舌象分割方法及装置制造方法及图纸

本公开提供一种舌象分割方法及装置，涉及图像分割技术领域。本公开提供的舌象分割方法及装置，首先对获取的舌象图像进行预处理，再根据预先训练得到的分割模型，对预处理后的舌象图像进行分割，得到第一舌体区域，在得到第一舌体区域后，根据条件随机场算法，对第一舌体区域进行细化分割，得到第二舌体区域，实现了舌体区域的完整提取。

Tongue image segmentation method and device

【技术实现步骤摘要】
舌象分割方法及装置
本公开涉及图像分割
，具体而言，涉及一种舌象分割方法及装置。
技术介绍
在舌象图像研究中，将舌体区域从面部区域中抠出来是自动分析舌象指标的关键步骤，分割的质量也将直接影响到后续分析的准确性。目前对舌象的分割，经常会在舌体边缘区域出现缺失或多出面部区域，不能完整的提取舌体区域。
技术实现思路
有鉴于此，本公开提供一种舌象分割方法及装置。本公开提供的一种舌象分割方法，包括：对获取的舌象图像进行预处理。根据预先训练得到的分割模型，对预处理后的舌象图像进行分割，得到第一舌体区域。根据条件随机场算法，对所述第一舌体区域进行细化分割，得到第二舌体区域。进一步的，所述分割模型通过以下步骤训练得到：基于预先获取得到的多张舌象图像，对各所述舌象图像中的舌体区域进行标注，并针对标注后的各所述舌象图像分别制作对应的掩膜图像。对各所述舌象图像及各所述舌象图像对应的掩膜图像进行数据增广，并对进行数据增广后的各舌象图像以及各舌象图像对应的掩膜图像进行预处理。以预处理后的各舌象图像的RGB值作为输入数据，以预处理后的各舌象图像对应的掩膜图像的灰度值和与所述灰度值相反的值作为输出数据。基于全卷积神经网络，根据所述输入数据对所述全卷积神经网络的参数进行训练，并根据所述输出数据，对所述全卷积神经网络的参数进行优化调整，将优化调整后的参数作为所述分割模型的参数。进一步的，所述基于全卷积神经网络，根据所述输入数据对所述全卷积神经网络的参数进行训练的步骤包括：对所述输入数据进行第一卷积操作，得到第一特征图以及浅层特征图。对所述第一特征图进行多尺度特征的提取，并将多尺度提取到的特征拼接后进行第二卷积操作，得到第二特征图。对所述第二特征图进行上采样，并对所述浅层特征图进行第三卷积操作。将上采样后的第二特征图与第三卷积操作后的浅层特征图进行拼接，得到第三特征图。对所述第三特征图进行第四卷积操作，并对第四卷积操作后的第三特征图进行上采样，得到预测输出数据。进一步的，所述根据所述输出数据，对所述全卷积神经网络的参数进行优化调整，将优化调整后的参数作为所述分割模型的参数的步骤包括：根据所述输出数据以及预测输出数据，构建损失函数，通过对所述损失函数进行反向传播，利用梯度下降算法对所述卷积神经网络的参数进行调整，直至所述损失函数的值小于设定阈值，将优化调整后的参数作为所述分割模型的参数。其中，所述损失函数Diceloss通过以下公式计算得到：A为所述输出数据和所述预测输出数据中的其中一种数据，B为所述输出数据和所述预测输出数据中不同于A的另一种数据；|A∩B|为A、B数据之间的共同元素数量，|A|为A数据的元素数量，|B|为B数据的元素数量。进一步的，所述对获取的舌象图像进行预处理的步骤包括：对获取的舌象图像进行压缩。对压缩后的舌象图像的RGB值进行归一化处理。本公开提供一种舌象分割装置，包括预处理模块、第一处理模块以及优化模块。所述预处理模块用于对获取的舌象图像进行预处理。所述第一处理模块用于根据预先训练得到的分割模型，对预处理后的舌象图像进行分割，得到第一舌体区域。所述优化模块用于根据条件随机场算法，对所述第一舌体区域进行细化分割，得到第二舌体区域。进一步的，所述舌象分割装置还包括标注模块、第二处理模块以及训练模块。所述标注模块用于基于预先获取得到的多张舌象图像，对各所述舌象图像中的舌体区域进行标注，并针对标注后的各所述舌象图像分别制作对应的掩膜图像。所述第二处理模块用于对各所述舌象图像及各所述舌象图像对应的掩膜图像进行数据增广，并对进行数据增广后的各舌象图像以及各舌象图像对应的掩膜图像进行预处理。所述第二处理模块还用于以预处理后的各舌象图像的RGB值作为输入数据，以预处理后的各舌象图像对应的掩膜图像的灰度值和与所述灰度值相反的值作为输出数据。所述训练模块用于基于全卷积神经网络，根据所述输入数据对所述全卷积神经网络的参数进行训练，并根据所述输出数据，对所述全卷积神经网络的参数进行优化调整，将优化调整后的参数作为所述分割模型的参数。进一步的，所述训练模块用于：对所述输入数据进行第一卷积操作，得到第一特征图以及浅层特征图。对所述第一特征图进行多尺度特征的提取，并将多尺度提取到的特征拼接后进行第二卷积操作，得到第二特征图。对所述第二特征图进行上采样，并对所述浅层特征图进行第三卷积操作。将上采样后的第二特征图与第三卷积操作后的浅层特征图进行拼接，得到第三特征图。对所述第三特征图进行第四卷积操作，并对第四卷积操作后的第三特征图进行上采样，得到预测输出数据。进一步的，所述训练模块还用于：根据所述输出数据以及预测输出数据，构建损失函数，通过对所述损失函数进行反向传播，利用梯度下降算法对所述卷积神经网络的参数进行调整，直至所述损失函数的值小于设定阈值，将优化调整后的参数作为所述分割模型的参数。其中，所述损失函数Diceloss通过以下公式计算得到：A为所述输出数据和所述预测输出数据中的其中一种数据，B为所述输出数据和所述预测输出数据中不同于A的另一种数据；|A∩B|为A、B数据之间的共同元素数量，|A|为A数据的元素数量，|B|为B数据的元素数量。进一步的，所述预处理模块还用于：对获取的舌象图像进行压缩。对压缩后的舌象图像的RGB值进行归一化处理。本公开提供的舌象分割方法及装置，首先对获取的舌象图像进行预处理，再根据预先训练得到的分割模型，对预处理后的舌象图像进行分割，得到第一舌体区域，在得到第一舌体区域后，根据条件随机场算法，对第一舌体区域进行细化分割，得到第二舌体区域，实现了舌体区域的完整提取，具有较好的普适性。为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本公开的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本公开所提供的电子设备的一种方框示意图。图2为本公开所提供的舌象分割方法的一种流程示意图。图3为本公开所提供的舌象分割方法的另一种流程示意图。图4为本公开所提供的舌象分割的一种实例示意图。图5为本公开所提供的舌象分割的另一种实例示意图。图6为本公开所提供的舌象分割方法的又一种流程示意图。图7为本公开所提供的舌象分割方法的又一种流程示意图。图8为本公开所提供的分割模型的一种训练结构示意图。图9为本公开所提供的分割模型的另一种训练结构示意图。图10为本公开所提供的舌象分割装置的一种方框示意图。图标：100-电子设备；10-舌象分割装置；11-预处理模块；12-第一处理模块；13-优化模块；14-标注模块；15-第二处理模块；16-训练模块；20-存储器；30-处理器；具体实施方式下面将结合本公开中附图，对本公开中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅本文档来自技高网...

【技术保护点】
1.一种舌象分割方法，其特征在于，包括：对获取的舌象图像进行预处理；根据预先训练得到的分割模型，对预处理后的舌象图像进行分割，得到第一舌体区域；根据条件随机场算法，对所述第一舌体区域进行细化分割，得到第二舌体区域。

【技术特征摘要】
1.一种舌象分割方法，其特征在于，包括：对获取的舌象图像进行预处理；根据预先训练得到的分割模型，对预处理后的舌象图像进行分割，得到第一舌体区域；根据条件随机场算法，对所述第一舌体区域进行细化分割，得到第二舌体区域。2.根据权利要求1所述的舌象分割方法，其特征在于，所述分割模型通过以下步骤训练得到：基于预先获取得到的多张舌象图像，对各所述舌象图像中的舌体区域进行标注，并针对标注后的各所述舌象图像分别制作对应的掩膜图像；对各所述舌象图像及各所述舌象图像对应的掩膜图像进行数据增广，并对进行数据增广后的各舌象图像以及各舌象图像对应的掩膜图像进行预处理；以预处理后的各舌象图像的RGB值作为输入数据，以预处理后的各舌象图像对应的掩膜图像的灰度值和与所述灰度值相反的值作为输出数据；基于全卷积神经网络，根据所述输入数据对所述全卷积神经网络的参数进行训练，并根据所述输出数据，对所述全卷积神经网络的参数进行优化调整，将优化调整后的参数作为所述分割模型的参数。3.根据权利要求2所述的舌象分割方法，其特征在于，所述基于全卷积神经网络，根据所述输入数据对所述全卷积神经网络的参数进行训练的步骤包括：对所述输入数据进行第一卷积操作，得到第一特征图以及浅层特征图；对所述第一特征图进行多尺度特征的提取，并将多尺度提取到的特征拼接后进行第二卷积操作，得到第二特征图；对所述第二特征图进行上采样，并对所述浅层特征图进行第三卷积操作；将上采样后的第二特征图与第三卷积操作后的浅层特征图进行拼接，得到第三特征图；对所述第三特征图进行第四卷积操作，并对第四卷积操作后的第三特征图进行上采样，得到预测输出数据。4.根据权利要求3所述的舌象分割方法，其特征在于，所述根据所述输出数据，对所述全卷积神经网络的参数进行优化调整，将优化调整后的参数作为所述分割模型的参数的步骤包括：根据所述输出数据以及预测输出数据，构建损失函数，通过对所述损失函数进行反向传播，利用梯度下降算法对所述卷积神经网络的参数进行调整，直至所述损失函数的值小于设定阈值，将优化调整后的参数作为所述分割模型的参数；其中，所述损失函数Diceloss通过以下公式计算得到：A为所述输出数据和所述预测输出数据中的其中一种数据，B为所述输出数据和所述预测输出数据中不同于A的另一种数据；|A∩B|为A、B数据之间的共同元素数量，|A|为A数据的元素数量，|B|为B数据的元素数量。5.根据权利要求1所述的舌象分割方法，其特征在于，所述对获取的舌象图像进行预处理的步骤包括：对获取的舌象图像进行压缩；对压缩后的舌象图像的RGB值进行归一化处理。6....

【专利技术属性】
技术研发人员：李得元，代超，何帆，周振，
申请(专利权)人：中电健康云科技有限公司，
类型：发明
国别省市：四川,51