專利名稱：舌象紋理自動分析方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種分析方法，具體涉及一種采用Gabor濾波、灰度共生矩陣以及分形模型等多種方法來分析和識別不同舌象紋理特征的舌象紋理自動分析方法。
背景技術(shù)：
舌象特征在中醫(yī)診斷病癥等過程中具有較高的應(yīng)用價值，尤其舌象紋理是中醫(yī)舌診中較為重要的信息。但是目前對舌象紋理的分析、判別還停留在人工憑經(jīng)驗處理的水平。這不僅限制了舌象紋理這一有用的人體生理特征在判定人體病癥等領(lǐng)域的應(yīng)用，而且目前的人工分析判斷的準(zhǔn)確率較低，具有較大的隨意性和不確定性。

發(fā)明內(nèi)容本發(fā)明的目的在于提供一種科學(xué)嚴(yán)謹(jǐn)、準(zhǔn)確率高，具有廣泛的應(yīng)用價值的舌象紋理自動分析方法。
本發(fā)明的目的是這樣實現(xiàn)的從原始圖像中選取子圖像，對不同子圖像分別進(jìn)行預(yù)處理，預(yù)處理后進(jìn)行特征參數(shù)提取，將提取的特征向量送入分類器進(jìn)行分類，分類后輸出分類結(jié)果。
本發(fā)明還包括有以下技術(shù)特征1、所述的預(yù)處理包括圖像灰度級的壓縮和灰度共生矩陣的正規(guī)化；2、所述的特征參數(shù)提取方法包括Gabor濾波、灰度共生矩陣以及分形模型方法；3、所述的分類方法包括現(xiàn)行判別分析方法；4、在提取紋理特征向量之前對處理對象進(jìn)行去反光處理；5、所述的用于分析灰度共生矩陣的特征包括能量、對比度、熵、逆差和灰度共生矩陣中非零點的個數(shù)。
6、所述的分形模型方法包括使用分形維數(shù)和lacunarity共同組成特征向量表示紋理特征。
本發(fā)明針對各種不同的情況分別采用Gabor濾波、灰度共生矩陣以及分形模型方法進(jìn)行特征參數(shù)提取進(jìn)行分類，其中針對厚苔薄苔以盒維數(shù)和5個尺度下的lacunarity為特征向量，采用線性判別分析對這些樣本進(jìn)行了分類，并利用這些樣本作了簡單的交叉比對(crossingvalidation)；在對紅刺特征的研究中，本發(fā)明以舌圖像上舌尖處截取64×64的子圖像為研究對象，采用Gabor小波濾波作為主要紋理分析方法，在部分實驗中還將圖像均值作為特征向量的元素，并把圖像均值與濾波參數(shù)的均值和標(biāo)準(zhǔn)差一起作為紋理特征，進(jìn)行分類能得到比較好的結(jié)果；由于紅星多分布于舌邊與舌中部之間的舌體表面，本發(fā)明采用前述基于Gabor小波的紋理分析方法對舌面紅星的64×64的子圖像進(jìn)行分類；而在舌質(zhì)老嫩舌象的分類研究中，本發(fā)明主要從舌體邊緣選取64×64的子圖像作為研究對象，采用綜合灰度共生矩陣方法提取了不同距離下的能量、對比度、熵、逆差和灰度共生矩陣的非零點個數(shù)等5個特征參數(shù)，采用線性判別分析對這些樣本進(jìn)行了分類，并利用這些樣本作了簡單的交叉比對(crossingvalidation)。
本發(fā)明采用Gabor濾波、灰度共生矩陣以及分形模型等多種方法來分析和識別不同的舌象紋理特征，包括對圖像灰度級的壓縮和灰度共生矩陣的正規(guī)化預(yù)處理和紋理圖像去反光處理，分別對厚苔薄苔進(jìn)行分類，對紅刺進(jìn)行分類，對舌質(zhì)老嫩紋理舌象紋理進(jìn)行分類和對紅星進(jìn)行分類，得到了一種科學(xué)嚴(yán)謹(jǐn)、準(zhǔn)確率高，具有廣泛的應(yīng)用價值的舌象紋理自動分析方法。


圖1是本實用新型的方法流程圖；圖2-4是厚苔薄苔研究對象選取過程；圖5-7是紅刺分類研究對象的選取過程；圖8-10是紅星分類研究對象的選取過程；圖11是不同尺度和方向下平均分類精度曲線圖12是虛證、實證分類研究對象選取過程；圖13為舌質(zhì)嬌嫩對應(yīng)的舌圖像；圖14為舌質(zhì)蒼老對應(yīng)的舌圖像。
具體實施方式
下面結(jié)合附圖對本發(fā)明的原理及分析過程作進(jìn)一步的分析本發(fā)明從原始圖像中選取子圖像，對不同子圖像分別進(jìn)行預(yù)處理，預(yù)處理后進(jìn)行特征參數(shù)提取，將提取的特征向量送入分類器進(jìn)行分類，分類后輸出分類結(jié)果。其中，預(yù)處理包括圖像灰度級的壓縮和灰度共生矩陣的正規(guī)化；特征參數(shù)提取方法包括Gabor濾波、灰度共生矩陣以及分形模型方法；分類方法包括現(xiàn)行判別分析方法；在提取紋理特征向量之前對處理對象進(jìn)行去反光處理；而用于分析灰度共生矩陣的特征包括能量、對比度、熵、逆差和灰度共生矩陣中非零點的個數(shù)；分形模型方法包括使用分形維數(shù)和lacunarity共同組成特征向量表示紋理特征。
本發(fā)明采用Gabor濾波、灰度共生矩陣以及分形模型等多種方法來分析和識別不同的舌象紋理特征，取得了較好的結(jié)果。
1、基于Gabor小波的紋理分析算法本發(fā)明采用Gabor函數(shù)及Gabor小波進(jìn)行舌象紋理特征提取和分析。舌象紋理具有一定的準(zhǔn)周期性統(tǒng)計特征，不同的紋理有一個主要頻率和其它一些次要頻率，其頻帶寬度一般較窄。而Gabor小波是一組窄帶帶通濾波器，在空間和頻率域均有較好的分辨能力，有明顯的方向選擇和頻率選擇性，其較好的描述了生物視覺神經(jīng)元的感受視野問題，可以根據(jù)特定的視覺需要相應(yīng)得調(diào)整它的空間與頻率特性。目前，Gabor小波已經(jīng)被應(yīng)用于紋理分割、紋理分類、圖像識別等領(lǐng)域。本發(fā)明所采用的Gabor函數(shù)及Gabor小波其表達(dá)式如下1.1、Gabor函數(shù)及Gabor小波二維Gabor函數(shù)g(x，y)及其傅立葉變換形式G(x，y)公式如下g(x,y)=(12πσxσy)exp[-12(x2σx2+y2σy2)+2πjWx]---(1)]]>G(u,v)=exp{-12[(u-W)2σu2+v2σv2]}---(2)]]>其中σu＝1/2πσx，σv＝1/2πσyGabor函數(shù)產(chǎn)生一個完全但非正交基底集，使用這個基底集擴展信號即可得到一個局部頻率表示?？紤]一組稱為Gabor小波的自相似函數(shù)，令g(x，y)為Gabor小波母函數(shù)，則其自相似濾波集可以通過使用如下的產(chǎn)生函數(shù)對g(x，y)進(jìn)行適當(dāng)?shù)臄U展和旋轉(zhuǎn)而得到gmn(x，y)＝a-mG(x′，y′)，a＞1，m，n為整數(shù)(3)x′＝a-m(xcosθ+ysinθ)，y′＝a-m(-xsinθ+ycosθ)其中θ＝nπ/K，K為方向數(shù)在公式(3-11)在中，尺度因子a-m使得能量不依賴于m。
1.2、Gabor濾波器設(shè)計Gabor小波的非正交特性表明在被濾波的圖像中存在冗余信息，我們可以使用下述策略降低這種冗余。另Ul和Uh代表最低和最高中心頻率，K和S分別代表多分辨率分解的方向數(shù)和尺度數(shù)，該策略能夠保證頻率譜中濾波響應(yīng)的半峰值相切。計算濾波參數(shù)σu和σv(亦即σx和σy)的公式如下所示a=(Uh/Ul)1S-1---(4)]]>σu=(a-1)Uh(a+1)2ln2---(5)]]>
σv=tan(π2k)[Uh-2ln(σu2Uh)][[2ln2-(2ln2)2σu2Uh2]]12---(6)]]>其中W＝Uh，m＝0，1，…，S-1。
為了降低濾波器對絕對密度值相應(yīng)時的敏感度，用常數(shù)來偏置二維Gabor濾波的實部以使其均值為零。
1.3、紋理特征的Gabor方法表示設(shè)I(x，y)為一幅給定的圖像，則其Gabor小波變換可以如下定義Wmn(x,y)=∫I(x1,y1)gmn*(x-x1,y-y1)dx1dy1---(7)]]>其中*代表共軛復(fù)數(shù)?？梢哉J(rèn)為紋理區(qū)域具有空間相似性，所以變換參數(shù)的均值μmn和標(biāo)準(zhǔn)差σmn可以用來表示該區(qū)域的紋理特征并以之進(jìn)行分類，μmn和σmn的計算公式如下μmn＝∫∫|Wmn(x，y)|dxdy(8)σmn=∫∫(|Wmn(x,y)|-μmn)3dxdy---(9)]]>可以用μmn和σmn為元素構(gòu)造特征向量，在本研究中，我們采用了8個尺度和4個方向，故我們的特征向量可表示為f＝[μ00σ00μ01…μ73σ73] (10)2、基于灰度共生矩陣的紋理分析算法灰度共生矩陣是圖像紋理分析一種常用方法，基于灰度共生矩陣一些二次統(tǒng)計特征如能量、熵和對比度等能很好的描述圖像紋理的規(guī)律性、復(fù)雜程度等特性。
2.1、灰度共生矩陣(GLCM)灰度共生矩陣(Gray level co-occurrence matrix)是由Haralick等人在70年代初期提出的，是一種用來分析圖像紋理特征的重要方法，并且已在圖像紋理分類中取得了不錯的效果?；叶裙采仃嚱⒃诠烙媹D像的二階組合條件概率密度函數(shù)的基礎(chǔ)上，通過計算圖像中有一定距離和一定方向的兩點灰度之間的相關(guān)性，反映圖像在方向、間隔、變化幅度及快慢上的綜合信息。
灰度共生矩陣描述了在圖像中，在θ方向上，距離為d的一對像元分別具有灰度i和j的出現(xiàn)概率。其具體定義為設(shè)一幅圖像在水平和垂直方向上分別有Nx和Ny個像元，灰度級為Ng。Lx＝{1，2，…，Nx}和Ly＝{1，2，…，Ny}分別為水平和垂直空間域，G＝{1，2，…，Ng}為像素的灰度量化集。Ly×Lx是圖像的像素集，圖像函數(shù)I表明每個像素值的灰度值都取自集合G，I:Ly×Lx→G。灰度為i和j的一對像素點位置方向為θ，距離為d的概率記為p(i，j，d，θ)。θ有四種情況0°、45°、90°和135°，像素對I(k，l)＝i和I(m，n)＝j(luò)在這四個方向的出現(xiàn)概率為
其中，#表示在該集合中的元素數(shù)目。可以看到這些矩陣是對稱的，即P(i，j，d，θ)＝P(j，i，d，θ)。
灰度共生矩陣中，d和θ的選取是至關(guān)重要的指標(biāo)，針對不同的圖像，它們的取值是不一樣的，會隨著紋理結(jié)構(gòu)的變化而變化。
2.2、綜合灰度共生矩陣用灰度共生矩陣分析圖像紋理要先確定兩個關(guān)鍵的參數(shù)值距離和方向。通過實驗分析，我們發(fā)現(xiàn)當(dāng)d＝1或d＝2時，基于灰度共生矩陣特征取得了較好的效果。為了更全面地描述虛證/實證舌圖像的紋理特性，我們采用綜合灰度共生矩陣來描述其紋理特征，這里我們分別計算在同一距離下4個不同方向的灰度共生矩陣。綜合灰度共生矩陣可以按公式(11)導(dǎo)出S(i，j，d)＝a*p(i，j，d，0°)+b*p(i，j，d，45°)+c*p(i，j，d，90°)+d*p(i，j，d，135°)(11)公式(11)反映了綜合灰度共生矩陣S(i，j，d)是各個方向灰度共生矩陣的加權(quán)值之和。加權(quán)系數(shù)為a、b、c、d。其具體可如下計算首先計算得到每個方向的共生矩陣的某個特征值(如能量)，共有四個N1，N2，N3，N4，求平均值N＝(N1+N2+N3+N4)/4 (12)設(shè)Mi=1|Ni-N‾|+1,i=1...4---(13)]]>則a=M1M1+M2+M3+M4,b=M2M1+M2+M3+M4]]>
c=M3M1+M2+M3+M4,d=M4M1+M2+M3+M4]]>加權(quán)系數(shù)a，b，c，d反映了四個方向共生矩陣的重要性，從上述公式可以看出，若離平均值較遠(yuǎn)的矩陣值所對應(yīng)的權(quán)值較小，說明此值對紋理分類貢獻(xiàn)相對較弱；反之，離平均值較近、權(quán)值較大，則表明此值對分類貢獻(xiàn)較強。
2.3、基于灰度共生矩陣的紋理特征參數(shù)圖像的灰度共生矩陣反映了圖像灰度關(guān)于方向，相鄰間隔，及變化幅度的綜合信息，它是分析圖像局部模式結(jié)構(gòu)及其排列規(guī)則的基礎(chǔ)。作為紋理分析的特征量往往不是直接應(yīng)用計算的灰度共生矩陣，而是在灰度共生矩陣的基礎(chǔ)上再提取紋理特征量，稱為二次統(tǒng)計量。
Haralick在文獻(xiàn)中提出了用于分析灰度共生矩陣的14個特征，這里我們使用了其中的4個特征和另外一個特征能量、對比度、熵、逆差和灰度共生矩陣中非零點的個數(shù)。
能量又稱為二階角矩，是圖像灰度分布均勻程度和紋理粗細(xì)的一個度量，當(dāng)圖像較細(xì)致、均勻時，能量值較大，最大值為1，表明灰度分布完全均勻；當(dāng)圖像灰度分布很不均勻、比較粗糙時，能量值較小。
對比度反映臨近像素的反差，描述圖像的清晰度、紋理的強弱，值越大，表明紋理效果越明顯；值越小，表明紋理效果越不明顯，當(dāng)值為0時，表明圖像完全均一、無紋理。
熵表明圖像的復(fù)雜程度，當(dāng)復(fù)雜程度高時，熵值較大；復(fù)雜程度低時，熵值較小或為0。
逆差反映紋理的規(guī)則程度，紋理雜亂無章、難于描述的，值較??；規(guī)律較強、易于描述的，值較大。
非零點個數(shù)反映圖像紋理的復(fù)雜程度和灰度分布程度，非零點個數(shù)越多，紋理越復(fù)雜，灰度分布范圍較大；非零點個數(shù)越少，則反之。
2.4、紋理特征參數(shù)提取再提取計算上述各個紋理特征參數(shù)之前，首先要對圖像做一些預(yù)處理工作，包括圖像灰度級的壓縮和灰度共生矩陣的正規(guī)化。
因為一幅圖像的灰度級通常為256級，這樣多的級數(shù)會導(dǎo)致計算灰度共生矩陣大，計算量大，因此首先要對圖像灰度級進(jìn)行壓縮，在實驗中，我們將灰度級壓縮為64級。
為了分析方便，灰度共生矩陣的元素常用概率值表示，即將各元素P(i，j)除以灰度共生矩陣各元素之和S，得到各元素都小于1的歸一化值，即P^(i,j)=P(i,j)S---(14)]]>由此得到的共生矩陣成為歸一化共生矩陣?；叶裙采仃嚫髟刂蚐表示了圖像上一定位置關(guān)系下像素對的總組合數(shù)。以d＝1，θ＝0°為例，每一行有NX個水平相鄰對點，共有NY行，因此總共有2NY(NX-1)個相鄰對點，所以取S＝2NY(NX-1)。當(dāng)d＝1，θ＝45°時，共有相鄰對點2(NY-1)(NX-1)，所以取S＝2(NY-1)(NX-1)。由對稱性，當(dāng)θ＝90°和θ＝135°時，同理可得其它S值。
在經(jīng)過上述兩步處理之后，即可按照各種特征參數(shù)的定義計算我們所需要的特征了。
2.5、特征參數(shù)歸一化各種紋理特征參數(shù)值分布范圍比較大，標(biāo)準(zhǔn)不統(tǒng)一，為了便于分析，將上述特征值歸一化，方法如下1)如果一組特征值中存在大于1的值，用這組特征值除以一個固定數(shù)值m，使其中的最大值max＝0.95；如果該組特征值都小于1且最大值max＜0.9，則乘以一個固定數(shù)值m，使得max＝0.95。
2)如果一組特征值中不存在小于0.1的值，則認(rèn)為這些值在0～1之間分布不夠均勻，需要拉大這組值之間的距離，設(shè)一固定參p(i)(p(i)＞1)，使最小值min＝0.05，且最大值保持不變，即保證該組中既有＞0.9的值，也有＜0.1的值。
3)對每一組特征值進(jìn)行以上操作。
3、基于分形理論的紋理分析算法“分形”是由曼德勃羅特(Mandelbrot)在1975年首次提出，其原義是“不規(guī)則的、分?jǐn)?shù)的、支離破碎的”物體。分形能夠完美地表示自然物體表面的粗糙度。目前，分形已經(jīng)成功應(yīng)用于地理學(xué)仿真、紋理分析以及X-ray醫(yī)療圖像等領(lǐng)域。在分形理論中，表示一個分形表面的兩個重要參數(shù)是分形維數(shù)(fractal dimension)和lacunarity，它們是自然物體表面粗糙度和顆粒度的度量，因此也是舌象紋理研究中的重要特征參數(shù)。
分形維數(shù)的定義方法有很多種，現(xiàn)在常見的有豪斯道夫維數(shù)、盒維數(shù)、信息維數(shù)、關(guān)聯(lián)維數(shù)、相似維數(shù)、譜維數(shù)、填充維數(shù)、分配維數(shù)、模糊維數(shù)、質(zhì)量維數(shù)、廣義維數(shù)、Lyapunov(吸引子)維數(shù)、函數(shù)圖維數(shù)等等。盡管計算分形維數(shù)的方法有很多，不同的人采用不同的計算方法所得到的計算結(jié)果可能是不同的。但是總的要求是分?jǐn)?shù)維必須能夠反映“在不斷縮小直徑的很小的比例下，去觀測一個分形集，找出這個集的一個代表維數(shù)”，使它能夠反映出圖形的復(fù)雜程度，或“不規(guī)則程度的量度”，或“充滿空間的程度”。在我們的研究中，采用了盒維數(shù)，其公式如下
1＝NrrD或D=log(Nr)log(1/r)---(15)]]>但是，直接利用上式計算分形維數(shù)是很困難的。事實上，計算盒維數(shù)的方法為由上式，將大小為M*M的圖像考慮成為一個三維空間，坐標(biāo)(x，y)代表二維平面，圖像灰度值代表Z軸方向。將(x，y)二維平面分割成大小s*s的格子(s為整數(shù)，M/2＞＝s＞1).此時我們有r＝s/M，在每一個格子中有許多體積為s*s*s。的小盒子的堆砌。使第(i，j)個格子中的灰度表面的最大和最小的灰度值分別落入堆砌的序號為k和1的盒子中。令Nr(i，j)＝1-k+1，將所有格子的Nr(i，j)求和，則有Nr=Σi,jNr(i,j)---(16)]]>通過s的變化引起r的變化，用最小二乘法來擬合log(Nr)-log(1/r)，求出斜率即為D。
一般說來，僅靠分形維數(shù)是無法判別大多數(shù)現(xiàn)實世界的紋理的。因此，引入術(shù)語”lacunarity”來表示這種具有相同分形維數(shù)而紋理不同的特性。紋理粗糙，則lacunarity值較大；反之，紋理表面光滑，則lacunarity值較小。Voss定義lacunarity為λ(L)=M2(L)-(M(L))2(M(L))2---(17)]]>其中，M(L)=Σm=1Nm·p(m,L)M2(L)=Σm=1Nm2·p(m,L)]]>式(17)中，式中L為立方體盒之邊長；m是落入邊長為L的盒子中點數(shù)；p(m，L)為以影像面上點為中心，盒邊長為L時，落入盒子中點數(shù)為m個的概率。對于每個L值，有Σm=1Np(m,L)=1,]]>N為盒中可能會有的最大點個數(shù)。L值變化一次，就相應(yīng)地得到一個λ(L)值。
本發(fā)明使用分形維數(shù)和lacunarity共同組成特征向量表示紋理特征，在lacunarity的計算中，我們使用了5個尺度，亦即式(3-27)中的L分別取值21，22，23，24和25，由此，我們可以得到5個不同尺度下的lacunarity值。綜上所述，所提出的特征向量具體構(gòu)造如下f＝[bd lac1 lac2 lac3 lac4 lac5] (18)4、紋理圖像去反光預(yù)處理由于舌體上分泌的唾液，使得采集到的舌圖像中不可避免地存在一定數(shù)量的反光點。當(dāng)反光點過多時，會產(chǎn)生很多的噪聲；若反光點連接成片狀，形成大面積干擾，會使得一些舌象紋理特征向量值失效，嚴(yán)重影響舌圖像的紋理分類。因此，在提取紋理特征向量前，必需先要對研究對象進(jìn)行了簡單的去反光處理，其方法具體如下1)計算該綠色分量圖像所有象素點的像素值的均值；2)遍歷該綠色分量圖像的每一個像素，若該點綠色分量值大于250，則認(rèn)為該點位反光點，用均值替換該點像素值。
4.1、厚苔薄苔的分類本發(fā)明中對于厚苔薄苔的分類仍以64×64的子圖像為研究對象，其選取過程結(jié)合圖2-4所示。在厚苔薄苔分類中，本發(fā)明采取了分形的方法來提取研究對象的紋理特征。
表1厚苔薄苔分類結(jié)果
本發(fā)明以哈爾濱工業(yè)大學(xué)生物信息技術(shù)研究中心的舌象數(shù)據(jù)庫中選取的舌圖像作為樣本，取厚苔樣本800個，薄苔樣本800個；以盒維數(shù)和5個尺度下的lacunarity為特征向量，采用線性判別分析對這些樣本進(jìn)行了分類，并利用這些樣本作了簡單的交叉比對(crossingvalidation)。實驗結(jié)果表1所示。從表1中可以看出，采用分形方法提取特征，并以之進(jìn)行分類，能較好的完成厚苔薄苔的分類。
4.2、紅刺的分類中醫(yī)理論與臨床實踐研究表明，紅刺多出現(xiàn)于舌尖部位。因此，在對紅刺特征的研究中本發(fā)明以舌圖像上舌尖處截取64×64的子圖像為研究對象，其具體獲取過程如圖5-7所示在RGB空間上，舌圖像的G(綠色)分量較R(紅)、B(藍(lán))分量能更好的表達(dá)圖像的視覺特性。同時，由于舌圖像的G分量出現(xiàn)過飽和相對于RG兩個分量較小，可使得計算變得簡單。故此，本發(fā)明以舌圖像舌尖子圖像的綠色分量圖像為紋理分析的基本輸入對象。
本發(fā)明采用Gabor小波濾波作為主要紋理分析方法，預(yù)處理方法，在部分實驗中還將圖像均值作為特征向量的元素，在不同的訓(xùn)練測試樣本集上進(jìn)行了多次實驗，其結(jié)果表2所示表2紅刺分類結(jié)果
分析上表可以看出，首先對圖像進(jìn)行預(yù)處理，而后對圖像進(jìn)行Gabor小波濾波，并把圖像均值與濾波參數(shù)的均值和標(biāo)準(zhǔn)差一起作為紋理特征，進(jìn)行分類能得到比較好的結(jié)果。
4.3、紅星分類根據(jù)中醫(yī)臨床實踐以及我們的觀察，我們認(rèn)為紅星多分布于舌邊與舌中部之間的舌體表面。在研究中，本發(fā)明按圖8-11所示過程選取我們的研究對象。
根據(jù)實驗，圖像RGB空間的綠色分量圖像既能更好的表達(dá)了原圖像的視覺特性，又使得計算變得簡單，因此，我們最終將以64×64像素的子圖像的綠色分量圖像為研究對象，采用前述基于Gabor小波的紋理分析方法對舌面紅星進(jìn)行分類。低頻中心頻率Ul和高頻中心頻率Uh，Uh最大值為0.5，最小值可以取0[3]，然而這樣的圖像在實際中并不常見，同時，考慮到存儲空間和計算時間等代價，這里我們將Ul和Uh分別設(shè)置為0.4和0.01。濾波的方向數(shù)和尺度數(shù)K和S，不同的K和S，將會有不同的濾波器，從而得到不同的特征向量，并進(jìn)一步影響分類結(jié)果，因此，這里本發(fā)明著重研究不同方向和尺度數(shù)對分類的影響。
為找到最優(yōu)的尺度和方向，我們對尺度和方向分別由4到8變化的不同組合進(jìn)行了實驗，我們把s＝4，ori＝4(即4個尺度4個方向)對應(yīng)為x軸的1處，s＝4，ori＝5對應(yīng)x軸的2處，依此類推，畫出不同尺度和方向下兩類的分類精度曲線，如圖12所示。
由圖12可以看出，兩類分類精度在x＝16處，即s＝7，ori＝4時，達(dá)到最大，因此，Gabor的尺度和方向可以確定為7個尺度和4個方向。
5、舌質(zhì)老嫩紋理舌象紋理分類灰度共生矩陣是圖像紋理分析的一種常用的方法，它能精確地反映紋理的粗糙程度和重復(fù)方向，利用這種方法可對地理信息、遙感、SAR以及木材等紋理圖像進(jìn)行分析和描述。本研究以多個方向灰度共生矩陣的綜合灰度共生矩陣為特征提取方法，提取了舌圖像的能量、對比度、熵和逆差等二次統(tǒng)計特征組成特征向量，對虛證/實證舌象進(jìn)行了分類，并取得了較好的結(jié)果。
5.1、舌質(zhì)老嫩舌象紋理分區(qū)根據(jù)中醫(yī)理論和中醫(yī)臨床經(jīng)驗，在舌質(zhì)老嫩舌象的分類研究中，我們主要從舌體邊緣選取64×64的子圖像作為我們的研究對象。為此，首先我們要將舌體與背景分開，即獲得舌體的邊緣，其次要在沿舌體的邊緣循環(huán)的選取子圖像，最后因為這些選取到的部分多為傾斜的圖像，為此我們要對其進(jìn)行相應(yīng)得旋轉(zhuǎn)，變成64×64的子圖像，并對其進(jìn)行RGB空間到灰度的變換。上述過程如圖13所示。
5.2、舌質(zhì)老嫩舌圖像紋理特性分析通過對大量的舌質(zhì)老嫩舌象的觀察，我們可以得出舌質(zhì)老嫩舌圖像的一些主要紋理特性。附圖中，圖14為舌質(zhì)嬌嫩對應(yīng)的舌圖像，圖15為舌質(zhì)蒼老對應(yīng)的舌圖像。
●舌質(zhì)嬌嫩比較光滑，灰度分布比較均勻，舌質(zhì)蒼老比較粗糙，灰度分布不很均勻；●舌質(zhì)嬌嫩的紋理規(guī)律性較強，舌質(zhì)蒼老紋理較為雜亂，規(guī)律性較弱；●舌質(zhì)嬌嫩臨近像素灰度值反差較小，舌質(zhì)蒼老臨近像素灰度值反差較大；●舌質(zhì)嬌嫩的紋理較細(xì)，舌質(zhì)蒼老的紋理較粗。
6、結(jié)論本發(fā)明以哈爾濱工業(yè)大學(xué)生物信息技術(shù)研究中心的舌象數(shù)據(jù)庫中選取的舌圖像作為樣本，取舌質(zhì)嬌嫩對應(yīng)的圖像300個，舌質(zhì)蒼老對應(yīng)的圖像300個。采用綜合灰度共生矩陣方法提取了不同距離下的能量、對比度、熵、逆差和灰度共生矩陣的非零點個數(shù)等5個特征參數(shù)，采用線性判別分析對這些樣本進(jìn)行了分類，并利用這些樣本作了簡單的交叉比對(crossingvalidation)。實驗結(jié)果表3所示。分析表3可以看出，當(dāng)距離d＝1或d＝2時分類結(jié)果較好，隨著距離的增大，分類精度逐漸降低。此外，還將我們的方法與Gabor小波的方法做了比較，比較結(jié)果如表4所示。從表4的比較中可以看出，灰度共生矩陣方法的精度要遠(yuǎn)高于Gabor方法。
表3綜合灰度共生矩陣方法在不同距離下的分類結(jié)果
表4灰度共生矩陣方法與Gabor方法的比較
權(quán)利要求
1.一種舌象紋理自動分析方法，其特征在于從原始圖像中選取子圖像，對不同子圖像分別進(jìn)行預(yù)處理，預(yù)處理后進(jìn)行特征參數(shù)提取，將提取的特征向量送入分類器進(jìn)行分類，分類后輸出分類結(jié)果。
2.根據(jù)權(quán)利要求1所述的一種舌象紋理自動分析方法，其特征在于所述的預(yù)處理包括圖像灰度級的壓縮和灰度共生矩陣的正規(guī)化。
3.根據(jù)權(quán)利要求1所述的一種舌象紋理自動分析方法，其特征在于所述的特征參數(shù)提取方法包括Gabor濾波、灰度共生矩陣以及分形模型方法。
4.根據(jù)權(quán)利要求1所述的一種舌象紋理自動分析方法，其特征在于所述的分類方法包括現(xiàn)行判別分析方法。
5.根據(jù)權(quán)利要求1所述的一種舌象紋理自動分析方法，其特征在于在提取紋理特征向量之前對處理對象進(jìn)行去反光處理。
6.根據(jù)權(quán)利要求1所述的一種舌象紋理自動分析方法，其特征在于所述的用于分析灰度共生矩陣的特征包括能量、對比度、熵、逆差和灰度共生矩陣中非零點的個數(shù)。
7.根據(jù)權(quán)利要求1所述的一種舌象紋理自動分析方法，其特征在于所述的分形模型方法包括使用分形維數(shù)和lacunarity共同組成特征向量表示紋理特征。
全文摘要
本發(fā)明提供了一種舌象紋理自動分析方法，從原始圖像中選取子圖像，對不同子圖像分別進(jìn)行預(yù)處理，預(yù)處理后進(jìn)行特征參數(shù)提取，將提取的特征向量送入分類器進(jìn)行分類，分類后輸出分類結(jié)果。本發(fā)明采用Gabor濾波、灰度共生矩陣以及分形模型等多種方法來分析和識別不同舌象紋理特征，分別對厚苔薄苔進(jìn)行分類，對紅刺進(jìn)行分類，對舌質(zhì)老嫩紋理舌象紋理進(jìn)行分類和對紅星進(jìn)行分類，得到了一種科學(xué)嚴(yán)謹(jǐn)、準(zhǔn)確率高，具有廣泛的應(yīng)用價值的舌象紋理自動分析方法。
文檔編號G06F17/00GK1931087SQ20061015087
公開日2007年3月21日 申請日期2006年10月11日 優(yōu)先權(quán)日2006年10月11日
發(fā)明者張大鵬, 李乃民, 王寬全, 黃勃, 張宏志 申請人:哈爾濱工業(yè)大學(xué)