴含的信息是中医舌诊客观化重要的诊断依据。在定量分析舌质、舌苔之前，需将舌质、舌苔从舌象中分离出来，分离效果的好坏关系着计算机推断病理或症型的成败。在早期的舌诊系统中，常通过手工分离舌质与舌苔，即系统的使用者从舌象中选取一块区域，并将这块区域标识为舌质或者舌苔。

上述处理存在很多缺点：(1)舌象局部的一个或者几个区域块并不能完整地反映整个舌质或者舌苔的性质；(2)选取的区域块带有明显的主观因素，不同的系统使用者往往选取不同的区域块；(3)人工选取区域块费时费力，操作不便。

鉴于人工手动分离的诸多不利，目前国内许多学者对实现自动化分离舌质与舌苔进行了研究，并取得了一定的成果。例如，蒋依吾等根据HIS模式分离舌质与舌苔，将满足H≤10或I≤0.68者标记为舌质，否则标记为舌苔的观点，这种方法根据中医提供的数据或者实验所得的数据作为分离阈值，并且将阈值作为实现舌质、舌苔分离的唯一依据，算法虽然简洁高效，但舌质、舌苔色彩差异繁多，根据阈值分离这二者，往往难以得到准确的分离结果；王爱民等提出了监督(FCM)聚类算法，并设计了多层去模糊处理，提取出了舌苔部分，但也存在一些明显的如隶属度矩阵和类中心的初始值不确定，必须事先进行猜测或随机初始化，且运算开销很大，速度慢的缺点；其它还有K-Means分层聚类算法、基于学习矢量量化(LVQ)神经网络的舌色、苔色自动分类方法等各种分类方法，这些算法在解决问题的同时又带来了新的问题，仍然不能达到令人满意的效果。

在过去的几年中，主动轮廓模型(Snake模型)被广泛地运用到各种图像分割的领域中，并取得了良好的分割效果。目前该方法的分离效果较好，不会产生大量零碎的区域，分割的结果表现为大范围的确定区域，对于多数舌象能够取得较好的分离效果，但在临床诊断中常出现舌质与舌苔区域不清晰的情况，比如当舌质与舌苔区域过渡较平缓时或舌质与舌苔二者交错分布时，对于质苔区域不清晰的舌象，该算法的分割曲线不能准确地收敛到真实的舌苔边界，造成误判舌质与舌苔，分离效果不佳。

发明内容

本发明解决的技术问题是，由于现有技术的算法虽然摒弃了人工手动分离舌质与舌苔时分离不全面的局限性，然而仍存在无法在准确分离舌质与舌苔的同时保证运算速度的问题，且算法不规范，在解决了一部分问题后又带来新问题的情况，进而提供了一种优化的基于图论的中医舌质、舌苔分离算法。

本发明所采用的技术方案是，基于图论的中医舌质、舌苔分离算法，所述算法包括下列步骤：

步骤一：采样获得舌象，将其由RGB模型转化为HSV模型，将其中满足25≤H≤40的部分标识为C₀，C₀为舌苔的初始分割区域；

步骤二：将舌象转换为灰度图并映射为加权图G＝(V，E)，其中，V表示图G的顶点集合，即待分割的顶点集合，E表示连接顶点的边集合；根据最小生成树图像分割算法，分割后的图像满足其中，C_i为V的一个子集，在图像上表现为分割出的区域，S是C_i的集合，即分割后图像区域的集合；0＜i＜300，0＜j＜300；

步骤三：若存在C_i的集合S，则根据HSV模型中的H值确定的初始分割区域C₀与图中的单独顶点C_i构成S⁰，单个顶点的区域内部差值Int(C_i)＝0；

步骤四：根据区域结合算子的算法，结合顶点间的最小权值、边的数量及区域面积，计算S⁰中任意两相邻区域之间的Dif值，其中，Dif定义为单个顶点构成的两区域之间的区域间差值；

步骤五：根据Dif值大小，将图中所有Dif值存入一小根堆A，堆中所有元素均置为有效，即可参与堆中元素的比较；若堆A中存在有效元素，则重复执行步骤六、七，否则进行步骤八；