基于Gabor小波變換的舌苔腐膩識別

瞿婷婷　夏春明*　王憶勤　朱穆朗瑪

1(華東理工大學機械與動力工程學院　上海 200237)2(上海中醫藥大學基礎醫學院　上海 201203)

?

基于Gabor小波變換的舌苔腐膩識別

瞿婷婷1夏春明1*王憶勤2朱穆朗瑪2

1(華東理工大學機械與動力工程學院上海 200237)2(上海中醫藥大學基礎醫學院上海 201203)

舌診是中醫“望診”中的重要內容之一，通過對舌苔的觀察能了解人體生理變化，從而進行病勢判斷。當前基于計算機的舌苔腐膩識別研究鮮有報道。提出一種基于Gabor小波變換的舌苔腐膩識別方法?？紤]舌象的完整性以及腐膩舌苔的紋理不同，從紋理角度出發，將整體的舌象進行Gabor小波變換；并針對Gabor小波變換的邊緣檢測效應使紋理描述弱化這一問題，提出一種弱化邊緣的方法，在此基礎上提取均值和標準差作為紋理特征對正常苔、腐苔和膩苔進行分類識別。實驗結果表明，用改進的特征分類平均準確率達到91%，驗證了該方法對舌苔腐膩的識別是有效的。

舌苔腐膩Gabor小波變換紋理分析弱化邊緣

0　引　言

中醫舌診通過觀察舌質和舌苔的變化，了解機體生理功能和病理變化，是望診的重要內容。醫生通過肉眼觀察舌體的顏色、紋理、形狀、質地和動態等來了解人體生理病理變化情況，從而進行病勢的判別。然而傳統中醫診斷結果會受到醫生經驗的豐富程度、技能水平的高低以及外界的環境條件等影響，因此主觀性強?？芍貜托圆?，制約了中醫舌診的發展。所以舌診的現代化和客觀化研究是當今社會推動中醫發展的重點所在。目前的舌診現代化研究大都基于計算機智能信息處理技術，內容多集中于舌(苔)色、舌體分割和舌體形狀等研究，對舌苔的腐膩識別相對較少[1-3]。

由于體內痰類病理產物的過多堆積，從而影響了體內代謝系統的運作，濕氣和污濁之物積累在舌面上而形成膩苔。長期食用如肉類、油膩的食物，加上體內內熱的綜合作用，使得消化系統中積累下來的一些污濁之物無法代謝，從而向上聚集形成腐苔。腐苔相對膩苔而言，濕熱更重，污濁更多[4]。因此對腐膩苔的客觀化識別能幫助醫生判斷人體濕熱的輕重程度，是有必要的。

目前已有一些關于腐膩苔的相關研究。C.C.Chiu[5]采用灰度共生矩陣特征來描述四個子區域是否存在腐膩苔；朱潔華[6]采用Gabor小波能量結合彩色對比來識別舌象塊是否存在膩苔；馬超[7]通過顏色和面積相結合來識別舌苔是否腐膩。以上都是判斷舌苔是否為腐膩苔，沒有對腐苔和膩苔進行識別。衛保國[8]通過改進的子空間法和粗糙度對舌苔的腐和膩進行識別，但其將舌象分成多個小塊進行分析，丟失了舌象的整體信息。在中醫的歸納中，膩苔苔質致密、顆粒細膩，而腐苔苔質疏松、顆粒較大且松軟。

針對現有方法的不足和腐膩舌苔的特質，本文從整體和紋理角度出發，首先對舌象圖像進行預處理，使用Gabor小波對整體舌象圖像進行變換；并去除由Gabor小波變換產生的邊緣效應，在此基礎上提取Gabor小波特征對腐膩苔進行識別。通過提取其他紋理特征對比該方法進行舌苔腐膩識別，結果表明本文方法的準確率較其他分析方法要高。

1　舌體預處理

本文用于研究的舌圖像由上海中醫藥大學提供，這些舌圖像包含在整個人臉圖像中。在對舌苔進行分析之前，首先要對舌體進行預處理，而預處理主要是舌體的分割以及舌象邊緣的平滑。

1.1舌象圖像分割

舌體圖像分割是對舌象圖像后續分析的基礎和前提，本文首先將舌象進行粗分割。由于整幅舌圖像中存在人臉、嘴唇和采集裝置背景等會加大舌體分割難度，所以在提取整個舌體之前先進行粗分割。粗分割主要使用Matlab函數imcrop，該函數返回通過手動截取的舌體矩形區域，如圖1(a)所示。

其次，將裁剪后的舌體區域從RGB色彩空間變換到HIS色彩空間，提取圖像的H、I分量直方圖，并采用巴特沃斯帶通濾波器對其進行濾波處理。將H分量直方圖較低灰度級區間內的谷點對應的灰度級作為閾值對H分量圖二值化，提取I分量直方圖最高兩峰之間的谷點所對應的灰度級作為閾值對I 分量圖二值化。將H、I分量二值化圖像進行合并[9]，舌體和臉部等其他部分基本分開，如圖1(b)所示。

1.2舌象邊緣平滑

二值化后的舌體內部可能存在小的空洞，邊緣存在狹長的連接、毛刺和孤立的小斑點等。因此需要對合并后的二值化舌體圖進行形態學開運算，去除小面積點，斷開細長連接；然后進行形態學閉運算，對舌體邊緣小缺口進行填充，平滑邊緣，再填充孔洞。最后將二值圖與原圖進行與運算，提取出舌體，如圖1(d)所示。

圖1　舌象處理過程圖

2　紋理特征描述

描述紋理的方法有多種，主要有統計、結構、模型和信號處理這四大類方法。下面介紹幾種比較經典的紋理描述方法，這些方法在描述紋理時相對有效。在接下來的工作中，將提取這些紋理特征來表述舌象紋理，進行對比分析。

2.1Gabor小波變換紋理特征

Gabor 小波具有與哺乳動物視覺皮層中的神經元非常相似的特性，具有較強的空間位置和方向選擇性，在提取目標的局部空間域和頻率域信息方面具有良好的特性。由于二維Gabor小波具有多分辨率的特性，所以被廣泛應用于圖像處理、模式識別等領域。

二維Gabor函數在空間域里是一個由正弦平面波調制的高斯核函數G(x,y)[10,11]。通過對G(x,y)進行膨脹和旋轉得到一組自相似的濾波器，即Gabor小波：

(1)

(2)

建立完Gabor小波之后，對圖像進行Gabor小波變換，即將每一個Gabor濾波器與圖像I(x,y)進行卷積，得到濾波后的圖像Wuv(x,y)，其公式為：

Wuv(x,y)=I(x,y)*guv(x,y)

(3)

最后對濾波后的圖像進行特征提取，通常取每幅圖像的均值和標準差作為紋理特征：

(4)

(5)

其中，M、N分別是圖像的長和寬。

由于本文將整個舌體作為分析對象進行分析，因此對式(4)和式(5)作如下修正：

(6)

(7)

其中，ω是整個舌體的像素點總數，M、N分別是舌體圖像的長和寬，Luv(x,y)為第3節所提出去除邊緣并對圖像進行Gabor小波變換處理后不同尺度和方向的舌象。

2.2粗糙度特征

Tamura等人提出了Tamura紋理特征的表達，分別使用了符合人類視覺感知心理的粗糙度、對比度和方向度等作為紋理特征，其中Tamura粗糙度計算方法是很有效的紋理表達[12]。

Tamura粗糙度算法的思想是使用不同的領域尺寸計算出領域均值差，差值最大的領域尺寸作為最佳尺寸，根據最佳尺寸計算圖像的紋理粗糙度。

2.3灰度共生矩陣特征

灰度共生矩陣由Haralick等人首次提出，它是描述圖像紋理的二階統計特征。它是統計灰度圖像中某個距離和方向的兩像素點灰度之間的相關性得到的一個共生矩陣，如果灰度級為N，用P來表示共生矩陣，那么P為N×N的矩陣。

P(i,j)=P(i,j|δ,θ)

(8)

其中P(i,j)(i，j=0，1，…，N-1)即為統計出的共生矩陣的元素，δ和θ分別表示統計過程中兩個像素之間的距離和方向，即P(i,j)為具有距離為δ、方向為θ的位置關系，并且灰度分別為i和j的兩個像素出現在這幅灰度圖中的概率。

然后對這個共生矩陣進行統計計算，得到這個矩陣的二次統計特征，用來代表圖像的紋理特征[13]。通?；叶裙采仃嚤磉_紋理的統計特征有16個，以下為較常用的幾個：

對比度：

(9)

相關性：

(10)

能量：

(11)

同質性：

(12)

其中p(i,j)是滿足指定的某個方向和距離的兩點的概率估計。

本文將提取Tamura粗糙度和文獻[8]改進的粗糙度；以及將圖像的灰度級設為8、16、32和64，每個灰度級提取0°、45°、90°和135°四個方向，距離分別取1～5的以上4個灰度共生矩陣特征作為對比特征，對舌苔腐膩進行分類。

3　基于Gabor小波的舌象紋理特征提取

目前對舌苔紋理的研究通常都是截取舌體上的舌塊進行研究或者對每個舌塊單獨研究之后進行整合，對舌象進行整體研究相對較少。而中醫在對舌象進行判別時，是從舌象的總體情況來進行判斷，因此本文從舌象的整體角度出發，進行舌象紋理特征的提取。在進行整體分析時，Gabor小波變換的邊緣效應相對明顯，如圖2所示，其邊緣的能量很大。而根據式(6)和式(7)，分別取整個小波變換后舌體的像素值的均值和標準差。邊緣像素值越大，對計算描述整個舌象紋理的均值和標準差造成影響，因此需要去除邊緣效應。

圖2　舌體Gabor小波變換的邊緣效應

3.1去除邊緣效應的舌象Gabor小波變換

通常人們通過用舌象總體均值來填充非舌象區域，但是由于被填充的區域和邊緣不銜接，其弱化邊緣的效果并不是很好，對此本文提出了一種邊緣像素求平均的弱化邊緣能量的新方法，具體步驟如下：

步驟1對分割后的舌體I進行膨脹運算，膨脹的結構元素取大小為1的圓盤結構，得到膨脹后的圖像P。

步驟2對膨脹后的舌體圖像P，使用Matlab自帶的bwboundaries函數進行邊緣提取。bwboundaries函數用來獲取二值圖中對象的輪廓，能得到圖像提取值為1的連通域的邊緣。將其邊緣點順時針存放于一個二維矩陣B中，即提取出舌體的邊緣。

步驟3依次從二維矩陣B中取邊緣點a(x,y)，找到其8鄰接的像素點中不是0的點，存入矩陣C中。

步驟4求矩陣C中像素點的平均像素值，將值賦給a(x,y)，作為a點的像素值。

步驟5重復步驟4，直至將矩陣B中所有點賦值完。

步驟6重復步驟1-步驟5，將整個舌圖像擴大，重復的次數根據Gabor小波濾波器的窗口大小而定。最后得到邊界填充后的舌體圖像Pe。

圖3　Gabor小波實部(fmax=0.25)

步驟8用步驟7中建立的Gabor小波對邊界填充后的舌體圖像進行變換，得到濾波后的舌圖像G。將G與原分割后的舌體二值圖相乘，得到最后去除邊緣效應的Gabor小波變換圖像L。

該算法的輸入為分割的舌體圖像I，最后輸出的為去除邊緣效應的Gabor小波變換圖像L。圖4為整個算法的過程圖(僅列出一個方向、一個尺度的Gabor小波變換圖)。

圖4　弱化邊緣過程

3.2Gabor小波特征提取

(13)

由于均值和方差不是同一數量級，在對特征分類前進行歸一化處理，得到歸一化特征為：

(14)

4　實驗結果分析

實驗在Matlab平臺下分別從兩方面分析驗證本文所提出的特征對識別腐膩舌苔的有效性：一是分別將舌象直接進行Gabor小波變換、用舌象像素點灰度均值填充后進行Gabor小波變換，以及用本文所提出的方法進行Gabor小波變換進行對比，觀察本文方法是否將邊緣去除；二是對舌象分別提取粗糙度特征、灰度共生矩陣特征、舌苔塊的Gabor小波變換特征，以及經過邊緣消除后的舌象的整體Gabor小波變換特征，并使用開源的Libsvm進行分類。Libsvm是林智仁教授等開發設計的一個簡單、易于使用和快速有效的SVM模式識別與回歸的工具箱，可以直接下載代碼在Matlab中安裝使用[15]。分別取薄白苔、腐苔和膩苔各50例，將其中30例用作訓練，20例用作測試。

4.1舌體去除邊緣效應

Gabor小波變換的舌象如圖5所示，各舌象的左圖為直接進行變換之后的舌象，中圖為用舌象灰度均值填充后的小波變換圖，右圖為使用本文方法進行去除邊緣效應后的小波變換圖。

圖5　弱化邊緣對比圖

從圖5中可以看出，未經處理的圖像，進行Gabor小波變換后，其邊緣效應很明顯。而通過用舌體總體灰度值的平均值對非舌體區域進行填充后，其邊緣效應雖然不那么明顯，但還是存在。這是因為用平均值填充時，其紋理是平坦的，而且其像素值和邊緣也不銜接。而使用了本文方法后，可以看出其邊緣的能量已基本消除，舌體的整個紋理信息相對加強。雖然邊界越往外填充，其紋理越平坦，但由于每一層邊界點取的都是舌體上邊緣點的平均像素點，因此有銜接性，不至于發生突變而導致邊緣效應。在去除邊緣效應后，提取出來的特征也將更加準確反映紋理信息。

4.2舌苔腐膩識別結果分析

對各個特征進行分類識別，其結果如表1-表3所示。

表1　Tamara粗糙度和文獻[8]改進方法所提特征的腐膩苔識別準確率

表2　灰度共生矩陣不同灰度級的4個統計特征的腐膩苔識別準確率

表3　不同舌象的Gabor小波變換所提特征的腐膩苔識別準確率

在現有的研究中，只有文獻[8]對舌苔的腐和膩進行了識別，其針對Tamara粗糙度進行改進并用改進子空間法進行分類，表1是為文獻[8]中所用方法進行識別的結果。表2是用灰度共生矩陣特征進行分類的結果，其圖像的灰度級分別為8、16、32和64，每個灰度級取用0°、45°、90°和135°四個方向，距離取用1、2、3、4、5五個值分別進行計算。因此會有20個空間位置關系，即每個統計量有20個統計值，每個灰度級會有80個統計特征。

表3為分別對截取的舌苔塊、未去除邊緣效應的整體舌象以及去除邊緣效應后對舌象整體進行Gabor小波變換所提取特征的分類結果。

通過對文獻[8]所用的方法和本文所用方法進行實驗對比，結果表明，本文所提出的方法對于舌苔腐膩的識別更加有效。雖然粗糙度特征是紋理表達的很好的特征，但是膩苔的苔質緊密，顆粒較小，夾在薄白苔與腐苔之間，用粗糙度特征不能很好地識別膩苔。用灰度共生矩陣特征進行分類，雖然膩苔的準確率有所上升，但是總體的準確率還是不盡人意。對舌苔塊進行Gabor小波變換后進行腐膩識別，總體準確率雖然有所上升，但不及對舌體進行整體分析準確率高。這是因為對舌苔塊進行分析，丟失了舌體的完整信息。而經過邊緣弱化之后的整體Gabor小波變化舌象所提特征的分類準確率比未經處理過的要高，說明經過處理后所提特征能更加精確反映舌苔的紋理。

綜合上述實驗結果，本文方法對于舌苔腐膩的識別達到了比較滿意的效果。

5　結　語

由于目前對腐膩舌苔的研究大多僅限于是否存在腐膩苔的識別，或者對舌苔塊分析進行腐膩識別，有一定的局限性，本文根據中醫對腐膩舌苔的定義，從紋理角度出發提出了一種基于Gabor小波變換的改進的舌苔腐膩識別方法。在對經過邊界填充后的舌體進行Gabor小波變換后，再取原來的舌體部分的Gabor小波變換圖，有效地去除了Gabor小波變換的邊緣檢測效應；再對變換后的舌體圖像提取紋理特征，使得Gabor小波所表達的紋理信息更加突出、更加準確地表示了舌苔的紋理。

用本文所提出的方法進行特征提取，對舌苔腐膩進行分類，結果表明本文所用方法對舌苔的腐膩識別是有效的。這為以后舌苔腐膩的準確識別分析提供了新的思路，也為對舌診客觀化研究打下了良好的基礎。

[1] 戚沁園,林燕佳,陳長青.中醫舌診客觀化方法的研究進展母[J].中國中醫急癥,2013,22(9):1565-1567.

[2] 陳雪姣,王玉臣,王德才.中醫舌診客觀化研究的發展概況[J].江西中醫藥,2012,43(1):72-75.

[3] 張康,金石,杜建強,等.基于圖像分析的中醫舌診及客觀化研究[J].科技廣場,2013(2):9-11.

[4] 王憶勤.中醫診斷學[M].北京:高等教育出版社,2012.

[5] Chuangchien Chiu.A novel approach based on computerized image analysis for traditional Chinese medical diagnosis of the tongue[J].Computer Methods and Programs in Biomedicine,2000,61(2):77-89.

[6] 朱潔華,阮邦志,勵俊雄,等.舌診客觀化研究的一種圖像處理方法[J].中國生物醫學工程學報,2001,20(2):132-137.

[7] 馬超.中醫舌診圖像分割和特征提取方法研究[D].重慶:重慶大學,2007.

[8] 衛保國,沈蘭蓀,蔡軼珩.中醫舌苔腐膩分析算法的研究[J].電子學報,2003,31(12A):2083-2086.

[9] 陸萍.基于圖像處理和模式識別的齒痕舌象研究[D].上海:華東理工大學,2014.

[10] Mohammad Haghighat,Saman Zonouz,Mohamed Abdel-Mottaleb.Identification Using Encrypted Biometrics[C]//Computer Analysis of Images and Patterns.Berlin:Springer,2013:440-448.

[12] 李歡歡,張新峰,胡廣芹,等.失眠舌象特征的量化研究[J].北京生物醫學工程,2013,32(3):267-271.

[13] Qinggang Wu,Yong Gan,Bin Lin,et al.An active contour model based on fused texture features for image segmentation[J].Neurocomputing,2015,151:1133-1141.

[14] LinLin Shen,Li Bai,Michael Fairhurst.Gabor wavelets and General Discriminant Analysis for face identification and verification[J].Image and Vision Computing,2007,25(5):553-563.

[15] Chihchung Chang,Chihjen Lin.LIBSVM-A Library for Support Vector Machines[DB/OL].(2014-11-15)[2015-5-29].http://www.csie.ntu.edu.tw/～cjlin/libsvm/index.html.

RECOGNITION OF GREASY OR CURDY TONGUE COATING BASED ON GABOR WAVELET TRANSFORMATION

Qu Tingting1Xia Chunming1*Wang Yiqin2Zhu Mulangma2

1(SchoolofMechanicalandPowerEngineering,EastChinaUniversityofScienceandTechnology,Shanghai200237,China)2(FacultyofBasicMedicine,ShanghaiUniversityofTraditionalChineseMedicine,Shanghai201203,China)

Tongue diagnosis is one of the most important parts in “diagnosing by inspection” of TCM, through observing tongue coating it is able to understand the changes in human physiology and thereby to analyse the illness. Currently the reports in regard to the computer-based greasy and curdy tongue coating recognition are few. In this paper we propose a Gabor wavelet transformation-based greasy or curdy tongue coating recognition method. Considering the integrity of tongue signs and the different textures in greasy or curdy tongue coating, proceeding from the perspective of texture we apply Gabor wavelet transformation on whole tongue signs, and propose an edge weakening approach aimed at the problem that the edge detection effect of Gabor wavelet transformation weakens the texture description. On this basis we extracted the mean and standard deviation as the texture features to carry out classified recognition on normal, greasy and curdy tongue coatings. Experimental results showed that the average accuracy of the improved feature classification reached 91%, this verified the method to be effective in recognising greasy or curdy tongue coating.

Greasy or curdy tongue coatingGabor wavelet transformTexture analysisEdge weakening

2015-06-15。國家自然科學基金項目(81173199)；上海市科委技術標準專項項目(14DZ0500400)。瞿婷婷，碩士，主研領域：人體醫學信號處理。夏春明，教授。王憶勤，教授。朱穆朗瑪，博士。

TP391

A

10.3969/j.issn.1000-386x.2016.10.036