基于一種局部圖像增強(qiáng)和改進(jìn)分水嶺的舌體分割算法

梁淑芬，陳 琛，馮 躍，林卓勝，李周姿

（五邑大學(xué) 智能制造學(xué)部，廣東 江門(mén) 529000）

0 引 言

傳統(tǒng)的中醫(yī)舌診主要通過(guò)目測(cè)觀察、病人自述等方式論證病癥，這些方式主觀性強(qiáng)，個(gè)體差異性較大，難以滿(mǎn)足臨床癥狀辨析的精確性和重復(fù)性需求[1-5]；而舌診客觀化則能較好地解決這些問(wèn)題，它通過(guò)深度學(xué)習(xí)[6]或者機(jī)器學(xué)習(xí)[7-8]進(jìn)行舌像分類(lèi)，標(biāo)準(zhǔn)相對(duì)客觀統(tǒng)一，且重復(fù)性高；而舌體分割是舌診客觀化非常重要的第一步，舌體是否能準(zhǔn)確地分割將直接影響到后續(xù)分類(lèi)的準(zhǔn)確性，所以，如何準(zhǔn)確無(wú)誤地分割出舌體是中醫(yī)舌診客觀化的一個(gè)重要難點(diǎn)。

舌體形狀、大小因人而異，有肥瘦、長(zhǎng)短、寬窄等區(qū)別，所以難以用統(tǒng)一的模型劃分，而且不同人的舌體表面細(xì)節(jié)信息大相徑庭，這些問(wèn)題都給舌體的精確劃分帶來(lái)很大的困擾。針對(duì)以上問(wèn)題，舌體分割大致可以分為三類(lèi)方法：閾值法[9]、邊緣檢測(cè)的方法、特定的理論工具方法。

閾值法，分割速度迅速，但是算法過(guò)于簡(jiǎn)單，往往適應(yīng)不了太復(fù)雜的環(huán)境。有鑒于此，文獻(xiàn)[10]進(jìn)一步利用灰度投影法，先確定舌體的大致位置，然后再利用Otsu算法自動(dòng)選取最優(yōu)分割閾值的性能，實(shí)現(xiàn)舌體分割，但是Otsu算法往往容易造成過(guò)分割或者欠分割。文獻(xiàn)[11]先運(yùn)用Otsu法對(duì)舌像進(jìn)行二值化分割，然后再利用形態(tài)學(xué)對(duì)過(guò)分割或者欠分割的舌體進(jìn)行自適應(yīng)的修正。文獻(xiàn)[12]先對(duì)HSI顏色空間中的色調(diào)分量執(zhí)行閾值分割，以獲得初始目標(biāo)區(qū)域，再對(duì)初始目標(biāo)區(qū)域?qū)?yīng)的紅色通道執(zhí)行閾值分割，獲得最終舌體分割結(jié)果。

對(duì)于邊緣檢測(cè)方法，文獻(xiàn)[13]先利用直方圖投影法提取舌體初始輪廓，再用LBDM算法計(jì)算舌體的邊緣信息，最后實(shí)現(xiàn)分割。文獻(xiàn)[14]先利用區(qū)域合并的思想獲取舌體的初始輪廓，然后再快速匹配舌體的邊緣特征，最終尋找出舌體的精確輪廓曲線。文獻(xiàn)[15]則利用基于k均值聚類(lèi)的方法先獲取舌體粗定位，然后再利用自適應(yīng)主動(dòng)輪廓模型計(jì)算出舌體的邊緣位置；邊緣檢測(cè)的方法雖然比較敏捷快速，但是往往過(guò)于依賴(lài)舌體與背景的差異，容易造成過(guò)分割或者欠分割。

Snake算法[16]可以通過(guò)彈性模板求取最小的能量函數(shù)，相對(duì)應(yīng)的閉合曲線是目標(biāo)輪廓，該算法常被應(yīng)用于舌體分割上。文獻(xiàn)[17]先用梯度矢量流對(duì)圖像進(jìn)行擴(kuò)散，然后再用分水嶺算法將舌像分割成多個(gè)區(qū)域，最后基于區(qū)域合并的原則利用Snake算法提取舌體輪廓曲線。文獻(xiàn)[18]將細(xì)菌覓食優(yōu)化算法（BFOA）和Snake結(jié)合，先用改進(jìn)的BFOA算法二值化舌圖像，然后提取舌像部分的關(guān)鍵點(diǎn)，最后通過(guò)Snake模型準(zhǔn)確提取舌體的輪廓曲線；但Snake算法往往過(guò)于依賴(lài)初始輪廓線，當(dāng)初始輪廓線與舌體邊緣相差較大時(shí)，容易得到錯(cuò)誤的分割結(jié)果。文獻(xiàn)[19]先通過(guò)目標(biāo)檢測(cè)結(jié)構(gòu)識(shí)別出舌體初始區(qū)域，然后再搭建高分辨率網(wǎng)絡(luò)結(jié)構(gòu)，提取初始區(qū)域中的精確舌體位置，該方法雖最終合并率較高，但是模型參數(shù)冗余，而且只針對(duì)特定的一些舌圖像。

綜上所述，這些方法雖然在一定程度上改進(jìn)了舌體分割的結(jié)果，但是由于舌體和唇色相近，而且舌體表面包含大量細(xì)節(jié)信息，往往難以將兩者精確劃分。針對(duì)此問(wèn)題，本文提出一個(gè)舌體分割方法，該方法先用改進(jìn)分水嶺和Otsu法獲取舌體的初始區(qū)域，并且剔除部分冗余信息，然后針對(duì)舌體與嘴唇難區(qū)分的問(wèn)題，提出一種局部圖像增強(qiáng)（LIE）法，該圖像增強(qiáng)法可以利用舌體與嘴唇細(xì)微的色差，獲取相差較大的圖像增強(qiáng)系數(shù)，使增強(qiáng)后的局部圖像中舌體和嘴唇的顏色具有明顯的區(qū)別，從而將嘴唇和舌體準(zhǔn)確分割。

1 本文的算法模型

包含舌體、嘴唇、口腔內(nèi)部陰影等干擾信息的初始區(qū)域和臉色區(qū)域往往相差較明顯，可以用相對(duì)簡(jiǎn)單的方式分割出來(lái)。但是舌體進(jìn)一步的細(xì)分割，容易把顏色和舌體相近的嘴唇等干擾信息分離出來(lái)，就需要更復(fù)雜的算法才實(shí)現(xiàn)。所以，舌體分割算法大致可以分為兩個(gè)步驟，如圖1所示。

圖1 舌體算法分割步驟

1）粗分割。先獲取舌體的初始區(qū)域，并且盡可能地去除該區(qū)域中部分牙齒、口腔內(nèi)部陰影等冗余信息，為下一步的精分割做準(zhǔn)備。

2）精分割。通過(guò)粗分割后的初始區(qū)域，往往還包含嘴唇等干擾性較強(qiáng)的噪聲，需要進(jìn)一步用算法將這些冗余信息當(dāng)成背景分離開(kāi)來(lái)，最終實(shí)現(xiàn)舌體單獨(dú)、完整的分割。

與其他舌體分割算法不同的是，本文提出專(zhuān)門(mén)針對(duì)嘴唇和舌體分割的LIE算法。圖2為本文的算法模型整體框圖。本文算法在舌體粗分割步驟中先使用改進(jìn)的分水嶺算法，獲取舌體初始的準(zhǔn)確位置；緊接著利用Otsu算法尋找分離背景區(qū)域最優(yōu)閾值的能力，將口腔內(nèi)部陰影以及部分舌體邊緣的暗色區(qū)域當(dāng)作背景信息剔除掉；最后在精分割步驟上，將目標(biāo)區(qū)域放在舌體上，利用LIE算法對(duì)不同部位像素點(diǎn)增強(qiáng)效果不一樣的性能，進(jìn)一步分離出嘴唇等干擾性較大的噪聲，最終實(shí)現(xiàn)舌體的精確分割。

圖2 本文算法模型的整體框圖

1.1 改進(jìn)分水嶺算法

傳統(tǒng)的分水嶺[20]在淹沒(méi)的過(guò)程中，主要是通過(guò)某個(gè)閾值作為判斷是否為同一個(gè)盆地，從而形成分水嶺，這種判斷方式過(guò)于簡(jiǎn)單，不能適應(yīng)背景區(qū)域較為復(fù)雜的圖像。為了使分水嶺算法能更準(zhǔn)確地獲取舌體的初始區(qū)域，本文將區(qū)域生長(zhǎng)的思想結(jié)合到傳統(tǒng)的分水嶺算法當(dāng)中去，在傳統(tǒng)分水嶺算法淹沒(méi)過(guò)程中引入?yún)^(qū)域生長(zhǎng)的判別準(zhǔn)則思想，并且在結(jié)合實(shí)際舌體圖像分割研究后，自定義了一個(gè)專(zhuān)門(mén)針對(duì)舌體分割的能量函數(shù)作為一個(gè)判別準(zhǔn)則，如下：

式中：E自定義的能量函數(shù)；Hseed為選中區(qū)域生長(zhǎng)種子點(diǎn)的色調(diào)；Hcurrent為已被標(biāo)記的當(dāng)前像素點(diǎn)的色調(diào)；H為未被標(biāo)記的周邊領(lǐng)域像素點(diǎn)的色調(diào)。結(jié)合區(qū)域生長(zhǎng)的改進(jìn)分水嶺算法，對(duì)像素點(diǎn)判斷是否具備生長(zhǎng)為同一區(qū)域的可能性，性能更佳，能夠適應(yīng)更為復(fù)雜的背景區(qū)域的圖像，可以將分水嶺的邊緣位置精確地收斂于嘴唇與臉色的交界處，為后續(xù)的舌像冗余信息分離做好準(zhǔn)備工作。改進(jìn)后的分水嶺算法步驟如下：

Step1：輸入原始舌圖像，將其轉(zhuǎn)化到HSV顏色空間上，獲取H通道上的圖像I，將I上的像素點(diǎn)都設(shè)為未標(biāo)識(shí)狀態(tài)。

Step2：從I中隨機(jī)獲取一個(gè)像素點(diǎn)P，并且把該像素點(diǎn)當(dāng)作一個(gè)種子點(diǎn)（Hseed）。

Step3：判斷P是否已經(jīng)被標(biāo)識(shí)，如果已被標(biāo)識(shí)，返回執(zhí)行Step2。

Step4：如果P鄰域已經(jīng)被標(biāo)識(shí)屬于某一個(gè)區(qū)域，則將這個(gè)像素加入一個(gè)先進(jìn)先出的隊(duì)列Q。

Step5：從Q彈出一個(gè)像素點(diǎn)T，利用八連通鄰域法從T的Hseed位置開(kāi)始向四周逐一掃描，把掃描到的點(diǎn)作為當(dāng)前像素點(diǎn)（Hcurrent）。

Step6：計(jì) 算T的 能 量 函 數(shù)E，若E≤36且，則對(duì)Hcurrent進(jìn)行標(biāo)識(shí)，將Hcurrent融合到種子點(diǎn)的同一個(gè)區(qū)域，并且把T從隊(duì)列Q里面移除。

Step7：判斷Q是否為空，如果不是，重新執(zhí)行Step5。

Step8：判斷I所有的像素點(diǎn)是否都為標(biāo)識(shí)狀態(tài)，如果不是，重新執(zhí)行Step2。

結(jié)合區(qū)域生長(zhǎng)思想的改進(jìn)分水嶺和傳統(tǒng)分水嶺的效果對(duì)比圖如圖3所示。

圖3 改進(jìn)分水嶺算法分割效果對(duì)比圖

從圖3改進(jìn)分水嶺算法分割效果對(duì)比圖中，明顯能發(fā)現(xiàn)改進(jìn)后的分水嶺算法分割效果更精確，收斂邊緣更加接近真實(shí)的嘴唇邊緣。

1.2 Otsu算法

Otsu算法[21]是一種自動(dòng)的非參數(shù)非監(jiān)督的閾值選取法，計(jì)算簡(jiǎn)單、穩(wěn)定有效，它主要通過(guò)計(jì)算圖像目標(biāo)區(qū)域與背景區(qū)域的最大類(lèi)間方差值作為依據(jù)選擇閾值進(jìn)行圖像二值化。通過(guò)觀察發(fā)現(xiàn)，初始區(qū)域（圖3c）和f）中的非黑像素點(diǎn)集）中的口腔內(nèi)部陰影、舌體部分邊緣陰影明顯比其他的區(qū)域顏色更暗。為了進(jìn)一步分離出非舌體的信息，利用Otsu算法尋找最優(yōu)分離背景區(qū)域閾值的能力，將口腔內(nèi)部陰影區(qū)域以及部分舌體邊緣的暗色區(qū)域當(dāng)作背景信息，從初始區(qū)域的圖像剔除出來(lái)，具體的流程圖如圖4所示。

圖4 Otsu算法流程

圖中，varValue表示類(lèi)間方差中間值，分離閾值T的范圍在1～255之間。計(jì)算相對(duì)應(yīng)的類(lèi)間方差中間值，獲取最大的類(lèi)間方差中間值，并把相對(duì)應(yīng)的像素值賦給T，即尋找到最佳的背景分離閾值。利用閾值T進(jìn)行二值化，就可以將口腔內(nèi)部陰影區(qū)域以及部分舌體邊緣的暗色區(qū)域當(dāng)作背景信息分離出來(lái)。Otsu算法效果圖如圖5所示。

圖5 Otsu算法效果圖

1.3 局部圖像增強(qiáng)算法

經(jīng)過(guò)以上兩個(gè)階段處理后，舌圖像已經(jīng)剔除了大部分的冗余信息，利用口腔內(nèi)部黑色縫隙就能將上唇和舌體準(zhǔn)確地分割，只剩下舌體和下唇的分離就可以達(dá)到最終的分割效果。但是大部分的嘴唇和舌體表面的顏色往往比較接近，這已經(jīng)成為舌體精確分割的一大難點(diǎn)，本文提出一種局部圖像增強(qiáng)（LIE）算法。該算法將目標(biāo)區(qū)域主要集中在局部的舌體和下唇上，通過(guò)利用下唇和舌體細(xì)微的色差，計(jì)算出相差較大的圖像增強(qiáng)系數(shù)，使增強(qiáng)后的局部圖像舌體和嘴唇呈現(xiàn)出明顯不同的色彩區(qū)別，最終實(shí)現(xiàn)舌體和下唇的精準(zhǔn)切割。

1.3.1 局部圖像切割

舌體的表面細(xì)節(jié)比較復(fù)雜，同一舌體有時(shí)也會(huì)出現(xiàn)顏色明顯有區(qū)別的多塊區(qū)域。為了簡(jiǎn)化舌體表面的細(xì)節(jié)信息，方便接下來(lái)的圖像增強(qiáng)處理，需要先進(jìn)行局部圖像切割，然后才能對(duì)切割出來(lái)的局部圖像進(jìn)行增強(qiáng)。局部圖像的切割步驟如下：

1）通過(guò)改進(jìn)的分水嶺算法，可以獲取一個(gè)包含嘴唇、舌體、牙齒等冗余信息的不規(guī)則區(qū)域，計(jì)算包含該區(qū)域的最大矩形，并且在原舌體圖像畫(huà)出該矩形，具體效果如圖6a）所示。

2）將圖6a）中矩形內(nèi)部的圖像剪切下來(lái)，通過(guò)Otsu算法分離出口腔內(nèi)部陰影區(qū)域以及部分舌體邊緣的暗色區(qū)域，具體效果如圖6b）所示。利用一個(gè)3×9的搜索框在舌體中間的位置向左右兩邊檢測(cè)，當(dāng)搜索框里面的黑點(diǎn)大于25時(shí)，記錄該點(diǎn)的位置，即認(rèn)定找到一個(gè)舌體邊緣。通過(guò)該方法可以找到像素點(diǎn)H（如圖6b）所示）的位置，設(shè)像素點(diǎn)H的位置為（i，j），通過(guò)計(jì)算圖6b）列數(shù)和行數(shù)，分別獲得對(duì)應(yīng)的數(shù)值cols，rows，即像素點(diǎn)I（如圖6b）所示）位置記錄為，設(shè)矩形Rect的起始像素點(diǎn)為（0，j），長(zhǎng)為（rows-j），寬為，利用矩形Rect從圖6b）中剪切出包含舌體、下唇的圖6c）。

3）通過(guò)步驟2）可以獲得2個(gè)點(diǎn)H（i，j）和rows），利用這兩個(gè)點(diǎn)，計(jì)算出直線L（如圖6c）所示）的一次二元解析方程式，具體直線顯示效果如圖6c）所示。

4）為了簡(jiǎn)化舌體表面的細(xì)節(jié)信息，通過(guò)直線L，將L上方的像素點(diǎn)全部強(qiáng)制設(shè)為黑點(diǎn)，并且把臉部膚色的像素點(diǎn)全部設(shè)置為黑點(diǎn)，最終的顯示效果如圖6d）所示。

1.3.2 圖像增強(qiáng)

經(jīng)上述的分割步驟后，可以獲取包含下唇和舌體的圖像，見(jiàn)圖6d）。通過(guò)觀察，發(fā)現(xiàn)圖6d）中嘴唇和舌體的顏色往往有細(xì)微地區(qū)別，舌體表面的顏色往往較紅一些。為了使嘴唇和舌體在色彩上表現(xiàn)出更大的區(qū)別，方便后續(xù)的分離，下面提出一種圖像增強(qiáng)算法，可以使增強(qiáng)后的舌體和嘴唇在色彩上最終呈現(xiàn)出較強(qiáng)烈的對(duì)比效果。

圖6 局部圖像切割過(guò)程

該算法首先需要將圖6d）中非黑色像素點(diǎn)的目標(biāo)區(qū)域分離到R，G，B三個(gè)通道上，并且把它們的數(shù)值分別儲(chǔ)存在對(duì)應(yīng)的整數(shù)類(lèi)型隊(duì)列Red、Green、Blue上面，計(jì)算獲取圖6d）中非黑色的總像素點(diǎn)數(shù)N。然后再對(duì)隊(duì)列進(jìn)行從大到小的排序，分別獲取它們前50%像素點(diǎn)的平均值Raverage，Gaverage，Baverage如下：

式中sort（Red[i]），sort（Greed[i]），sort（Blue[i]）分別代表排序后的隊(duì)列。利用計(jì)算式得到的平均值Raverage，Gaverage，Baverage，對(duì)原圖像的R，G，B三通道分別進(jìn)行圖像增強(qiáng)：

LIE算法過(guò)程如圖7所示。從局部舌體圖（如圖7a）和圖7d））可以明顯觀察到，嘴唇的顏色在R通道上的數(shù)值明顯要比舌體在R通道數(shù)值上要小，因?yàn)樯囿w的顏色比嘴唇較紅一些；而且在G通道上嘴唇和舌體的數(shù)值比較接近，在B通道上的數(shù)值，嘴唇反而明顯要比舌體大一些。LIE算法將目標(biāo)區(qū)域集中在舌體上，通過(guò)獲取R，G，B各通道上前50%像素點(diǎn)的平均值，分別用來(lái)計(jì)算各通道增強(qiáng)的系數(shù)。因?yàn)樯囿w在R通道上的數(shù)值和嘴唇相比明顯比較大，所以經(jīng)過(guò)計(jì)算后，舌體在R通道上圖像增強(qiáng)系數(shù)變小的幅度比較大；而在B通道上舌體的數(shù)值明顯不如嘴唇大，所以經(jīng)過(guò)計(jì)算后，舌體在B通道上圖像增強(qiáng)變小的幅度反而比較??；在G通道上，舌體和嘴唇的數(shù)值相差不大，所以經(jīng)過(guò)計(jì)算后，改變的幅度并不是很大。綜上所述，經(jīng)過(guò)LIE算法的局部圖像增強(qiáng)后，舌體主要表現(xiàn)出來(lái)的顏色是藍(lán)色，而嘴唇其主要表現(xiàn)出來(lái)的顏色是紅色（如圖7b）和圖7e）所示，紅色區(qū)域代表下唇，藍(lán)色區(qū)域代表舌體）；將增強(qiáng)后的圖像轉(zhuǎn)化到Lab的顏色空間上，通道B能比較明顯地區(qū)分出舌體和嘴唇的不同，再用一次Otsu算法，就可以明顯的將背景區(qū)域分離開(kāi)來(lái)，最后利用3×9的搜索框就可以尋找到舌體真實(shí)的邊緣像素點(diǎn)，最終顯示結(jié)果如圖7c）和圖7f）所示，下唇已經(jīng)被當(dāng)成背景過(guò)濾掉了。

圖7 LIE算法過(guò)程

2 實(shí)驗(yàn)結(jié)果和分析

2.1 舌體數(shù)據(jù)集

本文在Windows 10操作系統(tǒng)下，利用C++17語(yǔ)言、OpenCV和Dlib工具實(shí)現(xiàn)算法，其中，C++17語(yǔ)言的編寫(xiě)是在Visual Studio 2017集成環(huán)境實(shí)現(xiàn)的。

本文的舌體數(shù)據(jù)集由天中依脈公司提供，天中依脈是我國(guó)最早專(zhuān)注于中醫(yī)四診客觀化技術(shù)研究和中醫(yī)診療設(shè)備的研發(fā)與制造的科技企業(yè)，數(shù)據(jù)集中的圖像有效像素達(dá)到1 600萬(wàn)以上。通過(guò)篩選和整理，共選取了220幅舌體圖像，在這些數(shù)據(jù)中包含了不同年齡階段、健康和患病、不同的舌體形狀，確保數(shù)據(jù)具有多樣性。

2.2 舌體數(shù)據(jù)集

舌體圖像分割算法的質(zhì)量評(píng)估一般是將自動(dòng)分割結(jié)果與實(shí)際分割結(jié)果作對(duì)比。該算法的分割指標(biāo)有：假負(fù)像素點(diǎn)比例（False Negative Volume Fraction，F(xiàn)N）、假正像素點(diǎn)比例（False Positive Volume Fraction，F(xiàn)P）、真正像素點(diǎn)比例（True Positive Volume Fraction，TP）。假設(shè)A={a1，a2，…}是自動(dòng)舌體分割的邊緣點(diǎn)集，B={b1，b2，…}是手工舌體分割的邊緣點(diǎn)集。

式中：AAuto表示自動(dòng)舌體分割的邊緣點(diǎn)集內(nèi)包含的像素點(diǎn)集；BhandMake表示手動(dòng)舌體分割的邊緣點(diǎn)集包含的像素點(diǎn)集；FN和FP用來(lái)表述自動(dòng)舌體分割結(jié)果與實(shí)際舌體分割結(jié)果的差別；而真正像素點(diǎn)比例TP則用來(lái)表示自動(dòng)舌體分割結(jié)果占實(shí)際舌體分割結(jié)果的比例。FN，F(xiàn)P數(shù)值越小，TP數(shù)值越大，則表示舌體自動(dòng)分割的效果越好。

2.3 分割結(jié)果及分析

本文選取傳統(tǒng)Otsu算法、文獻(xiàn)[11]算法、文獻(xiàn)[17]算法和本文分割算法作比較。為了使實(shí)驗(yàn)數(shù)據(jù)分析更科學(xué)、理性，隨機(jī)抽取舌體數(shù)據(jù)集數(shù)據(jù)，實(shí)驗(yàn)分5次進(jìn)行，交叉驗(yàn)證各圖像分割評(píng)估參數(shù)，如圖8所示，表1為5次交叉實(shí)驗(yàn)評(píng)估結(jié)果的均值。

圖8 各算法評(píng)估指標(biāo)的五折交叉實(shí)驗(yàn)圖

從表1中可以看出，傳統(tǒng)Otsu和文獻(xiàn)[11]算法的FN，F(xiàn)P平均值都要比本文算法的平均值高，說(shuō)明本文算法的真實(shí)舌體的誤分割比例較低；而本文TP平均值比傳統(tǒng)Otsu和文獻(xiàn)[11]算法都要高，說(shuō)明本文的舌體自動(dòng)分割的正確比例較高；文獻(xiàn)[17]算法雖然FP平均值比本文算法較低，但是本文的TP平均值明顯優(yōu)于文獻(xiàn)[17]算法，所以綜合考慮，本文算法依然具有較優(yōu)的分割效果；并且通過(guò)觀察五折交叉實(shí)驗(yàn)各指標(biāo)的數(shù)值，發(fā)現(xiàn)本文算法的數(shù)值相對(duì)比較穩(wěn)定，說(shuō)明該算法的魯棒性較高，有較強(qiáng)的適應(yīng)性，能夠分割多種類(lèi)型的舌圖像。

表1 各算法評(píng)估指標(biāo)平均值 %

2.4 分割結(jié)果

從數(shù)據(jù)集中選取部分不同形狀、大小以及不同伸展方向的舌體圖像進(jìn)行手動(dòng)分割和本文算法自動(dòng)分割的對(duì)比，如圖9所示。

圖9 手動(dòng)和自動(dòng)分割的對(duì)比圖

從圖9a）、圖9c）中可明顯觀察到，由于舌體與嘴唇的顏色相近，導(dǎo)致兩者分離的界線較難辨認(rèn)，但是經(jīng)過(guò)本文提出的自動(dòng)分割算法處理后，舌體與嘴唇基本可以精確地分離開(kāi)來(lái)；對(duì)比圖9b）與圖9c）可觀察到，本文算法分割的舌體邊緣光滑清晰，與實(shí)際的手動(dòng)分割結(jié)果非常接近。

3 結(jié) 語(yǔ)

舌診是中國(guó)傳統(tǒng)醫(yī)學(xué)四診中望診的主要項(xiàng)目之一，其中舌體分割是舌診客觀化非常重要的第一步，對(duì)后續(xù)的舌體分類(lèi)影響非常大。本文提出一種舌體分割算法，先用改進(jìn)分水嶺算法和Otsu算法獲取舌體初始區(qū)域；然后針對(duì)初始區(qū)域中舌體和下唇分離的難題，提出一種LIE算法，先對(duì)初始區(qū)域進(jìn)行局部圖像切割，再利用舌體與嘴唇細(xì)微的色差，計(jì)算出幅度相差較大的增強(qiáng)系數(shù)，使圖像增強(qiáng)后的舌體與嘴唇的色彩相差明顯，從而能使二者精確地分離。本文對(duì)220幅包含不同舌色、形狀、年齡、伸展方向的原始舌像進(jìn)行實(shí)驗(yàn)，并以FN，F(xiàn)P，TP作為評(píng)價(jià)指標(biāo)，將本文算法得到的分割結(jié)果與傳統(tǒng)Otsu算法、文獻(xiàn)[11]算法和文獻(xiàn)[17]算法進(jìn)行比較，結(jié)果表明本文算法正確率高、魯棒性強(qiáng)，是一種有效的舌體分割算法，應(yīng)用該算法分割出的舌像可以為后續(xù)的舌像分類(lèi)打下夯實(shí)的基礎(chǔ)。