[发明专利]一种基于深度学习的免交互式GrabCut舌体分割方法

说明书

一种基于深度学习的免交互式GrabCut舌体分割方法，包括用于舌整体特征提取的深度卷积神经网络、用于对舌体区域初步检测的感兴趣区域定位网络、用于对感兴趣区域进行深层抽象特征提取的深度卷积神经网络以及用于对舌象进行分割的GrabCut算法。本发明有效的解决了现有的GrabCut算法在对舌体进行分割时过分依赖于人工交互的问题，提高了GrabCut算法在舌体分割中的自动化程度。

技术领域

本发明涉及一种分割方法，具体涉及中医舌诊、计算机视觉、数字图像处理、模式识别、深度学习和深度卷积神经网络等技术在舌象自动分割领域的应用。

背景技术

舌诊是祖国医学望诊中的重要组成部分，根据对患者舌面苔迹、舌质相关属性，包括颜色、形态等的观察，从而判断疾病所在，进而辨证论治。如今，中医舌诊的标准化、定量化、客观化研究已经成为中医诊断学现代化的主要研究方向，对整个中医学的发展有着极其深远的意义。

舌诊的标准化、定量化、客观化研究是在摄像、数字图像处理、模式识别、计算机视觉等技术上发展起来的，主要包括舌象图像采集、色彩校正、舌体分割、区域划分(苔质分离)、舌色、舌形、齿痕、舌质地、舌下络脉等。这些研究作为现代化舌诊应用的基础，在将舌诊带向定量化、客观化的进程中起到至关重要作用。

从舌象中准确分离舌体是进行舌诊的前提。近年来，有研究者将GrabCut算法应用在舌体分割上，取得了一定的效果。但GranCut算法在使用过程中需要通过人工交互的方式给定前景背景的分割框，这一步骤大大降低了算法的自动化性能。

本文提出基于深度学习的免交互式GrabCut算法，利用深度卷积神经网络对舌体进行定位，自动得到前景背景分割框。本发明依赖的两个关键技术介绍如下：

(1)卷积神经网络

近几年深度学习在计算机视觉领域得到广泛应用，这得益于深度学习技术的快速发展，卷积神经网络能够充分利用大量的训练样本逐层地提取出其中的抽象信息，更直接更全面地学习到图像的深层特征，这些特征在大量的任务中被证实比传统的手工提取特征具有更强的表征能力，能够更完整地描述图像的整体结构。卷积神经网络技术从R-CNN，Fast R-CNN发展到Faster R-CNN，从CNN发展到FCN，几乎涵盖了目标检测、分类、分割等计算机视觉的几大重要领域。

卷积神经网络是模仿人类的感知系统进行构建的。人脑对信息的处理是层层传递，从具体到抽象的一个过程，低层特征对输入信息进行处理和提取,得到数据的本质信息，进而形成大脑能够理解的高层抽象信息，这种阶层式的结构保留了物体的本质信息，并降低了人脑处理的数据量。模拟人脑的阶层式结构进行信息传递，使得深度卷积神经网络的一个重要优点就是从像素级原始数据到抽象的语义概念逐层提取信息，从而使它在提取图像的深层特征和语义信息方面具有突出的优势。

(2)GrabCut算法

GrabCut算法是一种非常有效的分割方法。它首先需要用户手工标注前景和背景的信息，即需要指定一个包含前景的矩形，接着通过高斯混合模型(GMM)对前景和背景建模。根据用户的输入，GMM会学习并创建新的像素分布。对那些分类未知的像素，可以根据他们与已知分类像素的关系来进行分类。这样就会根据像素的分布创建一幅图，图中的节点就是像素点。接着基于mincut算法对上面得到的图进行分割。

发明内容

为了克服现有CrabCut算法在舌体分割的使用过程中需要人工交互，以给定前景背景的分割框，自动化性能不强这一问题，本发明提出一种基于深度学习的免交互式GrabCut舌体分割方法，构建深度卷积神经网络自动对舌体进行定位，从而得到前景背景分割框，无需人工给定，提高了分割算法的自动化程度。

本发明解决其技术问题所采用的技术方案是：