舌體圖像的分割方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，具體地，涉及一種舌體圖像的分割方法和裝置。
【背景技術(shù)】
[0002] 醫(yī)學(xué)圖像分割算法眾多，常用的如閾值分割算法，分水嶺分割算法、主動輪廓模型 分割算法，基于神經(jīng)網(wǎng)絡(luò)的分割算法等，但由于每種算法自身都存在一定問題，并非所有方 法均適用于圖像中的舌體分割。舌苔表面有復(fù)雜的紋理特征，舌體與嘴唇、皮膚等器官圖像 灰度相近，因此舌體的邊界模糊，邊界信息弱。同時，舌診系統(tǒng)最終面向普通患者，舌體分割 算法一方面需要具備準(zhǔn)確性，另一方面也需要具備時效性。
[0003] 閾值分割算法是一種傳統(tǒng)的圖像分割技術(shù)。通過計(jì)算圖像一個或多個灰度閾值， 并將圖像各像素灰度與閾值比較，最終分類到相應(yīng)合適的類別。這是一種比較簡單的分割 算法。利用閾值分割的方法來進(jìn)行舌體圖像分割準(zhǔn)確率較低，在分割的結(jié)果中，舌體邊緣輪 廓曲線比較粗糙，不能夠精確地勾勒出舌體邊緣。尤其由于舌體分割比較特殊，舌苔表面有 復(fù)雜的紋理特征，舌體與嘴唇、皮膚等器官圖像灰度相近，因此，分割所獲舌體的邊界模糊， 邊界信息弱。舌體圖像用閾值分割方法，效果并不理想。
[0004] 分水嶺分割算法以閾值分割方法為基礎(chǔ)。分水嶺分割算法是將圖像視作測地學(xué)中 的拓?fù)涞孛玻飨袼鼗叶戎狄曌骱０胃叨?，每一個局部極小值及其影響區(qū)域構(gòu)成集水盆，各 個集水盆的邊界就是分水嶺。然而某些被當(dāng)作分水嶺的局部最大值所分割出的輪廓，并不 是所需要分割出的真正輪廓，造成真實(shí)的輪廓被掩埋，這就是過分割現(xiàn)象。分水嶺算法的過 分割現(xiàn)象對舌體圖像的分割效果會產(chǎn)生嚴(yán)重的負(fù)面影響。
[0005] 基于主動輪廓模型（Active contour models, ACM)的分割方法實(shí)現(xiàn)分割速度較 慢，而且過分依賴于初始輪廓的選取，如果初始輪廓選取不好，則算法可能收斂到局部極 值，不能正確地實(shí)現(xiàn)舌體分割。此外，主動輪廓模型方法是一個迭代算法，在初始輪廓選的 偏差較大的情況下，若想取得很好的結(jié)果，則迭代的次數(shù)就會增多，增長了運(yùn)算時間。時效 性差、速度較慢是主動輪廓模型方法的一大缺點(diǎn)。
[0006] 基于神經(jīng)網(wǎng)絡(luò)的分割算法存在計(jì)算量大，所耗時間長，收斂速度慢等問題，也不適 用于醫(yī)學(xué)圖像中的舌體分割。

【發(fā)明內(nèi)容】

[0007] 為了至少部分地解決上述技術(shù)問題，根據(jù)本發(fā)明的一個方面，提供一種舌體圖像 的分割方法，包括：
[0008] 根據(jù)原始彩色圖像獲得灰度舌體圖像和HSI彩色圖像；
[0009] 基于所述灰度舌體圖像，利用分水嶺算法獲得第一圖像；
[0010] 基于所述HSI彩色圖像的H通道的數(shù)據(jù)，對所述HSI彩色圖像進(jìn)行分割，以獲得第 二圖像；
[0011] 基于所述HSI彩色圖像的I通道的數(shù)據(jù)，對所述第二圖像進(jìn)行分割，以獲得第三圖 像；以及
[0012] 計(jì)算所述第一圖像和所述第三圖像的并集，以獲得舌體分割結(jié)果圖。
[0013] 可選地，所述利用分水嶺算法獲得第一圖像進(jìn)一步包括以下步驟：
[0014] 利用邊緣增強(qiáng)方法獲得所述灰度舌體圖像的梯度圖；
[0015] 基于所述HSI彩色圖像的S通道的數(shù)據(jù)，利用閾值分割技術(shù)獲得標(biāo)記圖像；
[0016] 將所述標(biāo)記圖像覆蓋在所述梯度圖上，獲得待分割灰度圖；以及
[0017] 對所述待分割灰度圖利用所述分水嶺算法進(jìn)行分割，獲得所述第一圖像。
[0018] 可選地，所述利用閾值分割技術(shù)獲得標(biāo)記圖像進(jìn)一步包括以下步驟：
[0019] 對所述HSI彩色圖像的S通道的數(shù)據(jù)進(jìn)行閾值分割；以及
[0020] 利用形態(tài)學(xué)圖像處理技術(shù)對經(jīng)閾值分割的圖像進(jìn)行優(yōu)化，獲得標(biāo)記圖像。
[0021] 可選地，所述利用閾值分割技術(shù)獲得標(biāo)記圖像是利用大津閾值。
[0022] 可選地，在所述根據(jù)原始彩色圖像獲得灰度舌體圖像和HSI彩色圖像之前，所述 原始彩色圖像被預(yù)處理。
[0023] 根據(jù)本發(fā)明另一方面，還提供了一種舌體圖像的分割裝置，包括：
[0024] 圖像轉(zhuǎn)換模塊，用于根據(jù)原始彩色圖像獲得灰度舌體圖像和HSI彩色圖像；
[0025] 第一分割模塊，用于基于所述灰度舌體圖像，利用分水嶺算法獲得第一圖像；
[0026] 第二分割模塊，用于基于所述HSI彩色圖像的H通道的數(shù)據(jù)，對所述HSI彩色圖像 進(jìn)行分割，以獲得第二圖像；
[0027] 第三分割模塊，用于基于所述HSI彩色圖像的I通道的數(shù)據(jù)，對所述第二圖像進(jìn)行 分割，以獲得第三圖像；以及
[0028] 合并模塊，用于計(jì)算所述第一圖像和所述第三圖像的并集，以獲得舌體分割結(jié)果 圖。
[0029] 可選地，第一分割模塊進(jìn)一步包括以下模塊：
[0030] 邊緣增強(qiáng)模塊，用于利用邊緣增強(qiáng)方法獲得所述灰度舌體圖像的梯度圖；
[0031] 標(biāo)記圖像獲得模塊，用于基于所述HSI彩色圖像的S通道的數(shù)據(jù)，利用閾值分割技 術(shù)獲得標(biāo)記圖像；
[0032] 屏蔽模塊，用于將所述標(biāo)記圖像覆蓋在所述梯度圖上，獲得待分割灰度圖；以及
[0033] 分水嶺分割模塊，用于對所述待分割灰度圖利用所述分水嶺算法進(jìn)行分割，獲得 所述第一圖像。
[0034] 可選地，所述標(biāo)記圖像獲得模塊進(jìn)一步包括以下模塊：
[0035] 閾值分割模塊，用于對所述HSI彩色圖像的S通道的數(shù)據(jù)進(jìn)行閾值分割；以及
[0036] 優(yōu)化模塊，用于利用形態(tài)學(xué)圖像處理技術(shù)對經(jīng)閾值分割的圖像進(jìn)行優(yōu)化，獲得標(biāo) 記圖像。
[0037] 可選地，所述標(biāo)記圖像獲得模塊利用大津閾值。
[0038] 可選地，所述裝置還包括預(yù)處理模塊，用于在所述圖像轉(zhuǎn)換模塊根據(jù)原始彩色圖 像獲得灰度舌體圖像和HSI彩色圖像之前，預(yù)處理所述原始彩色圖像。
[0039] 本發(fā)明提出的上述分割方法和分割裝置不僅實(shí)現(xiàn)了舌體圖像的自動分割；而且， 一方面，分割結(jié)果更準(zhǔn)確，另一方面，分割速度更快。該分割方法和分割裝置復(fù)雜度不高，并 對圖像中的舌體邊界敏感，還具備時效性。
[0040] 在
【發(fā)明內(nèi)容】
中引入了一系列簡化形式的概念，這將在【具體實(shí)施方式】部分中進(jìn)一步 詳細(xì)說明。本
【發(fā)明內(nèi)容】
部分并不意味著要試圖限定出所要求保護(hù)的技術(shù)方案的關(guān)鍵特征和 必要技術(shù)特征，更不意味著試圖確定所要求保護(hù)的技術(shù)方案的保護(hù)范圍。
[0041] 以下結(jié)合附圖，詳細(xì)說明本發(fā)明的優(yōu)點(diǎn)和特征。
【附圖說明】
[0042] 本發(fā)明的下列附圖在此作為本發(fā)明的一部分用于理解本發(fā)明。附圖中示出了本發(fā) 明的實(shí)施方式及其描述，用來解釋本發(fā)明的原理。在附圖中，
[0043] 圖1是根據(jù)本發(fā)明一個具體實(shí)施例的分割方法的流程圖；
[0044] 圖2是根