一种基于卷积神经网络的中医舌色苔色自动分析方法技术

一种基于卷积神经网络的中医舌色苔色自动分析方法属于计算机视觉领域和中医舌诊领域，具体涉及深度学习、图像处理等技术。该方法可以有效提高舌色苔色自动分析的准确度和鲁棒性。本发明专利技术分类准确度高。与传统的“特征提取+分类器”方案相比，卷积神经网络是一种端到端的结构，特征提取与分类两个过程在同一框架下完成，避免了对特征和分类器选择的依赖。在分类精度上比传统方法具有明显优势，可以满足实际应用需求。

【技术实现步骤摘要】
一种基于卷积神经网络的中医舌色苔色自动分析方法
本专利技术将深度学习技术引入到中医舌诊客观化研究中，提出一种基于卷积神经网络的中医舌色苔色自动分析方法，该方法可以有效提高舌色苔色自动分析的准确度和鲁棒性。本专利技术属于计算机视觉领域和中医舌诊领域，具体涉及深度学习、图像处理等技术。
技术介绍
舌象特征的自动分析是舌诊客观化研究的重要内容。舌色和苔色是舌象最基本的特征，因而舌色苔色的自动分析也成为舌诊客观化的研究热点。较为常用的舌色苔色自动分析方法有基于支撑向量机的识别方法、基于稀疏表示分类器的识别方法等。以上方法均需要手工选取特征，人工选取特征的好坏将直接影响分类性能的高低。通常情况下，提取的特征以颜色特征为主，这些特征都是建立在特定的光照环境下，对光照敏感，一旦舌象的拍摄光照条件发生变化，构建的分析模型将完全失去作用。因此，需要引入新的信息处理技术来解决这些问题。近年来，深度学习在图像分类等计算机视觉领域取得了巨大成功。其中，卷积神经网络(ConvolutionalNeuralNetwork,CNN)凭借其强大的特征学习与表达能力被广泛应用于图像分类。绝大多数现有的CNN网络结构(如GoogleNet、VGGNet、ResNet等)具有网络层次深的特点，需要依靠大数据驱动学习，如ILSVRC竞赛中使用的数据集包含百万幅图像。然而，对于中医学领域来说，权威医生标注的高质量数据样本不仅稀缺而且非常昂贵，而经验不足的医生或非专业人士标注的数据往往会导致杂乱的注释，引起歧义，数据标注的质量难以保证，这导致有标注的舌象样本库较小，绝大多数现有的CNN网络结构不能直接用于舌色苔色的自动分析。因此，本专利技术结合舌色苔色自动分析的特点，专门设计了轻量型的深度神经网络，提出了一种基于卷积神经网络的中医舌色苔色自动分析方法，为中医舌诊客观化提供了一种重要的手段，对推动中医客观化的发展具有重要的意义，并在临床诊疗、养生保健、中医传承等方面具有重要的应用价值。
技术实现思路
目的：提供一种分类准确率高的舌色苔色自动分析方法。为解决上述技术问题，本专利技术采用的技术方案为：结合舌色苔色自动分析的特点，专门设计了轻量型的深度神经网络，提出了一种基于卷积神经网路的中医舌色苔色自动分析方法。该方法分为网络训练阶段和舌色苔色识别阶段，具体包括以下步骤：步骤1：构建数据集。本专利技术使用的数据集通过SIPL型中医舌象仪采集得到，并且其舌色与苔色均由专业的中医医师进行标定。为了使训练样本尽可能标准且典型，本专利技术中所使用的训练样本为一系列由中医专家逐块确定类别的图像子块。这些样本块是利用滑动窗从舌图像相应的舌质区域和舌苔区域得到。步骤2：卷积神经网络的结构设计和网络训练。由于CNN网络的低层网络可以学习到颜色和纹理低层特征，然后逐层学习抽象特征，而中医对舌色苔色进行诊断时的依据是低层的颜色和纹理信息。为此，本专利技术搭建了一种用于舌色和苔色分类的轻量型CNN网络，并利用步骤1中构建的舌色和苔色数据集分别训练该网络，得到舌色分类模型和苔色分类模型。步骤3：对待分析的舌图像进行舌色苔色的自动识别。步骤3.1：对待分析的舌图像进行舌色和苔色区域划分，分别得到舌质区域和舌苔区域。步骤3.2：在步骤3.1得到的舌质区域和舌苔区域上，通过滑动窗分别得到舌质图像子块和舌苔图像子块。步骤3.3：利用步骤2训练得到的舌色分类模型和苔色分类模型分别对相应的图像子块进行分类。步骤3.4：通过统计决策的方法对分类结果进行综合，得到整幅舌图像的舌色和苔色类别。与现有技术相比，本专利技术具有以下明显的优势和有益效果：分类准确度高。与传统的“特征提取+分类器”方案相比，卷积神经网络是一种端到端的结构，特征提取与分类两个过程在同一框架下完成，避免了对特征和分类器选择的依赖。在分类精度上比传统方法具有明显优势，可以满足实际应用需求。附图说明图1基于卷积神经网络的舌色苔色自动分析方法流程图。具体实施方式以下结合附图和具体实施方式对本专利技术做进一步说明。步骤1：构建数据集。本专利技术使用的数据集通过SIPL型中医舌象仪采集得到，且舌图像的舌色与苔色均由中医医师进行了标定。其中，舌色分为淡、淡红、红、暗红、绛红、暗紫，共6类；苔色分为薄白苔、白苔、白厚苔、薄黄苔、黄苔、黄厚苔、灰苔、褐苔、黑苔，共9类。为了使训练样本尽可能标准且典型，本专利技术中所使用的训练样本为一系列由中医专家逐块确定类别的图像子块。这些样本块是利用滑动窗从舌图像相应的舌质区域和舌苔区域得到，滑动窗的尺寸为32×32，滑动步长为16。步骤2：卷积神经网络的结构设计和网络训练。本专利技术针对舌色苔色自动分析设计了一种轻量型卷积神经网络，对该网络进行训练，可以分别得到用于舌色和苔色分类的网络模型。步骤2.1：卷积神经网络结构设计。本专利技术设计的卷积神经网络简称为TonColorNet,该网络的输入为32×32大小的图像子块。该网络包含1个卷积层，一个池化层和3个全连接层。卷积层后面连接一个激励层和一个局部响应归一化层，前两层全连接层的输出均连接一个激励层，并采用dropout策略来提高神经网络的分类性能。卷积层采用7×7大小的卷积核，步长为1，输出32个特征图。池化层采用2×2尺寸大小并且步长为1的最大池化。前两层全连接层的神经元个数分别为100和50，最后一层全连接层的神经元个数为舌色或苔色的类别。此外，激励层采用修正线性单元(RectifiedLinearUnit，ReLU)作为激活函数。(1)修正线性单元传统的激活函数sigmoid或者tanh函数都是饱和非线性函数，即函数值达到一定程度之后，变化会非常小，几乎为零，因此传统的神经网络在深度增加了之后，利用反向传播的方法进行训练时，误差传到前几层的时候就特别小，出现了所谓的梯度消失的问题(gradientvanishingproblem)。ReLU激活函数能够保留结果中的正数，采用ReLU激活函数不仅可以解决梯度消失的问题，还可以加快收敛。(2)DropoutDropout以0.5的概率将每个隐层神经元的输出设置为零。以这种方式“droppedout”的神经元既不参与前向传播，也不参与反向传播。所以每次提出一个输入，该神经网络就尝试一个不同的结构，但是所有这些结构之间共享权重。由于神经元不能依赖于其他特定神经元而存在，所以这种技术降低了神经元复杂的互适应关系。正因如此，要被迫学习更为鲁棒的特征，这些特征在结合其他神经元的一些不同随机子集时有用。因此，本专利技术在前两个全连接层使用dropout策略来提高神经网络的分类性能。步骤2.2：训练卷积神经网络。CNN是一种有监督的学习方法，从大量样本中通过学习获得输入与输出之间的映射关系。该学习过程包括前向传播和反向传播两个阶段。前向传播是通过网络参数计算得到输入图像的标签，反向传播是计算输出标签与该图像期望标签的误差，然后利用误差回传算法校正网络参数。然后再次进行网络训练。在本专利技术提出的方法中，使用构建的舌色数据集和苔色数据集分别训练TonColorNet。训练时，网络参数采用随机初始化，损失函数设为softmaxloss，利用随机梯度下降算法(SGD)方法进行网络训练，分别得到舌色分类模型和苔色分类模型。步骤3：对待分析的舌图像进行舌色苔色的自动识本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的中医舌色苔色自动分析方法，其特征在于，该方法分为网络训练阶段和舌色苔色识别阶段，包括以下步骤：步骤1：构建数据集；使用的数据集通过中医舌象仪采集得到，并且其舌色与苔色均由专业的中医医师进行标定；所使用的训练样本为一系列由中医专家逐块确定类别的图像子块；这些样本块是利用滑动窗从舌图像相应的舌质区域和舌苔区域得到；滑动窗的尺寸为32×32，滑动步长为16；步骤2：卷积神经网络的结构设计和网络训练；搭建了卷积神经网络，并利用步骤1中构建的舌色和苔色数据集分别训练该网络，得到舌色分类模型和苔色分类模型；设计的卷积神经网络简称为TonColorNet,该网络的输入为32×32大小的图像子块；该网络包含1个卷积层，一个池化层和3个全连接层；卷积层后面连接一个激励层和一个局部响应归一化层，前两层全连接层的输出均连接一个激励层，并采用Dropout以0.5的概率将每个隐层神经元的输出设置为零；；卷积层采用7×7大小的卷积核，步长为1，输出32个特征图；池化层采用2×2尺寸大小并且步长为1的最大池化；前两层全连接层的神经元个数分别为100和50，最后一层全连接层的神经元个数为舌色或苔色的类别；激励层采用修正线性单元ReLU作为激活函数；步骤3：对待分析的舌图像进行舌色苔色的自动识别；步骤3.1：对待分析的舌图像进行舌色和苔色区域划分，分别得到舌质区域和舌苔区域；步骤3.2：在步骤3.1得到的舌质区域和舌苔区域上，通过滑动窗分别得到舌质图像子块和舌苔图像子块；步骤3.3：利用步骤2训练得到的舌色分类模型和苔色分类模型分别对相应的图像子块进行分类；步骤3.4：通过统计决策的方法对分类结果进行综合，得到整幅舌图像的舌色和苔色类别。...

【技术特征摘要】
1.一种基于卷积神经网络的中医舌色苔色自动分析方法，其特征在于，该方法分为网络训练阶段和舌色苔色识别阶段，包括以下步骤：步骤1：构建数据集；使用的数据集通过中医舌象仪采集得到，并且其舌色与苔色均由专业的中医医师进行标定；所使用的训练样本为一系列由中医专家逐块确定类别的图像子块；这些样本块是利用滑动窗从舌图像相应的舌质区域和舌苔区域得到；滑动窗的尺寸为32×32，滑动步长为16；步骤2：卷积神经网络的结构设计和网络训练；搭建了卷积神经网络，并利用步骤1中构建的舌色和苔色数据集分别训练该网络，得到舌色分类模型和苔色分类模型；设计的卷积神经网络简称为TonColorNet,该网络的输入为32×32大小的图像子块；该网络包含1个卷积层，一个池化层和3个全连接层；卷积层后面连接一个激励层和一个局部响应归一化层，前两层全连接层的输出均连接一个激励层，并采用Dropout以0.5的概率将每个隐层神经元的输出设置为零；；卷积层采用7×7大小的卷积核，步长为1，输出32个特征图；池化层采用2×2尺寸大小并且步长为1的最大池化；前两层全连接层的神经元个数分别为100和50，最后一层全连接层的神经元个数为舌色或苔色的类别；激励层采用修正线性单元ReLU作为激活函数；步骤3：对待分析的舌图像进行舌色苔色的自动识别；步骤3.1：对待分析的舌图像进行舌色和苔色区域划分，分别得到舌质区域和舌苔区域；步骤3.2：在步骤3.1得到的舌质区域和舌苔区域上，通过滑动窗分别得到舌质图像子块和舌苔图像子块；步骤3.3：利用步骤2训练得到的舌色分类模型和苔色分类模型分别对相应的图像子块进行分类；步骤3.4：通过统计决策的方法对分类结果进行综合，得到整幅舌图像的舌色和苔色类别。2.根据权利要求1所述方法，其特征在于，步骤1中，舌色分为淡、淡红、红、暗红、绛红、暗紫，共6类；苔色分为薄白苔、白苔、白厚苔、薄黄苔、黄苔、黄厚苔、灰苔、褐苔、黑苔，共9类。3.根据权利要求1所述方法，其特征在于，使用构建的舌色数据集和苔色数据集分别训练TonColorNet；训练时，网络参数采用随机初始化，损失函数设为softmaxloss，利用随机梯度下降算法方法进...

【专利技术属性】
技术研发人员：卓力，屈盼玲，卢运西，张辉，张菁，李晓光，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11