[发明专利]基于稀疏表示的舌图像分割方法

说明书

技术领域

本发明涉及属于图像处理技术领域，尤其是一种基于稀疏表示的舌图像分割方法，用于对中医自动化舌诊中采集到的舌图像进行分割，将舌体从面部等背景中提取出来，为中医自动化舌诊的后续识别工作提供依据。

背景技术

舌诊是传统中医“望诊”的主要内容之一，是具有中医特色的传统诊断方法之一。舌象是反映人体生理功能和病理变化最敏感的指标，在中医诊疗过程中具有重要的应用价值。应用图像处理技术，建立舌诊信息的客观量化、识别方法，实现中医舌诊的自动化，对中医现代化具有重要的现实意义。自动化舌诊系统中，病人的舌图像经过数字采集仪器（工业相机、摄像头等）获取后，必须首先对目标区域（舌体）进行自动的分割。因此，舌象分割成了连接图像采集和图像分析的重要纽带，分割质量将直接影响到后续工作。

相对于普通的图像分割问题，舌图像的分割存在更多的挑战和困难。这些困难源于舌图像自身的特性：1) 舌体的颜色与脸部的颜色特别是嘴唇的颜色很接近，容易混淆；2) 舌体作为一个软体，没有固定的形状，舌体形状的个体差异性大；3) 从医学病理学的角度来看，舌体不平滑，舌苔舌质因人而异，病理特征差异较大；4）舌体的裂纹、舌苔色块也会严重影响舌体的自动分割。

鉴于舌图像分割的困难和挑战，单一的图像分割技术并不能获得满意的分割效果。因此，人们开始研究多种分割技术的融合。在多种分割技术融合的框架下，国际主流的舌图像分割方法是基于主动轮廓模型(ACM, Active Contour Model)的方法。ACM又称为Snake模型，是一种流行的可变形状模型，广泛应用于轮廓提取中。给定一个初始轮廓曲线，主动轮廓模型在内外力的共同作用下将初始轮廓曲线朝真实目标轮廓处演化。基于ACM的分割方法研究主要集中在初始轮廓的获取和曲线演化上。比如，Pang等提出一种双椭圆形变轮廓模型方法BEDC^[1]，其结合了双椭圆形变模板(BEDT)和主动轮廓模型。BEDC首先定义了一种称为BEDT的形变模板作为舌体的一种粗略描述，然后通过最小化BEDT能量函数来获得舌体初始轮廓，最后利用模板能量代替传统内能量的主动轮廓模型来演化舌体初始轮廓，进而获得最终的分割结果。Zhang等^[2]提出了一种融合极坐标边缘检测和主动轮廓模型的方法。此方法先对原始图像进行极坐标转化，利用边缘检测算子获得极坐标边缘图像，同时从舌图像中提取边缘模板；然后，利用边缘模板过滤掉舌体内部纹理造成的虚假舌体边缘；接着，利用图像二值化技术结合形态学滤波进一步剔除舌体以外的虚假舌体边缘（比如，脸部褶皱引起的边缘）；最后，将边缘检测结果作为舌体的初始轮廓，运用主动轮廓模型方法对初始轮廓进行演化，进而获得最终的分割结果。此方法对舌体与近邻部分（嘴唇和脸部）颜色近似造成的弱轮廓提取效果欠佳，而且在舌体与嘴唇的空隙处以及舌尖部分容易发生误分割。Ning等^[3]提出了一种融合梯度向量流(Gradient Vector Flow)、区域合并技术(Region Merging)和主动轮廓模型的方法，简称为GVF-RM。此方法先将传统的梯度向量流改造为标量扩散方程对舌图像进行扩散以期达到平滑图像，保留舌体轮廓结构的预处理目的；然后，利用分水岭算法将预处理过的舌图像分割成许多小区域；接着，运用基于最大相似性的区域合并算法结合目标、背景标记将小区域合并成大区域，从而形成舌体的初始轮廓；最后，利用主动轮廓模型对初始轮廓进行演化，得到最终的分割结果。当舌体靠近图像的边界时，错误的目标、背景标记可能造成错误的区域合并结果，从而导致误分割。此方法在舌体与嘴唇的空隙处以及颜色近似性造成的弱边缘处分割效果欠佳。

现有主流的基于主动轮廓模型的舌图像分割方法存在如下三个局限性：

(1) 现有的方法通常只使用单一的颜色分量对舌图像进行分割。比如，BEDC方法^[1]在舌图像分割过程中仅使用了图像的红色分量。GVF-RM方法^[3]在利用梯度向量流和分水岭分割算法获取舌体初始轮廓的过程中也仅使用了图像的红色分量。正如大多数舌图像分割文献中提及的那样，颜色通常是区分舌图像中舌体与背景最重要的特征。单一颜色分量不能充分利用图像的色彩信息，更不利于分辨舌体与其近邻组织尤其是嘴唇。这进一步增加了提取舌体与近邻组织之间颜色近似性而引起的弱轮廓的困难。