歡迎登錄中國視覺網!
學術論文頻道
ACADEMIC PAPERS
位置導航:首頁 >> 學術論文 >> 專業論文 >> 基于區域生長和snake模型的舌像分割

基于區域生長和snake模型的舌像分割

發布時間:2019-07-24     來源:中國視覺網       訪問次數:318


   摘  要:舌診在中醫望診中起著重要作用,為利用計算機自動客觀地分析舌體的各項指標,必須先將舌體從拍攝到的彩色圖像中分割出來。由于嘴唇和舌體部分的紋理和顏色比較接近,直接采用 Snakes方法提取舌體輪廓時,很難得到理想的輪廓。本文提出一種結合區域生長與Snakes模型的分割方法,并取得了較好的分割效果。
   關鍵詞:舌像分割,區域生長,snake模型

Abstract:Tongue Diagnosis plays an important role in the inspection of Traditional Chinese Medicine (TSM). In order to analyze the features of tongue body with computer automatically, tongue segmentation muse be done firstly. Because the texture and color the tongue and the lip is very closely, it is difficult to extract the accurate contour of the tongue body only with Active contour model : Snake. This paper introduces a method combined with Region grow and Snakes model to solve this problem. The experiment results are satisfying.
Keywords:tongue image segmentation, region grow, snake

1  引  言
   中醫舌診是中醫四診中望診的重要內容也是中醫臨床辨癥的主要內容之一,為歷代醫家所重視。它通過觀察舌像的變化,了解人體生理功能和病理變化。但舌像診斷能力取決于舌像診斷人的經驗和知識,同時外界環境的變化也會對診斷產生很大的影響,使得中醫在現代化的道路上舉步維艱。基于計算機技術、圖像處理和醫學圖像分析的舌診客觀化研究為解決這個問題的提供了方向。
   為了實現舌診客觀化,近年來國內外的一些學者運用圖像處理和模式識別的方法對舌像地紋理、色澤和形態進行了研究,并開發了舌診客觀化的平臺和軟件[1-3]。然而,對舌像的分割仍然沒有取得滿意的效果,這成了制約舌診客觀化系統走向實用的主要障礙。
   將舌體從拍攝到的圖像中準確地分割出來是進一步對舌像進行自動化客觀分析的前提[2]。由于舌像比較復雜(包括嘴唇、臉、牙齒),傳統的分割方法如區域生長、通用邊緣檢測算子(如Soble、Canny等)很難得到理想的效果。80年代中期,Kass等提出了可變模型[4](Active Contour Model)的概念,其二維可變模型又稱作Snake或動態輪廓模型,是一種動態能量極小化曲線。它的最大特點是結合了圖像的低層特征與高層知識,用于圖像分割時,在魯棒性、精確度、實用性等方面均優于傳統方法。但snake算法對初始值要求較高,如果初始邊界遠離所求邊界snakes算法常常無法收斂到圖像真正的邊界。針對上述問題,本文結合區域生長和snake模型給出了一種新的彩色舌像分割方法。

2  基本原理
2.1  Snake模型
Snake 是一種邊緣檢測算子,自1987年Kass等提出后已得到了廣泛的應用,并在隨后出現了不少改進算法。其原始模型可表述如下:
設v (s)= (x (s), y (s))為輪廓曲線,s 是弧長。定義以v (s)為變量的能量函數:

                                                                       (1)
式中Eint ( v(s)) 稱作內部能量,用來計算輪廓形狀的所關注的一些特性:

                                                                       (2)
vs (s)、vss (s)分別為v (s)的一、二階導數,第一項要求輪廓的長度盡可能短,第二項要求輪廓盡可能平滑,
、 分別為其權值;Eext為外部能量函數,是針對圖像中感興趣的特征定義的,不同的外部能量函數使輪廓收斂到圖像不同的特征點。在邊緣檢測中可用圖像梯度作為外部函數: 。在數字圖像處理(離散形式)中,Eint近似為:
而整個Snake 的能量可表示為:

式中:V = (v0, v1, …, vn)為離散化的輪廓曲線;
為能量函數的權值參數。
2.2 Snake算法在舌像分割中的問題及其解決思路
   經過大量實驗研究和分析,我們發現在舌像分割中影響Snake算法性能的主要有以下幾個方面:
(1)嘴唇部分與舌體無論在顏色、紋理都具有相似性較難直接有Snake區分。但由先驗知識可知:雖然舌體的顏色與嘴唇的顏色差別較小,但是比嘴唇的顏色要豐富。我們采用色彩對消[5]同時消去嘴唇與舌體中的公共顏色,剩下的就是舌體所獨有的顏色,并將這些舌體獨有的顏色點在計算Snake外力時,將它們的權值設為最大。
(2)臉部與嘴唇有大量顏色相近的區域,容易使Snake外力在此區域內很小,導致邊界搜索失敗。考慮在舌像基本沒有凹性邊界,在形變模型中又引入了另外一種外力——壓力[6]。壓力可以擴張或者收縮初始活動輪廓,使得初始活動輪廓不必在初始化對象的邊界附近。
(3)Snake的初值對分割結果影響很大,如初值離舌體邊界很遠,Snake算法經過迭代后不能收斂到舌體邊界。為此,我們直接在彩色圖像上使用區域生長算法,將其結果作為Snake初始值(由于舌體顏色與臉部相差較大與嘴唇相差較小,初值通常包括舌頭與嘴唇)。
3  分割方法及其實現
3.1  舌體分割主要步驟

圖1  舌體分割流程圖

3.2  色彩對消
   通常舌體的顏色與面部差異較大,與嘴唇的顏色差別較小,但是比嘴唇的顏色要豐富。基于這些特征我們可以先對舌像圖片進行預處理,取出圖片中無用信息與明顯不是舌頭區域的部分。獲得的舌圖像采用的是 RGB 色彩空間,為了便于分析,最好用一維的變量來表征彩色信息。在各種顏色模型中HSV模型與人眼觀測方式較為相近。其中H通道表示色度、S表示飽和度、V表示亮度。H、S表征色彩信息。設X=H-180,Y=S*180這樣色彩信息可由一個0-180角度值表示,如圖所示。由于人臉和舌頭的主要顏色是紅色與黃色。經分析可知,人臉、舌體和嘴唇的顏色集中分布在 HS 矢量圖(見圖2)的第二象限對應的角度范圍為[90,180],我們將[90,180]的范圍量化為 N 等份,使每個角度對應1-N中的某個整數。

圖2  HS矢量圖

   設包含舌體的區域為B區,舌體上方包含部分嘴唇與臉部的區域為A區,如圖3所示。建立標記數組Flag[N],逐點掃描A區的像素,求出每一像素點在HS矢量圖中的角度值i,并使Flag[i] =1。然后再掃描B區的每點,求出對應的角度值j,若Flag[j] =1,則去除該點,否則保留。當掃描結束,B區中的與嘴唇和臉部顏色相同的像素就被消去了,剩下的就是包含舌體部分,如圖4所示。
   色彩對消后面部有時也會有些點不能被對消掉,形成一些孤立的噪聲點。為了填補舌體中各顆粒點之間的空隙,可先對結果按一定尺度進行形態濾波的膨脹運算,然后再進行腐蝕運算,這樣可以消去顆粒噪聲點并使舌體部分大量的孤立點連接成一片(如圖5所示),得到較清晰的舌體輪廓。然后提取它的H通道(見圖6)作為snake模型計算所需的灰度圖像。

圖3  舌圖像區域劃分

圖4  色彩對消結果

3.3  基于種子點隊列的區域生長
Snake的初始值對算法的最終效果影響很大,我們希望snake的初始值盡量接近舌體邊界。人的舌頭上顏色通常較為豐富(多樣化),舌體可分為舌苔和舌質,舌苔和舌質之間顏色差異較大,因此

圖5 形態濾波結果

圖6 形態濾波結果的H通道

   利用單個種子點進行區域生長無法得到整個舌體的大概輪廓。為解決該問題,本文提出基于種子點隊列的區域生長方案。考慮到色苔和色質的顏色特點,設函數f (x):
f(x)=1 就表示該點為舌頭所獨有(區別于嘴唇)的顏色,即該點周圍的像素在色彩對消中被消除,也就是說該點的顏色為舌體說獨有的顏色。遍歷預處理后的圖片我們將得到一個由種子點組成的隊列。從隊列中取一點在RGB三個通道上同時進行區域生長,我們分別對RGB三個通道設定閾值HR、HG、HB,若像素X周圍的點Y同時滿足|RX-RY|

3.4  用snake提取舌體輪廓
   通過以上幾步我們已經的到了舌體的初始輪廓,但這個輪廓與我們所需的舌體輪廓比起來可能缺少幾塊,也可能多了一些不需要的部分,并且這一輪廓的邊界不夠光滑。這些不準確的分割都可能影響到后繼的分類識別工作的順利進行。因此我們需要用snake模型來得到較準確的舌體輪廓。

      (3)
公式(3)為snake模型加上壓力Ebal后的離散表達式,其中,vi = ( xi ,yi), i =0, …, N – 1,是曲線上的控制點,N是控制點的個數。內部能量Eint在vi點周圍j行k列可表示為:
,其中 為閉合曲線變化因子, 是規一化因子。壓力Ebal可表示為: ,其中ni為vi點法線單位向量,它可由vi點的切向量ti旋轉90度得到。
外部能量選取也較簡單,對位于圖4中舌體區的對消剩余像素點進行較小程度的先膨脹后腐蝕運算。將運算后得到的非黑色區域能量設為 255,其他區域像素點的能量設為該點的梯度值
。為了使結果較精確,在計算中選取了較小的移動步長,并將最大移動次數設的較大,這樣當 Esnake達到最小時,就可收斂到舌體的輪廓邊緣。


4  實驗結果與結論
   我們使用VC6實現本文算法,選用上海中醫藥大學提供的300張舌像進行分割實驗,每幅大小均為500萬像素。實驗結果表明,本文算法對其中276張舌像成功分割,成功率為92%。不同形狀和大小的舌體圖像的分割效果如圖10所示。
   本文提出一種結合區域生長與snake模型的舌像分割方法。它使用色彩對消有效的解決了舌像分割中嘴唇等相似區域干擾較大的問題,用區域生長獲取snake算法初始值,提高了snake方法在舌像分割中的精度和成功率。實驗結果證明本文算法具有較好的適應性,能夠有效的將舌體從臉部圖像中分離出來。

參 考 文 獻
[1]余興龍,譚耀麟,竺子民,中醫舌診自動識別方法的研究,中國生物醫學工程學報,1994,13(4):336-344
[2]沈蘭蓀,衛保國等,圖像分析技術在舌診客觀化中的應用,電子學報, 2001, 29(12):1762-1765.
[3]周昌樂,孫煬等,一種基于分裂-合并方法的中醫舌像區域分割算法及其實現,中國圖像圖形學報,2003,8(12):1395-1399。
[4M. Kass, A. Witkin, and D. Terzopoulos, “Snakes: Active contour models,” in Proc. Int. Conf. Computer Vision, 1987, pp. 259–269.
[5]王艷清,衛保國等,一種基于先驗知識的自動舌體分割算法,電子學報,2004,32(3):489-491.
[6]L. D. Cohen, “On active contour models and balloons,” CVGIP: Image Understand., 1991, 53(2): 211–218







js金龙棋牌技巧 江苏e球彩半全场 滚球大小球预测软件 下象棋 北京pk结果 3d试机号后分析汇总中天图库 易购彩票app客户端下载 欢乐斗地主签到 时时走势图杀号技巧公式 云南体育彩票快乐123 腾讯分分彩官网 天津时时开奖到几点 排球比分直播网 上海快11选五开奖 新出特肖公式规律 app足球游戏 一头一码中特码