一種有效的舌體自動化分割算法

摘 要：舌體輪廓正確分割是實現中醫舌診信息化的重要前提。目前主流方法是用閾值方法或先驗知識得到舌體的初始輪廓線，然后再用Snake模型使得曲線收斂到舌體邊緣。但它們都存在兩個問題：對比度較小的舌像，如舌面和臉部有相似的對比度的舌象，基本上沒法處理；得到的初始化輪廓線無法克服嘴唇的影響，因此用Snake方法曲線常收斂于嘴唇邊緣。通過對舌象的低層信息的研究，發現使用簡單而有效的直方圖均衡化能擴大圖像的顏色分辨力，使得現有的閾值處理方法能在原有基礎上很好地處理那些原來無法處理的舌體圖像；然后根據舌體形狀、位置等先驗信息，用幾何方法修正受嘴角和嘴唇影響得到的邊緣。實驗結果表明，該方法取得了很好的分割效果。

關鍵詞：先驗信息；舌體分割；直方圖均衡化；幾何方法；Snake

中圖法分類號：TP391.41文獻標識碼：A

文章編號：1001—3695(2007)02—0170—03

1 引言

中醫診法主要包括望、聞、問、切四診。舌診是中醫四診中望診的重要內容，被歷代中醫學家所重視。通過觀察患者舌象的變化，就能快速了解病人的病理變化。但長期以來，由于是以醫生的主觀判定為主，缺乏客觀診斷方法與標準，從而阻礙了中醫的發展。對其進行研究不僅為臨床舌象診斷提供了客觀標準，也為舌診客觀化研究和建立中醫遠程診療系統發揮了重要作用。我們和上海中醫藥大學以及廈門大學中醫學院合作以中醫辨證理論學說為指導，利用現代圖像與信息處理技術，結合中醫專家的臨床經驗，研究基于舌象分析中醫診斷體檢系統的實現。

基于舌象分析的中醫診斷體檢系統的組成部分如圖1所示，其中舌體自動分割是此系統的前提工作。其分割的好壞直接影響到下一步的工作。國內外很多學者都做了相應的工作，從圖像的基本處理方法（包括閾值分割[4]等）到可變模型（主流是Snake[3，4，10]）。前面的方法自適應能力差，不能很好地將舌體輪廓提取出來。后面的方法是學者研究的熱點。20世紀90年代許多學者致力于Snake方法的外部能量項的研究，其中Xu等人[7，8]提出的GVF Snake模型最受關注。其主要優點是他們的模型在曲線的凹處有很好的收斂性，并且搜索域廣。Wangmeng Zuo等人[3]根據舌體的輪廓特征提出極坐標的邊緣檢測和可變模型的組合模型，使得舌體邊緣的提取精度進一步提高。Wenshu Li等人[4]提出用HSV顏色空間的H分量來自動初始化Snake的初始輪廓，利用Gabor小波的特性改進了Snake的外部能量項。但是他們的方法中有一個共同的缺點：由于舌體和嘴唇的顏色相似以及紋理的復雜性，使得Snake模型的最優輪廓線常常收斂于嘴唇邊緣。因此，如果只利用圖像邊緣的梯度信息作為Snake的外部能量項，很難收斂到最優的舌體邊緣。改進的辦法有兩種：在得到初始輪廓線時，就要克服嘴唇邊緣的影響；尋找適合舌體邊緣的外部能量項。顯然，這也是目前Snake模型存在著的兩大難點。第二種方法是相當困難的。因此我們從舌體的顏色、形狀和位置出發，利用舌體的先驗信息，以直方圖均衡化為指導，利用H分量和V分量得到舌體的初始輪廓線，然后根據舌體的形狀和位置特點，用幾何方法對舌體的初始輪廓線進行修正，消除嘴唇對初始輪廓線的影響，最后對有齒痕舌的圖像采用GVF Snake模型，使得最終得到的舌體輪廓線很好地收斂于舌體的齒痕處。實驗結果表明我們的方法取得了很好的效果。

2 自動化舌體分割算法(圖2)

2.1 直方圖均衡化

將能夠通過其某個二值化分量大小判定單個像素點歸屬區域的能力簡稱為顏色分辨力。用傳統的閾值處理方法對舌體輪廓進行提取，這對大部分圖像是有效的，但是對另外一部分圖像處理結果較差。其主要原因是二值化分量的顏色分辨力不夠強。因此如果能對獲得的圖像進行預處理，增加圖像的對比度，拉大圖像顏色之間的差異，從而增強圖像的顏色分辨力。這恰恰是圖像的直方圖均衡化技術能做到的。

直方圖均衡化處理技術能將原始圖像密集的灰度分布變得比較疏散，從而拉大圖像的對比度并在視覺上達到明顯增強的效果，使一些原本不易觀察到的細節變得清晰可辨（圖3）。通常舌體的顏色與面部差異較大，與嘴唇的顏色差別較小，但是比嘴唇的顏色要豐富。舌體向下伸出，與上嘴唇之間形成較暗區域。從圖3（b）可以看出，原來顏色差異很小的舌體表面經均衡化后顏色差異變大，這主要表現在細節方面。上嘴唇較暗的地方變得更暗，并且將嘴角邊的顏色變淡。我們對現有的圖庫進行分析后發現都存在這樣的情況，并且在對傳統閾值難以處理的圖像的分析中發現，這些圖像舌體表面的顏色飽和度與臉部很接近，所以二值化后就不能區分臉部和舌體。因此，我們將直方圖均衡化作為圖像的預處理，使得原本差異較大的顏色之間的差異變得更大，差異較小的顏色之間的差異被拉大，既保證傳統閾值處理所得的準確率，又能對難以處理的圖像進行處理，從而提高分割的準確率。

2.2 初始輪廓線

HSV顏色模型是一種適合人的肉眼模型，它把彩色信號表示為三種屬性：色調、飽和度和亮度。這種彩色模型用Munsell三維空間坐標系統[5]來表示，因人與坐標之間的心理感知具有獨立性，故可以獨立感知各個顏色分量的變化。

基于這樣的特點，我們將RGB顏色模型轉換為HSV顏色模型，提取H和V分量，分別作高斯平滑，然后將H分量和V分量分別進行二值化（Otsu方法）[11]處理后得到H′和V′。H′分量得到舌尖及兩側的邊緣，即將舌體和臉部劃分，如圖4（b）所示。V′分量得到的是舌根部分的邊緣，如圖4（c）所示。將H′和V′進行求與運算得到二值圖像B。圖像B邊緣有明顯的小缺口以及離散的噪聲點，對圖像B進行形態學閉運算，消除邊緣缺口以及噪聲點，如圖4（d）所示。如果直接對圖4（d）提取邊緣，則很容易得到小的連通區域以及受嘴角和嘴唇影響的邊緣，這樣的方法雖然簡單，但是得不到質量很高的初始輪廓。因此我們提出一個快速有效的算法：以圖像中心為圓心，Δα角度為間隔，逆時針掃描舌體的輪廓，得到點的個數為2π/Δα，然后再用插值算法將所得的點依次連接，如圖4（e）所示。這樣得到的初始輪廓線的質量比直接提取邊緣的高。

2.3 幾何法對初始邊緣修正

上面得到的初始輪廓線很容易包括嘴角和嘴唇。主要體現在：嘴角部分和舌尖部分的嘴唇的水平坐標與實際的坐標相比發生了較大的變化，這部分有較強的梯度和復雜的紋理特征，對Snake收斂到舌體邊緣影響比較大。因此很有必要對其進行修正，使得初始輪廓線能夠靠近舌體的邊緣。

我們提出的修正模型如圖5所示。將舌體分成左右兩部分，首先考慮左部分，A點表示舌體輪廓線的當前點，B點是在得到A點后按逆時針方向旋轉Δα得到的舌體輪廓點。當|OB| -|OA| > thresh或|xB-xA| > thresh′時，我們認為B點是受嘴角或嘴唇影響而得到的點，需要對這些點進行修正。

2.4 動態輪廓模型[6—9]

動態輪廓模型或Snake模型是20世紀80年代中期由Kass等人[6]提出的。其基本思想是找到一條曲線u(s)=(x(s)，y(s))，使得能量函數最小：

其中u′(s)和u″(s)是表示保持曲線原有特性的內部力，可以保持曲線的連續性和光滑性。Eext(u(s))是外部能量項，它一般是我們感興趣的特征（如圖像的邊界），在這個力的作用下，曲線朝著目標方向前進。使用Snake方法提取輪廓，得到的輪廓線更貼近舌體的邊緣，精度更高，分割更準確。

3 實驗結果及分析

我們的圖像來源是在標準化環境下獲得的，其彩色深度為24bits，大小為400×400pixels，圖像數量為500。光源條件是選用國際照明委員會（CIE）推薦使用的代表日光的標準光源D65，顯色指數Ra=95，色溫為6 500K。這樣的光源條件基本有效解決了舌面反射問題。

我們使用直方圖均衡化作為圖像的預處理，使得我們提出的算法能有效地處理所有的圖像，包括用傳統閾值算法也難以處理的圖像。如圖6所示，圖6(b)是使用未經直方圖均衡化的傳統閾值處理得到的初始輪廓線，圖6（c）是采用本文提出的方法得到的輪廓線。從實驗結果來看，對圖像先進行直方圖均衡化對那些難以處理的圖像是有效的。

圖7是我們提出的幾何方法修正初始輪廓線的對比圖。我們用本文2.3節提出的式（1）處理嘴角和嘴唇邊緣，其中thresh=5(pixels)，thresh′=8(pixels)，dθ=2π/180。圖7(a)是用文獻[4]的閾值方法得到的初始輪廓線，圖7(b)是用本文算法得到的對應圖。從實驗結果看，采用幾何修正方法得到的初始輪廓線的精度高，且曲線更光滑。

從舌象的顏色特征出發，臉部區域和舌頭區域紅色分量有較大的差別。因此圖像I(x， y)取舌象圖像的R分量。我們把圖像庫分成兩類，有齒痕的圖像庫和無齒痕的圖像庫。對無齒痕的圖像庫，采用傳統的Snake模型；對有齒痕的圖像庫，按照文獻[7]提出的迭代方法算出梯度向量場(u(x， y)， v(x， y))作為Snake模型的外部能量項。用上面提到的幾何修正法得到的曲線作為Snake模型的初始化輪廓線。實驗的最終結果如圖8和圖9所示。圖8是用傳統的Snake模型得到的無齒痕舌象的最終分割圖。圖9是用GVF Snake模型得到的有齒痕舌象的最終分割圖，從圖中可以看出，得到的曲線很好地收斂于舌體凹處。只要再運用曲線的一些相關知識，就能統計齒痕的數目，判斷齒痕的程度。這為進一步提高系統推理的準確率奠定了基礎。

4 結論

通過研究傳統的閾值方法或先驗知識在舌體輪廓提取時存在的缺陷，我們針對這些缺陷提出采用直方圖均衡化預處理采集到的圖像，然后從舌體的顏色、形狀、位置等先驗信息出發，考慮到人的臉部和舌體顏色信息的差異，這些差異可以用適合人的肉眼感知模型HSV顏色模型來表示。首先對H和V分量處理得到舌體的初始輪廓線，然后根據舌體的形狀、位置信息，對得到的初始輪廓線進行幾何修正，從而克服了嘴唇對初始輪廓線的影響。我們對無齒痕的圖像和有齒痕的圖像分別采用傳統的Snake模型和GVF Snake模型。從實驗結果看，我們提出的方法取得了很好的分割效果，不僅速度快，而且初始輪廓線克服了嘴唇的影響，最后用Snake方法得到的輪廓線很好地收斂于舌體邊緣。

在下一步的工作中，我們主要集中在舌苔和舌質的分離、舌色分析與量化，以及舌苔厚度和濕潤程度及裂紋方面的研究，并且將根據中醫專家提供的病理特征及分析建立專家系統。

本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。