【技术实现步骤摘要】
一种基于弱监督学习的舌体图像分割方法
本专利技术涉及计算机视觉图像处理
，尤其是涉及一种基于弱监督学习的舌体图像分割方法。
技术介绍
舌体图像分割是整个舌诊量化系统最重要的步骤，由于舌体的近似半椭圆形的结构，矩形的图像采集区域会包含很多非舌体的背景，舌体图像分割的主要工作就是将舌体从人的脸部、嘴巴及牙齿等背景中准确分割出来，在此基础上进行后续的舌象分类。如果舌体图像没有准确分割出来，特征提取的结果就会产生较大差异，导致后续训练舌象分类器的效果不理想。所以需要在包含其他背景的舌体图像把舌体精细的分割出来。关于舌体分割的算法目前来说主要有两大类，一类是传统的无监督算法，其优点是不需要任何标签直接进行分割，简单快捷，但是其分割的质量残差不齐，泛化性太差，分割效果难以保证达到后续舌诊的要求。第二类是全监督的语义分割，该类算法需要事先得到像素级的人工标签，也就是需要手工把输入图像上所有像素点是属于前景还是属于背景标注出来，前景标注为白色，背景标注为黑色，即希望模型能够得到的分割结果，相当于考试中的参考答案。该类算法的优点...
【技术保护点】
1.一种基于弱监督学习的舌体图像分割方法，其特征在于，包括下列步骤：/n1)采集大量的含有舌体的原始图像，对原始图像选择性搜索，获取大量的候选框；/n2)对原始图像进行随机数据增强，并采用分类网络进行训练，利用训练后的分类网络对获取的大量候选框进行评分，以对候选框进行筛选；/n3)对步骤2)筛选的候选框集合进行优化，获取最终的舌体边界框；/n4)对最终的边界框内的图像进行边缘检测；/n5)对边缘检测得到的检测图像采用Grabcut进行分割，获取最终的舌体分割结果。/n
【技术特征摘要】
1.一种基于弱监督学习的舌体图像分割方法，其特征在于，包括下列步骤：
1)采集大量的含有舌体的原始图像，对原始图像选择性搜索，获取大量的候选框；
2)对原始图像进行随机数据增强，并采用分类网络进行训练，利用训练后的分类网络对获取的大量候选框进行评分，以对候选框进行筛选；
3)对步骤2)筛选的候选框集合进行优化，获取最终的舌体边界框；
4)对最终的边界框内的图像进行边缘检测；
5)对边缘检测得到的检测图像采用Grabcut进行分割，获取最终的舌体分割结果。
2.根据权利要求1所述的一种基于弱监督学习的舌体图像分割方法，其特征在于，步骤1)中，对原始图像选择性搜索，获取大量的候选框的具体内容为：
利用Graph算法对原始图像进行预分割，获取大量区域，随后寻找相似度最高的两个相邻区域并将其合并为新区域，迭代直至无法继续合并，新区域集合即为获得的候选框。
3.根据权利要求1所述的一种基于弱监督学习的舌体图像分割方法，其特征在于，步骤2)中，对原始图像进行随机数据增强的具体内容为：
对原始图像的以下扩充数据随机组合，扩充数据包括：将原始图像的旋转角度从-30度转换至30度，将原始图像的焦距从80％变更至到120％，将原始图像的高斯模糊的标准差从0.25变更至0.5，高斯噪声系数为0.03。
4.根据权利要求1所述的一种基于弱监督学习的舌体图像分割方法，其特征在于，步骤2)中，采用分类网络进行训练，利用训练后的分类网络对获取的大量候选框进行评分的具体内容为：
21)以原始图像作为输入，经过卷积操作得到初始特征图；
22)以候选框和初始特征图为输入，通过空间金字塔池化操作得到候选框区域的特征图，随后继续进行公共卷积操作，获取最新的特征图；
23)将最新的特征图分别通过卷积操作和softmax函数得到两个得分，求取两个得分的内积作为最终得分，最终得分的分值越高，表示候选框中包含的舌头的概率越大。
5.根据权利要求1所述的一种基于弱监督学习的舌体图像分割方法，其特征在于，步骤2)中，分类网络损失函数采用带L2正则项的交叉熵损失函数，其表达式为：
式中，y为输入图片数据的标签，即输入图片数据是否包含舌头的标注，为分类网络模型对输入图片数据包含舌头概率的预测值，λ为正则化系数，ω为分类网络结构中的参数，N表示数据总数。
6.根据权...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。