[发明专利]一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法

说明书

本发明公开了一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法，获取原始舌图像，采用舌体语义分割模型对舌图像进行舌体分割，得到舌体分割图像；采用高斯混合模型对舌体分割图像进行舌苔舌质分离；得到舌质图像；基于生成式图像修复网络建立舌质图像修复模型，利用舌质图像修复模型对舌质图像进行修复，获得纹理特征和颜色变化连续的舌质修复图像；采用改进型残差网络对修复后得到的舌质修复图像的数据集进行特征提取并分类，建立舌质老嫩识别模型；利用舌质老嫩识别模型来对舌质老嫩进行识别。本发明可以避免舌苔对舌质老嫩识别的影响，通过自学习得到的特征可以反映更丰富的舌质颜色和纹理特征，取得了较好的舌质老嫩识别效果。

技术领域

本发明涉及舌象分析诊断技术领域，具体为一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法。

背景技术

舌诊是传统中医的重要诊断手段之一，具有较高的临床价值[35]。其中舌质老嫩是舌诊的一个重要判断指标，老舌舌质纹理粗糙，坚敛苍老，主实证；嫩舌舌质纹理细腻，浮胖娇嫩，主虚证。但临床诊断上关于舌质老嫩的判断主要依靠医生的肉眼观察和主观判断，缺乏定量化、客观化的判断标准。因此应用现代计算机技术，进行舌质老嫩特征的识别方法研究，实现舌质老嫩特征识别的客观化是非常有必要的。

目前已经有一些学者进行了舌质老嫩特征识别方面的研究，其识别方法主要包括：采用灰度差分统计的方法来描述舌图像的纹理特征，根据纹理特征描述参数在老舌、舌质适中、嫩舌等三种舌象的变化趋势的不同来进行舌质老嫩特征识别；提取舌图像颜色与纹理融合特征，并基于k近邻分类器(k-Nearest Neighbor,KNN)的AdaBoost算法建立舌质老嫩识别模型进行分类[29]；构建多任务卷积神经网络，对包括舌色、苔色以及舌质老嫩在内的多项特征进行识别。

上述第一种方法首先只提取了描述纹理特征的特征值作为分类依据，而忽视了舌图像老嫩特征实质上包含颜色特征和纹理特征两部分，使得对于舌象老嫩的特征描述不够全面，而影响分类效果；其次由描述纹理特征的变化趋势划定判别阈值进行舌质老嫩分类的方法，易受人为主观因素影响；提取舌图像整体的纹理特征作为舌质老嫩的判别依据，易受到舌苔的干扰，且只实现了老舌与嫩舌的识别，忽略了舌质适中的情况。第二种方法融合了舌图像的颜色特征和纹理特征，再基于KNN的AdaBoost算法建立了舌质老嫩分类模型得了较好的分类效果。但是实验数据中老舌和嫩舌的样本很少，而且提取舌图像整体的颜色和纹理特征作为舌质老嫩的分类依据易受到舌苔的干扰。

随着卷积神经网络的不断发展，深度学习在图像分类领域的应用日益广泛，卷积神经网络通过模拟人脑神经系统结构，逐层传递信息并自动提取相应特征。相较于特定的颜色和纹理特征描述方法而言，卷积神经网络能够更加充分和完整地提取图像中的颜色和纹理信息，达到更好的分类效果。第三种方法虽然应用了卷积神经网络进行舌图像特征识别，但其使用整张舌图像对舌质老、嫩两类进行识别，也容易受到舌苔的干扰。因此我们提供一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法。

发明内容

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法，包括以下步骤，

步骤1、获取原始舌图像，采用舌体语义分割模型对舌图像进行舌体分割，得到舌体分割图像；

步骤2、采用高斯混合模型对舌体分割图像进行舌苔舌质分离；得到舌质图像；

步骤3、基于生成式图像修复网络建立舌质图像修复模型，利用舌质图像修复模型对舌质图像进行修复，获得纹理特征和颜色变化连续的舌质修复图像；

步骤4、采用改进型残差网络对修复后得到的舌质修复图像的数据集进行特征提取并分类，建立舌质老嫩识别模型；利用舌质老嫩识别模型来对舌质老嫩进行识别。