舌头图像提取方法、装置及计算机可读存储介质制造方法及图纸

本方案涉及人工智能，提供一种舌头图像提取方法：利用LNMF算法进行训练，将训练图像对应的矩阵V分解为非负特征矩阵W与权值矩阵H的乘积；非负特征矩阵W的维数为n*r，r列为特征基图像，该非负特征矩阵W构成非负子空间；权值矩阵H的维数为r*m；将训练图像和测试图像分别向非负子空间投影，分别得到特征系数，利用最近邻准则来求取训练图像与测试图像对应的特征系数的相似度，将相似度高于阈值的测试图像中的特征提取出来，从而利用边框将代表舌头特征的图像区域从各测试图像中分割出来。本方案还提供舌头图像提取装置及计算机可读存储介质。本方案基于LNMF算法更加强调了原图像分解过程中基本特征成分的局部化，运算速度更快。

Tongue image extraction method, device and computer readable storage medium

【技术实现步骤摘要】
舌头图像提取方法、装置及计算机可读存储介质
本专利技术涉及人工智能，具体地说，涉及一种舌头图像提取方法、装置及计算机可读存储介质。
技术介绍
现有的舌头图像检测方法，通常是采用目标检测的方式，利用滑动窗口沿水平和竖向分别在图像上滑动，并通过CNN模型对滑动窗口中的物体提取空间特征，利用SVM分类器对提取到的所述空间特征分类，从而确定滑动窗口中是否是舌头图像。输出滑动窗口的四个角点的坐标，以四个角点的坐标来标定舌头图像的位置。但是，由于不同图像中舌头的尺寸相差很多，角度姿态也各不相同。因此，目标框的大小不确定，这就要通过各种大小的目标框来多次进行滑动识别，这也导致目标检测具有一定的复杂度。因此，如何快速获取位姿正确并且完整清晰的舌头图像是一个亟待解决的问题。
技术实现思路
为解决以上问题，本专利技术提供一种舌头图像提取方法，应用于电子装置，该方法包括以下步骤：S110，将包含舌头的训练图像转换为矩阵V，其中，一张图像的所有的非负灰度值对应V中的一列，利用LNMF算法进行训练，将矩阵V分解为非负特征矩阵W与权值矩阵H的乘积，即V＝WH；非负特征矩阵W的维数为n*r，r列为特征基图像，所述特征基图像是指代表舌头特征的非负特征矩阵W，该非负特征矩阵W构成非负子空间；权值矩阵H的维数为r*m，其每一列为编码；S120，采用EHMM模型识别所述测试图像是否包含人脸图像，如包含，将训练图像和测试图像分别向所述非负子空间投影，分别得到特征系数，利用最近邻准则来求取训练图像与测试图像对应的特征系数的相似度，并将相似度高于相似度阈值的测试图像中的代表舌头的特征提取出来作为舌头特征；S130，经过投影会将包含舌头特征的特征区域和不含舌头特征的非特征区域分别用不同标签标识出来，其中，标签集合对应有特征区域的边界信息，提取边界信息中上下左右方向的极值，确定包含特征区域的边框。本专利技术还提供一种舌头图像提取装置，包括：矩阵分解模块，用于将包含舌头的训练图像转换为矩阵V，其中，一张图像的所有的非负灰度值对应V中的一列，利用LNMF算法进行训练，将矩阵V分解为非负特征矩阵W与权值矩阵H的乘积，即V＝WH；非负特征矩阵W的维数为n*r，r列为特征基图像，所述特征基图像是指代表舌头特征的非负特征矩阵W，该非负特征矩阵W构成非负子空间；权值矩阵H的维数为r*m，其每一列为编码；舌头特征提取模块，采用EHMM模型识别所述测试图像是否包含人脸图像，如包含，将训练图像和测试图像分别向所述非负子空间投影，分别得到特征系数，利用最近邻准则来求取训练图像与测试图像对应的特征系数的相似度，并将相似度高于相似度阈值的测试图像中的代表舌头的特征提取出来作为舌头特征；舌头图像分割模块，利用不同标签标记包含舌头特征的特征区域和不含舌头特征的非特征区域，其中，标签集合对应有特征区域的边界信息，提取边界信息中上下左右方向的极值，确定包含特征区域的边框。本专利技术还提供一种电子装置，该电子装置包括：存储器和处理器，所述存储器中存储有舌头图像提取程序，所述舌头图像提取程序被所述处理器执行时实现如下步骤：S110，将包含舌头的训练图像转换为矩阵V，其中，一张图像的所有的非负灰度值对应V中的一列，利用LNMF算法进行训练，将矩阵V分解为非负特征矩阵W与权值矩阵H的乘积，即V＝WH；非负特征矩阵W的维数为n*r，r列为特征基图像，所述特征基图像是指代表舌头特征的非负特征矩阵W，该非负特征矩阵W构成非负子空间；权值矩阵H的维数为r*m，其每一列为编码；S120，采用EHMM模型识别所述测试图像是否包含人脸图像，如包含，将训练图像和测试图像分别向所述非负子空间投影，分别得到特征系数，利用最近邻准则来求取训练图像与测试图像对应的特征系数的相似度，并将相似度高于相似度阈值的测试图像中的代表舌头的特征提取出来作为舌头特征；S130，经过投影会将包含舌头特征的特征区域和不含舌头特征的非特征区域分别用不同标签标识出来，其中，标签集合对应有特征区域的边界信息，提取边界信息中上下左右方向的极值，确定包含特征区域的边框。另外，还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现以上任一项所述的舌头图像提取方法。本专利技术的技术效果为：基于LNMF构建由特征基图像构成的非负子空间，使得图像分解过程中基本特征成分局部化，利用训练图像和测试图像向非负子空间的投影得到的特征系数的相似度来提取舌头特征，可以提高图像识别效率；在测试图像向非负子空间投影的同时利用不同标签标记包含舌头特征的特征区域和不含舌头特征的非特征区域，提高标记和舌头图像分割的效率。附图说明通过结合下面附图对其实施例进行描述，本专利技术的上述特征和技术优点将会变得更加清楚和容易理解。图1是本专利技术实施例的舌头图像提取方法的流程示意图；图2是本专利技术实施例的图像的切片对应的EHMM的超状态及嵌入状态的的流程示意图一；图3是本专利技术实施例的图像的切片对应的EHMM的超状态及嵌入状态的的流程示意图二；图4是本专利技术实施例的图像的切片对应的EHMM的超状态及嵌入状态的的流程示意图三；图5是本专利技术实施例的电子装置的硬件架构示意图；图6是本专利技术实施例的舌头图像提取程序的模块构成图；图7是本专利技术实施例的线性回归模型调整边框的示意图。具体实施方式下面将参考附图来描述本专利技术所述的舌头图像提取方法、装置及计算机可读存储介质的实施例。本领域的普通技术人员可以认识到，在不偏离本专利技术的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。图1为本专利技术实施例提供的舌头图像提取方法的流程示意图，应用于电子装置，该方法包括以下步骤：S110、利用LNMF(局部非负矩阵分解)算法进行训练，得到不同维数的特征基图像。例如采用1000张舌头图像(即图像中包含有舌头，并体现出舌头的形状、颜色等特征)作为训练图像集，且舌头图像已事先进行了标注。优选地，可以先将舌头图像进行压缩，例如压缩为56*64像素，并对舌头图像进行去均值与归一化的处理，利用LNMF算法进行训练得到不同维数的特征基图像，所述特征基图像是指代表舌头的特征的非负特征矩阵W，该非负特征矩阵W构成非负子空间。其中，LNMF是在NMF的基础上的改进，LNMF算法是将训练图像对应的矩阵V分解为特征矩阵W与权值矩阵H的乘积，即V＝WH。其中，V是n*m的矩阵，V＝(V1，V2，……Vm)，一张图像的所有的非负灰度值就是对应V中的一列，V中的数据就是训练图像所对应的灰度值。特征矩阵W的维数为n*r，r列为基图像；权值矩阵H的维数为r*m，其每一列为编码，与本文档来自技高网...

【技术保护点】
1.一种舌头图像提取方法，应用于电子装置，其特征在于，该方法包括以下步骤：/nS110，将包含舌头的训练图像转换为矩阵V，其中，一张图像的所有的非负灰度值对应V中的一列，利用LNMF算法进行训练，将矩阵V分解为非负特征矩阵W与权值矩阵H的乘积，即V＝WH；/n非负特征矩阵W的维数为n*r，r列为特征基图像，所述特征基图像是指代表舌头特征的非负特征矩阵W，该非负特征矩阵W构成非负子空间；/n权值矩阵H的维数为r*m，其每一列为编码；/nS120，采用EHMM模型识别所述测试图像是否包含人脸图像，如包含，将训练图像和测试图像分别向所述非负子空间投影，分别得到特征系数，利用最近邻准则来求取训练图像与测试图像对应的特征系数的相似度，并将相似度高于相似度阈值的测试图像中的代表舌头的特征提取出来作为舌头特征；/nS130，经过投影会将包含舌头特征的特征区域和不含舌头特征的非特征区域分别用不同标签标识出来，其中，标签集合对应有特征区域的边界信息，提取边界信息中的上下左右方向的极值，确定包含特征区域的边框。/n

【技术特征摘要】
1.一种舌头图像提取方法，应用于电子装置，其特征在于，该方法包括以下步骤：
S110，将包含舌头的训练图像转换为矩阵V，其中，一张图像的所有的非负灰度值对应V中的一列，利用LNMF算法进行训练，将矩阵V分解为非负特征矩阵W与权值矩阵H的乘积，即V＝WH；
非负特征矩阵W的维数为n*r，r列为特征基图像，所述特征基图像是指代表舌头特征的非负特征矩阵W，该非负特征矩阵W构成非负子空间；
权值矩阵H的维数为r*m，其每一列为编码；
S120，采用EHMM模型识别所述测试图像是否包含人脸图像，如包含，将训练图像和测试图像分别向所述非负子空间投影，分别得到特征系数，利用最近邻准则来求取训练图像与测试图像对应的特征系数的相似度，并将相似度高于相似度阈值的测试图像中的代表舌头的特征提取出来作为舌头特征；
S130，经过投影会将包含舌头特征的特征区域和不含舌头特征的非特征区域分别用不同标签标识出来，其中，标签集合对应有特征区域的边界信息，提取边界信息中的上下左右方向的极值，确定包含特征区域的边框。


2.根据权利要求1所述的舌头图像提取方法，其特征在于，
还包括步骤S150，通过线性回归模型计算得到边框的平移值和缩放值，并利用损失函数约束边框的位置误差，调整边框移动到合适的位置。


3.根据权利要求1所述的舌头图像提取方法，其特征在于，
LNMF算法的公式如下：
构建目标函数



其中，α、β为正常数；
V、W、H≥0；

||Wj||＝1，Wj表示特征基矩阵W的第j列向量，表示对特征基矩阵W的每一列都进行归一化处理；
V＝[V1，V2…Vi…Vm]表示m幅训练图像集合，列向量Vi表示第i幅训练图像，Vij表示第i幅图像的第j个灰度值，每幅训练图像的尺寸为n，V的大小为n*m；
W＝[W1，W2，…Wj…Wr]为特征矩阵，大小为n*r；
H＝[H1，H2…Hj…Hm]为权值矩阵，Hj为H的第j列向量，大小为r*m；
采用下式迭代更新W和H，实现目标函数最小化，









其中，i＝1,2，…m；j＝1,2，…，r；l＝1,2，…n，在迭代过程中W，H始终保持为非负数。


4.根据权利要求1所述的舌头图像提取方法，其特征在于，
在步骤S110前，对训练图像和测试图像都先进行二值化。


5.根据权利要求1所述的舌头图像提取方法，其特征在于，
采用EHMM模型识别测试图像中的包含人脸的图像包括以下步骤：
选取人脸的多个特征点形成特征序列；
将测试图像输入EHMM模型，EHMM模型通过移动的窗口从上到下和从左到右扫描测试图像，得到多组特征向量，多组特征向量组成观察值序列；
利用前向算法求出观察值序列与人脸的多个特征点组成的特征序列相似的或然率，相似的或然率大于判定阈值，则认为检测的图像包含人脸，其中，所述EHMM模型包含一组超状态集合，超状态集合中的超状态的数量与人脸在竖向的切片图片数量相同，每个超状态封装对应一组嵌入式状态集合，嵌入式状态集合中的嵌入式状态的数量与人脸在横向的切片图片数量相同。


6.根据权利要求1所述的舌头图像提取方法，其特征在于，S110中，先将训练图像进行压缩，并对训练图像进行去均值与归一化的处理，然后再利用LNMF算法进行训练得到特征基图像...

【专利技术属性】
技术研发人员：曹靖康，王健宗，王义文，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44