[发明专利]一种基于卷积神经网络的中医舌色苔色自动分析方法

说明书

一种基于卷积神经网络的中医舌色苔色自动分析方法属于计算机视觉领域和中医舌诊领域，具体涉及深度学习、图像处理等技术。该方法可以有效提高舌色苔色自动分析的准确度和鲁棒性。本发明分类准确度高。与传统的“特征提取+分类器”方案相比，卷积神经网络是一种端到端的结构，特征提取与分类两个过程在同一框架下完成，避免了对特征和分类器选择的依赖。在分类精度上比传统方法具有明显优势，可以满足实际应用需求。

技术领域

本发明将深度学习技术引入到中医舌诊客观化研究中，提出一种基于卷积神经网络的中医舌色苔色自动分析方法，该方法可以有效提高舌色苔色自动分析的准确度和鲁棒性。本发明属于计算机视觉领域和中医舌诊领域，具体涉及深度学习、图像处理等技术。

背景技术

舌象特征的自动分析是舌诊客观化研究的重要内容。舌色和苔色是舌象最基本的特征，因而舌色苔色的自动分析也成为舌诊客观化的研究热点。较为常用的舌色苔色自动分析方法有基于支撑向量机的识别方法、基于稀疏表示分类器的识别方法等。以上方法均需要手工选取特征，人工选取特征的好坏将直接影响分类性能的高低。通常情况下，提取的特征以颜色特征为主，这些特征都是建立在特定的光照环境下，对光照敏感，一旦舌象的拍摄光照条件发生变化，构建的分析模型将完全失去作用。因此，需要引入新的信息处理技术来解决这些问题。

近年来，深度学习在图像分类等计算机视觉领域取得了巨大成功。其中，卷积神经网络(Convolutional Neural Network,CNN)凭借其强大的特征学习与表达能力被广泛应用于图像分类。绝大多数现有的CNN网络结构(如GoogleNet、VGGNet、ResNet等)具有网络层次深的特点，需要依靠大数据驱动学习，如ILSVRC竞赛中使用的数据集包含百万幅图像。然而，对于中医学领域来说，权威医生标注的高质量数据样本不仅稀缺而且非常昂贵，而经验不足的医生或非专业人士标注的数据往往会导致杂乱的注释，引起歧义，数据标注的质量难以保证，这导致有标注的舌象样本库较小，绝大多数现有的CNN网络结构不能直接用于舌色苔色的自动分析。

因此，本发明结合舌色苔色自动分析的特点，专门设计了轻量型的深度神经网络，提出了一种基于卷积神经网络的中医舌色苔色自动分析方法，为中医舌诊客观化提供了一种重要的手段，对推动中医客观化的发展具有重要的意义，并在临床诊疗、养生保健、中医传承等方面具有重要的应用价值。

发明内容

目的：提供一种分类准确率高的舌色苔色自动分析方法。

为解决上述技术问题，本发明采用的技术方案为：结合舌色苔色自动分析的特点，专门设计了轻量型的深度神经网络，提出了一种基于卷积神经网路的中医舌色苔色自动分析方法。该方法分为网络训练阶段和舌色苔色识别阶段，具体包括以下步骤：

步骤1：构建数据集。

本发明使用的数据集通过SIPL型中医舌象仪采集得到，并且其舌色与苔色均由专业的中医医师进行标定。为了使训练样本尽可能标准且典型，本发明中所使用的训练样本为一系列由中医专家逐块确定类别的图像子块。这些样本块是利用滑动窗从舌图像相应的舌质区域和舌苔区域得到。

步骤2：卷积神经网络的结构设计和网络训练。由于CNN网络的低层网络可以学习到颜色和纹理低层特征，然后逐层学习抽象特征，而中医对舌色苔色进行诊断时的依据是低层的颜色和纹理信息。为此，本发明搭建了一种用于舌色和苔色分类的轻量型CNN网络，并利用步骤1中构建的舌色和苔色数据集分别训练该网络，得到舌色分类模型和苔色分类模型。

步骤3：对待分析的舌图像进行舌色苔色的自动识别。

步骤3.1：对待分析的舌图像进行舌色和苔色区域划分，分别得到舌质区域和舌苔区域。

步骤3.2：在步骤3.1得到的舌质区域和舌苔区域上，通过滑动窗分别得到舌质图像子块和舌苔图像子块。