基于局部灰度閾值的舌象裂紋檢測方法

張璐瑤+汪莉+包璇+徐天馥+徐偉

摘要：裂紋舌是2型糖尿病較典型舌象特征之一。為準確提取舌象圖像裂紋特征，提出基于局部灰度閾值的裂紋舌檢測方法。首先，對圖像進行拉普拉斯增強操作以提高舌中區(qū)域對比度，并結合中值濾波法去除增強后的噪聲；接著根據(jù)區(qū)域一致性原理判斷圖像中是否存在裂紋；最后利用局部灰度平方差分離裂紋區(qū)域與背景區(qū)域。實驗結果表明該方法可以有效地分離舌裂紋與背景，算法簡單，實用性強，為裂紋舌客觀化研究提供了較為可靠的技術支持。

關鍵詞：裂紋舌；局部灰度閾值；裂紋檢測

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2017）29-0163-03

Abstract： Fissured tongue is one of the more typical features in qi and yin deficiency and blood stasis syndrome of Type 2 Diabetes Tongue. To detection and analysis fissure features of tongue image more accurately， this paper proposes a fissure detection method of tongue image which is Based on local gray threshold. First， paper use Laplacian image enhancement operations to improve the contrast of the middle region of tongue， and use median filtering method to remove random noise caused by Laplacian. Second， paper use regional consistency theory to test image have or not have fissure features. Finally， paper computes the local gray square difference to separate the fissure region and the background region. The experimental results show that this method can effectively detect the tongue fissure， and the algorithm is simple and practical， which provides reliable technical support for fissure tongue objective research.

Key words： fissured tongue； local gray threshold； fissure detection

2 型糖尿病是目前最常見的內(nèi)分泌代謝異常疾病，中醫(yī)舌診對糖尿病之辨證論治具有特別重要的指導意義。舌象是最能反映全身氣血津液的變化，而氣血津液的盛衰與糖尿病的發(fā)生、發(fā)展、轉歸有著極為密切的關系。為避免臨床上因光線不足等因素造成的疾病診斷失誤，憑借現(xiàn)代科技研發(fā)的舌象儀已經(jīng)問世，數(shù)字化舌象圖像處理方法不僅解決了臨床診斷環(huán)境的不足，同時也將臨床診斷記錄等資料完整的保存下來，極大促進了中醫(yī)舌診客觀化發(fā)展[1]。

雖然，舌象儀核心圖像處理技術日益成熟，可以根據(jù)舌象圖像進行客觀、精準識別。但是，目前的舌象儀還不可以對2型糖尿病的證型進行初步診斷。一方面是因為2型糖尿病病情復雜，往往還需參考患者主訴等其他信息輔助診斷；另一方面，裂紋舌是2型糖尿病舌象中較為重要的特征之一，而如今學者們在裂紋舌圖像處理方面研究較少，技術尚不成熟[2]。為了填補2型糖尿病裂紋舌圖像診斷研究的空白，完善中醫(yī)舌診客觀化研究，進一步推動中醫(yī)藥健康服務產(chǎn)業(yè)現(xiàn)代化發(fā)展。本文就2型糖尿病，對裂紋舌圖像進行特征分析研究，提出基于局部灰度閾值的舌象裂紋檢測方法。

中醫(yī)將裂紋舌定義為舌面可見多少不等、深淺不一、形狀各異的裂紋[3]。2型糖尿病裂紋舌的圖像特征表現(xiàn)為：舌面中間區(qū)域可見部分顏色特征不同于周圍舌質(zhì)、舌苔背景顏色的區(qū)域[4]。對于這種特征與背景顏色反差較大的圖像多采用閾值法進行分析提取。然而傳統(tǒng)的閾值法，如全局閾值法，在裂紋檢測時存在較大的局限性，不適用于裂紋舌圖像。由于裂紋舌圖像背景灰度變化比較大，沒有合適的單一門限閾值來兼顧圖像各處情況，從而使得分割效果不理想。針對這種情況，本文提出局部灰度閾值方法對裂紋進行分割處理。通過將圖像分割成多個小塊，對每個小塊分別進行閾值分割，使得更適用于裂紋舌圖像。

裂紋舌圖像特征分割流程如圖1所示。首先對圖像進行增強、濾波等預處理操作，使得以便于下一階段裂紋特征的有效檢測；然后基于區(qū)域一致性原理檢測是否存在裂紋特征，若不存在裂紋，則結束；若存在裂紋，則進行第三步，分割舌象圖像，提取裂紋特征。具體流程如圖1所示。

1 圖像預處理

為了更好的展現(xiàn)裂紋特征，方便提取裂紋信息，需要對圖像進行圖像增強、濾波等處理。

1.1 顏色轉換

舌象圖像是基于RGB色彩模式拍攝，存在R，G，B三個分量。為了使得裂紋區(qū)域與背景區(qū)域灰度反差更大，需要選擇裂紋區(qū)域對比度高的分量進行試驗。通過分析可知，如圖2所示，R分量裂紋區(qū)域對比度最低；G分量裂紋區(qū)域相對清晰，但整體對比度不高；B顏色分量裂紋區(qū)域與背景區(qū)域的對比度較大，裂紋特征較明顯，適合作為裂紋的灰度圖像。

1.2 拉普拉斯圖像增強

為突出圖像細節(jié)部分，增強已模糊的細節(jié)，需對圖像進行銳化處理，目的是提高圖像對比度，從而使圖像更清晰。一般做法是采用增強鄰域內(nèi)像素的灰度差以提高圖像對比度。針對裂紋舌圖像的裂紋邊緣區(qū)域像素灰度變化強烈，舌質(zhì)等背景區(qū)域像素灰度值變化較平緩的特性，本文采用拉普拉斯方法增強圖像對比度。endprint

拉普拉斯算子是一種線性二階微分算子，也是一個與邊緣方向無關的各向同性微分算子，具有旋轉不變性[5]。拉普拉斯算子的響應強度與圖像中點的突變程度有關，這樣一來，對圖像中灰度變化劇烈的區(qū)域（裂紋邊緣信息）有增強效果。拉普拉斯算子的定義如式（1）所示：

在圖像處理中，其表示為：

將該算子轉換為掩模模板來實現(xiàn)，本文使用的拉普拉斯掩模模板如表1所示：

將模板與圖像進行卷積處理，并將所得響應與原圖相減，最后得到增強后的圖像。

拉普拉斯算子增強效果圖如圖3（b）所示，裂紋區(qū)域與背景對比更加明顯，然而增強后的圖像夾雜著一些噪聲，由于拉普拉斯算子對孤立的邊緣點也做增強處理，產(chǎn)生了一些類似隨機的噪聲，因此需引入中值濾波消除這些噪聲干擾。

1.3 中值濾波

中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術。其基本原理是利用某點鄰域中各點值的中值代替該點的值，從而消除孤立的噪聲點，同時保持圖像的邊緣特性，不會使圖像產(chǎn)生顯著的模糊。具體圖像處理過程為：1）對滑動濾波窗口內(nèi)的像素按灰度等級進行大小排序，取該領域中灰度的中值作為當前像素的灰度值。2）如果窗口元素個數(shù)為奇數(shù)，中值取元素大小排序后的中間灰度值；如果窗口元素個數(shù)為偶數(shù)，中值取元素排序后的中間兩個元素灰度平均值。計算公式如式（4）所示：

其中，是濾波模板像素點坐標。本文取3×3模板進行濾波，效果如圖3（c）所示，濾波后的圖像裂紋區(qū)域對比度明顯提高，對增強后的圖像噪聲消除效果較好。

2 裂紋檢測

在多樣本圖像批處理時，計算機并不知道哪張圖像存在裂紋，如果不進行裂紋檢測，則浪費較多時間、空間在無裂紋圖像中。為了避免此情況，同時為優(yōu)化特征分割算法性能，在進行裂紋特征分割之前，需要對舌象圖像進行一些辨別，判斷該圖像中是否存在裂紋特征[6]。對于無裂紋舌象圖像則可不進行裂紋特征提取處理；對于存在裂紋的舌象圖像，可實施下一步特征分割處理。

2.1 區(qū)域一致性檢測

正常舌象圖像（不存在裂紋），其舌中區(qū)域是由完整的舌苔或舌質(zhì)組成，具有相對一致的顏色和紋理特征。而裂紋舌圖像的舌中區(qū)域由于裂紋的存在，其區(qū)域顏色、紋理特征與舌兩邊區(qū)域的有明顯的區(qū)別。因此，本文借鑒區(qū)域分割評價標準的區(qū)域一致性原理來檢測舌中區(qū)域圖像中是否存在裂紋[7]。區(qū)域一致性檢驗公式如下：

其中，區(qū)域的個數(shù)為m，Ri表示第i個區(qū)域，Ai表示第i個區(qū)域的像素總數(shù)，f（x，y）表示為坐標為（x，y）點的像素灰度值。假定舌中區(qū)域為一個區(qū)域，則式（5）可改寫成：

試驗選取8張裂紋舌圖像和8張沒有裂紋的舌象圖像，分別計算其裂紋存在指數(shù)，結果如表2所示：

試驗結果表明：有裂紋的舌象裂紋存在指數(shù)值比無裂紋的舌象裂紋存在指數(shù)值小，并且有裂紋舌象的裂紋存在指數(shù)值總體趨向于0.1，無裂紋舌象的裂紋存在指數(shù)值總體趨向于0.2。

2.2 局部灰度閾值裂紋提取

局部灰度閾值法是通過將裂紋區(qū)域分割成多個小塊，計算不同小塊的灰度平方差來區(qū)分裂紋區(qū)域和背景區(qū)域。具體算法如下：

1） 將裂紋區(qū)域分割成互不重疊的m*n個小區(qū)域，求取每個區(qū)域的灰度平均值。

2） 計算增強后圖像的每個像素點與每個區(qū)域灰度平均值的平方差，提取裂紋主線像素。其中為權重因子。

3） 將小于等于零的像素值設為1，大于零的設為0。最后，即為提取出來的裂紋特征圖像。

試驗中將裂紋區(qū)域圖像分割為32*32個小區(qū)域，權重因子取值不同，裂紋圖像的信噪比高低不等，裂紋特征的連續(xù)性也不一樣。圖4為不同權重因子取值所提取的裂紋結果。圖4（b）是權重因子取0.295時，裂紋特征提取較少；當權重因子取0.350時，部分裂紋特征已提取，但主線還未連貫；權重因子取0.395時，此時裂紋特征基本提取完畢，主線連貫，噪點較低，提取效果最好；權重因子取0.450時，非裂紋特征也被提取，造成裂紋區(qū)域過分提取。最后圖4（f）為全局閾值方法的運算結果，裂紋特征很模糊，提取失敗。

3 結束語

裂紋舌是臨床上較為常見的一種舌象，而近些年針對裂紋舌圖像的研究較少，為了完善舌象客觀化研究，本文根據(jù)裂紋舌圖像特征，提出一種基于局部灰度閾值法的裂紋舌特征提取方法。方法利用局部灰度平方差對增強處理后的64塊小區(qū)域進行分割，最后融合得到較為完整的裂紋主線特征。與傳統(tǒng)的全局閾值法相比，該方法克服了閾值法分割不準確，提取算法復雜等缺點[8]。另外，文中利用區(qū)域一致性原理先對圖像是否存在裂紋特征進行預判斷，對于多樣本圖像處理時，可以大大節(jié)省處理時間，優(yōu)化特征提取算法性能。本文算法對于裂紋清晰的舌象圖像穩(wěn)定有效，具有普遍的適應性，且自動化程度高，計算量小，易于實現(xiàn)。

參考文獻：

[1] 王郁中，楊杰，周越，等.圖像分割技術在中醫(yī)舌診客觀化研究中的應用[J].生物醫(yī)學工程學雜志，2005（6）：1128-1133.

[2] 張璐瑤，闞紅星. 2型糖尿病氣虛陰虧瘀血證舌象圖像識別技術研究[J]. 中醫(yī)藥臨床雜志，2015，01：32-35.

[3] 朱文鋒.中醫(yī)診斷學[M].北京：中國中醫(yī)藥出版社，2004.

[4] 鄭筱萸.中藥新藥治療糖尿病的臨床研究指導原則（試行）[M].北京：中國醫(yī)藥科技出版社，2002，233-237.

[5] GONZALEZ R C， WOODS R.E. Digital Image Processing [M]. Beijing： Publishing House of Electronics Industry， 2005.

[6] 施展，周昌樂.舌象裂紋提取及特征分析[J].計算機技術與發(fā)展，2007（5）：245-248.

[7] SAHOO P K， SOLTANI S， Wong A K C. Survey of Thresholding Techniques [J].Computer Vision， Graphics and Image Processing， 1988， 41：233-260.

[8] 闞紅星，張璐瑤，董昌武.一種2型糖尿病中醫(yī)證型的舌圖像識別方法[J]. 中國生物醫(yī)學工程學報，2016（6）：658-664.endprint