CN113506266A - 舌头腻苔的检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能领域，公开了一种舌头腻苔的检测方法、装置、设备及存储介质，用于提高腻苔舌像的识别准确率。所述舌头腻苔的检测方法包括：接收待检测的舌像图，并获取舌像图中的初始舌头区域；对初始舌头区域进行超像素分割，得到多个超像素舌头区域；根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；根据备选腻苔区域中各像素值与相邻像素值之间的关系，对备选腻苔区域进行纹理特征识别，得到目标腻苔区域；当目标腻苔区域占初始舌头区域的比例大于预置腻苔比值时，确定待检测的舌像图为腻苔舌像图。此外，本发明还涉及区块链技术，腻苔舌像图可存储于区块链节点中。

Description

舌头腻苔的检测方法、装置、设备及存储介质

技术领域

本发明涉及图像分类器领域，尤其涉及一种舌头腻苔的检测方法、装置、设备及存储介质。

背景技术

舌诊是中医学中“望诊”的主要内容之一，是最具有中医特色的传统诊断方式，在中医的诊疗过程中具有重要参考价值。应用图像处理技术，建立舌诊信息的客观化，量化识别方法对于实现中医舌诊的客观化和现代化具有重要意义。目前针对中医舌诊的研究已经十分丰富，在舌诊自动化以及客观化这一领域，计算机舌像分析仪是一种软硬件结合的舌诊检测产品。这类产品的工作原理大致为使用可控光源，在特定的环境下通过仪器自带的摄像头进行舌像的拍摄，限定了环境客观因素的一致有效的减少外部环境对舌像采集的干扰，提高样本质量以及保证测试的准确度。在采集完样本图像后，对图像进行处理和分析，然后对舌色、舌苔等指标进行量化分析。

这类产品在临床实践中实用性不高，且限定了使用场景为研究机构以及医院，成本高昂，对舌像处理后量化结果的中医阐述研究力度也有所不足，与中医证型对应关系的研究准确度较低。

发明内容

本发明提供了一种舌头腻苔的检测方法、装置、设备及存储介质，用于提高腻苔舌像的识别准确率。

本发明第一方面提供了一种舌头腻苔的检测方法，包括：

接收待检测的舌像图，并获取所述舌像图中的初始舌头区域；

对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域；

根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；

根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域；

当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图。

可选的，在本发明第一方面的第一种实现方式中，所述对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域，包括：

按照预设的超像素个数，初始化多个聚类中心，并通过预置的色彩空间模型，将所述初始舌头区域转化为多维特征向量；

通过预置的距离度量算法，计算所述初始舌头区域中各像素点对应的多维特征向量与邻域内的聚类中心之间的度量距离，所述度量距离包括颜色距离和空间距离；

根据所述颜色距离和所述空间距离，对所述初始舌头区域中的各像素点进行局部聚类，得到聚类结果；

根据所述聚类结果，对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域。

可选的，在本发明第一方面的第二种实现方式中，所述根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域，包括：

遍历各超像素舌头区域中各像素点的色彩饱和度，并通过预置的色彩饱和度公式，计算各超像素区域的色彩饱和度均值；

当所述色彩饱和度均值大于预置饱和度阈值时，确定所述超像素舌头区域为有苔区域；

通过预置的色彩模式算法，计算所述有苔区域在不同色彩模式的色彩值，并通过所述色彩值确定备选腻苔区域。

可选的，在本发明第一方面的第三种实现方式中，所述根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域，包括：

根据所述备选腻苔区域中各像素点的灰度值，计算所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值，得到所述备选腻苔区域中各像素点的差值取值概率；

根据所述差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，并根据所述多个纹理特征参数，确定有腻区域，并将所述有腻区域作为目标腻苔区域。

可选的，在本发明第一方面的第四种实现方式中，所述根据所述备选腻苔区域中各像素点的灰度值，计算所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值，得到所述备选腻苔区域中各像素点的差值取值概率，包括：

以所述备选腻苔区域中各像素点的灰度值，与所述备选腻苔区域中各像素点的相邻像素点的灰度值进行比对，得到所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值；

统计各像素点的灰度值和相邻像素点的灰度值之间的差值在所述备选腻苔区域中取值概率分布，得到所述备选腻苔区域中各像素点的差值取值概率。

可选的，在本发明第一方面的第五种实现方式中，所述根据所述差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，并根据所述多个纹理特征参数，确定有腻区域，并将所述有腻区域作为目标腻苔区域，包括：

根据所述备选腻苔区域中各像素点的差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，所述多个纹理特征参数包括超像素对比度、二阶角矩、熵和平均值；

分别判断所述超像素对比度、所述二阶角矩、所述熵和所述平均值是否满足对应的有腻判定条件；

若所述超像素对比度、所述二阶角矩、所述熵和所述差值平均值分别满足对应的有腻判定条件，则确定对应的备选腻苔区域为有腻区域，并将所述有腻区域作为目标腻苔区域。

可选的，在本发明第一方面的第六种实现方式中，所述根据所述当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图，包括：

计算所述目标腻苔区域的像素数量，并计算所述标腻苔区域的像素数量占所述初始舌头区域的像素数量的比例；

当所述比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图，并根据所述目标腻苔区域，生成所述舌像图的检测报告。

本发明第二方面提供了一种舌头腻苔的检测装置，包括：

接收模块，用于接收待检测的舌像图，并获取所述舌像图中的初始舌头区域；

分割模块，用于对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域；

颜色识别模块，用于根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；

纹理识别模块，用于根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域；

确定模块，用于当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图。

可选的，在本发明第二方面的第一种实现方式中，所述分割模块具体用于：

按照预设的超像素个数，初始化多个聚类中心，并通过预置的色彩空间模型，将所述初始舌头区域转化为多维特征向量；

通过预置的距离度量算法，计算所述初始舌头区域中各像素点对应的多维特征向量与邻域内的聚类中心之间的度量距离，所述度量距离包括颜色距离和空间距离；

根据所述颜色距离和所述空间距离，对所述初始舌头区域中的各像素点进行局部聚类，得到聚类结果；

根据所述聚类结果，对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域。

可选的，在本发明第二方面的第二种实现方式中，所述颜色识别模块具体用于：

遍历各超像素舌头区域中各像素点的色彩饱和度，并通过预置的色彩饱和度公式，计算各超像素区域的色彩饱和度均值；

当所述色彩饱和度均值大于预置饱和度阈值时，确定所述超像素舌头区域为有苔区域；

通过预置的色彩模式算法，计算所述有苔区域在不同色彩模式的色彩值，并通过所述色彩值确定备选腻苔区域。

可选的，在本发明第二方面的第三种实现方式中，所述纹理识别模块包括：

灰度差值计算单元，用于根据所述备选腻苔区域中各像素点的灰度值，计算所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值，得到所述备选腻苔区域中各像素点的差值取值概率；

纹理参数计算单元，用于根据所述差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，并根据所述多个纹理特征参数，确定有腻区域，并将所述有腻区域作为目标腻苔区域。

可选的，在本发明第二方面的第四种实现方式中，所述灰度差值计算单元具体用于：

以所述备选腻苔区域中各像素点的灰度值，与所述备选腻苔区域中各像素点的相邻像素点的灰度值进行比对，得到所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值；

统计各像素点的灰度值和相邻像素点的灰度值之间的差值在所述备选腻苔区域中取值概率分布，得到所述备选腻苔区域中各像素点的差值取值概率。

可选的，在本发明第二方面的第五种实现方式中，所述纹理参数计算单元具体用于：

根据所述备选腻苔区域中各像素点的差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，所述多个纹理特征参数包括超像素对比度、二阶角矩、熵和平均值；

分别判断所述超像素对比度、所述二阶角矩、所述熵和所述平均值是否满足对应的有腻判定条件；

若所述超像素对比度、所述二阶角矩、所述熵和所述差值平均值分别满足对应的有腻判定条件，则确定对应的备选腻苔区域为有腻区域，并将所述有腻区域作为目标腻苔区域。

可选的，在本发明第二方面的第六种实现方式中，所述确定模块具体用于：

计算所述目标腻苔区域的像素数量，并计算所述标腻苔区域的像素数量占所述初始舌头区域的像素数量的比例；

当所述比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图，并根据所述目标腻苔区域，生成所述舌像图的检测报告。

本发明第三方面提供了一种舌头腻苔的检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述舌头腻苔的检测设备执行上述的舌头腻苔的检测方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的舌头腻苔的检测方法。

本发明提供的技术方案中，接收待检测的舌像图，并获取所述舌像图中的初始舌头区域；对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域；根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域；当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图。本发明实施例中，服务器通过对舌像图中的舌头区域进行超像素分割，得到多个超像素舌头区域，再对其进行颜色特征识别，得到备选腻苔区域，服务器根据备选腻苔区域中各像素值与相邻像素值之间的数值关系，对备选腻苔区域进行纹理特征识别，得到纹理细腻的目标腻苔区域，若目标腻苔区域的占比大于预置腻苔比值，则说明待检测的舌像图为腻苔舌像图。本发明可以准确地识别腻苔舌像图。

附图说明

图1为本发明实施例中舌头腻苔的检测方法的一个实施例示意图；

图2为本发明实施例中舌头腻苔的检测方法的另一个实施例示意图；

图3为本发明实施例中舌头腻苔的检测装置的一个实施例示意图；

图4为本发明实施例中舌头腻苔的检测装置的另一个实施例示意图；

图5为本发明实施例中舌头腻苔的检测设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种舌头腻苔的检测方法、装置、设备及存储介质，用于提高腻苔舌像的识别准确率。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中舌头腻苔的检测方法的一个实施例包括：

101、接收待检测的舌像图，并获取舌像图中的初始舌头区域；

可以理解的是，本发明的执行主体可以为舌头腻苔的检测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

本实施例中，待检测的舌像图可以由舌头腻苔的检测装置中自带的摄像头采集后上传或直接进行检测，也可以由通过用户的移动终端自行采集后上传至服务器，取决于具体的应用场景，此处不做进一步限定。

本实施例中，服务器通过预置的舌头识别模型，在舌像图中获取对应的初始舌头区域，其中，舌头识别模型为具有卷积神经网络结构的人工智能模型，能够通过带标注的舌像图进行模型训练后，完成舌头识别任务，输出舌头区域的标注信息，从而确定舌像图中的初始舌头区域。

102、对初始舌头区域进行超像素分割，得到多个超像素舌头区域；

本实施例中，服务器通过对初始舌头区域进行超像素分割，可以将舌像图分割成一系列的子区域，也就是多个超像素舌头区域，每个超像素舌头区域内部的像素点之间具有很强的一致性，如同细胞一般紧凑且整齐，使得各像素点的领域特征比较容易表达，能够提升舌头腻苔识别的准确率。

本实施例中，优选的，服务器将初始舌头区域分割成10个以内的超像素舌头区域，再将多个超像素舌头区域转化为表色体系CIELAB颜色空间和二维坐标下的5维特征向量，再构造5维特征向量的距离度量标准，根据距离度量标准，对初始舌头区域进行局部聚类，从而得到舌头颜色和灰度特征等大致相同的多个超像素舌头区域，使得舌头腻苔的识别准确率提高。

103、根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；

本实施例中，服务器根据各超像素舌头区域的像素值，对超像素舌头区域进行进一步的颜色分析，能够有效地对超像素舌头区域的腻苔区域进行识别，其中，各超像素舌头区域的像素值可以是各超像素舌头区域中各像素点的色彩饱和度、灰度值、亮度等，优选的，服务器根据各超像素舌头区域中各像素点的色彩饱和度，对各超像素舌头区域进行颜色特征识别，从而得到备选腻苔区域。

104、根据备选腻苔区域中各像素值与相邻像素值之间的关系，对备选腻苔区域进行纹理特征识别，得到目标腻苔区域；

本实施例中，由于腻苔在图像的呈现上具有颗粒细腻致密的特定，因此，服务器在进行舌头腻苔识别时，通过纹理特征识别算法，能够分析备选腻苔区域的图像平滑度，也就是舌头的纹理粗细程度，从而确定纹理较为细腻的目标腻苔区域，具体的，服务器通过备选腻苔区域中各像素值与相邻像素值之间的关系进行纹理特征识别，从而得到目标腻苔区域，其中，备选腻苔区域中各像素值和相邻像素值可以为灰度值，也可以为对色彩比度值，具体不做限定。

105、当目标腻苔区域占初始舌头区域的比例大于预置腻苔比值时，确定待检测的舌像图为腻苔舌像图。

本实施例中，当服务器确定纹理较为细腻的目标腻苔区域之后，服务器通过计算目标腻苔区域的像素总数占整个初始舌头区域的像素总数的比例，判断目标腻苔区域在初始舌头区域的占比是否大于预置腻苔比值，当目标腻苔区域在初始舌头区域的占比大于预置腻苔比值时，则确定待检测的舌像图为腻苔舌像图，其中，预置腻苔比值优选为30％，该预置腻苔比值能够准确地确定腻苔舌像图，提高了腻苔舌像图的检测准确率。

进一步地，服务器将腻苔舌像图存储于区块链数据库中，具体此处不做限定。

本发明实施例中，服务器通过对舌像图中的初始舌头区域进行超像素分割，得到多个超像素舌头区域，再对其进行颜色特征识别，得到备选腻苔区域，服务器根据备选腻苔区域中各像素值与相邻像素值之间的数值关系，对备选腻苔区域进行纹理特征识别，得到纹理细腻的目标腻苔区域，若目标腻苔区域的占比大于预置腻苔比值，则说明待检测的舌像图为腻苔舌像图。本发明可以准确地识别腻苔舌像图。

请参阅图2，本发明实施例中舌头腻苔的检测方法的另一个实施例包括：

201、接收待检测的舌像图，并获取舌像图中的初始舌头区域；

该步骤201的执行过程与步骤101的执行过程相似，具体此处不再赘述。

202、对初始舌头区域进行超像素分割，得到多个超像素舌头区域；

具体的，服务器按照预设的超像素个数，初始化多个聚类中心，并通过预置的色彩空间模型，将初始舌头区域转化为多维特征向量；服务器通过预置的距离度量算法，计算初始舌头区域中各像素点对应的多维特征向量与邻域内的聚类中心之间的度量距离，度量距离包括颜色距离和空间距离；服务器根据颜色距离和空间距离，对初始舌头区域中的各像素点进行局部聚类，得到聚类结果；服务器根据聚类结果，对初始舌头区域进行超像素分割，得到多个超像素舌头区域。

本可选实施例中，多个超像素舌头区域是指具有相似纹理、亮度、颜色等特征的相邻像素构成的有一定视觉意义的不规则像素块，超像素分割利用像素之间特征的相似性将像素分组，用少量的超像素代替大量的像素来表达图片特征，很大程度上降低了图像后处理的复杂度。

本可选实施例中，服务器按照预设的超像素个数，初始化多个种子点，也就是多个聚类中心，服务器再通过预置的色彩空间模型，将初始舌头区域转化为表色体系CIELAB颜色空间和二维坐标下的多维特征向量，然后，服务器通过预置的距离度量算法，构建距离度量标准，并根据距离度量标准，计算初始舌头区域中各像素点对应的多维特征向量与邻域内的聚类中心之间的度量距离，度量距离包括表色体系CIELAB颜色空间上的颜色距离和二维坐标下的空间距离。接着，服务器根据颜色距离和空间距离对初始舌头区域中的各像素点进行局部聚类，得到聚类结果，从而进行超像素分割，得到多个超像素舌头区域，使得舌像图的超像素分割效率提高。

203、根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；

具体的，服务器遍历各超像素舌头区域中各像素点的色彩饱和度，并通过预置的色彩饱和度公式，计算各超像素区域的色彩饱和度均值；当色彩饱和度均值大于预置饱和度阈值时，服务器确定所述超像素舌头区域为有苔区域；服务器通过预置的色彩模式算法，计算有苔区域在不同色彩模式的色彩值，并通过色彩值确定备选腻苔区域。

本可选实施例中，服务器通过遍历各超像素舌头区域中各像素点的色彩饱和度，对超像素舌头区域进行进一步的色彩分析，具体的，服务器通过预置的色彩饱和度公式，计算各超像素舌头区域中的像素点的色彩饱和度值，再根据各超像素舌头区域中的像素点的色彩饱和度值，计算各超像素区域的色彩饱和度均值，从而确定有苔区域，进一步的，计算色彩饱和度值V的色彩饱和度公式为：

V＝0.5*r-0.4187*g-0.0813*b+128

其中，r、g、b分别表示红色、绿色、蓝色的颜色通道数值。

本可选实施例中，当色彩饱和度均值大于预置饱和度阈值时，确定所述超像素舌头区域为有苔区域，通过大量的数据实验证明，预置饱和度阈值为69.12时，能够准确地判定有苔区域，因此，本可选实施例优选69.12为预置饱和度阈值。

本可选实施例中，预置的色彩模式算法包括不同色彩模式的色彩值计算公式，其中Color色彩模式的色彩值IND_Color和RG色彩模式下的色彩值IND_rg的计算公式分别为：

其中，x_j∈R_i，j＝1,2,…N，R_i表示第i个有苔区域，x_j和N表示R_i中的像素点，

分别表示第x_j个像素点的红色、绿色、蓝色的颜色通道数值。当色彩值IND_Color≥460，且色彩值IND_rg≤1.25时，确定对应的有苔区域R_i为备选腻苔区域。

204、根据备选腻苔区域中各像素点的灰度值，计算备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值，得到备选腻苔区域中各像素点的差值取值概率；

本实施例中，为了进一步确定备选腻苔区域中的纹理平滑度，服务器通过预置的灰度差值计算公式，计算备选腻苔区域中各像素点的灰度值与相邻像素点的灰度值之间的差值，并统计各像素点的差值取值概率，根据差值取值概率来确定备选腻苔区域的纹理平滑度，进而确定有腻的目标腻苔区域。

具体的，服务器以备选腻苔区域中各像素点的灰度值，与备选腻苔区域中各像素点的相邻像素点的灰度值进行比对，得到备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值；服务器统计各像素点的灰度值和相邻像素点的灰度值之间的差值在备选腻苔区域中取值概率分布，得到备选腻苔区域中各像素点的差值取值概率。

本可选实施例中，服务器以备选腻苔区域中的每个像素点的灰度值，去遍历其相邻像素点的灰度值，使得每个像素点的灰度值都与相邻像素点的灰度值进行比对，从而得到每个像素点与相邻像素点的差值集合，差值集合中包括该像素点的灰度值和每个相邻像素点的灰度值之间的差值，服务器再统计备选腻苔区域中所有像素点的差值集合，得到统计结果，再根据统计结果计算备选腻苔区域中每个像素点的差值取值概率，能够准确地分析备选腻苔区域的纹理平滑度，使得腻苔的检测更准确。

205、根据差值取值概率，计算备选腻苔区域的多个纹理特征参数，并根据多个纹理特征参数，确定有腻区域，并将有腻区域作为目标腻苔区域；

本实施例中，服务器根据每个像素点的差值取值概率，计算备选腻苔区域的多个纹理特征参数，每个纹理特征参数对应有纹理特征计算公式，以及腻苔确定条件，服务器根据每个纹理特征参数，判断是否满足对应的腻苔确定条件，若备选腻苔区域同时满足每个腻苔确定条件，则确定备选腻苔区域为有腻区域，也就是目标腻苔区域。

具体的，服务器根据备选腻苔区域中各像素点的差值取值概率，计算备选腻苔区域的多个纹理特征参数，多个纹理特征参数包括超像素对比度、二阶角矩、熵和平均值；服务器分别判断超像素对比度、二阶角矩、熵和平均值是否满足对应的有腻判定条件；若超像素对比度、二阶角矩、熵和差值平均值分别满足对应的有腻判定条件，则服务器确定对应的备选腻苔区域为有腻区域，并将有腻区域作为目标腻苔区域。

本可选实施例中，多个纹理特征参数包括超像素对比度CON、二阶角矩ASM、熵ENT和平均值MEAN，每个纹理特征参数对应的纹理特征计算公式分别为：

CON＝∑_ii²p(i)

ASM＝∑_i[p(i)]²

ENT＝-∑_ip(i)log₁₀p(i)

其中，p(i)为像素点i的差值取值概率，i＝0,1,…255，m为求和的像素点p(i)的个数，

本可选实施例中，每个纹理特征参数对应的有腻判定条件为CON>250，ENT>1.3，ASM<7，MEAN>3.4，当备选腻苔区域同时满足每个纹理特征参数对应的有腻判定条件时，则服务器确定对应的备选腻苔区域为有腻区域，并将有腻区域作为目标腻苔区域。

206、当目标腻苔区域占初始舌头区域的比例大于预置腻苔比值时，确定待检测的舌像图为腻苔舌像图。

具体的，服务器计算目标腻苔区域的像素数量，并计算标腻苔区域的像素数量占初始舌头区域的像素数量的比例；当比例大于预置腻苔比值时，服务器确定待检测的舌像图为腻苔舌像图，并根据目标腻苔区域，服务器生成舌像图的检测报告。

本可选实施例中，当目标腻苔区域的像素数量占初始舌头区域的像素数量的比例大于预置腻苔比值时，服务器则确定待检测的舌像图为腻苔舌像图，优选的，预置腻苔比值为30％时，能够准确地确定腻苔舌像图。最后，服务器根据目标腻苔区域，生成舌像图的检测报告，检测报告包括目标腻苔区域的标注信息和腻苔占比值，能够直观地反映舌像图的腻苔情况。

本发明实施例中，服务器根据备选腻苔区域中各像素点的灰度值与相邻像素点的灰度值之间的差值，确定备选腻苔区域中各像素点的差值取值概率，差值取值概率反映了纹理平滑度，服务器再根据差值取值概率，计算多个纹理特征参数，并通过每个纹理特征参数对应的有腻判定条件，确定目标腻苔区域。本发明能够准确地识别腻苔舌像图。

上面对本发明实施例中舌头腻苔的检测方法进行了描述，下面对本发明实施例中舌头腻苔的检测装置进行描述，请参阅图3，本发明实施例中舌头腻苔的检测装置一个实施例包括：

接收模块301，用于接收待检测的舌像图，并获取所述舌像图中的初始舌头区域；

分割模块302，用于对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域；

颜色识别模块303，用于根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；

纹理识别模块304，用于根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域；

确定模块305，用于当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图。

进一步地，将腻苔舌像图存储于区块链数据库中，具体此处不做限定。

本发明实施例中，服务器通过对舌像图中的初始舌头区域进行超像素分割，得到多个超像素舌头区域，再对其进行颜色特征识别，得到备选腻苔区域，服务器根据备选腻苔区域中各像素值与相邻像素值之间的数值关系，对备选腻苔区域进行纹理特征识别，得到纹理细腻的目标腻苔区域，若目标腻苔区域的占比大于预置腻苔比值，则说明待检测的舌像图为腻苔舌像图。本发明可以准确地识别腻苔舌像图。

请参阅图4，本发明实施例中舌头腻苔的检测装置的另一个实施例包括：

接收模块301，用于接收待检测的舌像图，并获取所述舌像图中的初始舌头区域；

分割模块302，用于对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域；

颜色识别模块303，用于根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；

纹理识别模块304，用于根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域；

确定模块305，用于当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图。

可选的，所述分割模块302具体用于：

按照预设的超像素个数，初始化多个聚类中心，并通过预置的色彩空间模型，将所述初始舌头区域转化为多维特征向量；

通过预置的距离度量算法，计算所述初始舌头区域中各像素点对应的多维特征向量与邻域内的聚类中心之间的度量距离，所述度量距离包括颜色距离和空间距离；

根据所述颜色距离和所述空间距离，对所述初始舌头区域中的各像素点进行局部聚类，得到聚类结果；

根据所述聚类结果，对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域。

可选的，所述颜色识别模块303具体用于：

遍历各超像素舌头区域中各像素点的色彩饱和度，并通过预置的色彩饱和度公式，计算各超像素区域的色彩饱和度均值；

当所述色彩饱和度均值大于预置饱和度阈值时，确定所述超像素舌头区域为有苔区域；

通过预置的色彩模式算法，计算所述有苔区域在不同色彩模式的色彩值，并通过所述色彩值确定备选腻苔区域。

可选的，所述纹理识别模块304包括：

灰度差值计算单元3041，用于根据所述备选腻苔区域中各像素点的灰度值，计算所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值，得到所述备选腻苔区域中各像素点的差值取值概率；

纹理参数计算单元3042，用于根据所述差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，并根据所述多个纹理特征参数，确定有腻区域，并将所述有腻区域作为目标腻苔区域。

可选的，所述灰度差值计算单元3041具体用于：

以所述备选腻苔区域中各像素点的灰度值，与所述备选腻苔区域中各像素点的相邻像素点的灰度值进行比对，得到所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值；

统计各像素点的灰度值和相邻像素点的灰度值之间的差值在所述备选腻苔区域中取值概率分布，得到所述备选腻苔区域中各像素点的差值取值概率。

可选的，所述纹理参数计算单元3042具体用于：

根据所述备选腻苔区域中各像素点的差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，所述多个纹理特征参数包括超像素对比度、二阶角矩、熵和平均值；

分别判断所述超像素对比度、所述二阶角矩、所述熵和所述平均值是否满足对应的有腻判定条件；

若所述超像素对比度、所述二阶角矩、所述熵和所述差值平均值分别满足对应的有腻判定条件，则确定对应的备选腻苔区域为有腻区域，并将所述有腻区域作为目标腻苔区域。

可选的，所述确定模块305具体用于：

计算所述目标腻苔区域的像素数量，并计算所述标腻苔区域的像素数量占所述初始舌头区域的像素数量的比例；

当所述比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图，并根据所述目标腻苔区域，生成所述舌像图的检测报告。

本发明实施例中，服务器根据备选腻苔区域中各像素点的灰度值与相邻像素点的灰度值之间的差值，确定备选腻苔区域中各像素点的差值取值概率，差值取值概率反映了纹理平滑度，服务器再根据差值取值概率，计算多个纹理特征参数，并通过每个纹理特征参数对应的有腻判定条件，确定目标腻苔区域。本发明能够准确地识别腻苔舌像图。

上面图3和图4从模块化功能实体的角度对本发明实施例中的舌头腻苔的检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中舌头腻苔的检测设备进行详细描述。

图5是本发明实施例提供的一种舌头腻苔的检测设备的结构示意图，该舌头腻苔的检测设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对舌头腻苔的检测设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在舌头腻苔的检测设备500上执行存储介质530中的一系列指令操作。

舌头腻苔的检测设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作***531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的舌头腻苔的检测设备结构并不构成对舌头腻苔的检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种舌头腻苔的检测设备，所述计算机设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述舌头腻苔的检测方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述舌头腻苔的检测方法的步骤。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种舌头腻苔的检测方法，其特征在于，所述舌头腻苔的检测方法包括：

接收待检测的舌像图，并获取所述舌像图中的初始舌头区域；

对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域；

根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；

根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域；

当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图。

2.根据权利要求1所述的舌头腻苔的检测方法，其特征在于，所述对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域，包括：

按照预设的超像素个数，初始化多个聚类中心，并通过预置的色彩空间模型，将所述初始舌头区域转化为多维特征向量；

通过预置的距离度量算法，计算所述初始舌头区域中各像素点对应的多维特征向量与邻域内的聚类中心之间的度量距离，所述度量距离包括颜色距离和空间距离；

根据所述颜色距离和所述空间距离，对所述初始舌头区域中的各像素点进行局部聚类，得到聚类结果；

根据所述聚类结果，对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域。

3.根据权利要求1所述的舌头腻苔的检测方法，其特征在于，所述根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域，包括：

遍历各超像素舌头区域中各像素点的色彩饱和度，并通过预置的色彩饱和度公式，计算各超像素区域的色彩饱和度均值；

当所述色彩饱和度均值大于预置饱和度阈值时，确定所述超像素舌头区域为有苔区域；

通过预置的色彩模式算法，计算所述有苔区域在不同色彩模式的色彩值，并通过所述色彩值确定备选腻苔区域。

4.根据权利要求1所述的舌头腻苔的检测方法，其特征在于，所述根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域，包括：

根据所述备选腻苔区域中各像素点的灰度值，计算所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值，得到所述备选腻苔区域中各像素点的差值取值概率；

根据所述差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，并根据所述多个纹理特征参数，确定有腻区域，并将所述有腻区域作为目标腻苔区域。

5.根据权利要求4所述的舌头腻苔的检测方法，其特征在于，所述根据所述备选腻苔区域中各像素点的灰度值，计算所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值，得到所述备选腻苔区域中各像素点的差值取值概率，包括：

以所述备选腻苔区域中各像素点的灰度值，与所述备选腻苔区域中各像素点的相邻像素点的灰度值进行比对，得到所述备选腻苔区域中各像素点的灰度值和相邻像素点的灰度值之间的差值；

统计各像素点的灰度值和相邻像素点的灰度值之间的差值在所述备选腻苔区域中取值概率分布，得到所述备选腻苔区域中各像素点的差值取值概率。

6.根据权利要求4所述的舌头腻苔的检测方法，其特征在于，所述根据所述差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，并根据所述多个纹理特征参数，确定有腻区域，并将所述有腻区域作为目标腻苔区域，包括：

根据所述备选腻苔区域中各像素点的差值取值概率，计算所述备选腻苔区域的多个纹理特征参数，所述多个纹理特征参数包括超像素对比度、二阶角矩、熵和平均值；

分别判断所述超像素对比度、所述二阶角矩、所述熵和所述平均值是否满足对应的有腻判定条件；

若所述超像素对比度、所述二阶角矩、所述熵和所述差值平均值分别满足对应的有腻判定条件，则确定对应的备选腻苔区域为有腻区域，并将所述有腻区域作为目标腻苔区域。

7.根据权利要求1所述的舌头腻苔的检测方法，其特征在于，所述根据所述当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图，包括：

计算所述目标腻苔区域的像素数量，并计算所述标腻苔区域的像素数量占所述初始舌头区域的像素数量的比例；

当所述比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图，并根据所述目标腻苔区域，生成所述舌像图的检测报告。

8.一种舌头腻苔的检测装置，其特征在于，所述舌头腻苔的检测装置包括：

接收模块，用于接收待检测的舌像图，并获取所述舌像图中的初始舌头区域；

分割模块，用于对所述初始舌头区域进行超像素分割，得到多个超像素舌头区域；

颜色识别模块，用于根据各超像素舌头区域的像素值，对各超像素舌头区域进行颜色特征识别，得到备选腻苔区域；

纹理识别模块，用于根据所述备选腻苔区域中各像素值与相邻像素值之间的关系，对所述备选腻苔区域进行纹理特征识别，得到目标腻苔区域；

确定模块，用于当所述目标腻苔区域占所述初始舌头区域的比例大于预置腻苔比值时，确定所述待检测的舌像图为腻苔舌像图。

9.一种舌头腻苔的检测设备，其特征在于，所述舌头腻苔的检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述舌头腻苔的检测设备执行如权利要求1-7中任意一项所述的舌头腻苔的检测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述舌头腻苔的检测方法。

Images