[發明專利]一種基于深度學習的免交互式GrabCut舌體分割方法

在審

• 申請號: 201711133796.8
• 申請日: 2017-11-16
• 公開（公告）號: CN108109160A
• 公開（公告）日: 2018-06-01
• 發明（設計）人: 王麗冉;湯一平;何霞;陳朋;袁公萍;金宇杰
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T7/162
• 分類號: G06T7/162;G06T7/194
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于深度學習的免交互式GrabCut舌體分割方法，包括用于舌整體特征提取的深度卷積神經網絡、用于對舌體區域初步檢測的感興趣區域定位網絡、用于對感興趣區域進行深層抽象特征提取的深度卷積神經網絡以及用于對舌象進行分割的GrabCut算法。本發明有效的解決了現有的GrabCut算法在對舌體進行分割時過分依賴于人工交互的問題，提高了GrabCut算法在舌體分割中的自動化程度。

技術領域

本發明涉及一種分割方法，具體涉及中醫舌診、計算機視覺、數字圖像處理、模式識別、深度學習和深度卷積神經網絡等技術在舌象自動分割領域的應用。

背景技術

舌診是祖國醫學望診中的重要組成部分，根據對患者舌面苔跡、舌質相關屬性，包括顏色、形態等的觀察，從而判斷疾病所在，進而辨證論治。如今，中醫舌診的標準化、定量化、客觀化研究已經成為中醫診斷學現代化的主要研究方向，對整個中醫學的發展有著極其深遠的意義。

舌診的標準化、定量化、客觀化研究是在攝像、數字圖像處理、模式識別、計算機視覺等技術上發展起來的，主要包括舌象圖像采集、色彩校正、舌體分割、區域劃分(苔質分離)、舌色、舌形、齒痕、舌質地、舌下絡脈等。這些研究作為現代化舌診應用的基礎，在將舌診帶向定量化、客觀化的進程中起到至關重要作用。

從舌象中準確分離舌體是進行舌診的前提。近年來，有研究者將GrabCut算法應用在舌體分割上，取得了一定的效果。但GranCut算法在使用過程中需要通過人工交互的方式給定前景背景的分割框，這一步驟大大降低了算法的自動化性能。

本文提出基于深度學習的免交互式GrabCut算法，利用深度卷積神經網絡對舌體進行定位，自動得到前景背景分割框。本發明依賴的兩個關鍵技術介紹如下：

(1)卷積神經網絡

近幾年深度學習在計算機視覺領域得到廣泛應用，這得益于深度學習技術的快速發展，卷積神經網絡能夠充分利用大量的訓練樣本逐層地提取出其中的抽象信息，更直接更全面地學習到圖像的深層特征，這些特征在大量的任務中被證實比傳統的手工提取特征具有更強的表征能力，能夠更完整地描述圖像的整體結構。卷積神經網絡技術從R-CNN，Fast R-CNN發展到Faster R-CNN，從CNN發展到FCN，幾乎涵蓋了目標檢測、分類、分割等計算機視覺的幾大重要領域。

卷積神經網絡是模仿人類的感知系統進行構建的。人腦對信息的處理是層層傳遞，從具體到抽象的一個過程，低層特征對輸入信息進行處理和提取,得到數據的本質信息，進而形成大腦能夠理解的高層抽象信息，這種階層式的結構保留了物體的本質信息，并降低了人腦處理的數據量。模擬人腦的階層式結構進行信息傳遞，使得深度卷積神經網絡的一個重要優點就是從像素級原始數據到抽象的語義概念逐層提取信息，從而使它在提取圖像的深層特征和語義信息方面具有突出的優勢。

(2)GrabCut算法

GrabCut算法是一種非常有效的分割方法。它首先需要用戶手工標注前景和背景的信息，即需要指定一個包含前景的矩形，接著通過高斯混合模型(GMM)對前景和背景建模。根據用戶的輸入，GMM會學習并創建新的像素分布。對那些分類未知的像素，可以根據他們與已知分類像素的關系來進行分類。這樣就會根據像素的分布創建一幅圖，圖中的節點就是像素點。接著基于mincut算法對上面得到的圖進行分割。

發明內容

為了克服現有CrabCut算法在舌體分割的使用過程中需要人工交互，以給定前景背景的分割框，自動化性能不強這一問題，本發明提出一種基于深度學習的免交互式GrabCut舌體分割方法，構建深度卷積神經網絡自動對舌體進行定位，從而得到前景背景分割框，無需人工給定，提高了分割算法的自動化程度。

本發明解決其技術問題所采用的技術方案是：