本發(fā)明涉及醫(yī)學(xué)圖像處理，尤其是涉及一種開放環(huán)境下中醫(yī)舌象圖像分割方法。

背景技術(shù)：

傳統(tǒng)的中醫(yī)舌診，主要依靠醫(yī)生的肉眼觀察進(jìn)行分析判斷，診斷結(jié)果往往與醫(yī)生的知識(shí)水平和經(jīng)驗(yàn)積累有關(guān)，近年來(lái)，信息技術(shù)的發(fā)展推動(dòng)了中醫(yī)舌象分析客觀化、數(shù)字化和自動(dòng)化的進(jìn)程。國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)行了許多有益的探索，并開發(fā)了一些舌象分析系統(tǒng)，取得了較好的效果(余興龍,竺子民,金國(guó)潘,等.中醫(yī)舌診自動(dòng)識(shí)別系統(tǒng)[j].儀器儀表學(xué)報(bào),1994,15(1):67-71；蔣依吾.電腦化中醫(yī)舌診系統(tǒng)[j].中國(guó)中西醫(yī)結(jié)合雜志,2000,20(2):145-147；caiy.anovelimagingsystemfortongueinspection[c].ieeeimtc,alaska.ieee,2002:159–163；zhanghz,wangkq,zhangd,pangb,huangb.computeraidedtonguediagnosissystem[j].confprocieeeengmedbiosoc,2005,7:6754-6757)，但這些數(shù)字化舌診分析系統(tǒng)的拍攝環(huán)境通常是固定的，即在密閉、光照穩(wěn)定的環(huán)境下拍攝采集，這樣能夠得到高質(zhì)量的舌象圖像，但存在一定局限性，表現(xiàn)在采集設(shè)備的特殊性與不易攜帶。在舌象圖像分割方面，香港理工大學(xué)david.zhang等人在這一領(lǐng)域取得了較新的研究成果，進(jìn)行了許多有益的探索(pangb,zhangd,wangk.thebi-ellipticaldeformablecontouranditsapplicationtoautomatedtonguesegmentationinchinesemedicine[j].ieeetransactionsonmedicalimaging,2005,24(8):946；ningj,zhangd,wuc,etal.automatictongueimagesegmentationbasedongradientvectorflowandregionmerging[j].neuralcomputingandapplications,2012,21(8):1-8；cuiz,zuow,zhangh,etal.automatedtonguesegmentationbasedon2dgaborfiltersandfastmarching[m]//intelligencescienceandbigdataengineering.2013:328-335；wuk,zhangd.robusttonguesegmentationbyfusingregion-basedandedge-basedapproaches[j].expertsystemswithapplications,2015,42(21):8027-8038.)。

隨著智能手機(jī)、平板電腦等移動(dòng)設(shè)備的普及，通過(guò)移動(dòng)設(shè)備在開放的自然環(huán)境下進(jìn)行舌象采集，獲得個(gè)人健康信息逐漸成為一個(gè)發(fā)展方向。但隨之而來(lái)的問(wèn)題是，由于在開放環(huán)境下采集舌象，存在光源色溫、光線強(qiáng)弱、拍攝角度、設(shè)備差異等諸多不確定因素的影響，使得最終獲取的圖像同固定環(huán)境相比，采集的舌象圖像往往存在較大差異，對(duì)后續(xù)的分析帶來(lái)困難。不可避免的是，在采集舌象的過(guò)程中，難免有一些非舌象區(qū)域被采集，例如臉、牙齒、嘴唇和背景中的其他物體。然而，舌象特征提取與診斷結(jié)果完全依賴于舌體，因此，在開放環(huán)境下采集舌象進(jìn)行分析時(shí)，對(duì)舌體進(jìn)行檢測(cè)與分割顯得十分重要。在對(duì)舌象進(jìn)行分析前，對(duì)圖像進(jìn)行舌象圖像分割有助于提高系統(tǒng)后續(xù)的分析速度和準(zhǔn)確率，也有助于中醫(yī)醫(yī)生直觀、準(zhǔn)確、方便的觀察舌象，提高診斷的速度。舌象圖像分割的目的是將舌體圖像從圖像背景中分離出來(lái)，舌象圖像分割的準(zhǔn)確性直接影響整個(gè)系統(tǒng)的容錯(cuò)率與健壯性。

目前，針對(duì)開放環(huán)境下中醫(yī)舌象圖像分割展開的研究并不多，與該發(fā)明方法最接近的技術(shù)為中國(guó)專利cn203970354u(申請(qǐng)人為廈門強(qiáng)本科技有限公司，發(fā)明人王博亮)公開一種基于移動(dòng)終端的中醫(yī)舌象分析系統(tǒng)，對(duì)移動(dòng)設(shè)備采集的舌象進(jìn)行處理、分析。該系統(tǒng)雖然實(shí)現(xiàn)了舌象圖像分割功能，但也存在一些不足之處：

1、采用窮舉的方式對(duì)待分割目標(biāo)切分小塊，轉(zhuǎn)換到霍夫空間投票，算法復(fù)雜，處理速度慢；而在開放環(huán)境下采用移動(dòng)設(shè)備進(jìn)行舌象采集、診斷，往往對(duì)處理過(guò)程的實(shí)時(shí)性要求較高；

2、處理過(guò)程中需要用較多的參數(shù)來(lái)描述舌象模型，比較復(fù)雜，實(shí)現(xiàn)比較困難；

3、需要有監(jiān)督的訓(xùn)練大量數(shù)據(jù)，需要人工手動(dòng)標(biāo)記出前景和背景，從而建立檢測(cè)模型，訓(xùn)練過(guò)程難度大；

4、進(jìn)行數(shù)據(jù)訓(xùn)練時(shí)，要求樣本盡可能多，對(duì)數(shù)據(jù)集的依賴性高且容易過(guò)擬合，陷入局部極值。

此外，中國(guó)專利cn106023151a(本申請(qǐng)的發(fā)明人黃曉陽(yáng),鄭豐,王博亮,王彥暉)公開一種開放環(huán)境下中醫(yī)舌象目標(biāo)檢測(cè)方法，但是方法采用單一紋理特征進(jìn)行檢測(cè)，對(duì)舌體邊緣的細(xì)節(jié)部分分割效果不夠精確，該方法對(duì)舌體分割的準(zhǔn)確率和魯棒性有待提高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)現(xiàn)有的在開放環(huán)境下采集舌象過(guò)程中存在諸多不足之處，如：光源色溫、光線強(qiáng)弱、拍攝角度、設(shè)備差異等諸多不確定因素的影響，使得最終獲取的圖像同固定環(huán)境相比，采集的舌象圖像往往存在較大差異，對(duì)后續(xù)的分析帶來(lái)困難等問(wèn)題，提供可快速并準(zhǔn)確地分割出可供后續(xù)分析的舌象，以便于進(jìn)行后續(xù)舌象分析的一種開放環(huán)境下中醫(yī)舌象圖像分割方法。

本發(fā)明包括以下步驟：

1)輸入在開放環(huán)境下采集的圖像a；

2)對(duì)采集的圖像a進(jìn)行顏色校正，得到校正圖像b；

3)對(duì)步驟2)得到的校正圖像b進(jìn)行圖像初步分割；

4)對(duì)步驟3)得到的圖像c中的各個(gè)連通域進(jìn)行特征提??；

5)對(duì)步驟4)提取到的各個(gè)凸包的特征，用隨機(jī)森林分類器計(jì)算舌體位置；

6)以步驟5)得到的舌體區(qū)域d為基礎(chǔ)，對(duì)圖像b進(jìn)行開放環(huán)境下中醫(yī)舌象圖像分割方法。

在步驟2)中，所述對(duì)采集的圖像a進(jìn)行顏色校正的具體方法可為：

(1)在標(biāo)準(zhǔn)光照環(huán)境下采集舌象圖像s1，計(jì)算舌象圖像s1的rgb三個(gè)顏色通道均值分別與舌象圖像s1的整體均值ks的比值αr、αg、αb：

中，舌象圖像s1的整體均值ks＝(ravgs+gavgs+bavgs)/3；ravgs、gavgs、bavgs分別為標(biāo)準(zhǔn)光照環(huán)境下采集舌象圖像s1的rgb三個(gè)顏色通道的均值；所述標(biāo)準(zhǔn)光照采集環(huán)境可為d65光源，色溫為6500k；(2)按下式調(diào)整圖像a的rgb三個(gè)顏色通道的均值，得到校正圖像b；

k＝(ravg+gavg+bavg)/3

其中，k為圖像a的整體均值，ravg、gavg、bavg分別為圖像a的rgb三個(gè)顏色通道的均值；rd、gd、bd為校正圖像b每個(gè)像素點(diǎn)的rgb三個(gè)顏色通道的值，rs、gs、bs為圖像a每個(gè)像素點(diǎn)的rgb三個(gè)顏色通道的值；

在步驟3)中，所述對(duì)步驟2)得到的校正圖像b進(jìn)行圖像初步分割的具體方法可為：

(1)將校正圖像b轉(zhuǎn)換到灰度空間圖像fb1，按照最大類間方差法(參見文獻(xiàn)：ohtsun.athresholdselectionmethodfromgray-levelhistograms[j].systemman&cyberneticsieeetransactionson,1979,9(1):62-66.)對(duì)灰度空間圖像fb1進(jìn)行閾值分割，得到分割圖像b1’，并對(duì)分割圖像b1’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b1；

(2)將校正圖像b轉(zhuǎn)換到hsv顏色空間圖像fb2，對(duì)圖像fb2的h通道進(jìn)行閾值分割，得到分割圖像b2’，并對(duì)分割圖像b2’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b2；

(3)采用rgb三色分量方差法(參見文獻(xiàn)：蔣依吾.電腦化中醫(yī)舌診系統(tǒng)[j].中國(guó)中西醫(yī)結(jié)合雜志,2000,20(2):145-147)對(duì)校正圖像b進(jìn)行閾值分割,得到分割圖像b3’，并對(duì)分割圖像b3’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b3。

(4)對(duì)圖像b1、圖像b2、圖像b3三個(gè)圖像進(jìn)行邏輯“與”運(yùn)算，得到圖像c。

在步驟3)第(1)、(2)、(3)部分中，所述將分割結(jié)果圖像運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，其具體步驟為對(duì)分割結(jié)果圖像b(x,y)進(jìn)行先腐蝕再膨脹：

b(x,y)＝dilate(erode(b(x,y),element))

其中，element定義為形態(tài)學(xué)運(yùn)算中的結(jié)構(gòu)元素；dilate定義為形態(tài)學(xué)運(yùn)算中的膨脹操作；erode定義為形態(tài)學(xué)運(yùn)算中的腐蝕操作。

在步驟4)中，所述對(duì)步驟3)得到的圖像c中的各個(gè)連通域進(jìn)行特征提取的具體方法可為：

(1)對(duì)于圖像c中的每一個(gè)連通域，計(jì)算該連通域的凸包si；

(2)提取凸包區(qū)域的空間位置特征；

在步驟4)第(2)部分中，所述提取凸包區(qū)域的空間位置特征具體步驟如下：

a)計(jì)算凸包si與圖像c的面積比刪除面積比小于0.02的區(qū)域；

b)計(jì)算連通域質(zhì)心ci離圖像中心c0的歐式距離其中cix、ciy分別表示凸包si質(zhì)心的橫坐標(biāo)與縱坐標(biāo)，c0x、c0y分別表示圖像c中心的橫坐標(biāo)與縱坐標(biāo)；

c)計(jì)算連通域最小右邊界矩形的長(zhǎng)寬比rscale＝w/h，其中w表示最小外接矩形的寬，h表示最小外接矩形的長(zhǎng)。

(3)提取凸包區(qū)域的顏色特征；

在步驟4)第(3)部分中，所述提取凸包區(qū)域的顏色特征具體步驟如下：

a)將校正圖像b轉(zhuǎn)換到hsv顏色空間圖像c’；

b)凸包si對(duì)應(yīng)于圖像c’中的區(qū)域，計(jì)算區(qū)域的非均勻量化顏色特征。

所述非均勻量化顏色特征定義如下：

根據(jù)人體的感知特性對(duì)h，s，v三個(gè)顏色通道進(jìn)行非均勻量化，將色調(diào)h分為8份，飽和度s分為2份，亮度v分為1份。其中色調(diào)h的取值范圍為[0,360]，飽和度s的取值范圍為[0,1]，亮度v的取值范圍為[0,1]。

v＝{0v∈(0.15,1]

按照以上的量化等級(jí)，將h、s、v三個(gè)個(gè)顏色分量合成為一維特征矢量：

l＝hqsqv+sqv+v

其中qs和qv分別是分量s和v的量化級(jí)數(shù)，這里qs＝2，qv＝1，因此上式可表示為：

根據(jù)上式，l取值范圍為[0,1,…,19]，計(jì)算l獲得20柄的一維直方圖，通過(guò)統(tǒng)計(jì)并歸一化我們能夠得到20個(gè)顏色特征。

(4)提取凸包區(qū)域的形狀特征；

在步驟4)第(4)部分中，所述提取凸包區(qū)域的形狀特征具體為計(jì)算凸包si的7個(gè)hu不變矩mi(i∈[1,7])(參見文獻(xiàn)：hum.visualpatternrecognitionbymomentinvariants[j].informationtheoryiretransactionson,1962,8(2):179-187.)。

所述hu不變矩定義如下：

對(duì)于大小為m×n的圖像f(x,y)，f(x,y)的二維(p+q)階矩定義為：

相應(yīng)的(p+q)階中心矩定義為：

其中

由ηpq表示的歸一化中心矩定義為：

其中γ＝(p+q)/2+1

hu用歸一化中心矩的線性組合構(gòu)造具有平移、伸縮、旋轉(zhuǎn)不變的7個(gè)hu不變矩

(5)提取凸包區(qū)域的紋理特征；

在步驟4)第(5)部分中，所述提取凸包區(qū)域的紋理特征具體具體步驟如下：

a)將校正圖像b轉(zhuǎn)換到灰度空間圖像c”；

b)凸包si對(duì)應(yīng)于圖像c”中的區(qū)域，分別計(jì)算區(qū)域的水平、垂直、對(duì)角偏移量三種灰度

共生矩陣的聯(lián)合概率密度分布；

設(shè)灰度共生矩陣的聯(lián)合概率密度分布記為[pmn]l×l，其中l(wèi)為灰度取值范圍，m＝[0,l-1],n＝[0,l-1]；根據(jù)聯(lián)合概率密度分布計(jì)算得到6個(gè)紋理特征(參見文獻(xiàn)：haralickrm,shanmugamk,dinsteini.texturalfeaturesforimageclassification[j].systemsman&cyberneticsieeetransactionson,2010,smc-3(6):610–621.)，所述6個(gè)紋理特征包括角二階矩pcon、對(duì)比度pasm、熵pent、逆差矩pidm、中值pmean和灰度相關(guān)pcor。

在步驟5)中，所述隨機(jī)森林分類器的定義為：

隨機(jī)森林(參見文獻(xiàn)：surhonelm,tennoemt,henssonowsf,etal.randomforest[j].machinelearning，2001,45(1):5-32)是一種以決策樹作為基礎(chǔ)分類器的分類算法。隨機(jī)森林分類器由多棵決策樹構(gòu)成，這些決策樹彼此獨(dú)立，而且在訓(xùn)練樣本的選擇、特征子集的選擇和樹的生長(zhǎng)過(guò)程中引入了隨機(jī)性，即每棵決策樹的構(gòu)造都是從原數(shù)據(jù)集中隨機(jī)抽取出一部分作為樣本子集，然后再?gòu)臉颖咀蛹须S機(jī)選取部分特征子集進(jìn)行處理，并且所有決策樹都自然生長(zhǎng)，不進(jìn)行剪枝。因此，多顆決策樹可以并行生長(zhǎng)，這樣隨機(jī)森林分類器相對(duì)于其他分類器具有更短的訓(xùn)練和識(shí)別時(shí)間，并且由于引入了隨機(jī)性，分類器對(duì)噪聲也不敏感。隨機(jī)森林的最終決策是通過(guò)所有決策樹投票的方法而得，因此，具有更高的檢測(cè)率與魯棒性。

所述隨機(jī)森林采用bagging方法選取每個(gè)訓(xùn)練子集，即采用有放回的抽取方式，這樣會(huì)導(dǎo)致原數(shù)據(jù)集中的部分樣本可能重復(fù)出現(xiàn)在新的訓(xùn)練子集中，而另外一部分樣本一次也不出現(xiàn)，這些沒(méi)有被選擇到的數(shù)據(jù)叫做“outofbag(oob)”數(shù)據(jù)，一般占所有數(shù)據(jù)的1/3。

對(duì)于模型中的每個(gè)節(jié)點(diǎn)，決策樹的構(gòu)造通過(guò)隨機(jī)抽取特征子集來(lái)分裂生長(zhǎng)，隨機(jī)抽取的數(shù)量為特征總數(shù)的開方。對(duì)于分類問(wèn)題，決策樹生長(zhǎng)過(guò)程中節(jié)點(diǎn)最佳分裂的度量選擇基尼指數(shù)，對(duì)于一個(gè)含有m類樣本的集合s，集合s的純度用基尼值度量為：

其中pk為第k類樣本占總樣本數(shù)量的比例，k＝1,2,...,m。集合s的純度與計(jì)算得到的基尼值成反比。對(duì)于節(jié)點(diǎn)的分裂，假定用屬性v對(duì)集合s進(jìn)行分裂，其中屬性v為具有n個(gè)可能取值的離散屬性{v¹,v²,...,vⁿ}，則分裂后的集合s會(huì)產(chǎn)生n個(gè)分支，其中每個(gè)分支對(duì)應(yīng)于原始集合s中在屬性v上取值相同的所有樣本，記為s^v。則根據(jù)公式可計(jì)算出s^v的基尼純度，再對(duì)每個(gè)分支賦予權(quán)重|s^v|/|s|，其中|s^v|為第v個(gè)分支的樣本數(shù)量，|s|表示所有樣本數(shù)量。于是，可計(jì)算出用屬性v對(duì)集合s進(jìn)行分裂所獲得的基尼指數(shù)：

從上式中可以看出，基尼指數(shù)值越小，意味著所有分支節(jié)點(diǎn)的加權(quán)純度越小，對(duì)集合s純度的提升越明顯。因此，在候選屬性集合a中，選擇使得分裂后gindex值最小的屬性作為最佳分裂屬性，即：

訓(xùn)練隨機(jī)森林分類器的具體方法可為：

a)對(duì)于訓(xùn)練集中的所有圖像，對(duì)每個(gè)圖像按照步驟2)進(jìn)行顏色校正然后按照步驟3)對(duì)校正圖像進(jìn)行圖像分割，最后對(duì)分割圖像的各個(gè)凸包按照步驟4)提取特征并人工標(biāo)記樣本；

b)在舌象訓(xùn)練樣本中用bagging方法形成n個(gè)子樣本；

c)對(duì)于每個(gè)子樣本，隨機(jī)選擇p個(gè)屬性作為節(jié)點(diǎn)分裂的候選屬性，其中p取值為所有屬性的開方；

d)在候選屬性中計(jì)算基尼指數(shù)，選擇吉尼指數(shù)最小的屬性對(duì)決策樹進(jìn)行分裂；

f)重復(fù)步驟d)直到吉尼指數(shù)小于某一規(guī)定閾值；

g)重復(fù)步驟c)到f)，直到生成n棵決策樹；

h)對(duì)于未知樣本的分類，隨機(jī)森林輸出其決策樹多數(shù)投票結(jié)果。

所述對(duì)步驟4)提取到的各個(gè)凸包的特征，用步驟5)第(1)部分訓(xùn)練好的隨機(jī)森林分類器輸出最終舌體位置，其具體步驟如下：

a)對(duì)于各個(gè)凸包，隨機(jī)森林分類器輸出其為舌體的可能值pi；

b)所有pi值里最大值對(duì)應(yīng)的凸包即為最終舌體區(qū)域d。

在步驟6)中，所述以步驟5)得到的舌體區(qū)域d為基礎(chǔ)，對(duì)圖像b進(jìn)行開放環(huán)境下中醫(yī)舌象圖像分割方法的具體方法可為：

(1)將圖像b轉(zhuǎn)換到灰度空間圖像b’；

(2)截取圖像b’中的舌象圖像分割區(qū)域，具體步驟如下：

a)計(jì)算舌體區(qū)域d對(duì)應(yīng)的最小右邊界矩形r；

b)將最小右邊界矩形r向外擴(kuò)散20個(gè)像素點(diǎn)，得到舌象圖像分割區(qū)域r’。

(3)對(duì)舌象圖像分割區(qū)域r’進(jìn)行邊緣增強(qiáng)，具體步驟如下：

a)計(jì)算舌象圖像分割區(qū)域r’水平與垂直的梯度矢量場(chǎng)，分別為u和v；

b)將水平與垂直梯度矢量場(chǎng)疊加到舌象圖像分割區(qū)域r’，得到邊緣增強(qiáng)后的最終舌象圖像分割區(qū)域r”，即區(qū)域r”的最終灰度取值為r’+u+v。

(4)以舌體區(qū)域d對(duì)應(yīng)的凸包為初始輪廓，采用gvfsnake模型(參見文獻(xiàn)：xuc,princejl.snakes,shapes,andgradientvectorflow[j].ieeetransactionsonimageprocessingapublicationoftheieeesignalprocessingsociety,1998,7(3):359-69.)對(duì)最終舌象圖像分割區(qū)域r”進(jìn)行分割，得到舌象分割圖像。

所述gvfsnake模型定義為：

在傳統(tǒng)主動(dòng)輪廓模型(snake)的基礎(chǔ)上，采用梯度矢量流作為曲線演化的外部能量。傳統(tǒng)snake模型是在圖像區(qū)域內(nèi)定義的一條輪廓曲線，其參數(shù)表達(dá)形式為x(s)＝[x(s),y(s)],s∈[0,1]，其中s是用傅里葉變換形式描述輪廓邊界的變量，x(s)和y(s)表示曲線在圖像區(qū)域內(nèi)的坐標(biāo)。該輪廓曲線的運(yùn)動(dòng)形式是通過(guò)最小化能量函數(shù)：

其中，α和β分別為曲線彈性和剛性的加權(quán)系數(shù)，相應(yīng)的，x′(s)和x″(s)分別為曲線x(s)關(guān)于s的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

要使能量函數(shù)e最小化，曲線x(s)必須滿足歐拉(euler)方程：

為了求解該方程，引入時(shí)間變量t，將x(s)視為s和時(shí)間t的函數(shù)x(s,t)，則上述動(dòng)態(tài)演化方程可表示為對(duì)t求偏微分：

xt(s,t)＝αx″(s,t)-βx″″(s,t)-▽eext

當(dāng)xt(s,t)穩(wěn)定時(shí)，xt(s,t)＝0，滿足歐拉方程，曲線演化完畢。

在上述公式的基礎(chǔ)上，gvfsnake模型定義一個(gè)新的靜態(tài)外部能量即梯度矢量流。取代演化方程中的新的動(dòng)態(tài)演化方程可表示為：

xt(s,t)＝αx″(s,t)-βx″″(s,t)+v

對(duì)于新的靜態(tài)外部能量gvf，相應(yīng)的，將梯度矢量場(chǎng)定義為v(x,y)＝(u(x,y),v(x,y))，通過(guò)最小化下述能量方程得到：

其中，下標(biāo)x和y表示的是圖像在x和y方向上的偏導(dǎo)數(shù)。參數(shù)μ是控制能量函數(shù)在第一項(xiàng)和第二項(xiàng)之間權(quán)衡的正則化參數(shù)，根據(jù)圖像中的噪聲而定，當(dāng)圖像中的噪聲較大時(shí)，μ取大值。

相應(yīng)地，最小化能量方程可以轉(zhuǎn)化為求解歐拉方程組：

其中，▽²為拉普拉斯算子。

進(jìn)一步的，類似于傳統(tǒng)snake模型的求解，歐拉方程組的求解可將分量u和v看作是時(shí)間t的函數(shù)：

當(dāng)方程組趨于穩(wěn)定的解即為歐拉方程組的期望解。由于方程組是解耦的，因此可以作為單獨(dú)的標(biāo)量偏導(dǎo)數(shù)求解方程。為了方便求解，改寫方程組為：

其中，c¹(x,y)＝b(x,y)+fx(x,y)，c²(x,y)＝b(x,y)+fy(x,y)。fx(x,y)和fy(x,y)可由任意的圖像梯度算子求得，進(jìn)而求得b(x,y)、c¹(x,y)和c²(x,y)，作為迭代過(guò)程中固定系數(shù)。

本發(fā)明針對(duì)開放環(huán)境下中醫(yī)舌象圖像的特點(diǎn)對(duì)圖像進(jìn)行舌象圖像分割，首先對(duì)圖像進(jìn)行顏色校正的預(yù)處理，減少因外界光源色溫帶來(lái)的影響；然后為了確定初始輪廓，先對(duì)圖像進(jìn)行分割，得到多個(gè)連通區(qū)域；并對(duì)各連通區(qū)域進(jìn)行特征提取，最終通過(guò)訓(xùn)練好的隨機(jī)森林分類器得到舌體初始輪廓；最后通過(guò)gvfsnake模型對(duì)初始輪廓進(jìn)行演化，逼近舌體真實(shí)邊緣。本發(fā)明最終達(dá)到對(duì)圖像中的舌象進(jìn)行分割的目的，即將舌體從復(fù)雜背景中提取出來(lái)。

顏色校正過(guò)程采用改進(jìn)的灰度世界算法，針對(duì)舌象圖像特有的三個(gè)顏色通道均值不同的特征調(diào)整相應(yīng)的參數(shù)值，以符合舌象圖像的特征；圖像分割部分采用最大類間方差、色調(diào)閾值分割和rgb三色分量方差分割相結(jié)合的方法進(jìn)行分割；確定初始輪廓部分通過(guò)對(duì)各連通域的凸包進(jìn)行特征提取后，采用訓(xùn)練好的隨機(jī)森林分類器得到舌體區(qū)域的輪廓；舌象圖像分割則以上一部的舌體輪廓作為初始輪廓，采用gvfsnake模型對(duì)曲線進(jìn)行演化，逼近舌體真實(shí)輪廓，最終達(dá)到舌象圖像分割的目的。

相對(duì)于現(xiàn)有技術(shù)，本發(fā)明的有益效果為：

1、本發(fā)明根據(jù)舌象特征利用改進(jìn)的灰度世界算法對(duì)圖像進(jìn)行顏色校正，減少了因采集環(huán)境顏色偏色帶來(lái)的影響。

2、本發(fā)明采用最大類間方差、色調(diào)閾值分割和rgb三色分量方差分割相結(jié)合的方法進(jìn)行圖像分割；根據(jù)連通域凸包的空間位置特征、顏色特征、形狀特征和輪廓特征，采用隨機(jī)森林分類器進(jìn)行提取舌體初始輪廓；采用gvfsnake模型進(jìn)行舌象圖像精細(xì)分割；這些方法都是針對(duì)開放環(huán)境下的舌象特點(diǎn)進(jìn)行處理、分析，這些方法相輔相成，環(huán)環(huán)相扣，結(jié)合起來(lái)使用能夠更加精確地分割出舌象，具有分割精度高、魯棒性強(qiáng)的優(yōu)點(diǎn)。

3、本發(fā)明使用的方法運(yùn)算量小、程序?qū)崿F(xiàn)簡(jiǎn)單，隨機(jī)森林分類器不需要訓(xùn)練大量數(shù)據(jù)，特征提取算法復(fù)雜度低，處理速度快，對(duì)數(shù)據(jù)集的依賴程度不高。

4、本發(fā)明識(shí)別、分割的準(zhǔn)確率高，綜合考慮了舌象圖像空間位置、顏色、形狀和紋理等多種特征，綜合考慮圖像整體信息，相比其他方法采用單一特征而言，本發(fā)明具有更高的識(shí)別率和準(zhǔn)確率。

本發(fā)明針對(duì)開放環(huán)境下舌象圖像的特點(diǎn)分多個(gè)步驟進(jìn)行處理、分析，達(dá)到舌象圖像分割的目的。本發(fā)明的圖像分割、特征提取、分類器識(shí)別、gvfsnake模型分割幾個(gè)步驟在功能上相輔相成，圖像分割主要利用閾值分割的方法進(jìn)行粗篩選，算法復(fù)雜度低，特征提取利用圖像的空間位置、顏色、形狀和輪廓特征，算法實(shí)現(xiàn)簡(jiǎn)單，隨機(jī)森林分類器識(shí)別舌體初始輪廓，魯棒性強(qiáng)，舌象圖像分割在初始輪廓的基礎(chǔ)上利用主動(dòng)輪廓模型進(jìn)行分割，分割的精確度較高，運(yùn)算速度快，取得了新的技術(shù)效果。相對(duì)于最接近的現(xiàn)有技術(shù)，具有明顯的區(qū)別特征，且具有較明顯的優(yōu)點(diǎn)：本發(fā)明的方法不需要采用窮舉的方法轉(zhuǎn)換到霍夫空間投票，算法復(fù)雜度低，運(yùn)算量小，也不需要進(jìn)行有監(jiān)督的訓(xùn)練大量數(shù)據(jù)，因此實(shí)現(xiàn)較為簡(jiǎn)單，對(duì)數(shù)據(jù)集的依賴程度不高，在準(zhǔn)確率與處理速度上更優(yōu)越，更具有實(shí)用性。

附圖說(shuō)明

圖1為開放環(huán)境下采集的圖像；

圖2為本發(fā)明步驟5)得到的舌體初始輪廓；(a線為初始輪廓)

圖3為本發(fā)明步驟6)舌象圖像分割的最終結(jié)果

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。

本發(fā)明實(shí)施例包括如下步驟：

1)輸入在開放環(huán)境下采集的圖像a，如圖1所示；

2)對(duì)采集的圖像a進(jìn)行顏色校正，得到校正圖像b；

在步驟2)中，所述對(duì)采集的圖像a進(jìn)行顏色校正的具體方法如下：

(1)在標(biāo)準(zhǔn)光照環(huán)境下采集舌象圖像s1，計(jì)算舌象圖像s1的rgb三個(gè)顏色通道均值分別與舌象圖像s1的整體均值ks的比值αr、αg、αb：

其中，舌象圖像s1的整體均值ks＝(ravgs+gavgs+bavgs)/3；ravgs、gavgs、bavgs分別為標(biāo)準(zhǔn)光照環(huán)境下采集舌象圖像s1的rgb三個(gè)顏色通道的均值；所述標(biāo)準(zhǔn)光照采集環(huán)境可為d65光源，色溫為6500k；

本實(shí)施例中，各個(gè)參數(shù)的取值如下：αr＝1.09、αg＝0.956、αb＝0.94。

(2)按下式調(diào)整圖像a的rgb三個(gè)顏色通道的均值，得到校正圖像b；

k＝(ravg+gavg+bavg)/3

其中，k為圖像a的整體均值，ravg、gavg、bavg分別為圖像a的rgb三個(gè)顏色通道的均值；rd、gd、bd為校正圖像b每個(gè)像素點(diǎn)的rgb三個(gè)顏色通道的值，rs、gs、bs為圖像a每個(gè)像素點(diǎn)的rgb三個(gè)顏色通道的值；

3)對(duì)步驟2)得到的校正圖像b進(jìn)行圖像分割，具體方法如下：

(1)將校正圖像b轉(zhuǎn)換到灰度空間圖像fb1，按照最大類間方差法對(duì)灰度空間圖像fb1進(jìn)行閾值分割，得到分割圖像b1’，并對(duì)分割圖像b1’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b1；

在步驟3)第(1)部分中，所述將校正圖像b轉(zhuǎn)換到灰度空間圖像fb1，按照最大類間方差法對(duì)灰度空間圖像fb1進(jìn)行閾值分割，得到分割圖像b1’，并對(duì)分割圖像b1’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b1的具體步驟如下：

a)將校正圖像b轉(zhuǎn)換到灰度空間圖像fb1；

b)對(duì)于灰度空間圖像fb1，按照最大類間方差法得到的閾值t對(duì)灰度空間圖像fb1進(jìn)行閾值分割，得分割圖像b1’像素點(diǎn)的rgb取值fx,y(r,g,b)：

其中，fb1(x,y)表示灰度空間圖像fb1像素點(diǎn)的取值；

c)對(duì)分割圖像b1’運(yùn)用形態(tài)學(xué)運(yùn)算中的閉運(yùn)算平滑連通域得到圖像b1；圖像b1中的像素值g1(x,y)為：

g1(x,y)＝dilate(erode(f1(x,y),element))

其中，f1(x,y)為分割圖像b1’中的像素值，element定義為形態(tài)學(xué)運(yùn)算中的結(jié)構(gòu)元素；dilate定義為形態(tài)學(xué)運(yùn)算中的膨脹操作；erode定義為形態(tài)學(xué)運(yùn)算中的腐蝕操作。

本實(shí)施例中，element定義為[11×11]的橢圓結(jié)構(gòu)

(2)將校正圖像b轉(zhuǎn)換到hsv顏色空間圖像fb2，對(duì)圖像fb2的h通道進(jìn)行閾值分割，得到分割圖像b2’，并對(duì)分割圖像b2’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b2；

在步驟3)第(2)部分中，所述將校正圖像b轉(zhuǎn)換到hsv顏色空間圖像fb2，對(duì)圖像fb2的h通道進(jìn)行閾值分割，得到分割圖像b2’，并對(duì)分割圖像b2’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b2的具體步驟如下：

a)將校正圖像b轉(zhuǎn)換到hsv顏色空間圖像fb2；

b)采用下式對(duì)圖像fb2進(jìn)行色調(diào)閾值分割，得到分割圖像b2’像素點(diǎn)的rgb取值fx,y(r,g,b)：

其中，hx,y表示圖像fb2中h通道像素點(diǎn)取值，t1和t2表示設(shè)定的閾值；

本實(shí)施例中，t1＝7、t1＝29

c)對(duì)分割圖像b2’運(yùn)用形態(tài)學(xué)運(yùn)算中的閉運(yùn)算平滑連通域得到圖像b2；圖像b2中的像素值g2(x,y)為：

g2(x,y)＝dilate(erode(f2(x,y),element))

其中，f2(x,y)為分割圖像b2’中的像素值，element定義為形態(tài)學(xué)運(yùn)算中的結(jié)構(gòu)元素；dilate定義為形態(tài)學(xué)運(yùn)算中的膨脹操作；erode定義為形態(tài)學(xué)運(yùn)算中的腐蝕操作。

本實(shí)施例中，element定義為[11×11]的橢圓結(jié)構(gòu)

(3)采用rgb三色分量方差法對(duì)校正圖像b進(jìn)行閾值分割,得到分割圖像b3’，并對(duì)分割圖像b3’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b3。

在步驟3)第(3)部分中，所述采用rgb三色分量方差法對(duì)校正圖像b進(jìn)行閾值分割,得到分割圖像b3’，并對(duì)分割圖像b3’運(yùn)用形態(tài)學(xué)運(yùn)算平滑連通域，得到圖像b3的的具體步驟如下：

a)對(duì)于校正圖像b，假設(shè)其大小為m×n，將校正圖像b中每個(gè)像素點(diǎn)的rgb取值進(jìn)行歸一化操作，其取值范圍為[0,1]，采用下式對(duì)校正圖像b中的每個(gè)像素點(diǎn)計(jì)算rgb三色分量方差gate(m,n)，并對(duì)校正圖像b進(jìn)行分割，得到分割圖像b3’像素點(diǎn)的rgb取值fm,n(r,g,b)：

gate(m,n)＝(rm,n-gm,n)+(bm,n-gm,n)×6+(rm,n+gm,n+bm,n)/3

其中，rm,n表示校正圖像b中像素點(diǎn)(m,n)的r通道的取值，gm,n表示校正圖像b中像素點(diǎn)(m,n)的g通道的取值，bm,n表示校正圖像b中像素點(diǎn)(m,n)的b通道的取值；

b)對(duì)分割圖像b3’運(yùn)用形態(tài)學(xué)運(yùn)算中的閉運(yùn)算平滑連通域得到圖像b3；圖像b3中的像素值g3(x,y)為：

g3(x,y)＝dilate(erode(f3(x,y),element))

其中，f3(x,y)為分割圖像b3’中的像素值，element定義為形態(tài)學(xué)運(yùn)算中的結(jié)構(gòu)元素；dilate定義為形態(tài)學(xué)運(yùn)算中的膨脹操作；erode定義為形態(tài)學(xué)運(yùn)算中的腐蝕操作。

本實(shí)施例中，element定義為[11×11]的橢圓結(jié)構(gòu)

(4)對(duì)圖像b1、圖像b2、圖像b3三個(gè)圖像進(jìn)行邏輯“與”運(yùn)算，得到圖像c。

4)對(duì)步驟3)得到的圖像c中的各個(gè)連通域進(jìn)行特征提取，具體方法如下：

(1)對(duì)于圖像c中的每一個(gè)連通域，計(jì)算該連通域的凸包si；

(2)提取凸包區(qū)域的空間位置特征；

在步驟4)第(2)部分中，所述提取凸包區(qū)域的空間位置特征具體步驟如下：

a)計(jì)算凸包si與圖像c的面積比刪除面積比小于0.02的區(qū)域；

b)計(jì)算連通域質(zhì)心ci離圖像中心c0的歐式距離其中cix、ciy分別表示凸包si質(zhì)心的橫坐標(biāo)與縱坐標(biāo)，c0x、c0y分別表示圖像c中心的橫坐標(biāo)與縱坐標(biāo)；

c)計(jì)算連通域最小右邊界矩形的長(zhǎng)寬比rscale＝w/h，其中w表示最小外接矩形的寬，h表示最小外接矩形的長(zhǎng)。

本實(shí)施例中，共獲得3維空間位置特征

(3)提取凸包區(qū)域的顏色特征；

在步驟4)第(3)部分中，所述提取凸包區(qū)域的顏色特征具體步驟如下：

a)將校正圖像b轉(zhuǎn)換到hsv顏色空間圖像c’；

b)凸包si對(duì)應(yīng)于圖像c’中的區(qū)域，計(jì)算區(qū)域的非均勻量化顏色特征。

所述非均勻量化顏色特征定義如下：

根據(jù)人體的感知特性對(duì)h，s，v三個(gè)顏色通道進(jìn)行非均勻量化，將色調(diào)h分為8份，飽和度s分為2份，亮度v分為1份。其中色調(diào)h的取值范圍為[0,360]，飽和度s的取值范圍為[0,1]，亮度v的取值范圍為[0,1]。

v＝{0v∈(0.15,1]

按照以上的量化等級(jí)，將h、s、v三個(gè)個(gè)顏色分量合成為一維特征矢量：

l＝hqsqv+sqv+v

其中qs和qv分別是分量s和v的量化級(jí)數(shù)，這里qs＝2，qv＝1，因此上式可表示為：

根據(jù)上式，l取值范圍為[0,1,…,19]，計(jì)算l獲得20柄的一維直方圖，通過(guò)統(tǒng)計(jì)并歸一化得到顏色特征。

本實(shí)施例中，共獲得20維顏色特征

(4)提取凸包區(qū)域的形狀特征；

在步驟4)第(4)部分中，所述提取凸包區(qū)域的形狀特征具體為計(jì)算凸包si的7個(gè)hu不變矩mi(i∈[1,7])

所述hu不變矩定義如下：

對(duì)于大小為m×n的圖像f(x,y)，f(x,y)的二維(p+q)階矩定義為：

相應(yīng)的(p+q)階中心矩定義為：

其中

由ηpq表示的歸一化中心矩定義為：

其中γ＝(p+q)/2+1

hu用歸一化中心矩的線性組合構(gòu)造具有平移、伸縮、旋轉(zhuǎn)不變的7個(gè)hu不變矩

本實(shí)施例中，共獲得7維形狀特征

(5)提取凸包區(qū)域的紋理特征；

在步驟4)第(5)部分中，所述提取凸包區(qū)域的紋理特征具體具體步驟如下：

a)將校正圖像b轉(zhuǎn)換到灰度空間圖像c”；

b)凸包si對(duì)應(yīng)于圖像c”中的區(qū)域，分別計(jì)算區(qū)域的水平、垂直、對(duì)角偏移量三種灰度

共生矩陣的聯(lián)合概率密度分布；

設(shè)灰度共生矩陣的聯(lián)合概率密度分布記為[pmn]l×l，其中l(wèi)為灰度取值范圍，m＝[0,l-1],n＝[0,l-1]；根據(jù)聯(lián)合概率密度分布計(jì)算得到6個(gè)紋理特征，所述6個(gè)紋理特征包括角二階矩pcon、對(duì)比度pasm、熵pent、逆差矩pidm、中值pmean和灰度相關(guān)pcor。

本實(shí)施例中，共獲得18維紋理特征

5)對(duì)步驟4)提取到的各個(gè)凸包的特征，用訓(xùn)練好的隨機(jī)森林分類器計(jì)算舌體位置，如圖2所示；

所述隨機(jī)森林分類器定義為：

隨機(jī)森林是一種以決策樹作為基礎(chǔ)分類器的分類算法。隨機(jī)森林分類器由多棵決策樹構(gòu)成，這些決策樹彼此獨(dú)立，而且在訓(xùn)練樣本的選擇、特征子集的選擇和樹的生長(zhǎng)過(guò)程中引入了隨機(jī)性，即每棵決策樹的構(gòu)造都是從原數(shù)據(jù)集中隨機(jī)抽取出一部分作為樣本子集，然后再?gòu)臉颖咀蛹须S機(jī)選取部分特征子集進(jìn)行處理，并且所有決策樹都自然生長(zhǎng)，不進(jìn)行剪枝。因此，多顆決策樹可以并行生長(zhǎng)，這樣隨機(jī)森林分類器相對(duì)于其他分類器具有更短的訓(xùn)練和識(shí)別時(shí)間，并且由于引入了隨機(jī)性，分類器對(duì)噪聲也不敏感。隨機(jī)森林的最終決策是通過(guò)所有決策樹投票的方法而得，因此，具有更高的檢測(cè)率與魯棒性。

隨機(jī)森林采用bagging方法選取每個(gè)訓(xùn)練子集，即采用有放回的抽取方式，這樣會(huì)導(dǎo)致原數(shù)據(jù)集中的部分樣本可能重復(fù)出現(xiàn)在新的訓(xùn)練子集中，而另外一部分樣本一次也不出現(xiàn)，這些沒(méi)有被選擇到的數(shù)據(jù)叫做“outofbag(oob)”數(shù)據(jù)，一般占所有數(shù)據(jù)的1/3。

對(duì)于模型中的每個(gè)節(jié)點(diǎn)，決策樹的構(gòu)造通過(guò)隨機(jī)抽取特征子集來(lái)分裂生長(zhǎng)，隨機(jī)抽取的數(shù)量為特征總數(shù)的開方。對(duì)于分類問(wèn)題，決策樹生長(zhǎng)過(guò)程中節(jié)點(diǎn)最佳分裂的度量選擇基尼指數(shù)，對(duì)于一個(gè)含有m類樣本的集合s，集合s的純度用基尼值度量為：

其中pk為第k類樣本占總樣本數(shù)量的比例，k＝1,2,...,m。集合s的純度與計(jì)算得到的基尼值成反比。對(duì)于節(jié)點(diǎn)的分裂，假定用屬性v對(duì)集合s進(jìn)行分裂，其中屬性v為具有n個(gè)可能取值的離散屬性{v¹,v²,...,vⁿ}，則分裂后的集合s會(huì)產(chǎn)生n個(gè)分支，其中每個(gè)分支對(duì)應(yīng)于原始集合s中在屬性v上取值相同的所有樣本，記為sv。則根據(jù)公式可計(jì)算出s^v的基尼純度，再對(duì)每個(gè)分支賦予權(quán)重|s^v|/|s|，其中|s^v|為第v個(gè)分支的樣本數(shù)量，|s|表示所有樣本數(shù)量。于是，可計(jì)算出用屬性v對(duì)集合s進(jìn)行分裂所獲得的基尼指數(shù)：

從公式中可以看出，基尼指數(shù)值越小，意味著所有分支節(jié)點(diǎn)的加權(quán)純度越小，對(duì)集合s純度的提升越明顯。因此，在候選屬性集合a中，選擇使得分裂后gindex值最小的屬性作為最佳分裂屬性，即：

(1)綜上所述，訓(xùn)練隨機(jī)森林分類器的具體方法如下：

a)對(duì)于訓(xùn)練集中的所有圖像，對(duì)每個(gè)圖像按照步驟2)進(jìn)行顏色校正然后按照步驟3)對(duì)校正圖像進(jìn)行圖像分割，最后對(duì)分割圖像的各個(gè)凸包按照步驟4)提取特征并人工標(biāo)記樣本；

b)在舌象訓(xùn)練樣本中用bagging方法形成n個(gè)子樣本；

c)對(duì)于每個(gè)子樣本，隨機(jī)選擇p個(gè)屬性作為節(jié)點(diǎn)分裂的候選屬性，其中p取值為所有屬性的開方；

d)在候選屬性中計(jì)算基尼指數(shù)，選擇吉尼指數(shù)最小的屬性對(duì)決策樹進(jìn)行分裂；

f)重復(fù)步驟d)直到吉尼指數(shù)小于某一規(guī)定閾值；

g)重復(fù)步驟c)到f)，直到生成n棵決策樹；

h)對(duì)于未知樣本的分類，隨機(jī)森林輸出其決策樹多數(shù)投票結(jié)果。

(2)對(duì)步驟4)提取到的各個(gè)凸包的特征，用步驟5)第(1)部分訓(xùn)練好的隨機(jī)森林分類器輸出最終舌體位置，其具體步驟如下：

a)對(duì)于各個(gè)凸包，隨機(jī)森林分類器輸出其為舌體的可能值pi；

b)所有pi值里最大值對(duì)應(yīng)的凸包即為最終舌體區(qū)域d。

本實(shí)施例中，特征維度為48維，隨機(jī)選擇屬性數(shù)p＝7，樹的最大分裂深度為25，吉尼指數(shù)閾值為0.01，隨機(jī)森林決策樹個(gè)數(shù)為100。

6)以步驟5)得到的舌體區(qū)域d為基礎(chǔ)，對(duì)圖像b進(jìn)行舌象圖像分割，分割結(jié)果如圖3所示。舌象圖像分割的具體方法如下：

(1)將圖像b轉(zhuǎn)換到灰度空間圖像b’；

(2)截取圖像b’中的舌象圖像分割區(qū)域，具體步驟如下：

a)計(jì)算舌體區(qū)域d對(duì)應(yīng)的最小右邊界矩形r；

b)將最小右邊界矩形r向外擴(kuò)散20個(gè)像素點(diǎn)，得到舌象圖像分割區(qū)域r’。

(3)對(duì)舌象圖像分割區(qū)域r’進(jìn)行邊緣增強(qiáng)，具體步驟如下：

a)計(jì)算舌象圖像分割區(qū)域r’水平與垂直的梯度矢量場(chǎng)，分別為u和v；

b)將水平與垂直梯度矢量場(chǎng)疊加到舌象圖像分割區(qū)域r’，得到邊緣增強(qiáng)后的最終舌象圖像分割區(qū)域r”，即區(qū)域r”的最終灰度取值為r’+u+v。

(4)以舌體區(qū)域d對(duì)應(yīng)的凸包為初始輪廓，采用gvfsnake模型對(duì)最終舌象圖像分割區(qū)域r”進(jìn)行分割。

所述gvfsnake模型定義為：

在傳統(tǒng)主動(dòng)輪廓模型(snake)的基礎(chǔ)上，采用梯度矢量流作為曲線演化的外部能量。傳統(tǒng)snake模型是在圖像區(qū)域內(nèi)定義的一條輪廓曲線，其參數(shù)表達(dá)形式為x(s)＝[x(s),y(s)],s∈[0,1]，其中s是用傅里葉變換形式描述輪廓邊界的變量，x(s)和y(s)表示曲線在圖像區(qū)域內(nèi)的坐標(biāo)。該輪廓曲線的運(yùn)動(dòng)形式是通過(guò)最小化能量函數(shù)：

其中，α和β分別為曲線彈性和剛性的加權(quán)系數(shù)，相應(yīng)的，x′(s)和x″(s)分別為曲線x(s)關(guān)于s的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

要使能量函數(shù)e最小化，曲線x(s)必須滿足歐拉(euler)方程：

為了求解該方程，引入時(shí)間變量t，將x(s)視為s和時(shí)間t的函數(shù)x(s,t)，則上述動(dòng)態(tài)演化方程可表示為對(duì)t求偏微分：

當(dāng)xt(s,t)穩(wěn)定時(shí)，xt(s,t)＝0，滿足歐拉方程，曲線演化完畢。

在上述公式的基礎(chǔ)上，gvfsnake模型定義一個(gè)新的靜態(tài)外部能量即梯度矢量流。取代演化方程中的-▽eext，新的動(dòng)態(tài)演化方程可表示為：

xt(s,t)＝αx″(s,t)-βx″″(s,t)+v

對(duì)于新的靜態(tài)外部能量gvf，相應(yīng)的，將梯度矢量場(chǎng)定義為v(x,y)＝(u(x,y),v(x,y))，通過(guò)最小化下述能量方程得到：

其中，下標(biāo)x和y表示的是圖像在x和y方向上的偏導(dǎo)數(shù)。參數(shù)μ是控制能量函數(shù)在第一項(xiàng)和第二項(xiàng)之間權(quán)衡的正則化參數(shù)，根據(jù)圖像中的噪聲而定，當(dāng)圖像中的噪聲較大時(shí)，μ取大值。

相應(yīng)地，最小化能量方程可以轉(zhuǎn)化為求解歐拉方程組：

其中，▽²為拉普拉斯算子。

進(jìn)一步的，類似于傳統(tǒng)snake模型的求解，歐拉方程組的求解可將分量u和v看作是時(shí)間t的函數(shù)：

當(dāng)方程組趨于穩(wěn)定的解即為歐拉方程組的期望解。由于方程組是解耦的，因此可以作為單獨(dú)的標(biāo)量偏導(dǎo)數(shù)求解方程。為了方便求解，改寫方程組為：

其中，c¹(x,y)＝b(x,y)+fx(x,y)，c²(x,y)＝b(x,y)+fy(x,y)。fx(x,y)和fy(x,y)可由任意的圖像梯度算子求得，進(jìn)而求得b(x,y)、c¹(x,y)和c²(x,y)，作為迭代過(guò)程中固定系數(shù)。

本實(shí)施例中，α＝0.05、β＝0.1、μ＝0.2。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此。