一種改進(jìn)snake模型的中醫(yī)舌體分割方法

孫曉琳，龐春穎

（長春理工大學(xué) 生命科學(xué)技術(shù)學(xué)院，長春 130022）

舌診是中醫(yī)“望、聞、問、切”四診中的重要內(nèi)容之一。它通過觀察舌象了解人體生理功能和病理變化，據(jù)此辨證論治［1］。長期的臨床實(shí)踐證明，舌象變化猶如人體內(nèi)臟的一面鏡子。舉凡臟腑虛實(shí)、氣血盛衰、津液盈虧、病性寒熱及病位深淺、病勢預(yù)后，均能客觀的從舌象上反應(yīng)出來。但長期以來，舌診都是偏重于醫(yī)生個人的臨床實(shí)踐，依靠醫(yī)生的目視觀察，根據(jù)臨床經(jīng)驗(yàn)進(jìn)行判斷分析，沒有統(tǒng)一的標(biāo)準(zhǔn)去衡量其所描述的癥狀，存在顏色分辨率低、主觀依賴性強(qiáng)等不利因素，不利于中醫(yī)治療技術(shù)的發(fā)展。近年來，隨著科學(xué)技術(shù)的發(fā)展，很多學(xué)者已經(jīng)對舌診客觀化做了深入的研究［2，3］，從而證實(shí)了基于圖像處理技術(shù)等對舌象進(jìn)行分析的技術(shù)［4］，具有非常重要的現(xiàn)實(shí)意義。

基于舌象分析的舌診處理過程是通過特殊的圖像采集設(shè)備將舌象進(jìn)行采集，其中包括數(shù)碼相機(jī)和相應(yīng)的標(biāo)準(zhǔn)光源。雖然通過此設(shè)備可以獲得最大的舌體原始圖像，但由于被檢測者的情況各有不同，因此采集出的數(shù)字化彩色舌圖像仍然包括非舌體部分，如面部、唇、牙齒等背景區(qū)。因此，舌體區(qū)域的分割成為舌象分析的第一步并且其分割效果直接影響到病理分析的準(zhǔn)確性。

目前，傳統(tǒng)的分割方法有很多，諸如閾值分割法、區(qū)域生長法、分裂合并法、分水嶺變換法、聚類分割法、形態(tài)運(yùn)算法等。但這些方法或先驗(yàn)知識在進(jìn)行舌體輪廓提取時(shí)均存在缺陷，不能改善舌體圖像與嘴唇的錯分現(xiàn)象。目前采用snake模型進(jìn)行分割的方法被廣泛應(yīng)用。但基本Snake模型在實(shí)際應(yīng)用中仍存在兩個難題：1.對初始輪廓線的位置敏感，初始輪廓線必須完全包含且靠近目標(biāo)區(qū)域；2.對目標(biāo)存在的凹角的地方不能收斂。為克服這兩個難題，本文采用色彩空間模型的轉(zhuǎn)換，確定邊緣輪廓線，最后應(yīng)用改進(jìn)的snake模型進(jìn)行邊緣收斂，從而得到了舌體提取的理想效果。

1 確定初始輪廓線

為了得到理想的初始輪廓線，根據(jù)舌體的特殊性，利用舌體的先驗(yàn)知識，采取顏色空間模型轉(zhuǎn)換的方法得到舌體的初始輪廓線。

HSV顏色模型是一種適合人眼視覺的顏色模型，它把彩色信號表示為色調(diào)（Hue）、飽和度（Saturation）和亮度（Value）三種屬性，與人類對顏色的感知更為接近。而舌體表面有一層對外界光線有很強(qiáng)反射特性的水膜，使得舌象中舌體部分的亮度值通常比較高，因此從舌體亮度信息較為突出的角度出發(fā)，并根據(jù)HSV的特性，將HSV色彩空間作為舌體分割的依據(jù)，預(yù)處理原始的舌體圖像，從而得到舌體初始輪廓線。

圖1 H、V分量二值化

將RGB顏色模型轉(zhuǎn)化為HSV顏色模型，提取H，S，V三個分量，然后分別對H分量與V分量進(jìn)行圖像二值化，我們發(fā)現(xiàn)H分量能很好地顯現(xiàn)出舌尖及舌體兩側(cè)的輪廓（圖1（a）），而V分量恰好能很好的凸顯出舌根處的輪廓（圖1（b）），因此我們將兩個經(jīng)過二值化處理后的分量進(jìn)行融合（圖2（a））。圖像2（a）有嘴唇部分，對其圖像進(jìn)行小面積區(qū)域刪除運(yùn)算，得到圖2（b）。由于舌體區(qū)域存在若干小孔洞以及邊緣處有離散的噪聲點(diǎn)，故對其圖像進(jìn)行中值濾波，得到圖2（c）。為了消除邊緣的小缺口，對圖2（c）進(jìn)行形態(tài)學(xué)運(yùn)算，先閉后開，如圖2（d）所示。最后得到舌象輪廓初始化圖，如圖3所示。

圖2 輪廓提取步驟

圖3 舌體輪廓初始化結(jié)果

2 原始的snake模型

Snake模型稱為動態(tài)輪廓模型［5］（Active Contour Model），是Kass［6］于1987年提出的。其基本思想是根據(jù)圖像信息進(jìn)行曲線或曲面演化，利用閉合曲線或曲面形變的特定規(guī)律，定義度量閉合曲線或曲面形變的能量函數(shù)，然后通過最小能量函數(shù)使曲線或曲面逐漸逼近圖像中目標(biāo)物體的邊緣。

原始的snake模型就是找到一條連續(xù)的封閉變形曲線：v（s）=（x（s），y（s）），其中s∈［0，1］為曲線參數(shù)，定義一個能量函數(shù)：

其中：Eint為曲線自有的內(nèi)部能量，Eext為外部能量。Eint定義如下：

其中：vs(s)是曲線v(s)對弧長s的一階導(dǎo)數(shù)，根據(jù)彈性系數(shù)α(s)的改變，控制曲線的張力；vss(s)是曲線v(s)對弧長s的二階導(dǎo)數(shù)，根據(jù)剛性系數(shù)β(s)的改變，控制曲線的變形程度。

外部能量Eext是由圖像作用力產(chǎn)生的能量Eimage和外部局限作用力產(chǎn)生的能量Econ組成，一般情況下Econ缺省值為0，因此函數(shù)定義如下：

其中：Gσ(x,y)為方差σ的二維高斯函數(shù)；?為梯度算子。

因此，為了使公式（1）能量達(dá)到最小化，使用歐拉—拉格朗日方程進(jìn)行求解，得到函數(shù)需滿足的方程：

上述能量最小化方程還可以視為力的平衡方程：

其中：Fint表示snake模型受到的內(nèi)作用力，主要是保持曲線的平滑性和收縮性；Fext表示外作用力，它控制模型可變曲線朝著真實(shí)的目標(biāo)輪廓移動［7］。最終當(dāng)內(nèi)外力之和為零達(dá)到平衡狀態(tài)時(shí)候，snake輪廓曲線在真實(shí)的目標(biāo)輪廓上停止移動，完成目標(biāo)輪廓的提取。但此方法在完成能量最小化的過程中，能量函數(shù)存在多個局部極小值，導(dǎo)致不能保證snake輪廓曲線收斂到全局極值。

3 snake模型優(yōu)化

根據(jù)舌象初始化的輪廓，確定n個控制點(diǎn)。vi代表第i個控制點(diǎn)，那么，各個控制點(diǎn)的能量函數(shù)可以寫為：

根據(jù)上式，分別計(jì)算輪廓線上第i個控制點(diǎn)的總能量與該控制點(diǎn)八鄰域中每一點(diǎn)的總能，若Esnake(vi)大于八個鄰域點(diǎn)中任意一點(diǎn)的總能，那么最小總能的鄰域點(diǎn)將替代該控制點(diǎn)；相反，控制點(diǎn)不變。以此類推，順序計(jì)算第i+1控制點(diǎn)的總能，并與周圍八鄰域點(diǎn)總能做比較，從而判斷此控制點(diǎn)是否應(yīng)該發(fā)生改變直到輪廓上確定的每一個控制點(diǎn)都計(jì)算完畢。此時(shí)，若輪廓不再發(fā)生任何變化，則計(jì)算結(jié)束，此次迭代結(jié)果即為所求的舌體區(qū)域新的輪廓；相反，以新輪廓作為初始輪廓，繼續(xù)重復(fù)以上步驟，直至輪廓不再發(fā)生改變。最終舌體提取結(jié)果，如圖4所示。

圖4 最終舌體提取結(jié)果

4 結(jié)論

舌體提取的準(zhǔn)確性直接影響著中醫(yī)舌診系統(tǒng)和進(jìn)一步的特征提取的準(zhǔn)確性。本文運(yùn)用一種轉(zhuǎn)換顏色空間和優(yōu)化的snake模型的方法來實(shí)現(xiàn)對舌圖像的分割，首先根據(jù)RGB空間到HSV空間的轉(zhuǎn)換原理［8］，將舌采集圖像在HSV空間進(jìn)行分量提取并作二值化處理，通過中值濾波及形態(tài)學(xué)運(yùn)算處理，得到舌體的初始化輪廓線，然后采用snake模型最小能量函數(shù)對得到的初始化輪廓線進(jìn)行邊緣修正。實(shí)驗(yàn)證明了該改進(jìn)的算法具有魯棒性，適用于舌體圖像輪廓的分割。

［1］朱文峰.中醫(yī)診斷學(xué)［M］.上海：上?？茖W(xué)技術(shù)出版社，1982：35-49.

［2］沈蘭蓀，王愛民，衛(wèi)保國，等.圖像分析技術(shù)在舌診客觀化中的應(yīng)用［J］.電子學(xué)報(bào)，2001，29（12）：1762-1765.

［3］王愛民.用于舌診客觀化的圖像分析技術(shù)的研究［D］.北京：北京工業(yè)大學(xué)，2001.

［4］Chiu Chuang-Chien.A novel approach based on computerized image analysis for traditional Chinese medical diagnosis of the tongue［J］.Computer Methods and Programs in Biomedicine，2000，61（2）：77-89.

［5］Xu C Y，Prince J L.Snakes，and gradient vector flow［J］.IEEE Transactions on Image Processing，1998，7（3）：359-369.

［6］Kass M，Witkin A，Terzopoulos D.Snakes：Active Contour Models［J］.International Journal of Computer Vision，1988，1（4）：321-331.

［7］侯志強(qiáng)，韓崇昭.基于力場分析的主動輪廓模型［J］.計(jì)算機(jī)學(xué)報(bào)，2004，27（6）：743-749.

［8］劉剛，王立香，董延.MATLAB數(shù)字圖像處理［M］.北京：機(jī)械工業(yè)出版社，2010：157-163.