返回至系列文章導(dǎo)航博客

1 簡(jiǎn)介

在中醫(yī)智能舌診項(xiàng)目中需要舌體胖瘦的自動(dòng)分析
舌體胖瘦是中醫(yī)診斷中重要的觀察依據(jù)，。胖大舌“舌色淡白，舌體胖嫩，比正常舌大而厚，甚至充滿口腔”，主脾腎陽虛，氣化失常，水濕內(nèi)停。舌體比正常舌瘦小而薄，稱為“瘦薄舌”，主氣血兩虛和陰血不足。中醫(yī)一般通過與正常舌比較來判斷舌的胖瘦。但由于年齡、性別、區(qū)域的差異，正常舌本身就沒有一個(gè)大小標(biāo)準(zhǔn)，給舌體胖瘦的自動(dòng)定量分析造成困難。并且由于用戶上傳的圖像比例差異比較大，這使得舌形判斷難上加難。

在進(jìn)行舌體胖瘦判斷應(yīng)有兩個(gè)前提：

（1）用戶上傳的舌象圖片已經(jīng)被分割完成；

（2）舌體處于“垂直狀態(tài)”；

這兩個(gè)步驟的處理方案已在之前的文章中有所介紹：
【python-Unet】計(jì)算機(jī)視覺 舌象舌頭圖片分割 機(jī)器學(xué)習(xí)（三）
【python】計(jì)算機(jī)視覺~舌象圖片中舌體傾斜判別（四）

下面我們來詳細(xì)講解如何讓計(jì)算機(jī)智能判別用戶上傳的舌象胖瘦！

2 原理講解——多項(xiàng)式曲線擬合

2.1 舌體曲線擬合參數(shù)與形狀的關(guān)系

通過對(duì)舌體輪廓進(jìn)行曲線擬合，可以用較少的參數(shù)表示舌體輪廓。對(duì)舌前部輪廓采用4次多項(xiàng)式擬合

發(fā)現(xiàn)曲線擬合參數(shù)與曲線形狀的尖銳與圓鈍有以下關(guān)系：
（1）由于舌體接近對(duì)稱，因此奇次項(xiàng)系數(shù)一般相對(duì)較小，對(duì)舌體形狀的影響較小，而常數(shù)項(xiàng)根本不影響曲線的形狀。
（2）舌體的總體形狀趨勢(shì)取決于其最高項(xiàng)——四次項(xiàng)，在其他各項(xiàng)系數(shù)相同的情況下，四次項(xiàng)系數(shù)越大，曲線越尖銳；越小，曲線越圓鈍。
（3）尖銳和圓鈍的程度不但與四次項(xiàng)和二次項(xiàng)的符號(hào)關(guān)系有關(guān)，還與兩個(gè)系數(shù)的絕對(duì)值關(guān)系有關(guān)。二次項(xiàng)與四次項(xiàng)系數(shù)絕對(duì)值之比越大，曲線的尖銳與圓鈍越顯著。

2.2 胖瘦指數(shù)定義

通過上述函數(shù)圖像的特點(diǎn)總結(jié)胖瘦指數(shù)。
胖瘦指數(shù)與四次項(xiàng)系數(shù)絕對(duì)值成反比，并且與二次項(xiàng)系數(shù)和四次項(xiàng)系數(shù)的符號(hào)關(guān)系和絕對(duì)值之比有關(guān)。胖瘦指數(shù)越大，舌體越胖。根據(jù)胖瘦特征已知的舌圖像樣本確定分級(jí)標(biāo)準(zhǔn)，可以將舌體描述為“胖”、“不胖不瘦”、“瘦”3種類型。

其中a4為四次項(xiàng)系數(shù)，a2為二次項(xiàng)系數(shù)。

3 具體實(shí)現(xiàn)過程

首先是要將舌象圖片進(jìn)行舌體分割（參照【python-Unet】計(jì)算機(jī)視覺 舌象舌頭圖片分割 機(jī)器學(xué)習(xí)（三））

舌體胖瘦分析的主要的對(duì)象是中下舌位，上舌位會(huì)影響分析的準(zhǔn)確性，因此取舌體輪廓標(biāo)記點(diǎn)的下0.75舌位。示意圖如下圖所示：

對(duì)下0.75舌位標(biāo)記像素點(diǎn)進(jìn)行舌體輪廓的多項(xiàng)式曲線擬合。由于分析的是曲線的“胖瘦”，因此多項(xiàng)式曲線的奇數(shù)次項(xiàng)影響較小，且項(xiàng)數(shù)較大較好。權(quán)衡模型的運(yùn)行效率，中e診采用4次項(xiàng)多項(xiàng)式曲線擬合。進(jìn)行多張圖片擬合的確定系數(shù)（R-square=SSR/SST）為0.82~0.95，說明4次多項(xiàng)式曲線擬合效果較好。舌體輪廓4次多項(xiàng)式擬合示意圖如下：

將得到4次多項(xiàng)式擬合曲線系數(shù)代入如下公式，計(jì)算胖瘦指數(shù)。通過胖瘦指數(shù)來判斷用戶舌體的胖瘦。

其中a4為四次項(xiàng)系數(shù)，a2為二次項(xiàng)系數(shù)。
胖瘦值數(shù)越大說明舌體越寬大，胖瘦指數(shù)越小說明舌體越瘦小；胖瘦指數(shù)位于4.3-7.8范圍內(nèi)是正常舌，小于4.3是瘦小舌，大于7.8是肥大舌。
注：這里的數(shù)據(jù)可能準(zhǔn)確度并不高，應(yīng)當(dāng)在大量樣本數(shù)據(jù)驗(yàn)證后得出結(jié)論，需要后面繼續(xù)驗(yàn)證！

4 代碼實(shí)現(xiàn)

注：此后的代碼是在已經(jīng)分割好舌象以及舌體傾斜判斷后，其中代碼參照前文！

4.1 contour_to.py

from PIL import Image
import numpy as npdef contour_to(in_path=r"result\blend.png", out_path=r"result\inline.png"):"""將分隔好的圖像數(shù)據(jù)進(jìn)行描點(diǎn)in_path為綠底+原圖圖片put_path為黑底+白點(diǎn)圖片返回對(duì)稱軸坐標(biāo)以及輪廓坐標(biāo)"""img_before = Image.open(in_path)img_before_array = np.array(img_before)  #把圖像轉(zhuǎn)成數(shù)組格式img = np.asarray(image)shape_before = img_before_array.shapeheight = shape_before[0]width = shape_before[1]dst = np.zeros((height,width,3))wire = []axle_wire = []outcome_wire = []for h in range(0,height):lis = []h_all = 0w_all = 0for w in range (0,width-1):(b1,g1,r1) = img_before_array[h,w](b2,g2,r2) = img_before_array[h,w+1]if (b1, g1, r1) == (1,204,182) and (b2,g2,r2) != (1,204,182): dst[h, w] = (255,255,255)lis.append((h,w))outcome_wire.append((h,w))elif (b1, g1, r1) != (1,204,182) and (b2,g2,r2) == (1,204,182):dst[h, w+1] = (255,255,255)lis.append((h,w+1))outcome_wire.append((h,w+1))else:passif len(lis) == 0:passelse:for i in lis:h_all += i[0]w_all += i[1]h_avg = h_all//len(lis)w_avg = w_all//len(lis)dst[h_avg, w_avg] = (255,255,255)axle_wire.append((h_avg, w_avg))img2 = Image.fromarray(np.uint8(dst))img2.save(out_path,"png")wire.append(axle_wire)wire.append(outcome_wire)return wire

4.2 outline_cut.py

import numpy as np 
from PIL import Imagedef outline_cut(outcome_wire):"""截取輪廓下1/4像素點(diǎn)"""save = outcome_wirepool = []for i in outcome_wire:pool.append(i[0])pool.sort()judge = pool[int(1 + (float(len(pool)) - 1) * 1 / 4)]del_data = 0for i in range(len(outcome_wire)):if outcome_wire[i][0] < judge:del_data = ielse:passdel save[0:del_data]height = 256width = 256dst = np.zeros((height,width,3))for i in outcome_wire:h = i[0]w = i[1]dst[h,w] = (255,255,255)img2 = Image.fromarray(np.uint8(dst))img2.save(r"result\0.5cuted.png","png")return save

4.3 linger.py

import matplotlib.pyplot as plt
import numpy as np
from sklearn import  linear_model
#導(dǎo)入線性模型和多項(xiàng)式特征構(gòu)造模塊
from sklearn.preprocessing import  PolynomialFeaturesdef linger(wire):a1, a2 = zip(*wire)x = list(a2)y = list(map(lambda i: i * -1, a1))datasets_X = xdatasets_Y = y#求得datasets_X的長(zhǎng)度，即為數(shù)據(jù)的總數(shù)。length =len(datasets_X)#將datasets_X轉(zhuǎn)化為數(shù)組， 并變?yōu)槎S，以符合線性回 歸擬合函數(shù)輸入?yún)?shù)要求datasets_X= np.array(datasets_X).reshape([length,1])#將datasets_Y轉(zhuǎn)化為數(shù)組datasets_Y=np.array(datasets_Y)minX =min(datasets_X)maxX =max(datasets_X)#以數(shù)據(jù)datasets_X的最大值和最小值為范圍，建立等差數(shù)列，方便后續(xù)畫圖。X=np.arange(minX,maxX).reshape([-1,1])#degree=4表示建立datasets_X的四次多項(xiàng)式特征X_poly。poly_reg =PolynomialFeatures(degree=4)X_ploy =poly_reg.fit_transform(datasets_X)lin_reg_2=linear_model.LinearRegression()lin_reg_2.fit(X_ploy,datasets_Y)#查看回歸方程系數(shù)#print('Cofficients:',lin_reg_2.coef_)#查看回歸方程截距#print('intercept',lin_reg_2.intercept_)plt.scatter(datasets_X,datasets_Y,color='red')plt.plot(X,lin_reg_2.predict(poly_reg.fit_transform(X)),color='blue')plt.xlabel('x')plt.ylabel('y')plt.show()return lin_reg_2.coef_

4.4 調(diào)用總函數(shù)

coefficient = linger.linger(contour_to.outline_cut(contour_to()[1]))
print(coefficient)

后根據(jù)coefficient中的多項(xiàng)式系數(shù)代入如下公式判斷舌體胖瘦：

舌體判別算法至此結(jié)束

總的來講就是：
step1：舌象圖片自適應(yīng)調(diào)節(jié)
step2：舌體分割
step3：舌體傾斜判斷
step4：曲線擬合判斷舌形