[發明專利]一種基于卷積神經網絡的中醫舌色苔色自動分析方法

有效

• 申請號: 201710562784.0
• 申請日: 2017-07-11
• 公開（公告）號: CN107330889B
• 公開（公告）日: 2019-11-15
• 發明（設計）人: 卓力;屈盼玲;盧運西;張輝;張菁;李曉光
• 申請（專利權）人: 北京工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/41;G06T7/90;G06K9/62
• 代理公司: 11203 北京思海天達知識產權代理有限公司
• 代理人: 劉萍<國際申請>=<國際公布>=<進入國

一種基于卷積神經網絡的中醫舌色苔色自動分析方法屬于計算機視覺領域和中醫舌診領域，具體涉及深度學習、圖像處理等技術。該方法可以有效提高舌色苔色自動分析的準確度和魯棒性。本發明分類準確度高。與傳統的“特征提取+分類器”方案相比，卷積神經網絡是一種端到端的結構，特征提取與分類兩個過程在同一框架下完成，避免了對特征和分類器選擇的依賴。在分類精度上比傳統方法具有明顯優勢，可以滿足實際應用需求。

技術領域

本發明將深度學習技術引入到中醫舌診客觀化研究中，提出一種基于卷積神經網絡的中醫舌色苔色自動分析方法，該方法可以有效提高舌色苔色自動分析的準確度和魯棒性。本發明屬于計算機視覺領域和中醫舌診領域，具體涉及深度學習、圖像處理等技術。

背景技術

舌象特征的自動分析是舌診客觀化研究的重要內容。舌色和苔色是舌象最基本的特征，因而舌色苔色的自動分析也成為舌診客觀化的研究熱點。較為常用的舌色苔色自動分析方法有基于支撐向量機的識別方法、基于稀疏表示分類器的識別方法等。以上方法均需要手工選取特征，人工選取特征的好壞將直接影響分類性能的高低。通常情況下，提取的特征以顏色特征為主，這些特征都是建立在特定的光照環境下，對光照敏感，一旦舌象的拍攝光照條件發生變化，構建的分析模型將完全失去作用。因此，需要引入新的信息處理技術來解決這些問題。

近年來，深度學習在圖像分類等計算機視覺領域取得了巨大成功。其中，卷積神經網絡(Convolutional Neural Network,CNN)憑借其強大的特征學習與表達能力被廣泛應用于圖像分類。絕大多數現有的CNN網絡結構(如GoogleNet、VGGNet、ResNet等)具有網絡層次深的特點，需要依靠大數據驅動學習，如ILSVRC競賽中使用的數據集包含百萬幅圖像。然而，對于中醫學領域來說，權威醫生標注的高質量數據樣本不僅稀缺而且非常昂貴，而經驗不足的醫生或非專業人士標注的數據往往會導致雜亂的注釋，引起歧義，數據標注的質量難以保證，這導致有標注的舌象樣本庫較小，絕大多數現有的CNN網絡結構不能直接用于舌色苔色的自動分析。

因此，本發明結合舌色苔色自動分析的特點，專門設計了輕量型的深度神經網絡，提出了一種基于卷積神經網絡的中醫舌色苔色自動分析方法，為中醫舌診客觀化提供了一種重要的手段，對推動中醫客觀化的發展具有重要的意義，并在臨床診療、養生保健、中醫傳承等方面具有重要的應用價值。

發明內容

目的：提供一種分類準確率高的舌色苔色自動分析方法。

為解決上述技術問題，本發明采用的技術方案為：結合舌色苔色自動分析的特點，專門設計了輕量型的深度神經網絡，提出了一種基于卷積神經網路的中醫舌色苔色自動分析方法。該方法分為網絡訓練階段和舌色苔色識別階段，具體包括以下步驟：

步驟1：構建數據集。

本發明使用的數據集通過SIPL型中醫舌象儀采集得到，并且其舌色與苔色均由專業的中醫醫師進行標定。為了使訓練樣本盡可能標準且典型，本發明中所使用的訓練樣本為一系列由中醫專家逐塊確定類別的圖像子塊。這些樣本塊是利用滑動窗從舌圖像相應的舌質區域和舌苔區域得到。

步驟2：卷積神經網絡的結構設計和網絡訓練。由于CNN網絡的低層網絡可以學習到顏色和紋理低層特征，然后逐層學習抽象特征，而中醫對舌色苔色進行診斷時的依據是低層的顏色和紋理信息。為此，本發明搭建了一種用于舌色和苔色分類的輕量型CNN網絡，并利用步驟1中構建的舌色和苔色數據集分別訓練該網絡，得到舌色分類模型和苔色分類模型。

步驟3：對待分析的舌圖像進行舌色苔色的自動識別。

步驟3.1：對待分析的舌圖像進行舌色和苔色區域劃分，分別得到舌質區域和舌苔區域。

步驟3.2：在步驟3.1得到的舌質區域和舌苔區域上，通過滑動窗分別得到舌質圖像子塊和舌苔圖像子塊。