[发明专利]一种开放环境下中医舌象图像分割方法

权利要求书

1.一种开放环境下中医舌象图像分割方法，其特征在于包括以下步骤：

1)输入在开放环境下采集的图像A；

2)对采集的图像A进行颜色校正，得到校正图像B；

3)对步骤2)得到的校正图像B进行图像初步分割；

4)对步骤3)得到的图像C中的各个连通域进行特征提取；

5)对步骤4)提取到的各个凸包的特征，用随机森林分类器计算舌体位置；

所述随机森林分类器的定义为：

随机森林以决策树作为基础分类器的分类算法，随机森林分类器由多棵决策树构成，在训练样本的选择、特征子集的选择和树的生长过程中引入随机性，即每棵决策树的构造都是从原数据集中随机抽取出一部分作为样本子集，再从样本子集中随机选取部分特征子集进行处理，所有决策树都自然生长，多颗决策树并行生长，随机森林的最终决策是通过所有决策树投票的方法而得，具有更高的检测率与鲁棒性；

所述随机森林采用Bagging方法选取每个训练子集，即采用有放回的抽取方式；

对于模型中的每个节点，决策树的构造通过随机抽取特征子集来分裂生长，随机抽取的数量为特征总数的开方，对于分类问题，决策树生长过程中节点最佳分裂的度量选择基尼指数，对于一个含有m类样本的集合S，集合S的纯度用基尼值度量为：

其中p_k为第k类样本占总样本数量的比例，k＝1,2,...,m，集合S的纯度与计算得到的基尼值成反比，对于节点的分裂，假定用属性v对集合S进行分裂，其中属性v为具有N个取值的离散属性{v¹,v²,...,v^N}，则分裂后的集合S会产生N个分支，其中每个分支对应于原始集合S中在属性v上取值相同的所有样本，记为S^v；则根据公式计算出S^v的基尼纯度，再对每个分支赋予权重|S^v|/|S|，其中|S^v|为第v个分支的样本数量，|S|表示所有样本数量，计算出用属性v对集合S进行分裂所获得的基尼指数：

从上式中看出，基尼指数值越小，意味着所有分支节点的加权纯度越小，对集合S纯度的提升越明显，在候选属性集合A中，选择使得分裂后Gindex值最小的属性作为最佳分裂属性，即：

所述训练随机森林分类器的具体方法为：

a)对于训练集中的所有图像，对每个图像按照步骤2)进行颜色校正然后按照步骤3)对校正图像进行图像分割，最后对分割图像的各个凸包按照步骤4)提取特征并人工标记样本；

b)在舌象训练样本中用Bagging方法形成n个子样本；

c)对于每个子样本，随机选择p个属性作为节点分裂的候选属性，其中p取值为所有属性的开方；

d)在候选属性中计算基尼指数，选择吉尼指数最小的属性对决策树进行分裂；

f)重复步骤d)直到吉尼指数小于某一规定阈值；

g)重复步骤c)到f)，直到生成n棵决策树；

h)对于未知样本的分类，随机森林输出其决策树多数投票结果；

所述对步骤4)提取到的各个凸包的特征，用步骤5)第(1)部分训练好的随机森林分类器输出最终舌体位置，其具体步骤如下：

a)对于各个凸包，随机森林分类器输出其为舌体的可能值p_i；

b)所有p_i值里最大值对应的凸包即为最终舌体区域D；

6)以步骤5)得到的舌体区域D为基础，对图像B进行开放环境下中医舌象图像分割方法，具体方法为：

(1)将图像B转换到灰度空间图像B’；

(2)截取图像B’中的舌象图像分割区域，具体步骤如下：

(a)计算舌体区域D对应的最小右边界矩形R；

(b)将最小右边界矩形R向外扩散20个像素点，得到舌象图像分割区域R’；

(3)对舌象图像分割区域R’进行边缘增强，具体步骤如下：

(a)计算舌象图像分割区域R’水平与垂直的梯度矢量场，分别为U和V；

(b)将水平与垂直梯度矢量场叠加到舌象图像分割区域R’，得到边缘增强后的最终舌象图像分割区域R”，即区域R”的最终灰度取值为R’+U+V；

(4)以舌体区域D对应的凸包为初始轮廓，采用GVF Snake模型对最终舌象图像分割区域R”进行分割，得到舌象分割图像；

所述GVF Snake模型定义为：

在传统主动轮廓模型的基础上，采用梯度矢量流作为曲线演化的外部能量；传统Snake模型是在图像区域内定义的一条轮廓曲线，其参数表达形式为X(s)＝[x(s),y(s)],s∈[0,1]，其中s是用傅里叶变换形式描述轮廓边界的变量，x(s)和y(s)表示曲线在图像区域内的坐标，该轮廓曲线的运动形式是通过最小化能量函数：

其中，α和β分别为曲线弹性和刚性的加权系数，相应的，X′(s)和X″(s)分别为曲线X(s)关于s的一阶导数和二阶导数；

要使能量函数E最小化，曲线X(s)满足欧拉方程：

为了求解该方程，引入时间变量t，将X(s)视为s和时间t的函数X(s,t)，则上述动态演化方程表示为对t求偏微分：

当X_t(S,t)稳定时，X_t(S,t)＝0，满足欧拉方程，曲线演化完毕；

在上述公式的基础上，GVF Snake模型定义一个新的静态外部能量即梯度矢量流，取代演化方程中的新的动态演化方程表示为：

对于新的静态外部能量相应将梯度矢量场定义为V(x,y)＝(u(x,y),v(x,y))，通过最小化下述能量方程得到：

其中，下标x和y表示的是图像在x和y方向上的偏导数，参数μ是控制能量函数在第一项和第二项之间权衡的正则化参数，根据图像中的噪声而定，当图像中的噪声较大时，μ取大值；

相应地，最小化能量方程转化为求解欧拉方程组：

其中，为拉普拉斯算子；

进一步的，类似于传统Snake模型的求解，欧拉方程组的求解将分量u和v看作是时间t的函数：

当方程组趋于稳定的解即为欧拉方程组的期望解，由于方程组是解耦的，因此作为单独的标量偏导数求解方程，改写方程组为：

其中，c¹(x，y)＝b(x，y)*f_x(x，y)，c²(x，y)＝b(x，y)*f_y(x，y)；f_x(x,y)和f_y(x,y)由任意的图像梯度算子求得，进而求得b(x,y)、c¹(x,y)和c²(x,y)，作为迭代过程中固定系数。