一种新的MLBP-Otsu算法及在舌裂纹分割中的应用

覃海松 ，黄忠朝 ，赵于前 ，彭子壮

1.中南大学 地球科学与信息物理学院 生物医学工程研究系，长沙 410083

2.广州中医药大学 第二临床医学院，广州 510405

一种新的MLBP-Otsu算法及在舌裂纹分割中的应用

覃海松1，黄忠朝1，赵于前1，彭子壮2

1.中南大学 地球科学与信息物理学院 生物医学工程研究系，长沙 410083

2.广州中医药大学 第二临床医学院，广州 510405

1 引言

舌诊是中国传统医学中非常有价值的诊断方法，医生仅通过观察即可了解病人的病情，具有无痛苦、无创伤、无副作用、简单易行等特点，在中医临床诊断过程中有着重要的作用[1-3]。然而传统舌诊往往只依据医生个人的知识和经验，缺少客观评价的标准，严重阻碍了舌诊的应用及发展。为了解决这一现状，需要实现舌诊的定量化与标准化。随着计算机处理能力的提高和图像处理技术的发展，舌诊计算机定量化研究已经取得了一定的进步[4-7]，但主要集中于舌苔及舌质，对舌裂纹的研究相对较少。舌裂纹信息不仅能够客观、准确地反映若干典型疾病和中医证候的变化情况，还可以与其他舌象特征相结合来进一步对疾病确诊。由于舌裂纹与舌苔上的粗纹理难以鉴别，舌象颜色分布复杂以及光照条件不一等原因，导致了舌裂纹分割及特征分析面临很大困难，严重制约了舌诊定量化的进一步发展。

目前，有关舌裂纹的研究方法大致可分成两大类。其中，一类方法主要是基于舌图像的灰度、色彩信息对舌裂纹进行阈值分割[8-10]，但并未考虑舌裂纹的纹理特征，因而难以精确、完整地分割出舌裂纹。另一类主要是基于线侦测方法对舌裂纹进行分割，还可以分成3个小类，即基于轮廓的线侦测方法[11]、基于中心线的线侦测方法[12]及基于区域的线侦测方法[13]。虽然基于线侦测的方法考虑了舌裂纹纹理特征，但都存在一定程度的不足，例如：基于轮廓的线侦测方法采用的是一阶导数，对噪声敏感，而且在实际应用中往往得不到闭合的轮廓；基于中心线的线侦测方法一般采用的是二阶导数，同样对噪声敏感，而且中心线位置的提取往往存在较大误差；而基于区域的线侦测方法往往会将舌苔上的粗纹理、伪裂纹也分割出来，需要手动去除多余纹理、才能分割出裂纹。

针对以上问题，本文提出了一种新颖的基于改进的局部二值模式（Local Binary Pattern，LBP）算子与Otsu阈值法相结合的舌裂纹分割算法。首先，根据舌裂纹的纹理特征对LBP的模式分类方法进行重定义；然后，引入一个粗糙度度量因子R，如某区域的R值偏小或偏大，则把其归类为非裂纹区，不进行LBP特征值计算；再通过这种重定义的模式分类方法与粗糙度度量因子R计算出舌图像的LBP特征；最后，结合Otsu阈值分割技术，完成对舌裂纹的精确、完整分割。

2 对LBP算子的改进和Otsu阈值分割

2.1 基本LBP算法

LBP是由Ojala等[14]提出的一种局部纹理描述算子，具有计算简单、对光照变化不敏感、旋转不变性等特点，已被广泛应用于各种领域。其基本方法概述如下：在图像中取一个半径为r的圆形邻域，在该邻域圆周上等间隔采样P个像素，以邻域中心像素灰度为阈值，与邻域内P个采样像素灰度值进行比较，采样像素灰度值大于等于中心像素灰度值，结果为1，反之为0，比较所得二进制序列即为该中心像素的局部模式，其计算公式如式（1）所示：

其中，gi为第i个采样像素灰度值，gc为中心像素灰度值。

传统LBP算子能产生2P种局部模式，但Ojala等[14]发现，一幅图像实际产生的局部模式主要集中在某几种模式上，约占全部模式的90%。基于此，Ojala等[14]在引入均匀值U（U值即二进制序列中允许0和1之间跳变次数的最大值）的基础上，提出了均匀局部二值模式（Uniform LBP，ULBP）算子。若二进制序列0和1之间的跳变次数小于等于U值，则该序列被判为均匀模式，并将其分配到标签为0到P的模式子类中；反之，则被判为非均匀模式，分配到标签为P+1的模式子类中。ULBP算子共可以产生P+1种均匀模式子类，其不但可以有效地描述出图像中大部分的纹理特征，还可有效地降低模式子类数量。

2.2 对ULBP算子的改进

为了使传统LBP算子更适用于舌裂纹分割，本文根据舌裂纹的纹理特征对ULBP分类方法进行了重定义，提出了改进的ULBP算子（Modified ULBP，MULBP）。首先，把所有的局部模式分成4个子类，分别为强边缘、角类；潜在边缘、角类；线条末端类；无意义模式类。然后，引入一个粗糙度度量因子R来表示任意局部窗口的粗糙度，粗糙度偏小或偏大的区域被视为平滑区域，不存在裂纹，不进行局部模式计算，直接把该局部窗口的中心像素归为无意义局部模式。最后，建立一个子类查询表，把每个局部模式归类到相应的子类中。通过这些改进，使得LBP算子计算更快速、抗噪性更强、对光照条件的鲁棒性也更强，且不必预先分割出舌体区域，即可分割出舌裂纹。以上所述MULBP算法的详细流程可参考图1。 2.2.1 对模式分类方法的重定义

图1MULBP算法流程图

当 P=8，r=1时，均匀LBP有9种均匀模式、27种非均匀模式，如图2所示，而所有的非均匀模式都被简单地分配到一个子类中（P+1子类）。这种简单的分类方法会导致一些复杂纹理信息的丢失，并且对噪声也比较敏感。

图2 均匀LBP的36种局部模式

裂纹通常由强边缘和角组成，裂纹里面是弱边缘和较平缓的区域。在舌裂纹分割中，并不是所有局部模式都是本文感兴趣的，而感兴趣的局部模式有一部分是非均匀模式。因此，既没必要定义过多的模式子类，也不能简单地把所有非均匀模式都归为一类。只有那些表示裂纹特征的局部模式对于舌裂纹的分割才是有用的，例如代表着边缘或者角的局部模式。所以，需要对ULBP算子的模式分类方法进行重定义。

本文采用的模式集包括4个子类，见表1所示，每个子类包含表示相似特征的局部模式。表示强边缘和角的均匀模式被归类到子类3中；与边缘和角有相似特征的非均匀模式被视为可能存在的边缘和角，被归类到子类2中；表示线段末端的局部模式被归类到子类1中；其他局部模式被视为是对裂纹分割无意义的模式，被分到标签0中。最后，为了快速实现，建立了一个子类查询表，把每个局部模式归类到相应的子类下。

表1 局部模式分类

2.2.2 粗糙度度量因子R

传统LBP算子对图像中所有像素进行LBP特征值计算。而在裂纹舌图像中，面部、唇部以及某些舌体表面、舌体边缘区域像素的邻域灰度值变化不大，可以断定这个局部区域的中心像素不属于舌裂纹处。研究发现，由于裂纹内部区域灰度变化较平缓，舌苔上粗纹理区域的粗糙度往往比这部分区域更大，因此，粗糙度最大的这些区域也不属于舌裂纹。在这些无意义区域中进行LBP特征值计算是没有必要的。基于此，本文引入了一项粗糙度度量因子来表示局部区域的粗糙度。一旦某个局部区域被判定为无意义区域，该区域的中心像素将直接被记为无意义局部模式，不进行LBP特征值计算。

粗糙度度量因子R的定义如式（2）所示：

其中，gc表示局部区域中心像素的灰度值，gi表示局部区域中除中心像素以外的周边像素的灰度值，n表示局部区域周边像素的个数。这样，R值在灰度相等区域为0，在越粗糙的区域其值越大。

在图像质量较好的情况下，为了减少计算量，在实验中，也可以采用粗糙度度量因子的近似估计值THR来表示局部区域的粗糙度，如式（3）所示：

2.2.3 边缘提取与伪裂纹消除

在所有的像素都被分配到特定的子类中之后，将进行边缘提取。表示强边缘、角的像素（标签号为3），被视为裂纹，由白色像素表示；而标签号为0，代表与裂纹提取无关的像素，由黑色像素表示；表示潜在的边缘、角和线末端像素（标签号为1和2），只有那些在空间分布上与边缘、角相连的像素，才会被视为裂纹，由白色像素表示，而其余像素则被视为非裂纹，由黑色像素表示。上述的边缘、角既包括标签3子类的像素，也包括标签1和标签2子类中已被判定为裂纹的像素。完成该步骤后，得到了一幅有着裂纹和近似裂纹特征的边缘二值图像。在伪裂纹消除中，先计算出边缘二值图像中每个连通区域的一些统计特征，例如裂纹数量、面积、长度、宽度等；然后把那些有较少像素点或块状的连通区域视为伪裂纹予以消除，从而得到一幅分割裂纹图。

由于本文根据裂纹纹理特征重定义了模式分类方法，并且引入了粗糙度度量因子。而非舌体区域一般都是平缓区域，此外，大部分非平缓区域的局部模式又属于无意义模式子类。当与连通区域的统计特征相结合时，就可利用以上MULBP算子，在不必预先分割出舌体区域的情况下分割出舌裂纹，并成功滤除舌裂纹以外的大部分区域，只呈现裂纹区域。但是，此时的分割结果通常还包含裂纹附近舌苔上的粗纹理（即伪裂纹，参见实验结果部分图3（c），图4（c），图5（c））。因此，单独用MULBP算子难以实现对舌裂纹的精确分割，而阈值分割技术不仅计算简单，而且能得到待分割目标的准确轮廓。本文接下来将通过对分割裂纹图与阈值分割结果相与，以在一定程度上弥补MULBP算子的不足，实现对舌裂纹更精确、完整的分割。

2.3 结合阈值分割方法

图像的阈值分割技术主要用于区分目标和背景区域，通过选取一个阈值，将图像中每个像素的灰度值与阈值进行比较，把灰度值大于阈值的像素归为一类，小于阈值的像素归为另一类。舌苔在颜色信息上，主要以红色为主色调，而舌裂纹相对较暗，因此可以利用全局阈值分割法，将舌裂纹与周围的舌苔分割开。由于Otsu阈值算法[15]计算简单，且在一定条件下不易受图像对比度和亮度变化的影响，被认为是一种全局阈值自动选择的最优方法[16]。因此，本文采用该方法对舌裂纹进行阈值分割。

Otsu阈值算法[15]根据图像的灰度级分布特性，以目标和背景的类间方差最大为阈值选取的准则。该方法中，目标和背景区域的类间方差σ2计算方法如式（4）所示：

其中，PA、PB分别为目标和背景像素出现的概率，ωA、ωB、ω分别为目标、背景、图像的平均灰度值。由于PA、PB、ωA、ωB、ω 都是阈值 T 的函数，当 σ2取得最大值时的阈值T*即为错分概率最小的最优阈值，即

舌苔主要以红色为主色调，在彩色舌图像RGB色彩空间的R通道上，舌苔与裂纹差异较大，故本文采用彩色舌图像的R通道进行阈值分割。由于舌图像的质量和光照条件不一，所以本文在Otsu阈值T*的基础上引入了一个灰度权衡系数μ，其值由取得T*时对应的背景区域平均灰度值ω*B和整幅图像的平均灰度值ω的比例决定，如式（6）。

因此，本文阈值分割所使用的最终阈值Tter为：

如分割结果不理想，也可通过手动微调μ值来获取更理想的分割结果。经大量实验研究发现，μ的理想取值位于1～1.6之间。值得注意的是，由于舌裂纹与舌苔的R通道灰度值差异较大，阈值在一定的范围内都能正确分割出裂纹区域，而在这个范围内不同的μ值，主要影响舌苔上粗纹理的分割结果，对裂纹区域的影响较小。由于本文方法结合了裂纹的纹理特征，只要求阈值分割方法分割出裂纹区域即可，故对于大部分图像，无需手动调节μ值。

3 实验结果分析与讨论

为验证本文算法的有效性，本文在MATLAB R2010a（®MathworksInc.）实验平台上对不同环境下拍摄的裂纹舌图像进行了广泛测试。实验中的样本均由数码相机拍摄，图像有在暗室中使用D65光源、色温为6 500 K的标准环境下拍摄的，也有在一般诊室坏境下拍摄的。

图3为对标准环境下拍摄的典型裂纹舌图像进行实验的结果。临床诊断上常见的裂纹舌的主裂纹一般较粗，位于舌体中央，并且在主裂纹附近具有其他小裂纹，如图3（a）所示。该舌象舌苔上具有较多类似裂纹的粗纹理，舌体中央为一条较粗的主裂纹，并且除了主裂纹之外，还有两处间距较小、与主裂纹不相连的弧形小裂纹；图3（b）为Otsu阈值分割结果，虽然其精确地分割出了舌体上的三处裂纹，但分割目标区域还包含了大量舌体边缘附近的粗纹理；图3（c）所示MULBP算子结果完整地分割出了舌体上的裂纹，成功滤除了舌体边缘附近的粗纹理，但分割出的裂纹包含了裂纹附近的舌苔粗纹理，比实际裂纹偏粗；图3（d）所示为本文的最终分割结果，通过将MULBP算子与Otsu阈值分割技术相结合，优势互补，精确并较完整地分割出了主裂纹与两处小裂纹。由本实验可以看出，本文方法可以在未预先分割出舌体区域的情况下，对舌苔上粗纹理较多、具有小裂纹、不规则形状裂纹或不相连多处裂纹的一般裂纹舌图像进行裂纹分割，取得了理想的分割结果。

图3 标准环境下拍摄的舌图像（1）

为了进一步测试本文算法，还对图像质量较差、在一般诊室环境下拍摄的典型裂纹舌图像进行了实验，实验结果如图4所示。其中图4（a）为原图，显示该舌象有3条长短、粗细不一、互不相连的裂纹，图像的光照强度并不均匀，舌体前半部分与后半部分光强差异较明显，并且在裂纹区域，光照强度就有较明显的变化，因此给阈值分割带来了一定的难度；图4（b）所示的Otsu阈值分割结果虽然精确地分割出了大部分裂纹，但少部分位于舌体暗区中的裂纹与舌体暗区融为一体，从而无法获取该部分裂纹的信息；图4（c）为MULBP算子的结果，能看出其不会受到光照条件的影响，能完整地分割出三处互不相连的裂纹，其中还包括处于舌体暗区的裂纹，但分割出的裂纹比实际偏粗，尤其是舌体右侧较粗的裂纹附近，包含了大量舌苔边缘附近的粗纹理；图4（d）为MULBP与Otsu阈值分割技术相结合的最终结果，显示出图4（a）中的3条裂纹得到了正确、完整的分割。由本实验可以看出，本文方法对一般诊室环境下拍摄的光照强度不均匀的舌图像具有较强的鲁棒性。

图4 一般诊室坏境下拍摄的舌图像

另外，在对裂纹延伸到舌体前部舌苔边缘附近、且该处裂纹深度较浅的舌图像进行分割时，本文方法表现出了它的不足之处，如图5所示。其中图5（a）为R原图，图 5（b）为 Ostu阈值分割结果图，图 5（c）为 MULBP结果图，图5（d）为本文最终分割结果图。该舌象裂纹较细长，从接近舌根处一直延伸到舌体前部边缘，并且舌体前部裂纹的深度较浅（图像上表现为灰度值较大），其纹理特征与舌苔边缘的纹理特征非常相似，灰度值也比较接近，从而导致图5（b）所示阈值分割结果中舌裂纹与舌体前部的舌苔连成一片，但还是能较精确地分割出大部分舌裂纹；而图5（c）所示的MULBP结果却把该浅裂纹视为舌苔上的伪裂纹，一并进行了滤除；进而导致图5（d）所示的分割结果丢失了舌体前部舌苔边缘附近的浅裂纹，未能实现对全部裂纹的完整分割。

图5 标准环境下拍摄的裂纹舌图像（2）

4 总结

本文提出了一种新颖的基于MULBP算子与Otsu阈值分割技术相结合的舌裂纹分割方法。首先，根据裂纹的纹理特征重新定义了LBP算子的模式分类方法，并引入了一个粗糙度度量因子R来表示图像的粗糙度；然后，利用重定义的模式分类方法及粗糙度度量因子R计算出舌图像的裂纹二值图像，该二值图像包含了丰富的舌裂纹信息；最后，结合裂纹二值图像连通区域的统计特征并和Otsu阈值分割结果相与，进一步更精确、完整地分割出舌裂纹。实验结果表明，本文算法对裂纹舌图像中小的裂纹、不规则形状的裂纹、不相连的多处裂纹和位于粗纹理舌苔中的裂纹，都能成功实现精确、完整的分割；同时该算法不需要预先分割出舌体区域，并对光照条件具有较强的鲁棒性，有利于算法的推广。

然而，值得注意的是，由于LBP算子分割出的裂纹比实际裂纹偏粗，当光照条件较差、舌裂纹又延伸到舌体深处较暗的区域时，将导致阈值分割结果不理想，使部分阈值分割未计算出的裂纹比实际偏粗。再者，当深度较浅的裂纹延伸至舌苔边缘时，本文的MULBP算法将把该浅裂纹视为伪裂纹，并与附近的舌苔边缘一起被滤除，使最终分割结果丢失了该部分浅裂纹。在将来的研究工作中，需要进一步对LBP模式分类方法进行改进，并采用对光照条件更鲁棒的阈值分割方法，以解决本文算法的不足。

[1]Kirschbaum B.Atlas of Chinese tongue diagnosis[M].Seattle，WA：Eastland Press，2000.

[2]Yin Huihe，Shuai Xuezhong.Fundamentals of traditional Chinese medicine[M].Beijing：Foreign Language Press，1955.

[3]Maciocia G.Tongue diagnosis in Chinese medicine（revised edition）[M].Seattle，WA：Eastland Press，1995.

[4]Saritha B，Kannan B.Disease analysis using tongue image[J]. International Journal of Engineering Research& Technology，2013，2（4）：671-676.

[5]Liu Hong，Wang Ye，Yue Xiaoqiang，et al.A multi-feature fusion method for tongue image matching in traditional Chinesemedicine[C]//2011 InternationalConferenceof Soft Computing and Pattern Recognition，Dalian，China，2011：57-62.

[6]张志顺.改进的小波变换在中医舌象边缘检测中的研究[J].计算机工程与应用，2012，48（35）：135-138.

[7]陈善超，符红光，王颖.改进的一种图论分割方法在舌像分割中的应用[J].计算机工程与应用，2012，48（5）：201-203.

[8]赵亮.改进的最大类间方差法在舌像裂纹识别中的应用：中国，CN102194121A[P].2011-09-21.

[9]陈小芬，李翠华，杜晓凤.自适应阈值的舌象裂纹检测[J].计算机技术与发展，2009，19（1）：17-20.

[10]杨朝辉，李乃民，王宽全，等.裂纹舌中医诊断的客观化研究[C]//第一届中西医结合诊断学术会议，北海，2006：27-31.

[11]Loh A W K，Robey M C，West G A W.Analysis of the interaction between edge and line finding techniques[J]. Pattern Recognition，2001，34（6）：1127-1146.

[12]Haralick R M.Ridges and valleys on digital images[J]. Computer Vision，Graphics，and Image Processing，1983，22（1）：28-38.

[13]Liu L L，Zhang D.Extracting tongue cracks using the wide line detector[C]//1st Internati-onal Conference on Medical Biometrics，Hongkong，China，2008：49-56.

[14]Ojala T，Pietikainen M，Maenpaa T.Multiresolution grayscale and rotation invariant texture classification with localbinary patterns[J].IEEE Transactionson Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

[15]Otsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems，Man，and Cybernetics，1979，9（1）：62-66.

[16]Xu Xiangyang，Xu Shengzhou，Jin Lianghai，et al.Characteristic analysis of Otsu threshold and its applications[J]. Pattern Recognition Letters，2011，32（7）：956-961.

QIN Haisong1,HUANG Zhongchao1,ZHAO Yuqian1,PENG Zizhuang2

1.Department of Biomedical Engineering,School of Geoscience and Info-physics,Central South University,Changsha 410083,China
2.College of the Second Clinical Medicine,Guangzhou University of Chinese Medicine,Guangzhou 510405,China

To represent and describe the tongue crack information of tongue diagnosis in Traditional Chinese Medicine（TCM）,it needs to segment tongue cracks from tongue image correctly and completely.But few methods can meet the requirements.In this paper,a novel method based on the combination of modified LBP（Local Binary Pattern）operator and Otsu’s threshold technique is proposed,i.e.,MLBP-Ostu algorithm.The principle of classification of the traditional LBP local pattern has been redefined according to the texture features of tongue tracks.A roughness measurement factor Ris introduced.The region with over-high or over-lowRvalue will be regrouped into the meaningless subclass,and the LBP operator will not operate on the central pixel of this region.To acquire the final binary image with true cracks,the Otsu’s method is used to threshold the LBP feature image obtained by the fore step.Experiments on the several of typical tongue images show that the method proposed in this paper can achieve correct and complete segmentation of tongue cracks.In addition,it isn’t necessary to segment the tongue body part from tongue image in advance.So,it will be an effective tool for the research on the quantification of tongue diagnosis and its clinical application.

tongue diagnosis;tongue crack;local binary pattern;Otsu’s method

中医舌诊中只有精确、完整地分割出舌裂纹，才能准确地对舌裂纹信息进行定量化的特征表示与描述，而目前少有方法能达到此要求。为此，提出了一种新颖的基于改进的局部二值模式（Local Binary Pattern，LBP）算子与Otsu阈值分割技术相结合的舌裂纹分割算法（MLBP-Ostu算法）。根据舌裂纹的纹理特征对传统LBP的模式分类方法进行重定义；引入一个粗糙度度量因子R，如某区域的R值偏小或偏大，则把其归类为非裂纹区，不进行LBP特征值计算；利用Otsu方法对前面得到的LBP特征图进行阈值分割，从而得到舌裂纹的二值图像。实验结果表明，该算法能较精确、完整地分割出舌裂纹，并且不需要预先分割出舌体区域，为将来舌诊的定量化研究及临床应用提供了有效手段。

中医舌诊；舌裂纹；局部二值模式；Otsu法

CNKI网络优先出版：2014-09-18,http://www.cnki.net/kcms/doi/10.3778/j.issn.1002-8331.1404-0115.html

QIN Haisong,HUANG Zhongchao,ZHAO Yuqian,et al.New MLBP-Otsu method and its application in tongue crack image segmentation.Computer Engineering and Applications,2014,50（23）：151-155.

A

TP751

10.3778/j.issn.1002-8331.1404-0115

中南大学中央高校基本科研业务费专项资金（No.2011QNZT013）；国家自然科学基金面上项目（No.61172184）。

覃海松（1988—），男，在读硕士研究生，主要研究领域为医学图像处理；黄忠朝（1976—），男，副教授，主要研究领域为医学信号和图像处理；赵于前（1973—），男，教授，主要研究领域为医学图像处理；彭子壮（1990—），男，硕士研究生，研究领域为中西医结合临床医学。E-mail：lipse_huang@163.com

2014-04-08

2014-08-04

1002-8331（2014）23-0151-05