基于Gabor小波变换的舌苔腐腻识别

瞿婷婷　夏春明*　王忆勤　朱穆朗玛

1(华东理工大学机械与动力工程学院　上海 200237)2(上海中医药大学基础医学院　上海 201203)



基于Gabor小波变换的舌苔腐腻识别

瞿婷婷1夏春明1*王忆勤2朱穆朗玛2

1(华东理工大学机械与动力工程学院上海 200237)2(上海中医药大学基础医学院上海 201203)

舌诊是中医“望诊”中的重要内容之一，通过对舌苔的观察能了解人体生理变化，从而进行病势判断。当前基于计算机的舌苔腐腻识别研究鲜有报道。提出一种基于Gabor小波变换的舌苔腐腻识别方法。考虑舌象的完整性以及腐腻舌苔的纹理不同，从纹理角度出发，将整体的舌象进行Gabor小波变换；并针对Gabor小波变换的边缘检测效应使纹理描述弱化这一问题，提出一种弱化边缘的方法，在此基础上提取均值和标准差作为纹理特征对正常苔、腐苔和腻苔进行分类识别。实验结果表明，用改进的特征分类平均准确率达到91%，验证了该方法对舌苔腐腻的识别是有效的。

舌苔腐腻Gabor小波变换纹理分析弱化边缘

0　引　言

中医舌诊通过观察舌质和舌苔的变化，了解机体生理功能和病理变化，是望诊的重要内容。医生通过肉眼观察舌体的颜色、纹理、形状、质地和动态等来了解人体生理病理变化情况，从而进行病势的判别。然而传统中医诊断结果会受到医生经验的丰富程度、技能水平的高低以及外界的环境条件等影响，因此主观性强。可重复性差，制约了中医舌诊的发展。所以舌诊的现代化和客观化研究是当今社会推动中医发展的重点所在。目前的舌诊现代化研究大都基于计算机智能信息处理技术，内容多集中于舌(苔)色、舌体分割和舌体形状等研究，对舌苔的腐腻识别相对较少[1-3]。

由于体内痰类病理产物的过多堆积，从而影响了体内代谢系统的运作，湿气和污浊之物积累在舌面上而形成腻苔。长期食用如肉类、油腻的食物，加上体内内热的综合作用，使得消化系统中积累下来的一些污浊之物无法代谢，从而向上聚集形成腐苔。腐苔相对腻苔而言，湿热更重，污浊更多[4]。因此对腐腻苔的客观化识别能帮助医生判断人体湿热的轻重程度，是有必要的。

目前已有一些关于腐腻苔的相关研究。C.C.Chiu[5]采用灰度共生矩阵特征来描述四个子区域是否存在腐腻苔；朱洁华[6]采用Gabor小波能量结合彩色对比来识别舌象块是否存在腻苔；马超[7]通过颜色和面积相结合来识别舌苔是否腐腻。以上都是判断舌苔是否为腐腻苔，没有对腐苔和腻苔进行识别。卫保国[8]通过改进的子空间法和粗糙度对舌苔的腐和腻进行识别，但其将舌象分成多个小块进行分析，丢失了舌象的整体信息。在中医的归纳中，腻苔苔质致密、颗粒细腻，而腐苔苔质疏松、颗粒较大且松软。

针对现有方法的不足和腐腻舌苔的特质，本文从整体和纹理角度出发，首先对舌象图像进行预处理，使用Gabor小波对整体舌象图像进行变换；并去除由Gabor小波变换产生的边缘效应，在此基础上提取Gabor小波特征对腐腻苔进行识别。通过提取其他纹理特征对比该方法进行舌苔腐腻识别，结果表明本文方法的准确率较其他分析方法要高。

1　舌体预处理

本文用于研究的舌图像由上海中医药大学提供，这些舌图像包含在整个人脸图像中。在对舌苔进行分析之前，首先要对舌体进行预处理，而预处理主要是舌体的分割以及舌象边缘的平滑。

1.1舌象图像分割

舌体图像分割是对舌象图像后续分析的基础和前提，本文首先将舌象进行粗分割。由于整幅舌图像中存在人脸、嘴唇和采集装置背景等会加大舌体分割难度，所以在提取整个舌体之前先进行粗分割。粗分割主要使用Matlab函数imcrop，该函数返回通过手动截取的舌体矩形区域，如图1(a)所示。

其次，将裁剪后的舌体区域从RGB色彩空间变换到HIS色彩空间，提取图像的H、I分量直方图，并采用巴特沃斯带通滤波器对其进行滤波处理。将H分量直方图较低灰度级区间内的谷点对应的灰度级作为阈值对H分量图二值化，提取I分量直方图最高两峰之间的谷点所对应的灰度级作为阈值对I 分量图二值化。将H、I分量二值化图像进行合并[9]，舌体和脸部等其他部分基本分开，如图1(b)所示。

1.2舌象边缘平滑

二值化后的舌体内部可能存在小的空洞，边缘存在狭长的连接、毛刺和孤立的小斑点等。因此需要对合并后的二值化舌体图进行形态学开运算，去除小面积点，断开细长连接；然后进行形态学闭运算，对舌体边缘小缺口进行填充，平滑边缘，再填充孔洞。最后将二值图与原图进行与运算，提取出舌体，如图1(d)所示。

图1　舌象处理过程图

2　纹理特征描述

描述纹理的方法有多种，主要有统计、结构、模型和信号处理这四大类方法。下面介绍几种比较经典的纹理描述方法，这些方法在描述纹理时相对有效。在接下来的工作中，将提取这些纹理特征来表述舌象纹理，进行对比分析。

2.1Gabor小波变换纹理特征

Gabor 小波具有与哺乳动物视觉皮层中的神经元非常相似的特性，具有较强的空间位置和方向选择性，在提取目标的局部空间域和频率域信息方面具有良好的特性。由于二维Gabor小波具有多分辨率的特性，所以被广泛应用于图像处理、模式识别等领域。

二维Gabor函数在空间域里是一个由正弦平面波调制的高斯核函数G(x,y)[10,11]。通过对G(x,y)进行膨胀和旋转得到一组自相似的滤波器，即Gabor小波：

(1)

(2)

建立完Gabor小波之后，对图像进行Gabor小波变换，即将每一个Gabor滤波器与图像I(x,y)进行卷积，得到滤波后的图像Wuv(x,y)，其公式为：

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

(3)

最后对滤波后的图像进行特征提取，通常取每幅图像的均值和标准差作为纹理特征：

(4)

(5)

其中，M、N分别是图像的长和宽。

由于本文将整个舌体作为分析对象进行分析，因此对式(4)和式(5)作如下修正：

(6)

(7)

其中，ω是整个舌体的像素点总数，M、N分别是舌体图像的长和宽，Luv(x,y)为第3节所提出去除边缘并对图像进行Gabor小波变换处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纹理特征的表达，分别使用了符合人类视觉感知心理的粗糙度、对比度和方向度等作为纹理特征，其中Tamura粗糙度计算方法是很有效的纹理表达[12]。

Tamura粗糙度算法的思想是使用不同的领域尺寸计算出领域均值差，差值最大的领域尺寸作为最佳尺寸，根据最佳尺寸计算图像的纹理粗糙度。

2.3灰度共生矩阵特征

灰度共生矩阵由Haralick等人首次提出，它是描述图像纹理的二阶统计特征。它是统计灰度图像中某个距离和方向的两像素点灰度之间的相关性得到的一个共生矩阵，如果灰度级为N，用P来表示共生矩阵，那么P为N×N的矩阵。

P(i,j)=P(i,j|δ,θ)

(8)

其中P(i,j)(i，j=0，1，…，N-1)即为统计出的共生矩阵的元素，δ和θ分别表示统计过程中两个像素之间的距离和方向，即P(i,j)为具有距离为δ、方向为θ的位置关系，并且灰度分别为i和j的两个像素出现在这幅灰度图中的概率。

然后对这个共生矩阵进行统计计算，得到这个矩阵的二次统计特征，用来代表图像的纹理特征[13]。通常灰度共生矩阵表达纹理的统计特征有16个，以下为较常用的几个：

对比度：

(9)

相关性：

(10)

能量：

(11)

同质性：

(12)

其中p(i,j)是满足指定的某个方向和距离的两点的概率估计。

本文将提取Tamura粗糙度和文献[8]改进的粗糙度；以及将图像的灰度级设为8、16、32和64，每个灰度级提取0°、45°、90°和135°四个方向，距离分别取1～5的以上4个灰度共生矩阵特征作为对比特征，对舌苔腐腻进行分类。

3　基于Gabor小波的舌象纹理特征提取

目前对舌苔纹理的研究通常都是截取舌体上的舌块进行研究或者对每个舌块单独研究之后进行整合，对舌象进行整体研究相对较少。而中医在对舌象进行判别时，是从舌象的总体情况来进行判断，因此本文从舌象的整体角度出发，进行舌象纹理特征的提取。在进行整体分析时，Gabor小波变换的边缘效应相对明显，如图2所示，其边缘的能量很大。而根据式(6)和式(7)，分别取整个小波变换后舌体的像素值的均值和标准差。边缘像素值越大，对计算描述整个舌象纹理的均值和标准差造成影响，因此需要去除边缘效应。

图2　舌体Gabor小波变换的边缘效应

3.1去除边缘效应的舌象Gabor小波变换

通常人们通过用舌象总体均值来填充非舌象区域，但是由于被填充的区域和边缘不衔接，其弱化边缘的效果并不是很好，对此本文提出了一种边缘像素求平均的弱化边缘能量的新方法，具体步骤如下：

步骤1对分割后的舌体I进行膨胀运算，膨胀的结构元素取大小为1的圆盘结构，得到膨胀后的图像P。

步骤2对膨胀后的舌体图像P，使用Matlab自带的bwboundaries函数进行边缘提取。bwboundaries函数用来获取二值图中对象的轮廓，能得到图像提取值为1的连通域的边缘。将其边缘点顺时针存放于一个二维矩阵B中，即提取出舌体的边缘。

步骤3依次从二维矩阵B中取边缘点a(x,y)，找到其8邻接的像素点中不是0的点，存入矩阵C中。

步骤4求矩阵C中像素点的平均像素值，将值赋给a(x,y)，作为a点的像素值。

步骤5重复步骤4，直至将矩阵B中所有点赋值完。

步骤6重复步骤1-步骤5，将整个舌图像扩大，重复的次数根据Gabor小波滤波器的窗口大小而定。最后得到边界填充后的舌体图像Pe。

图3　Gabor小波实部(fmax=0.25)

步骤8用步骤7中建立的Gabor小波对边界填充后的舌体图像进行变换，得到滤波后的舌图像G。将G与原分割后的舌体二值图相乘，得到最后去除边缘效应的Gabor小波变换图像L。

该算法的输入为分割的舌体图像I，最后输出的为去除边缘效应的Gabor小波变换图像L。图4为整个算法的过程图(仅列出一个方向、一个尺度的Gabor小波变换图)。

图4　弱化边缘过程

3.2Gabor小波特征提取

(13)

由于均值和方差不是同一数量级，在对特征分类前进行归一化处理，得到归一化特征为：

(14)

4　实验结果分析

实验在Matlab平台下分别从两方面分析验证本文所提出的特征对识别腐腻舌苔的有效性：一是分别将舌象直接进行Gabor小波变换、用舌象像素点灰度均值填充后进行Gabor小波变换，以及用本文所提出的方法进行Gabor小波变换进行对比，观察本文方法是否将边缘去除；二是对舌象分别提取粗糙度特征、灰度共生矩阵特征、舌苔块的Gabor小波变换特征，以及经过边缘消除后的舌象的整体Gabor小波变换特征，并使用开源的Libsvm进行分类。Libsvm是林智仁教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的工具箱，可以直接下载代码在Matlab中安装使用[15]。分别取薄白苔、腐苔和腻苔各50例，将其中30例用作训练，20例用作测试。

4.1舌体去除边缘效应

Gabor小波变换的舌象如图5所示，各舌象的左图为直接进行变换之后的舌象，中图为用舌象灰度均值填充后的小波变换图，右图为使用本文方法进行去除边缘效应后的小波变换图。

图5　弱化边缘对比图

从图5中可以看出，未经处理的图像，进行Gabor小波变换后，其边缘效应很明显。而通过用舌体总体灰度值的平均值对非舌体区域进行填充后，其边缘效应虽然不那么明显，但还是存在。这是因为用平均值填充时，其纹理是平坦的，而且其像素值和边缘也不衔接。而使用了本文方法后，可以看出其边缘的能量已基本消除，舌体的整个纹理信息相对加强。虽然边界越往外填充，其纹理越平坦，但由于每一层边界点取的都是舌体上边缘点的平均像素点，因此有衔接性，不至于发生突变而导致边缘效应。在去除边缘效应后，提取出来的特征也将更加准确反映纹理信息。

4.2舌苔腐腻识别结果分析

对各个特征进行分类识别，其结果如表1-表3所示。

表1　Tamara粗糙度和文献[8]改进方法所提特征的腐腻苔识别准确率

表2　灰度共生矩阵不同灰度级的4个统计特征的腐腻苔识别准确率

表3　不同舌象的Gabor小波变换所提特征的腐腻苔识别准确率

在现有的研究中，只有文献[8]对舌苔的腐和腻进行了识别，其针对Tamara粗糙度进行改进并用改进子空间法进行分类，表1是为文献[8]中所用方法进行识别的结果。表2是用灰度共生矩阵特征进行分类的结果，其图像的灰度级分别为8、16、32和64，每个灰度级取用0°、45°、90°和135°四个方向，距离取用1、2、3、4、5五个值分别进行计算。因此会有20个空间位置关系，即每个统计量有20个统计值，每个灰度级会有80个统计特征。

表3为分别对截取的舌苔块、未去除边缘效应的整体舌象以及去除边缘效应后对舌象整体进行Gabor小波变换所提取特征的分类结果。

通过对文献[8]所用的方法和本文所用方法进行实验对比，结果表明，本文所提出的方法对于舌苔腐腻的识别更加有效。虽然粗糙度特征是纹理表达的很好的特征，但是腻苔的苔质紧密，颗粒较小，夹在薄白苔与腐苔之间，用粗糙度特征不能很好地识别腻苔。用灰度共生矩阵特征进行分类，虽然腻苔的准确率有所上升，但是总体的准确率还是不尽人意。对舌苔块进行Gabor小波变换后进行腐腻识别，总体准确率虽然有所上升，但不及对舌体进行整体分析准确率高。这是因为对舌苔块进行分析，丢失了舌体的完整信息。而经过边缘弱化之后的整体Gabor小波变化舌象所提特征的分类准确率比未经处理过的要高，说明经过处理后所提特征能更加精确反映舌苔的纹理。

综合上述实验结果，本文方法对于舌苔腐腻的识别达到了比较满意的效果。

5　结　语

由于目前对腐腻舌苔的研究大多仅限于是否存在腐腻苔的识别，或者对舌苔块分析进行腐腻识别，有一定的局限性，本文根据中医对腐腻舌苔的定义，从纹理角度出发提出了一种基于Gabor小波变换的改进的舌苔腐腻识别方法。在对经过边界填充后的舌体进行Gabor小波变换后，再取原来的舌体部分的Gabor小波变换图，有效地去除了Gabor小波变换的边缘检测效应；再对变换后的舌体图像提取纹理特征，使得Gabor小波所表达的纹理信息更加突出、更加准确地表示了舌苔的纹理。

用本文所提出的方法进行特征提取，对舌苔腐腻进行分类，结果表明本文所用方法对舌苔的腐腻识别是有效的。这为以后舌苔腐腻的准确识别分析提供了新的思路，也为对舌诊客观化研究打下了良好的基础。

[1] 戚沁园,林燕佳,陈长青.中医舌诊客观化方法的研究进展母[J].中国中医急症,2013,22(9):1565-1567.

[2] 陈雪姣,王玉臣,王德才.中医舌诊客观化研究的发展概况[J].江西中医药,2012,43(1):72-75.

[3] 张康,金石,杜建强,等.基于图像分析的中医舌诊及客观化研究[J].科技广场,2013(2):9-11.

[4] 王忆勤.中医诊断学[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] 朱洁华,阮邦志,励俊雄,等.舌诊客观化研究的一种图像处理方法[J].中国生物医学工程学报,2001,20(2):132-137.

[7] 马超.中医舌诊图像分割和特征提取方法研究[D].重庆:重庆大学,2007.

[8] 卫保国,沈兰荪,蔡轶珩.中医舌苔腐腻分析算法的研究[J].电子学报,2003,31(12A):2083-2086.

[9] 陆萍.基于图像处理和模式识别的齿痕舌象研究[D].上海:华东理工大学,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] 李欢欢,张新峰,胡广芹,等.失眠舌象特征的量化研究[J].北京生物医学工程,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。国家自然科学基金项目(81173199)；上海市科委技术标准专项项目(14DZ0500400)。瞿婷婷，硕士，主研领域：人体医学信号处理。夏春明，教授。王忆勤，教授。朱穆朗玛，博士。

TP391

A

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