张广宇

摘要：针对图像的色调值容易被多种因素影响，导致基于图像色调的舌体分割算法无法准确分割舌体，提出了一种基于新型颜色通道的自适应舌象分割方法。首先结合HSI颜色空间的S通道与I通道生成两个新的颜色通道，并将两个新的颜色通道二值化。然后提出一种自适应图像拼接方法，将两个二值图像进行拼接。接着将图片中非舌体区域的连通域排除，再将舌体区域进行形态学修正得到最终舌体分割结果。实验结果表明该方法具有较好的分割结果。

关键词：舌体分割；颜色通道；自适应图像拼接；连通域；形态学处理

中图分類号：TP391 文献标识码：A 文章编号：1009-3044（2017）29-0160-03

Abstract：An adaptive tongue segmentation method Based on new color channels is proposed to solve the problem that the hue value of the image is easily affected by a variety of factors， resulting in the tongue segmentation algorithm that Based on hue value can not segment the tongue accurately.First， the S channel and the I channel of the HSI color space are combined to generate two new color channels and binarize the two new color channels.Secondly， an adaptive image mosaic method is proposed to splice two binary images. Thirdly， the connected domain of the non-tongue region in the picture is excluded， and the resulting tongue region is morphologically corrected to obtain the final tongue segmentation result. The experimental results show that the method has better segmentation results.

Key words： tongue segmentation； color channel； Adaptive image mosaic； connected domain； morphological processing

1 概述

舌诊是中医“望、闻、问、切”四诊中望诊的重要组成部分，中医通过肉眼观察病人的舌体颜色、舌苔厚度等舌象信息来对病人的身体病况进行诊断，在一些中医临床诊断中有着广泛的应用。但传统的舌诊过于依赖医生的主观判断和经验，没有统一的量化数据与诊断标准[1-3]，限制了中医舌诊的发展。因此，在传统中医诊断中引入计算机数字图像处理技术进行辅助诊断成了近年来中医舌诊客观化发展的重要方法。而该方法的前提是将舌体区域从背景中分割出来，这一步决定了后续计算机视觉技术分析的准确性[4-5]，因此舌体分割结果务必要精确。

颜色空间是彩色舌体图像预分割的基础，选择合适的颜色空间可以最大限度的利用舌体图像中的颜色信息。张氏等[7]借助HSI的Hue通道去除舌象中的嘴唇、脸部等信息，获得舌体初始轮廓，然后用舌体修正模型修正设立初始轮廓，最后用改进的GAC算法提取舌体。王氏等[8]先借助HSI空间的H通道将舌体的位置确定，然后将处理后的图像应用snake主动轮廓模型得到舌体的初步轮廓，然后基于R值和YUV的V值对所得轮廓图像重新初始化，接着再次用snake主动轮廓模型进行分割提取出舌体图像。Kamarudin等[9]根据北里大学东方医学研究中心的数据，总结出HSV颜色空间的H、S、V通道在舌体和舌苔会有不同的取值范围，由此使用H、S、V通道的值确定了分割参数，从而将舌体与舌苔分离出来。

然而，在采集舌体图像过程中，图像的颜色信息容易被环境光源、相机质量等因素影响而产生不规律的改变。如图1所示，在HSI颜色空间中，我们可以看出颜色信息的不规律变化对H通道影响很大，这样依靠H通道的彩色舌像的分割算法已经无法对舌体图像进行有效的预分割。针对这一问题，本文提出了结合两种新的颜色通道对舌体图像进行预分割处理，并运用一种针对本文条件下的自适应图像拼接算法，将舌体从背景中分割出来。

2 分割算法

本文的算法流程图如图2所示。先将原图像转换到HSI颜色空间提取出S、I颜色通道信息，由S、I颜色通道定义两个新的颜色通道并利用迭代阈值法其二值化，得到舌体图像的两张预分割图像，接着使用一种新的自适应图像拼接算法，将两个二值图像优势区域拼接，得到完整的舌体分割图像，最后结合先验知识进行形态学处理，将最终得到的分割结果输出。

2.1 颜色空间转换

图像的颜色空间有多种模型，如RGB、YUV、YIQ、HSI、HSV、CMY等。RGB是最基础的颜色空间，可以通过线性或非线性运算转换成其他颜色空间[6]，并且广泛应用于计算机等电子设备的显示器上。RGB是基于色光混合的原理设计的，R、G、B三个颜色通道分别表示红、绿、蓝三基色，通过R、G、B颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。但RGB对颜色的描述方式与人眼对物体颜色认知方式有较大的差异，RGB的颜色通道应用于图像分割并不是十分理想。所以在数字图像处理中，常采用RGB转换为与人眼感知方式相近的HSI或HSV等颜色空间模型对彩色图像进行分析。endprint

HSI颜色空间采用色调（Hue），饱和度（Saturation）和亮度（Intensity）来描述像素点的颜色。

色调（hue）分量描述了不同的颜色，取值范围是0°到360°，每个角度可以代表一种纯正的颜色。饱和度（saturation）分量描述了色彩纯度的变化，取值范围0到1，对应的变化是从与该点亮度等价的灰色到纯彩色。亮度（Intensity）分量用来控制色彩的明暗变化，取值范围0到1，数值越小，色彩越暗，越接近于黑色；数值越大，色彩越亮，越接近于白色。

RGB颜色空间到HSI颜色空间转换如式（1）所示。

2.2 利用S通道与I通道构造新的颜色通道

如图3（a）所示，HSI颜色空间模型为双锥体结构，双椎体下顶点为黑色，上顶点为白色，在I轴上即S=0，图像为只有明暗的灰度图像，S的大小决定了颜色的纯度。在图3（b）中为HSI颜色空间的纵截面，在忽略H的条件下，某像素点颜色信息在HSI颜色空间中对应的向量（Si，Ii）的与S轴的夹角为θ，本文借助θ来构造两个新的颜色通道C1、C2，

定义C1、C2与S、I 的转化公式为：

然后对C1、C2做迭代阈值二值化处理，得到C1、C2的初步分割图像。然后对所得图像进行简单的形态学开运算处理，得到结果如图4所示。

2.3 自动阈值图像拼接方法

如图4所示，对C1颜色通道使用迭代阈值分割法对舌体上半部分割效果较好，而对C2颜色分量使用迭代阈值分割法对舌尖部分分割效果较好，所以将两张预分割图像优势区域拼接成为一张图，即可获得分割结果较好的舌像。

当选取不同的拼接位置将两张图片进行拼接时，会导致拼接图像连通域数量产生改变。由于两张图片拼接位置不好确定，本文提出一种基于连通域数量的自动阈值图像拼接算法，避免了人工选取拼接阈值带来的拼接效果不稳定等不利因素。具体算法如下：

（1） 为了确保拼接结果不受噪声点与较小连通域数量的影响，首先删除C1与C2中像素点数量小于700的连通域。

（2） 根据舌体在图像上的分布，假定阈值k的范围[0.4，0.9]，k的初始值为0.4；

（3） 令Y=k*l，其中l表示图像的纵向长度，则Yi表示阈值为ki时的两张图像的拼接位置。在C1中低于Yi的像素点全部置0，在C2中高于Yi的像素点全部置0；

（4） 将变换后的C1与C2相加生成图像imouti，计算imouti的连通域数量，如果新拼接图像连通域的数量大于前一个阈值ki-1产生的连通域数量，则令K等于ki值。

（5） 令ki+1=ki+0.01，然后返回步骤（2），直到k=0.9为止，最终得到的K值即为拼接最佳阈值，代入算法中，得到拼接后的图像如图5所示。

2.4 基于先验知识与形态学运算的舌像修正

原始图像经过初步分割之后，除了包含舌体区域外，还有一些与舌体区域不相连的非舌体连通域，由于原始图像均以舌体部分为主体，基于此先验知识，可知舌体部分的连通域应具有以下特征：

1） 舌体区域面积不小于整体图像面积的40%；

2） 如果存在满足特征（一）的非舌体区域，那么一定是一个非常凹的连通域；

根据以上舌体区域的特征，本文设计了一个基于连通域运算的舌体提取算法：

a、删除像素小于40%原图面积的连通域；

b、删除比较凹的连通域：计算连通域外切最小矩形面积Si与连通域面积si的比值，删除Si/si>1.5的连通域；

c、进行形态学腐蚀、膨胀处理，将最终分割图像与原舌图像相乘，分割出舌体。最终得到的舌体提取图片如图6所示：

3 结论

舌诊是中医“望、闻、问、切”四诊中望诊的重要组成部分，在一些中医临床诊断中有着广泛的应用。在舌诊的客观化发展中，舌体分割的结果会直接影响后续计算机视觉算法的处理，

因此舌体图像分割算法具有巨大的意义。因为舌体图像采集时颜色信息容易被多种因素影响，本文提出了使用新型颜色通道对舌像进行预处理，通过迭代阈值分割算法得到初始分割结果。将两个颜色通道分割效果比较好的部分进行图像拼接，根据选取不同拼接位置导致拼接图像连通域数量会产生改变，提出了一种针对本文条件下的自适应阈值拼接算法。拼接后的分割图像依然会有许多非舌体区域的连通域，本文根据先验知识，定义了舌体区域的基本特征，并根据其特征将非舌体连通域排除掉。最后对舌体区域进行形态学的腐蚀、膨胀运算，得到最终的分割结果。经过实验论证，本文方法分割效果好、鲁棒性高、运算速度快，是一种有效的舌体分割算法。但是，本文最终分割结果十分依赖C1通道对舌根部分的分割结果。进一步优化C1通道的分割算法，提高对舌根部分的分割效果，将是接下来进一步研究的方向。

参考文献：

[1] Miao-Jing Shi；Guo-Zheng Li；Fu-Feng Li；Chao Xu.Computerized tongue image segmentation via the double geo-vector flow[J].Chinese Medicine.2014：7.

[2] Ibragimov B， Prince J L， Murano E Z， et al. Segmentation of tongue muscles from super-resolution magnetic resonance images[J]. Medical Image Analysis， 2015， 20（1）：198.

[3] Zhang L， Qin J， Zeng Y J. Tongue-coating image segmentation Based on combination of morphological gradient and watershed algorithms[J]. Imaging Science Journal the， 2015， 59（6）：311-316.

[4] Wu K， Zhang D. Robust tongue segmentation by fusing region-based and edge-based approaches[J]. Expert Systems with Applications， 2015， 42（21）：8027-8038.

[5] Saritha B， Kannan B. Disease Analysis Using Tongue Image[J].International Journal of Engineering Research & Technology， 2013，2（4）：671-676.

[6] 楊璟，朱雷.基于RGB颜色空间的彩色图像分割方法[J].计算机与现代化，2010（8）：147-149，171.

[7] 张志顺，奚建清，刘勇.一种有效的舌体提取算法研究[J]. 微电子学与计算机，2015（4）：116-119+124.

[8] 王明英，张新峰，卓力.一种基于Snakes模型的中医舌象分割改进算法[J].测控技术，2011（5）：32-35.

[9] Kamarudin， Nur Diyana， et al. Tongue's substance and coating recognition analysis using HSV color threshold in tongue diagnosis.International Workshop on Pattern Recognition， 2016：100110J.endprint