基于图论的中医舌质、舌苔分离算法制造技术

本发明专利技术涉及基于图论的中医舌质、舌苔分离算法，采舌象转化为HSV模型由H值划分舌苔初始分割区域；将舌象分为区域的集合；初始分割区域与图中的单独顶点构成初始分割结果；区域结合算子计算区域间差值按序存堆；堆中有有效元素时，堆顶区域间差值大于两区域内部差值之一则区域分离，堆顶元素无效，重复此步，否则两区域合并，堆顶元素及两区域有关区域间差值删除；计算新合并区域相关内容，区域间差值存堆，无效元素重置有效。本发明专利技术根据HSV空间H值的特性，确定舌苔初始分割区域，提高算法分割效率与精度；构造阈值函数自适应算法，算法区分质苔交错细节能力提高；利用区域结合算子改进分割过程的迭代算法根据人眼知觉性分割质苔过渡较平缓的区域。

【技术实现步骤摘要】

本专利技术属于一般的图像数据处理或产生的
，特别涉及一种基于图论的中 医舌质、舌苔分离算法。
技术介绍
舌质、舌苔所蕴含的信息是中医舌诊客观化重要的诊断依据。在定量分析舌质、舌 苔之前，需将舌质、舌苔从舌象中分离出来，分离效果的好坏关系着计算机推断病理或症型 的成败。在早期的舌诊系统中，常通过手工分离舌质与舌苔，即系统的使用者从舌象中选取 一块区域，并将这块区域标识为舌质或者舌苔。上述处理存在很多缺点(1)舌象局部的一个或者几个区域块并不能完整地反映 整个舌质或者舌苔的性质；(2)选取的区域块带有明显的主观因素，不同的系统使用者往 往选取不同的区域块；(3)人工选取区域块费时费力，操作不便。鉴于人工手动分离的诸多不利，目前国内许多学者对实现自动化分离舌质与舌苔 进行了研究，并取得了一定的成果。例如，蒋依吾等根据HIS模式分离舌质与舌苔，将满足 H < 10或I < 0. 68者标记为舌质，否则标记为舌苔的观点，这种方法根据中医提供的数据 或者实验所得的数据作为分离阈值，并且将阈值作为实现舌质、舌苔分离的唯一依据，算法 虽然简洁高效，但舌质、舌苔色彩差异繁多，根据阈值分离这二者，往往难以得到准确的分 离结果；王爱民等提出了监督(FCM)聚类算法，并设计了多层去模糊处理，提取出了舌苔部 分，但也存在一些明显的如隶属度矩阵和类中心的初始值不确定，必须事先进行猜测或随 机初始化，且运算开销很大，速度慢的缺点；其它还有K-Means分层聚类算法、基于学习矢 量量化(LVQ)神经网络的舌色、苔色自动分类方法等各种分类方法，这些算法在解决问题 的同时又带来了新的问题，仍然不能达到令人满意的效果。在过去的几年中，主动轮廓模型(Snake模型)被广泛地运用到各种图像分割的领 域中，并取得了良好的分割效果。目前该方法的分离效果较好，不会产生大量零碎的区域， 分割的结果表现为大范围的确定区域，对于多数舌象能够取得较好的分离效果，但在临床 诊断中常出现舌质与舌苔区域不清晰的情况，比如当舌质与舌苔区域过渡较平缓时或舌质 与舌苔二者交错分布时，对于质苔区域不清晰的舌象，该算法的分割曲线不能准确地收敛 到真实的舌苔边界，造成误判舌质与舌苔，分离效果不 佳。
技术实现思路
本专利技术解决的技术问题是，由于现有技术的算法虽然摒弃了人工手动分离舌质与 舌苔时分离不全面的局限性，然而仍存在无法在准确分离舌质与舌苔的同时保证运算速度 的问题，且算法不规范，在解决了一部分问题后又带来新问题的情况，进而提供了一种优化 的基于图论的中医舌质、舌苔分离算法。本专利技术所采用的技术方案是，基于图论的中医舌质、舌苔分离算法，所述算法包括 下列步骤步骤一采样获得舌象，将其由RGB模型转化为HSV模型，将其中满足25 < H < 40 的部分标识为Ctl，C0为舌苔的初始分割区域；步骤二 将舌象转换为灰度图并映射为加权图G = (V，E)，其中，V表示图G的顶 点集合，即待分割的顶点集合，E表示连接顶点的边集合；根据最小生成树图像分割算法，分割后的图像满足权利要求1.基于图论的中医舌质、舌苔分离算法，其特征在于所述算法包括下列步骤 步骤一采样获得舌象，将其由RGB模型转化为HSV模型，将其中满足25 < H < 40的部分标识为Ctl, C0为舌苔的初始分割区域；步骤二将舌象转换为灰度图并映射为加权图G= (V, E)，其中，V表示图G的顶点集 合，即待分割的顶点集合，E表示连接顶点的边集合；根据最小生成树图像分割算法，分割后的图像满足2.根据权利要求1所述的基于图论的中医舌质、舌苔分离算法，其特征在于所述步骤 一中H取30。3.根据权利要求1所述的基于图论的中医舌质、舌苔分离算法，其特征 在于步骤四中所述的区域结合算子计算区域间差值的方法为取Ca5C0[S，4.根据权利要求3所述的基于图论的中医舌质、舌苔分离算法，其特征在于所述λ =0. 08。5.根据权利要求1所述的基于图论的中医舌质、舌苔分离算法，其特征在于步骤六 中所述的Ca与C11分别加上改进算法的自适应阈值函数τ (Ca)与τ (C0)后的较小值 Mint (Ca，C0) =min(Int(Ca)+τ (Ca)，Int(C0)+τ (C0))，所述的改进算法的自适应阈值函数6.根据权利要求5所述的基于图论的中医舌质、舌苔分离算法，其特征在于所述15= 200,5 = 150 .7.根据权利要求1所述的基于图论的中医舌质、舌苔分离算法，其特征在于所述新合 并区域 Cnew 的内部差值 Int (Cnew) = max {Int (Ca)，Int (C0)，Dif (Ca，C0)}。全文摘要本专利技术涉及基于图论的中医舌质、舌苔分离算法，采舌象转化为HSV模型由H值划分舌苔初始分割区域；将舌象分为区域的集合；初始分割区域与图中的单独顶点构成初始分割结果；区域结合算子计算区域间差值按序存堆；堆中有有效元素时，堆顶区域间差值大于两区域内部差值之一则区域分离，堆顶元素无效，重复此步，否则两区域合并，堆顶元素及两区域有关区域间差值删除；计算新合并区域相关内容，区域间差值存堆，无效元素重置有效。本专利技术根据HSV空间H值的特性，确定舌苔初始分割区域，提高算法分割效率与精度；构造阈值函数自适应算法，算法区分质苔交错细节能力提高；利用区域结合算子改进分割过程的迭代算法根据人眼知觉性分割质苔过渡较平缓的区域。文档编号G06T7/00GK102147921SQ201110088368公开日2011年8月10日 申请日期2011年4月8日 优先权日2011年4月8日专利技术者何芳芳, 姚建富, 徐振兴, 李文书, 王松, 马国兵 申请人:浙江理工大学本文档来自技高网...

【技术保护点】
１．基于图论的中医舌质、舌苔分离算法，其特征在于：所述算法包括下列步骤：步骤一：采样获得舌象，将其由ＲＧＢ模型转化为ＨＳＶ模型，将其中满足２５≤Ｈ≤４０的部分标识为Ｃ０，Ｃ０为舌苔的初始分割区域；步骤二：将舌象转换为灰度图并映射为加权图Ｇ＝（Ｖ，Ｅ），其中，Ｖ表示图Ｇ的顶点集合，即待分割的顶点集合，Ｅ表示连接顶点的边集合；根据最小生成树图像分割算法，分割后的图像满足其中，Ｃｉ为Ｖ的一个子集，在图像上表现为分割出的区域，Ｓ是Ｃｉ的集合，即分割后图像区域的集合；０＜ｉ＜３００，０＜ｊ＜３００；步骤三：若存在Ｃｉ的集合Ｓ，则根据ＨＳＶ模型中的Ｈ值确定的初始分割区域Ｃ０与图中的单独顶点Ｃｉ构成Ｓ０，单个顶点的区域内部差值Ｉｎｔ（Ｃｉ）＝０；步骤四：根据区域结合算子的算法，结合顶点间的最小权值、边的数量及区域面积，计算Ｓ０中任意两相邻区域之间的Ｄｉｆ值，其中，Ｄｉｆ定义为单个顶点构成的两区域之间的区域间差值；步骤五：根据Ｄｉｆ值大小，将图中所有Ｄｉｆ值存入一小根堆Ａ，堆中所有元素均置为有效，即可参与堆中元素的比较；若堆Ａ中存在有效元素，则重复执行步骤六、七，否则进行步骤八；步骤六：取出堆顶元素中的Ｄｉｆ，计算Ｄｉｆ涉及的两区域Ｃα与Ｃβ的ＭＩｎｔ（Ｃα，Ｃβ），即Ｃα与Ｃβ分别加上改进算法的自适应阈值函数τ（Ｃα）与τ（Ｃβ）后的较小值；若Ｄｉｆ值大于ＭＩｎｔ（Ｃα，Ｃβ），则Ｃα与Ｃβ间存在边界，不满足合并的条件而需要分离，若Ｄｉｆ值不大于ＭＩｎｔ（Ｃα，Ｃβ），则区域Ｃα与Ｃβ不存在边界，满足合并的条件；若满足合并的条件则将Ｓｑ－１中的Ｃα与Ｃβ合并得到Ｓｑ，将此刻的堆顶元素以及存储Ｓｑ－１中Ｃα、Ｃβ与各自相邻区域之间的Ｄｉｆ的元素从堆Ａ中删除，进行步骤七；如果判断为分离，将此刻的堆顶元素置为无效，不参与堆中元素的比较，Ｓｑ＝Ｓｑ－１，重复步骤六；１≤ｑ≤３００；步骤七：根据新合并区域Ｃｎｅｗ涉及的Ｃα与Ｃβ的各自内部差值Ｉｎｔ（Ｃα）与Ｉｎｔ（Ｃβ）以及该两区域间的区域间差值Ｄｉｆ（Ｃα，Ｃβ），取其中的最大值为新合并区域Ｃｎｅｗ的内部差值Ｉｎｔ（Ｃｎｅｗ）、计算新区域的顶点个数｜Ｃｎｅｗ｜以及新区域Ｃｎｅｗ与其所有相邻区域之间的Ｄｉｆ，并将这些Ｄｉｆ存入堆Ａ，同时将堆中的无效元素重置为有效，参与堆中元素的比较；返回步骤五；步骤八：返回分割结果Ｓ＝Ｓｑ。...

【技术特征摘要】

【专利技术属性】
技术研发人员：李文书，王松，姚建富，马国兵，徐振兴，何芳芳，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：86