CN113610753A - 一种提取舌像的加博纹理特征的方法、装置及存储介质 - Google Patents
一种提取舌像的加博纹理特征的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113610753A CN113610753A CN202110688079.1A CN202110688079A CN113610753A CN 113610753 A CN113610753 A CN 113610753A CN 202110688079 A CN202110688079 A CN 202110688079A CN 113610753 A CN113610753 A CN 113610753A
- Authority
- CN
- China
- Prior art keywords
- gabor
- pixel
- texture
- value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000004044 response Effects 0.000 claims abstract description 148
- 230000004927 fusion Effects 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 27
- 238000000605 extraction Methods 0.000 abstract description 10
- 206010012601 diabetes mellitus Diseases 0.000 description 20
- 238000009826 distribution Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 11
- 238000011524 similarity measure Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 3
- UGJMXCAKCUNAIE-UHFFFAOYSA-N Gabapentin Chemical compound OC(=O)CC1(CN)CCCCC1 UGJMXCAKCUNAIE-UHFFFAOYSA-N 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229960002870 gabapentin Drugs 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005181 root of the tongue Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种提取舌像的加博纹理特征的方法、装置及存储介质,通过使用基于非线性的纹理增强滤波器进行图像预处理,然后将纹理增强滤波器的响应数据作为加博滤波器的输入数据,以得到一种新型的加博纹理特征值。由于纹理增强滤波器是一种改进的宽线探测滤波器,它的响应数据不依赖于亮度信息,因此最后得到的新型的加博纹理特征值不会受到亮度信息的干扰,可以有效解决现有技术中加博纹理特征值的提取方法容易受到亮度漂移和反光点的干扰的问题。
Description
技术领域
本发明涉及医疗图像处理领域,尤其涉及的是一种提取舌像的加博纹理特征的方法、装置及存储介质。
背景技术
近年来,与传统的诊断方法相比,舌诊因其具有方便、无创、准确等优点,在医学研究中日益得到重视。舌诊指的是观察舌头的色泽、形态的变化来辅助诊断及鉴别的一个简单有效的方法。目前,在舌像分析方面,已经有许多基于医学诊断目的的针对舌像纹理特征的研究。例如,加博滤波器(加博滤波器)已成功用于舌面纹理特征提取。然而现有的利用加博滤波器提取加博纹理特征值作为舌面纹理特征的方法容易受到图像的亮度漂移以及反光点的干扰,从而导致提取的舌面纹理特征的可靠性降低。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种提取舌像的加博纹理特征的方法、装置及存储介质,旨在解决现有技术中的利用加博滤波器提取加博纹理特征值作为舌面纹理特征的方法容易受到图像的亮度漂移以及反光点的干扰,从而导致提取的舌面纹理特征的可靠性降低问题。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种提取舌像的加博纹理特征的方法,其中,所述方法包括:
获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据;
通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据;
对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值。
在一种实施方式中,所述获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据包括:
获取原始舌像图像数据,将所述原始舌像图像数据转换为灰度图像数据;
获取所述灰度图像中每一个像素与自身所处区域内的像素之间的灰度值的差值;
将所述灰度值的差值与预设的阈值参数进行比较,根据比较结果生成每一个像素与自身所处区域内的像素的相似度数据。
在一种实施方式中,所述将所述灰度值的差值与预设的阈值参数进行比较,根据比较结果生成每一个像素与自身所处区域内的像素的相似度数据包括:
将所述灰度值的差值与预设的阈值参数进行比较;
当所述灰度值的差值小于或者等于预设的阈值参数时,确定所述像素与自身所处区域内的像素的相似度为第一取值;
当所述灰度值的差值大于预设的阈值参数时,确定所述像素与自身所处区域内的像素的相似度取值为第二取值。
在一种实施方式中,所述通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据包括:
对所述相似度数据进行加权求和,将所述加权求和的结果作为所述像素的纹理增强滤波器响应数据
通过确定每一个像素的纹理增强滤波器响应数据得到所述灰度图像的纹理增强滤波器响应数据。
在一种实施方式中,所述对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值包括:
在所述灰度图像的纹理增强滤波器响应数据上分割出预设数量、大小的若干个目标块;
计算每一个目标快的加博滤波融合响应值;
通过每一个目标快的加博滤波融合响应值输出每一个目标快对应的加博纹理特征值。
在一种实施方式中,所述计算每一个目标快的加博滤波融合响应值包括:
将所述目标块分别与不同尺度和方向的加博滤波器进行卷积,获取每个滤波器基于所述目标块生成的加博滤波器响应值;
对所述目标块在不同尺度和方向的加博滤波器下得到的所有加博滤波器响应值进行融合,并将融合后得到的加博滤波器响应值作为所述目标块的加博滤波器融合响应值。
在一种实施方式中,所述对所述目标块在不同尺度和方向的加博滤波器下得到的所有加博滤波器响应值进行融合,并将融合后得到的加博滤波器响应值作为所述目标块的加博滤波器融合响应值包括:
通过逐像素选择每个像素在不同尺度、方向上的加博滤波器响应值的最大值,以实现融合所述目标块的所有加博滤波器响应值,并将融合后得到的加博滤波器响应值作为所述目标块的加博滤波器融合响应值。
在一种实施方式中,所述通过每一个目标快的加博滤波融合响应值输出每一个目标快对应的加博纹理特征值包括:
计算所述目标块的加博滤波器融合响应值的平均值,将计算出的平均值作为所述目标块在所述原始舌像图像数据中对应的区域的加博纹理特征值。
第二方面,本发明实施例还提供一种提取舌像的加博纹理特征的装置,其中,所述装置包括:
计算模块,用于获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据;
响应模块,用于通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据;
纹理模块,用于对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值。
第三方面,本发明实施例还提供一种计算机可读存储介质,其上存储有多条指令,其中,所述指令适用于由处理器加载并执行,以实现上述任一所述的一种提取舌像的加博纹理特征的方法的步骤。
本发明的有益效果:本发明实施例通过获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据,然后通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据,对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值。由于纹理增强滤波器是一种改进的宽线探测滤波器,它的响应数据不依赖于亮度信息,因此最后得到的新型的加博纹理特征值不会受到亮度信息的干扰,可以有效解决现有技术中加博纹理特征值的提取方法容易受到亮度漂移和反光点的干扰的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种提取舌像的加博纹理特征的方法的步骤流程示意图。
图2是本发明实施例提供的目标块在舌面上的分布图。
图3是本发明实施例提供的原始舌像图像与灰度图像的关系图。
图4是本发明实施例提供的总体亮度偏差和局部纹理模式的参考图。
图5是本发明实施例提供的以加博纹理特征的值的降序显示一组样本图。
图6是本发明实施例提供的加博纹理特征和亮度线性的相关性图。
图7是本发明实施例提供的论证反光点度加博纹理特征的干扰的第一组样本图。
图8是本发明实施例提供的论证反光点度加博纹理特征的干扰的第二组样本图。
图9是本发明实施例提供的一种提取舌像的加博纹理特征的方法的模块流程示意图
图10是本发明实施例提供的原始舌像图像。
图11是本发明实施例提供的原始舌像图像对应的宽线探测滤波器响应图。
图12是本发明实施例提供的原始舌像图像对应的纹理增强滤波器响应图。
图13是本发明实施例提供的宽线探测滤波器响应与纹理增强滤波器响应图的对比图。
图14是本发明实施例提供的阈值和双曲正割相似性度量下纹理增强滤波器响应的对比图。
图15是本发明实施例提供的8个目标块的加博纹理特征和新型加博纹理特征的误差棒图。
图16是本发明实施例提供的健康和糖尿病群体的普通加博纹理特征对比图。
图17是本发明实施例提供的健康群体和糖尿病群体的新型加博纹理特征对比图。
图18是本发明实施例提供的健康群体的新型加博纹理特征的样本图。
图19是本发明实施例提供的糖尿病群体的新型加博纹理特征的样本图。
图20是本发明实施例提供的使用对称相似性度量的响应图。
图21是本发明实施例提供的使用半对称相似性度量的响应图。
图22是本发明实施例提供的图18中样本的纹理增强滤波器响应图。
图23是本发明实施例提供的图19中样本的纹理增强滤波器响应图.
图24是本发明实施例提供的新型加博纹理特征-亮度平面上的分布图。
图25是本发明实施例提供的按新型加博纹理特征的值递减的顺序展示的样本图。
图26是本发明实施例提供的一种提取舌像的加博纹理特征的装置的模块连接关系图。
图27是本发明实施例提供的终端的原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
近年来,与传统的诊断方法相比,舌诊因其具有方便、无创、准确等优点,在医学研究中日益得到重视。舌诊指的是观察舌头的色泽、形态的变化来辅助诊断及鉴别的一个简单有效的方法。目前,在舌像分析方面,已经有许多基于医学诊断目的的针对舌像纹理特征的研究。例如,加博滤波器(Gabor滤波器)已成功用于舌图像的纹理特征提取。
关于加博滤波器在舌像纹理特征的提取方法中的应用,文章Computerizedtongue diagnosis based on Bayesian networks(Pang,Bo,et al."Computerizedtongue diagnosis based on Bayesian networks."IEEE Transactions on biomedicalengineering 51.10(2004):1803-1810)提出了一套利用舌面颜色和纹理的计算机化舌诊***,公开了舌的纹理用下面的舌图像的灰色共矩阵的两个统计来描述。文章Detectingdiabetes mellitus and nonproliferative diabetic retinopathy using tonguecolor,texture,and geometry features(Zhang,Bob,BVK Vijaya Kumar,and DavidZhang."Detecting diabetes mellitus and nonproliferative diabetic retinopathyusing tongue color,texture,and geometry features."IEEE transactions onbiomedical engineering 61.2(2014):491-501)也同样引入了广泛使用的加博滤波器来表征舌面纹理,并公开了通过用5个尺度和8个方向共40个加博滤波器对舌像图像进行滤波来获得40个响应。然而,现有的这些加博纹理特征值的提取方法都容易受到多个干扰因素的影响。
首先加博纹理特征值的提取容易受到图像的亮度漂移的影响。本实施例提供了图3和图4作为参考。具体地,在实际应用中,加博纹理特征值是直接基于舌像灰度图像计算出来的,通常舌像灰度图像包含两个分量:总体亮度偏差和局部纹理模式,在图3中,灰度图像为在嵌入三维空间中的曲面,图4中展示的是该曲面对应的总体亮度偏差(平滑的曲线)和局部纹理模式(锯齿状的折线),然而只有局部纹理模式在纹理特征表示时是至关重要的,而总体亮度偏差实际是干扰因素。但是在计算加博响应的卷积过程中,总体亮度偏差和局部纹理模式都会参与计算,如果原始的舌像图像的总体亮度偏差大致相同,则直接对原始舌像图像对应的灰度图像进行卷积并不会引起太大问题。然而在实际应用中,总体亮度偏差可能会随着时间产生漂移现象,从而导致卷积后得到的加博纹理特征值受到亮度漂移的干扰。发明人为了验证这个结论,在一个包含4989个舌像图像样本和39,912个小块的大型数据库中进行了试验。对于每个小块,发明人计算了它们的加博纹理特征值和亮度。在图5中,发明人以加博纹理特征的值的降序显示一组样本。如图6所示,发明人分别以加博纹理特征值和亮度为坐标,在平面中描绘数据库的分布。圆点代表数据库中的样本,虚线代表数据的线性回归,可见加博纹理特征值显著地和亮度呈现相关性,即亮度和加博纹理特征值具有很强的线性相关性。实际上,亮度和加博纹理特征值的Pearson相关系数是0.8452,因此加博纹理特征值在很大程度上是依赖于亮度的。所以如果亮度随着时间产生漂移现象,将会对输出的加博纹理特征值产生一定不良影响。
其次,加博纹理特征值还容易受到舌面反光点的影响。即除了亮度漂移会造成亮度干扰以外,舌面的反光点也会引起亮度干扰。为了证明这一现象,发明人在图7、图8中分别展示了两组样本,第一组样本(图7)基本上是光滑的并且带有许多反光点的样本。而第二组样本(图8)是相对粗糙的样本,而且没有反光点。理论上,加博纹理特征值用于描述图像纹理的粗糙程度,图像纹理越粗糙,则加博纹理特征值的值就越大。图像结果中第二组的加博纹理特征的上限低于2.8,而所有第一组的加博纹理特征不低于3.7,因此图像结果显示第一组的加博纹理特征值远高于第二组加博纹理特征值,但事实上第二组样本比第一组样本更加粗糙。造成第一组的加博纹理特征值的值比较高的主要是由于反光点的亮度。因此,现有的加博纹理特征值的提取方法还受到反光点的严重干扰。
针对现有技术中存在的亮度漂移和反光点干扰问题,本发明提出了一种提取舌像的加博纹理特征的方法,通过使用基于非线性的纹理增强滤波器(TEF,Texture EnhancingFilter)进行图像预处理,然后将纹理增强滤波器的响应数据作为加博滤波器的输入数据,以得到一种新型的加博纹理特征值。由于纹理增强滤波器是一种改进的宽线探测滤波器(Wide Line Detector,WLD滤波器),它的响应数据不依赖于亮度信息,因此最后得到的新型的加博纹理特征值(P-Gabor,Preconditioned Gabor Texture Feature)不会受到亮度信息的干扰,可以有效解决现有技术中加博纹理特征值的提取方法容易受到亮度漂移和反光点的干扰的问题。
如图1所示,所述一种提取舌像的加博纹理特征的方法包括如下步骤:
步骤S100、获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据。
具体地,本实施例同样需要基于舌像灰度图像计算加博纹理特征值,因此首先需要获取原始舌像图像数据对应的灰度图像数据。灰度图像数据指的是每个像素只有一个采样颜色的图像。获取到灰度图像数据以后,本实施例中需要通过给定灰度图像I(x,y)和像素(x0,y0),像素(x0,y0)处的相似度计算出纹理增强滤波器的响应数据,因此获取到灰度图像数据以后,还需要计算灰度图像上每一个像素与自身所处区域的相似度数据。
在一种实现方式中,所述步骤S100具体包括如下步骤:
步骤S110、获取原始舌像图像数据,将所述原始舌像图像数据转换为灰度图像数据;
步骤S120、获取所述灰度图像中每一个像素与自身所处区域内的像素之间的灰度值的差值;
步骤S130、将所述灰度值的差值与预设的阈值参数进行比较,根据比较结果生成每一个像素与自身所处区域内的像素的相似度数据.
具体地,本实施例获取到原始舌像的图像数据以后,需要将所述原始舌像图像数据转换为灰度图像数据。在一种实现方式中,一幅完整的图像,通常是由红色、绿色、蓝色三个通道组成的。红色、绿色、蓝色三个通道的缩览图都是以灰度显示的。用不同的灰度色阶来表示“红,绿,蓝”在图像中的比重。通道是显示图像的基础,色彩的变动,实际上就是间接在对通道灰度图进行调整。因此可以将原始舌像图像数据从RGB颜色表示***下转换为HIS颜色表示***,取新的HIS颜色***表现下的舌像的I通道,即可得到灰度图像I(x,y)。然后为了计算每一个像素与自身所处区域内的像素的相似度数据,还需要获取所述灰度图像中每一个像素与自身所处区域内的像素之间的灰度值的差值,然后将所述灰度值的差值与预设的阈值参数进行比较,根据比较结果生成每一个像素与自身所处区域内的像素的相似度数据。具体实现方式为:本实施例获取到所述灰度值的差值以后,会将其与预设的阈值参数进行比较,例如可以将预设的阈值参数设置为图像灰度变化的标准差,当所述灰度值的差值小于或者等于预设的阈值参数时,确定所述像素与自身所处区域内的像素的相似度为第一取值,例如0;当所述灰度值的差值大于预设的阈值参数时,确定所述像素与自身所处区域内的像素的相似度取值为第二取值,例如1。公式为:获取到灰度图像I(x,y)和像素(x0,y0),像素(x0,y0)处的相似度,对于该灰度图像中每一组像素(x,y)和(x0,y0),其相似度s(x,y,x0,y0,t)在大于阈值t时取1,否则取0:
其中阈值参数t是设置为图像I灰度变化的标准差,并且变量x和y的取值遍历以(x0,y0)为中心r为半径的圆邻域。
需要说明的是,本实施例中采用的纹理增强滤波器是一种改进的宽线探测滤波器,宽线探测滤波器是基于邻域像素点间的灰度变化特征来描述图像纹理的。而原始的宽线探测滤波器中,像素与邻域的相似性的度量方法与本发明中采取的相似性的度量方法并不相同。原始的宽线探测滤波器的其中一种基本相似性度量形式为:
另一个被认为是更稳定的度量形式为:
其中函数sech表示双曲正割函数。然而,sech函数的计算非常耗时,因此本发明使用基本相似性度量,并同样将其修改为如下非对称的形式,以下是本发明的相似性度量方法:
图14比较了示例的两种类型的相似性度量。图14表明两种方法的响应信号彼此非常接近。因此,本实施例通过简化为基本相似性度量而损失的精度非常小,而且节省了大量的计算时间。发明人在130个健康和293个糖尿病样本的数据库上分别计算两种相似性度量下的加博纹理特征值。平均每个样本的计算时间对比如下表1:
表1
双曲正割函数 | 阈值 | |
CPU时间(s) | 1.2722 | 6.1183 |
可以看出,使用阈值相似性度量的方法,特征提取的时间成本约为使用双曲正割函数的1/5。因此,本实施例中采用的阈值相似性度量的方法更适合于实践应用。
确定每一个像素与自身所处区域内的像素的相似度数据以后,为了计算所述灰度图像的纹理增强滤波器响应数据,如图1所示,所述方法还包括如下步骤:
步骤S200、通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据。
具体地,由于纹理增强滤波器是一种改进的宽线探测滤波器,其响应信息不会受到亮度的干扰,因此本实施例需要通过所述相似度数据计算纹理增强滤波器响应数据,将计算出的纹理增强滤波器响应数据作为后续加博滤波器的输入数据,以得到对亮度漂移鲁棒的舌像纹理特征。
在一种实现方式中,所述步骤S200具体包括如下步骤:
步骤S210、对所述相似度数据进行加权求和,将所述加权求和的结果作为所述像素的纹理增强滤波器响应数据
步骤S220、通过确定每一个像素的纹理增强滤波器响应数据得到所述灰度图像的纹理增强滤波器响应数据。
具体地,本实施例中将每一个像素的纹理增强滤波器响应数据定义为该像素与自身所处区域的相似度的加权和,具体计算公式如下:
m(x0,y0)=∫∫cw(x0-x,y0-y)s(x,y)dxdy
其中积分区域为以(x0,y0)为中心r为半径的圆邻域。计算权重w(x0-x,y0-y)的公式为:
通过得到每一个像素的纹理增强滤波器响应数据,进而获取到整个灰度图像的纹理增强滤波器响应数据。
获取到灰度图像的纹理增强滤波器响应数据以后,本实施例还需要将该纹理增强滤波器响应数据进行分割后作为加博滤波器的输入数据,以得到与原始舌像图像数据对应的加博纹理特征值,如图1所示,所述方法还包括如下步骤:
步骤S300、对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值。
具体地,本实施例需要对纹理增强滤波器响应进行分割,并对分割出的小块,单独计算每一个小块的加博纹理特征值,从而输出各小块对应的舌像纹理特征向量。
在一种实现方式中,所述步骤S300具体包括如下步骤:
步骤S310、在所述灰度图像的纹理增强滤波器响应数据上分割出预设数量、大小的若干个目标块;
步骤S320、计算每一个目标快的加博滤波融合响应值;
步骤S330、通过每一个目标快的加博滤波融合响应值输出每一个目标快对应的加博纹理特征值。
具体地,为了更好地表示舌头的纹理,本实施例使用若干个预设大小的目标块策略性地覆盖在舌头表面,因此需要在所述灰度图像的纹理增强滤波器响应数据上分割出预设数量、大小的若干个目标块。在一种实现方式中,如图2所示,可以将目标块的数量设置为八个。此外由于较大的目标块会覆盖舌头边界之外的区域,且与其他目标重叠,因此为了更好地覆盖所有八个目标块对应的舌头表面区域,且实现区域之间最小的重叠,可以将目标块的大小则设置为64*64像素。举例说明,如图2所示,在纹理增强滤波器响应数据m(x0,y0)上,首先利用舌像前景图像定位出舌像中心,然后基于定位出来的舌像中心到舌像边缘的相对位置确定并分割得到八个像素为64*64的相同的目标块。从图2中可以看出,第一个目标块位于舌前端,第二个目标块和第三个目标块、第四个目标块和第五个目标块分别位于第一个目标块的两侧,第六个目标块和第七个目标块位于舌根部,第八个目标块位于舌中心。
然后为这若干个目标块中的每一个目标块计算其对应的加博纹理特征值。具体地,为了获取每个目标块对应的加博纹理特征值,本实施例首先需要计算每一个目标块的加博滤波融合响应值。在一种实施方式中,可以通过将所述目标块分别与不同尺度和方向的加博滤波器进行卷积,获取每个滤波器基于所述目标块生成的加博滤波器响应值。举例说明,假设需要计算纹理增强滤波器响应数据m(x0,y0)的2D加博滤波器响应值,则对于每一个纹理增强滤波器响应像素点(x0,y0),通过2D加博滤波器计算出其滤波结果为:
其中x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ,σ是尺度,λ是波长,γ是正弦函数的纵横比,θ是方向。然后将每个目标块分别与各种尺度和方向的加博滤波器卷积,每个加博滤波器产生响应m(x0,y0)Rk(x0,y0):
Rk(x0,y0)=∫∫cm(x0-x,y0-y)Gk(x,y)dxdy
其中积分区域为以(x0,y0)为中心r为半径的圆邻域。
然后对所述目标块在不同尺度和方向的加博滤波器下得到的所有加博滤波器响应值进行融合。具体地,如图9所示,为了对每一个目标块中的所有像素的加博滤波器响应值进行融合,可以通过逐像素选择每个像素在不同尺度、方向上的加博滤波器响应值的最大值,以实现融合所述目标块的所有加博滤波器响应值,并将融合后得到的加博滤波器响应值作为该目标块的加博滤波器融合响应值。
最后,通过每一个目标快的加博滤波融合响应值输出每一个目标快对应的加博纹理特征值。在一种实现方式中,可以通过计算所述目标块的加博滤波器融合响应值的平均值,将计算出的平均值作为所述目标块在所述原始舌像图像数据中对应的区域的加博纹理特征值。举例说明为每一个目标块分配单个加博纹理特征值的过程:首先遍历每一个目标块中的每一个像素,通过逐像素选择最大加博滤波器响应值来融合每一个目标块的所有响应:
FR(x,y)=max(R1(x,y),....Rn(x,y))
然后通过融合得到的目标块的响应的平均值融合该目标块的所有灰度,并将得到的平均值作为该目标块的加博纹理特征值:
该加博纹理特征值描述的是舌像图像的粗糙度和平滑度,是一种新型的加博纹理特征,对不同亮度及舌面反光点都保持鲁棒性。
需要说明的是,本实施例中用到的纹理增强滤波器是一种改进的宽线探测滤波器,其与现有的宽线探测滤波器并不完全相同,不同之处主要在要有以下两方面:1.宽线探测滤波器的响应是一种非相似度量的截断信号,而本发明使用到的纹理增强滤波器直接利用非相似性度量的信号,并不对信号进行截断。2.对于相似性/相异性度量的问题,宽线探测滤波器使用的是双曲正割函数,而本发明中的纹理增强滤波器使用的是简单的阈值处理来提高时间效率。这是因为对于本发明而言,通过测量邻域内的差异可以直接获得相异性,此外在宽线探测滤波器的原始工作中,宽线探测滤波器是用于检测显著的裂纹特征的,所以需要通过阈值处理过滤掉微小的特征,而本发明的主要目标是纹理增强和描述,因此需要保留那些微小的特征,正是由于本发明中的纹理增强滤波器与现有的宽线探测滤波器的应用目的不相同,从而导致两者的工作原理也有所差异。
发明人为了论述本发明中使用的纹理增强滤波器和现有的宽线探测滤波器的响应差异,做了如下实验:
图10是原始舌像图像的样本,发明人对样本的宽线探测滤波器响应和纹理增强滤波器响应进行了比较。图11是现有的宽线探测滤波器的响应,图12是本发明中的纹理增强滤波器的响应。从图11、图12中可以看出,两种响应都检测出了舌面的纹理特征,但是相比之下纹理增强滤波器响应检测除了更多的舌面***状凸起,而宽线探测滤波器响应中一般的舌面***状凸起因为宽线探测滤波器的阈值操作而被截断了。进一步地在图像中选取一行像素进行更详细地比较:图13中实线为选取的一行像素的宽线探测滤波器响应,虚线为纹理增强滤波器响应,可以看出在某些区间上,两条折线的形状是相同的,特别是在某些信号值比较高的区间。而在信号值比较低的区间,宽线探测滤波器响应被截断,即微小的特征被滤除(因为宽线探测滤波器最初被提出用于检测舌裂,并且通过截断过滤掉舌面***状突起,因此会滤除微小的特征),上述实验结果表明本发明中的纹理增强滤波器可以提供更为精确的舌面纹理特征表示。
其次需要说明的是,通过本发明提供的方法获取的新型加博纹理特征值与普通的加博纹理特征值也存在明显的区别。本发明中获得的新型加博纹理特征值包含一些重要信息,这类重要信息可以作为糖尿病的参考指标,且该参考指标具有相当高的可靠性。因此,在一种实现方式中,所述方法还包括:将基于所述提取舌像的加博纹理特征的方法获取到的加博纹理特征值作为糖尿病的参考指标。发明人为此做了以下实验:
发明人在130个健康和293个糖尿病样本的数据库上分别计算普通加博纹理特征和新型加博纹理特征。发明人发现在分割出的8个目标块中第8个目标块包含最丰富的病理信息,实验表明健康和糖尿病群体在第8个目标块的纹理值上有显著差异。图15中显示了8个目标块的普通加博纹理特征和新型加博纹理特征的误差棒图。普通加博纹理特征的8个分布(虚线误差棒)彼此之间没有显示出任何显著的差别,在虚线误差棒图的分布中找不到明显的分布模式。然而,新型加博纹理特征(实线误差棒)的分布则显示了一些显著的规律。第8个目标块的纹理特征的范围比其他块高很多并且变化范围更大。具体来讲,第8个目标块纹理特征的平均值可以高达1.5,而其他目标块的最大值不超过1.5。另一方面,第1个目标块是所有目标块的最低纹理特征。实际上,新型加博纹理特征的平均值约为0.2,这表明舌尖在所有目标块中是最平滑的。因此,新型加博纹理特征相比普通加博纹理特征有效地揭示了第8个目标块的病理意义。
针对第8个目标块,发明人对新型加博纹理特征和普通加博纹理特征进行了一些方差分析。健康和糖尿病群体的普通加博纹理特征的分布显示在图16中。健康和糖尿病群体的新型加博纹理特征的分布显示在图17中。从图16、17中可以看出普通加博纹理特征的分布范围比新型加博纹理特征的分布范围窄得多。具体来讲,普通加博纹理特征变化范围仅限制在区间[1,4]以内,而新型加博纹理特征变化范围覆盖区间[0,6.5],因此新型加博纹理特征比普通加博纹理特征的分布范围宽得多。更重要的是,新型加博纹理特征揭示了重要的病理信息。在图16中,健康和糖尿病群体的分布大致相似。两者都聚集在2.5左右。但是图17中的分布差异相当显著。健康群体的新型加博纹理特征是长尾分布,而糖尿病则不是。大多数健康群体处于较低的区间。相比之下,大多数糖尿病大致位于中心1.8附近。所有这些都表明在新型加博纹理特征上健康和糖尿病群体之间存在显著差异。
表2中显示了普通加博纹理特征和新型加博纹理特征的方差分析一些指标的比较。
表2
普通加博纹理特征值 | 新型加博纹理特征值 | |
SSb | 0.3811 | 95.5301 |
SSw | 168.4815 | 1270.7918 |
SSt | 168.8625 | 1366.3219 |
MSb | 0.3811 | 95.5301 |
MSw | 0.1741 | 1.3128 |
F-Value | 2.1894 | 72.7681 |
p-Value | 0.1393 | 5.5613e-17 |
在表2中,与普通加博纹理特征相比,新型加博纹理特征显著提高了SSb和MSb,但F-值也从2.1894提高到72.7681,这是非常重要的糖尿病的参考指标。此外,新型加博纹理特征的p值远低于显著水平5%,这意味着健康和糖尿病群体在新型加博纹理特征上有显著差异。而对于普通加博纹理特征,由于p值为13%,即健康和糖尿病群体在普通加博纹理特征上并无显著差异。图18、19中展示两个群体的一些典型样本,其中图18展示的是健康群体的样本,图19展示的是糖尿病群体的样本。以新型加博纹理特征的中值附近的样本作为典型样本。如图18、19所示,两个群体之间的新型加博纹理特征差异比较明显,具体表现为糖尿病组比健康组的新型加博纹理特征更加粗糙。因此本发明得到的新型加博纹理特征相较于普通加博纹理特征,可以更为可靠地作为糖尿病的参考指标。
此外,为了评估本发明技术方案的性能,发明人做了相应的试验,并主要验证了本发明提供的方法可以有效地解决亮度漂移和反光点干扰的问题,以及可靠地作为糖尿病的参考指标。
目前,通过现有技术得到的加博纹理特征容易受到舌面反光点的干扰。为了解决这个问题,本发明只检测出舌面上的低暗区域,而舌面上的高亮区域应该作为反光点过滤掉。通过本发明中的步骤S130对应的半对称相似性度量过程就能实现过滤掉反光点。发明人为此专门比较了对称相似性(图20)和半对称相似性(图21)的响应。在图10所示的原始舌像中,在舌尖和舌侧面边缘有一些反光点的区域,这种干扰在图20中继续存在,而在图21中这种干扰已经大大减弱,而同时舌裂纹和舌面***状突起的响应却保存得相当完整,因此本发明采用的半对称相似性度量方法能实现过滤掉反光点。在纹理特征表示方面,图22中显示了图7中的图像的纹理增强滤波器响应。图23中显示了图8中的图像的纹理增强滤波器响应,图中的数字是相应的新型加博纹理特征。图22、23中的结果表明,第2组舌面自身的纹理得到很好的保留,同时第1组的反光点得到有效去除。因此,第1组的新型加博纹理特征比第1组I的新型加博纹理特征低很多。实际上,第1组的新型加博纹理特征的最大值约为2.0,并且在许多样本上是零。而与此相对比,第2组的新型加博纹理特征不小于5.0。这些数值结果与第2组比第1组更粗糙的事实是一致的。因此,这些结果表明,本发明提供的方法可以消除反光点的干扰,得到的新型加博纹理特征可以更准确地描述舌面自身的纹理特征。
针对亮度漂移问题,发明人在39,912个小块的舌像数据集上获得一组普通加博纹理特征和对应的亮度。在同一数据集上,发明人提取新型加博纹理特征,并分析其与图像亮度的关系。图24中绘制了所有样本的图像亮度和新型加博纹理特征。图24中的分布表示新型加博纹理特征与图像亮度没有显著的统计线性相关性,这表明本发明有效地解决了对亮度漂移干扰的问题。更确切来说新型加博纹理特征与亮度之间的相关系数为0.188646,远低于普通加博纹理特征的相关系数(见表3)。此外,发明人在图25中按新型纹理特征的值递减的顺序展示了一些样本。样本越来越平滑且没有受亮度漂移的干扰。因此,该结果表明本发明提供的方法可以有效解决加博纹理特征值的提取过程中亮度漂移会产生干扰的问题。
表3
相关系数 | |
Gabor | 0.8452 |
P-Gabor | 0.1907 |
基于上述实施例,如图26所示,本发明还提供一种提取舌像的加博纹理特征的装置,其特征在于,所述装置包括:
计算模块01,用于获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据;
响应模块02,用于通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据;
纹理模块03,用于对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图27所示。该智能终端包括通过***总线连接的处理器、存储器、网络接口、显示屏。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种提取舌像的加博纹理特征的方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图27中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一种实现方式中,所述智能终端的存储器中存储有一个或者一个以上的程序,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行提取舌像的加博纹理特征的方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种提取舌像的加博纹理特征的方法,通过使用基于非线性的纹理增强滤波器进行图像预处理,然后将纹理增强滤波器的响应数据作为加博滤波器的输入数据,以得到一种新型的加博纹理特征值。由于纹理增强滤波器是一种改进的宽线探测滤波器,它的响应数据不依赖于亮度信息,因此最后得到的新型的加博纹理特征值不会受到亮度信息的干扰,可以有效解决现有技术中加博纹理特征值的提取方法容易受到亮度漂移和反光点的干扰的问题。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种提取舌像的加博纹理特征的方法,其特征在于,所述方法包括:
获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据;
通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据;
对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值。
2.根据权利要求1所述的一种提取舌像的加博纹理特征的方法,其特征在于,所述获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据包括:
获取原始舌像图像数据,将所述原始舌像图像数据转换为灰度图像数据;
获取所述灰度图像中每一个像素与自身所处区域内的像素之间的灰度值的差值;
将所述灰度值的差值与预设的阈值参数进行比较,根据比较结果生成每一个像素与自身所处区域内的像素的相似度数据。
3.根据权利要求2所述的一种提取舌像的加博纹理特征的方法,其特征在于,所述将所述灰度值的差值与预设的阈值参数进行比较,根据比较结果生成每一个像素与自身所处区域内的像素的相似度数据包括:
将所述灰度值的差值与预设的阈值参数进行比较;
当所述灰度值的差值小于或者等于预设的阈值参数时,确定所述像素与自身所处区域内的像素的相似度为第一取值;
当所述灰度值的差值大于预设的阈值参数时,确定所述像素与自身所处区域内的像素的相似度取值为第二取值。
4.根据权利要求1所述的一种提取舌像的加博纹理特征的方法,其特征在于,所述通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据包括:
对所述相似度数据进行加权求和,将所述加权求和的结果作为所述像素的纹理增强滤波器响应数据
通过确定每一个像素的纹理增强滤波器响应数据得到所述灰度图像的纹理增强滤波器响应数据。
5.根据权利要求1所述的一种提取舌像的加博纹理特征的方法,其特征在于,所述对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值包括:
在所述灰度图像的纹理增强滤波器响应数据上分割出预设数量、大小的若干个目标块;
计算每一个目标快的加博滤波融合响应值;
通过每一个目标快的加博滤波融合响应值输出每一个目标快对应的加博纹理特征值。
6.根据权利要求5所述的一种提取舌像的加博纹理特征的方法,其特征在于,所述计算每一个目标快的加博滤波融合响应值包括:
将所述目标块分别与不同尺度和方向的加博滤波器进行卷积,获取每个滤波器基于所述目标块生成的加博滤波器响应值;
对所述目标块在不同尺度和方向的加博滤波器下得到的所有加博滤波器响应值进行融合,并将融合后得到的加博滤波器响应值作为所述目标块的加博滤波器融合响应值。
7.根据权利要求6所述的一种提取舌像的加博纹理特征的方法,其特征在于,所述对所述目标块在不同尺度和方向的加博滤波器下得到的所有加博滤波器响应值进行融合,并将融合后得到的加博滤波器响应值作为所述目标块的加博滤波器融合响应值包括:
通过逐像素选择每个像素在不同尺度、方向上的加博滤波器响应值的最大值,以实现融合所述目标块的所有加博滤波器响应值,并将融合后得到的加博滤波器响应值作为所述目标块的加博滤波器融合响应值。
8.根据权利要求5所述的一种提取舌像的加博纹理特征的方法,其特征在于,所述通过每一个目标快的加博滤波融合响应值输出每一个目标快对应的加博纹理特征值包括:
计算所述目标块的加博滤波器融合响应值的平均值,将计算出的平均值作为所述目标块在所述原始舌像图像数据中对应的区域的加博纹理特征值。
9.一种提取舌像的加博纹理特征的装置,其特征在于,所述装置包括:
计算模块,用于获取原始舌像图像数据对应的灰度图像数据,计算所述灰度图像上每一个像素与自身所处区域的相似度数据;
响应模块,用于通过所述相似度数据计算所述灰度图像的纹理增强滤波器响应数据;
纹理模块,用于对所述灰度图像的纹理增强滤波器响应数据进行分割并计算加博滤波器响应数据,通过所述加博滤波器响应数据得到所述原始舌像图像数据对应的加博纹理特征值。
10.一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述权利要求1-8任一所述的一种提取舌像的加博纹理特征的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688079.1A CN113610753B (zh) | 2021-06-21 | 一种提取舌像的加博纹理特征的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688079.1A CN113610753B (zh) | 2021-06-21 | 一种提取舌像的加博纹理特征的方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610753A true CN113610753A (zh) | 2021-11-05 |
CN113610753B CN113610753B (zh) | 2024-08-02 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082461A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
CN117237478A (zh) * | 2023-11-09 | 2023-12-15 | 北京航空航天大学 | 草图到彩色图像的生成方法、***、存储介质及处理终端 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1931087A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 舌象纹理自动分析方法 |
US20070297673A1 (en) * | 2006-06-21 | 2007-12-27 | Jonathan Yen | Nonhuman animal integument pixel classification |
US20130015946A1 (en) * | 2011-07-12 | 2013-01-17 | Microsoft Corporation | Using facial data for device authentication or subject identification |
CN105930798A (zh) * | 2016-04-21 | 2016-09-07 | 厦门快商通科技股份有限公司 | 基于学习的面向手机应用的舌像快速检测分割方法 |
CN110443128A (zh) * | 2019-06-28 | 2019-11-12 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
CN111223063A (zh) * | 2020-01-12 | 2020-06-02 | 杭州电子科技大学 | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 |
CN111242864A (zh) * | 2020-01-12 | 2020-06-05 | 杭州电子科技大学 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
US20210097682A1 (en) * | 2019-09-30 | 2021-04-01 | Case Western Reserve University | Disease characterization and response estimation through spatially-invoked radiomics and deep learning fusion |
WO2021102039A1 (en) * | 2019-11-21 | 2021-05-27 | 10X Genomics, Inc, | Spatial analysis of analytes |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070297673A1 (en) * | 2006-06-21 | 2007-12-27 | Jonathan Yen | Nonhuman animal integument pixel classification |
CN1931087A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 舌象纹理自动分析方法 |
US20130015946A1 (en) * | 2011-07-12 | 2013-01-17 | Microsoft Corporation | Using facial data for device authentication or subject identification |
CN105930798A (zh) * | 2016-04-21 | 2016-09-07 | 厦门快商通科技股份有限公司 | 基于学习的面向手机应用的舌像快速检测分割方法 |
CN110443128A (zh) * | 2019-06-28 | 2019-11-12 | 广州中国科学院先进技术研究所 | 一种基于surf特征点精确匹配的指静脉识别方法 |
US20210097682A1 (en) * | 2019-09-30 | 2021-04-01 | Case Western Reserve University | Disease characterization and response estimation through spatially-invoked radiomics and deep learning fusion |
WO2021102039A1 (en) * | 2019-11-21 | 2021-05-27 | 10X Genomics, Inc, | Spatial analysis of analytes |
CN111223063A (zh) * | 2020-01-12 | 2020-06-02 | 杭州电子科技大学 | 基于纹理特征和双核函数的手指静脉图像nlm去噪方法 |
CN111242864A (zh) * | 2020-01-12 | 2020-06-05 | 杭州电子科技大学 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
Non-Patent Citations (6)
Title |
---|
DAGOBERTO PORRAS: ""DNN-based Acoustic-to-Articulatory Inversion using Ultrasound Tongue Imaging"", 《IJCNN 2019》 * |
JIAN WU: "" Illuminance Compensation and Texture Enhancement via the Hodge Decomposition"", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
JIAN WU: ""Tongue Image Alignment via Conformal Mapping for Disease Detection"", 《IEEE ACCESS》 * |
乔新新: ""基于颜色与纹理特征聚类的彩色图像分割研究"", 《中国优秀硕士学位论文全文数据库》 * |
周书仁;殷建平;: "基于Haar特性的LBP纹理特征", 软件学报, no. 08 * |
杨朝辉: ""计算机舌诊中裂纹舌图像的诊断分类研究"", 《中国博士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082461A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
CN115082461B (zh) * | 2022-08-19 | 2022-11-04 | 成都中医药大学 | 一种基于边缘计算的预判过滤方法及装置 |
CN117237478A (zh) * | 2023-11-09 | 2023-12-15 | 北京航空航天大学 | 草图到彩色图像的生成方法、***、存储介质及处理终端 |
CN117237478B (zh) * | 2023-11-09 | 2024-02-09 | 北京航空航天大学 | 草图到彩色图像的生成方法、***、存储介质及处理终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
WO2021238030A1 (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
CN109145921B (zh) | 一种基于改进的直觉模糊c均值聚类的图像分割方法 | |
Nguyen et al. | An effective retinal blood vessel segmentation method using multi-scale line detection | |
Kovács et al. | A self-calibrating approach for the segmentation of retinal vessels by template matching and contour reconstruction | |
CN113781402A (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
CN111899237B (zh) | 标尺精度测量方法、装置、计算机设备和存储介质 | |
CN108764119B (zh) | 基于迭代最大类间方差的sar图像变化检测方法 | |
CN112464829B (zh) | 一种瞳孔定位方法、设备、存储介质及视线追踪*** | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN114399502A (zh) | 一种适用于led芯片的外观缺陷检测方法、***及存储介质 | |
CN115082466B (zh) | 一种pcb表面焊点缺陷检测方法及*** | |
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN111899247A (zh) | 脉络膜血管的管腔区域识别方法、装置、设备及介质 | |
Kosarevych et al. | Image segmentation based on the evaluation of the tendency of image elements to form clusters with the help of point field characteristics | |
CN117705815B (zh) | 一种基于机器视觉的印刷缺陷检测方法 | |
CN113614774A (zh) | 用于目标涂层的图像数据中的缺陷检测的方法和*** | |
CN114511523A (zh) | 基于自监督学习的胃癌分子亚型分类方法及装置 | |
CN111429487B (zh) | 一种深度图像的黏连前景分割方法及装置 | |
CN113610753B (zh) | 一种提取舌像的加博纹理特征的方法、装置及存储介质 | |
CN113610753A (zh) | 一种提取舌像的加博纹理特征的方法、装置及存储介质 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |