[发明专利]一种基于LGBM模型的舌质舌苔分离方法

说明书

本发明公开了一种基于LGBM模型的舌质舌苔分离方法，涉及舌体图像处理技术领域，本发明根据舌体图像的颜色特征，将舌质像素点和舌苔像素点共同划分为N类不同的颜色种类；然后采样分别获取样本在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值，特征组合后得到特征向量；利用PCA降维方法对特征向量进行降维，得到M类特征作为LGBM模型的输入特征；通过训练集对LGBM模型进行训练优化，得到训练好的LGBM舌体颜色分类器；将待分类的舌体图像进行预处理后，输入LGBM舌体颜色分类器，分别得到对应的舌质图像和舌苔图像，本发明具有分类精度大幅提升，分类时间较短，占用资源较少的优点。

技术领域

本发明涉及舌体图像处理技术领域，更具体的是涉及一种基于LGBM模型的舌质舌苔分离方法。

背景技术

目前，对于舌体图像的舌质舌苔分类主要是通过以下两种方式进行的：

1、K-means分类方法；

2、SVM分类器；

舌质舌苔分离技术的难点在于对于不同个体不同拍照环境，舌体图像千差万别，没有一个明确的区分舌质和舌苔的标准，很难构建舌质或者舌苔的样本库，所以现有算法多采用无监督的分类算法，但是，对于K-means分类方法，虽然其属于无监督的分类算法，可以无前提无样本的使用，但是其分类精度差，很难选择分类特征，导致邻近的舌苔舌质像素点一般在特征空间中距离较小，容易被误分类为一种，使得分类结果较差，且运行时间长；

而对于SVM分类器的分类算法，首先在数据获取上，很难构建普适的舌质舌苔训练样本库，并且由于SVM分类器本身具有局限性，适用范围是小数据的训练集，而且SVM分类器不适用于多分类问题，对舌质舌苔进行二分类容易出现分类效果差的问题，而若通过组合SVM进行多分类，则会出现训练速度慢，修改一类数据就需要对整体进行重新训练，训练效率过低。

发明内容

本发明的目的在于：为了解决现有的舌质舌苔分类方法分类精度和分类效果差，分类效率较低的问题，本发明提供一种基于LGBM模型的舌质舌苔分离方法。

本发明为了实现上述目的具体采用以下技术方案：

一种基于LGBM模型的舌质舌苔分离方法，包括：

根据舌体图像的颜色特征，制定颜色分类标准，将舌体图像的舌质像素点和舌苔像素点共同划分为N类不同的颜色种类；

对每一类颜色种类的像素点进行采样，根据舌体图像的颜色学特性，分别获取样本在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值，然后将各通道分量的特征值以及RGB颜色空间三通道分量的特征值进行特征组合后，得到特征向量存入样本特征向量集合中；

利用PCA降维方法对样本特征向量集合中的特征向量进行降维，得到M类特征作为LGBM模型的输入特征，其中M和N均为正整数，且M<N；

初始化LGBM模型，将M类特征的样本按比例随机分为训练集和测试集，通过训练集对LGBM模型进行训练优化，直至LGBM模型在测试集上的分类准确率达到目标值，得到训练好的LGBM舌体颜色分类器；

将待分类的舌体图像进行预处理后，得到待分类有效舌体图像，将待分类有效舌体图像在RGB颜色空间、HSV颜色空间和LAB颜色空间各通道分量的特征值以及RGB颜色空间三通道分量的特征值进行特征组合后，输入LGBM舌体颜色分类器，得到待分类有效舌体图像每个像素点的颜色种类，将分类为舌质像素点和舌苔像素点的像素点对应到待分类有效舌体图像中，即分别得到对应的舌质图像和舌苔图像。

进一步的，将舌体图像的舌质像素点和舌苔像素点共同划分为N类不同的颜色种类，N＝10，其中舌质像素点为5类，分别为淡色舌质、淡红舌质、红色舌质、深红舌质和绛色舌质，舌苔像素点为5类，分别为白色舌苔、淡黄舌苔、深黄舌苔、棕黄舌苔和灰黑舌苔。