一、计算机图像处理技术在舌像特征提取中的应用（论文文献综述）
钟振[1]（2021）在《基于深度学习的中医舌像分割与识别实验研究》文中进行了进一步梳理目的:运用深度学习技术研究中医舌像分割,去除干扰背景。提出舌像识别算法判断舌色和苔色的类别,以期开发舌像诊疗系统辅助中医医生更好地诊断疾病。运用统计学技术分析不同舌色、苔色的量化指标,为中医舌象辨识提供客观依据,为舌诊客观化提供数据支持。方法:1.随机挑选232例受试者作为研究对象,采用CASIO-3000EX数码相机在标准光源D65下进行舌像采集,使用Photo Shop V 13.0进行初步人工分割,将处理后的数据集划分为训练集、验证集和测试集,运用数据增强技术增加训练集,通过U-Net初步探究中医舌像分割模型,提出一种新型舌像分割网络完善U-Net的不足。最后使用精确率,Dice系数,m Io U系数和错分类误差对模型效果进行评价。2.从舌像数据集中筛选唇色正常舌像,以中国中医药出版社“十三五”版本的《中医诊断学》教材为蓝本确定舌色苔色的种类与辨识标准,运用数据增强技术增加训练集,采用新型舌像分割网络分割舌像,通过分离注意网络（Res Ne St）构建中医舌像识别模型,最后使用准确率,召回率,精确率对模型效果进行评价。3.运用统计学方法分析舌像数据集。分析舌质颜色特征,参考嘴唇与舌质的差异以判断舌质的颜色。学习舌苔颜色特征以判断舌苔的颜色,并对舌色苔色的分类标准进行量化。结果:1.对于U-Net和新型舌像分割网络模型,使用测试集的中医舌像对模型效果进行评价。对于每张舌像,我们用四种评价指标对预测结果进行评估,并取测试集的平均值作为模型测试的最终结果。对于测试的数据集,U-Net精确率为0.9659、Dice系数为0.9707、m Io U系数为0.9642和错分类误差0.16。舌像分割网络精确率为0.9760、Dice系数为0.9809、m Io U系数为0.9760和错分类误差0.08。从实验结果分析,U-Net分割网络可以较完整地分割出中医舌像的舌体和背景。相较于U-Net,新型舌像分割网络可以取得更优越的效果。2.对于识别模型,采用数据增强后的测试集对模型效果进行评价。我们使用三种评价指标评估预测的结果。对于测试集,苔色识别的精确率为0.9262、准确率为0.9060、召回率为0.9263;舌色识别的精确率为0.8862、准确率为0.8845和召回率为0.8961。从实验结果分析,基于深度学习的网络模型可以较好地识别舌苔与舌质的颜色。3.对于中医舌诊标准的量化,舌体GB值中淡白舌较高,其次为淡红舌、紫舌、红舌,绛舌最低（P<0.01）。舌质I值中淡白舌较高,其次为淡红舌、红舌、紫舌,绛舌最低（P<0.01）。舌色与唇色GB值的差异排位顺序与舌色量化的GB值排位顺序相似,但差异度更大。苔色G值中白苔较高,其次为薄白苔、薄黄苔,黄苔最低（P<0.01）。薄白苔的各值较白苔低（P<0.01）。结论:1.本次研究提出的新型舌像分割网络分割性能比U-Net更加突出,可为后续的舌诊客观化研究提供技术支持。2.本次研究提出的舌像识别算法框架能较好地识别舌色苔色,且不受相机角度与拍摄距离远近的影响,抗干扰能力和适应性较强,提示该框架具有辅助中医医生诊断疾病的作用。3.深度学习技术能较好地从舌像中分割出舌体,且不受外部环境的影响,具有较强的泛化能力。对于舌色和苔色的量化指标,单一的R、G、B值不能全面地反映舌色苔色类别,需要综合颜色空间中所有的值全面进行分析。
张丽倩[2]（2021）在《中医舌诊中舌形自动分类及辅助诊断系统研究与实现》文中指出中医舌诊有着几千年的历史,早在《黄帝内经》中就记载了关于望舌诊病的内容。传统中医舌诊通过观察舌体特征来对人体的健康状况进行分析,是我国中医临床诊断的特色之一。由于传统舌诊是由中医医师肉眼观察患者舌体来进行诊断,这使得诊断结果比较依赖于中医医师的主观性和自身知识经验,中医舌诊缺乏定量化和准确化等客观标准。另外,传统舌诊的医师采用文字记录来描述病症,一些舌像资料和宝贵的诊断经验不能得到完整的保存和充分的利用,这影响医师学术交流的同时,制约了中医舌诊理论的传承与发展。随着科学技术及智慧医疗的迅猛发展,借助计算机实现舌象的现代化与客观化也越来越多的成为热点内容。利用计算机进行舌象的辅助诊断不仅对于临床医疗有深远影响,对于远程医疗也具有十分重要的意义。本文进行了计算机辅助中医舌象诊断的探索研究,对诊断流程中的关键问题解决方案做了深入探讨,着重对歪斜舌体的矫正及舌形分类的自动化进行了研究,并基于提出的算法及成熟的技术研发了计算机辅助舌诊系统,其主要内容有:（1）目前,对于计算机辅助中医舌象诊断中关键问题单方面的研究综述较多,本文首次系统、全面的对计算机辅助中医舌象诊断中关键问题解决方案进行深入地调研分析,归类总结了整个流程中的关键技术,弥补了单方面研究综述覆盖面小、综合性不够的缺陷。其中,介绍了计算机辅助中医舌象诊断的流程、数字化舌像的预处理过程;在广泛调研现有文献及研究成果的基础上,分类讨论了自2000年以来舌像分割及特征提取的主流方法,并针对方法的基本思想和优缺点进行了归类与总结;归纳了市面上目前已经研发出的舌象分析系统,并整理了每种系统的使用范围、使用条件及优缺点等方面内容。（2）提出了一种歪斜舌形校正的方法。由于在采集舌象时,患者在伸舌过程中力度不一致,容易发生舌体抖动的现象,从而导致采集到歪斜的舌体,这给分析舌像特征带来一定影响。本文基于完整的舌体区域,根据舌体的镜面对称特性,采用Harris角点检测的方法获取舌尖点,并结合舌体重心点与中垂线,实现了歪斜的舌体的矫正。通过图像的互信息对本文算法校正的舌像与人工校正的舌像之间的相似程度进行了度量,证明了本文方法的有效性。（3）提出了一种舌形自动分类的方法。基于歪斜舌体校正的预处理,分析计算了5种基于长度与面积的舌形相关特征。通过研究决策分析工具构造了舌形分类的层次结构模型,将相对重要程度的评价标度转换为数量表达的标准化度量。从舌形判定顺序及特征参数两个方面出发进行了方法的改进,实现了正方形舌、长方形舌等7种常见舌形的分类,分类结果与中医专家的评定相比具有较好的准确率。（4）研发了一个较为完备的计算机辅助舌诊系统。描述了计算机辅助舌诊系统的开发环境与开发工具、系统的框架结构与功能分析,并对计算机辅助舌诊系统进行了舌像诊断的测试与验证。最后,对系统功能的完整性等方面进行了分析总结。本论文在计算机辅助中医舌象诊断中关键问题的主流方法,特别是歪斜舌体的校正、舌形分类及现代中医舌诊系统的研发方面进行了初步研究,力图为现代中医舌诊的不断发展,实现舌诊的科学化、客观化、具体化贡献自己的微薄之力。
孔宪华[3]（2020）在《幼年儿童积食症舌苔舌质特征分析》文中认为近年来,“互联网+医疗”受到社会各界广泛关注,基于人工智能的医学诊断方法也逐渐被大众所认可。舌诊作为中医望诊中不可或缺的常规检查,在中医临床诊断上占有重要地位,其独特的诊断方式体现出了中医诊病的传统经验和特色。幼年儿童自我管控能力差,不节制的饮食容易造成“积食”现象,患有积食的孩子一般会出现食欲不振、厌食、口臭、肠胃不适、睡眠不安、发热盗汗和手脚心发凉等症状,严重时甚至引起发烧。因此,及时发现并准确实时地判断积食症状十分重要。鉴于智能手机在国内的普及程度以及父母对儿童的悉心照顾,家长希望可以通过智能手机随时随地检查幼儿是否患有积食症,并及时采取应对措施,排除病症对幼儿的不利影响。本文针对移动端对幼儿积食症的诊断提出了一套解决方案,主要工作概述如下:（1）针对目前还没有很好的处理移动端图像颜色校正的问题,提出了一种照明条件的评估方法,即通过测定有无闪光灯下同一照明条件下舌图像的颜色向量来评估当前的照明条件,通过支持向量机方法来对当前的照明条件进行分类,然后通过颜色校正方法中的多项式方法对颜色进行颜色校正,并深入研究了传统颜色校正的多项式模型,通过设计对比多个多项式模型实验,确定了一种比以往效果更好的多项式模型,为后续对舌像处理打下了基础。（2）针对传统算法对舌体分割精度差、易受无关区域干扰的问题。设计了两段基于深度学习的舌体分割步骤:使用YOLOv3算法对舌体进行目标识别,即获得舌体的ROI（region of interest）并输出其框体坐标,根据其框体输出得到目标框体中的图像;将YOLOv3算法的输出作为U-net算法的输入,能够精确地从原始图像中分割出舌体,通过与传统分割算法做对比。实验结果表明,最终得到分割效果优于现在的传统的舌体分割算法,为积食症病理特征的判断排除了外界环境的干扰。（3）针对目前积食症危害大,家长警惕性低以及看病手续复杂等问题,采用了L*a*b*颜色空间,对幼儿积食症舌像与正常舌像在L*a*b*空间上的投影做了定性和定量的分析,确定患有轻度积食症、重度积食症和正常情况下的舌像在L*a*b*颜色空间上的分布情况,并对如何进行积食症的判断进行了模型设计,将实验结果与中医标注的舌像结果进行了对比,在判别上取得了很好的效果。
吴坚[4]（2020）在《舌像分析中的光照补偿与图像配准研究》文中指出在过去的二十年中,中医学客观化研究引起了越来越多的关注,利用人体体表可见光彩色图像进行医学图像处理与诊断的研究不断涌现。作为中医“望诊”核心的“舌诊”更是在舌像的采集、处理、以及分析等方面得到了深入的探讨,本文研究舌像处理与分析中的高性能预处理算法。现有的舌像分析主要集中在舌像成像设备、舌像特征提取、以及舌像分类等方面,舌像分析中的预处理问题得到的研究较少,其中舌像的光照干扰及图像配准问题并未得到广泛重视。当前研究中的舌像光照干扰及图像配准问题通常被忽视或以简单的方式处理,缺乏细致的研究及有效的解决方案。本文着重研究舌像光照补偿问题及舌像配准问题并提出有效的解决方案。首先,本文讨论舌像光照干扰问题并提出一种光照补偿方法。当前舌像光照干扰的研究主要集中于舌像反光点的去除,关于舌像光照漂移的研究相对较少。舌像光照漂移对舌像分析会产生巨大影响,本文发现舌像纹理特征会随图像照度线性漂移的现象,并提出该漂移问题的补偿方法。所提出的补偿方法是基于图像Hodge分解模型,该模型把图像分解成照度与纹理两个分量的和。基于图像Hodge分解模型,本文建立舌像Gabor纹理特征与照度之间的线性回归模型,该模型解释了舌像Gabor纹理特征与照度之间的线性漂移现象。在真实舌像数据库上的实验验证了该线性回归模型的正确性。实验结果表明:通过本文提出的光照补偿方法,线性漂移问题得到解决。而且,基于补偿后的舌像的分类诊断,相较于补偿之前,其正确率得到提升。其次,本文研究舌像反光点问题并提出对应的反光点去除方法。不同于光照漂移,舌像反光点属于高频信号。本文提出一类非线性滤波器,同时解决舌像的光照漂移与反光点两方面问题。具体而言,本文提出使用宽线检测子（WLD）滤波器响应图像代替原始图像作为Gabor纹理特征提取的基底图像。基于WLD滤波器预处理的Gabor纹理特征对于图像光照漂移的干扰具有鲁棒性,同时消除由舌面湿润反光点引起的局部高光。因此,在描述舌像粗糙度时,预处理的Gabor纹理特征比现有的Gabor纹理特征更加准确。在预处理后的Gabor纹理特征中,舌像粗糙度作为病理信息指标变得更加显着,并且基于预处理后的Gabor纹理特征的舌像分类的正确率也得到提高。再次,本文讨论舌像配准问题并提出一种有效的舌像配准实现方案。现有的舌像配准主要是建立舌像之间的若干位置的映射,且极易受舌像变形干扰。在舌像之间建立稠密且对舌像变形鲁棒的配准方法尚未得到研究。本文提出一种基于共形映射的舌像配准的方法。在该方法中,舌像被配准到同一标准形状。基于配准后的舌像,我们提取舌像的平均舌和本征舌。各个类别的平均舌表现了该类别的一些典型视觉特征,印证了中医诊断实践中的一些经验观察和直观认识。本征舌体现了舌像区域内部的功能性分区。基于本征舌的特征提取具有维数高、信息量大的优点,从而提升了舌像诊断的可靠性。最后,本文研究了专门针对二维平面舌像配准的共形映射算法。当前共形映射的研究主要集中于空间曲面之间的配准。这类方法应用到二维平面舌像时面临诸多困难。具体而言,现有三维共形映射方法应用于舌像时将无法克服定向问题。本文提出一种基于边界对齐的舌像定向方法,其中舌像定向问题转化为边界上一个关键点的对齐问题。此外,本文提出一种快速共形映射算法,使共形映射适用于大规模的舌像配准问题。综上所述,本文讨论了舌像分析中的两类图像预处理问题。这两类预处理操作对舌像分析与诊断具有提升性能的作用,可以作为舌像处理与分析的有效工具。
徐熊,宋海贝,温川飙,刘义,曾馨,徐可鑫[5]（2020）在《基于智能信息处理的舌诊客观化研究》文中认为舌诊作为中医辨证重要方法之一,其研究对于推进中医现代化发展具有重要意义。目的:对实现中医舌诊智能化研究进展做出总结与分析。方法:结合智能化技术和中医舌诊,通过文献查阅、资料梳理和科学的分析等方法。结论:对实现舌诊智能化流程、舌象采集、舌像处理、舌象分析、舌诊仪等方面现状分析总结,为今后对实现舌诊智能化提供参考价值。
李宗润[6]（2020）在《基于深度学习技术的舌体分割模型研究与舌象智能化应用探索》文中研究指明目的:在中医诊断学智能化大发展的背景下,本研究以获取对舌图像中舌体目标区域自动、高精提取方法为目标,运用包括深度学习技术在内的多种图像识别方法开展舌体分割模型研究。为进一步验证所构建舌体分割模型的应用价值,本研究以分割后舌象为数据基础构建分析网络,通过血压均值预测实验探索基于深度学习技术的舌象临床研究方法及应用价值。方法:（1）舌体分割模型研究:舌象数据采集自成都中医药大学附属医院体检中心,使用TFDA-1舌面诊仪于2018年9月开始对符合纳入标准的受试者进行舌象数据采集后的原始图像使用Labelme软件进行标注。结束采集后通过Excel软件按样本编号对数据进行80%（训练集）、20%（测试集）随机分配。本研究采用UNet、Deeplab V3两种深度学习技术和动态轮廓（Snake）、颜色分解与阈值化模型（CDT）两种传统图像识别方法对图片中舌体区域进行分割。针对UNet与Deep Lab V3两种深度学习模型,利用训练集数据对模型进行训练,再使用测试集数据做分割测试;动态轮廓（Snake）与颜色分解与阈值化（CDT）模型则使用测试集数据进行分割测试。最后,对四种模型的分割结果使用平均交并比（MIo U）与像素精确度（PA）进行评价。（2）舌象智能化应用研究舌象数据采集自成都中医药大学附属医院内分泌科,使用TFDA-1舌面诊仪于2018年9月开始对符合纳入标准的受试者进行舌象数据采集后的原始图像使用Labelme软件进行标注。结束采集后通过Excel软件按样本编号对数据进行80%（训练集）、20%（测试集）随机分配。所拍摄舌象图片首先使用UNet模型进行舌区域分割并通过Res Net网络提取舌象特征为1*2048的向量;将血压数据扩充为1*2048的数据向量并与Res Net提取的舌象特征使用1*1的卷积操作对两种数据进行卷积融合,获得二者融合数据。以舌象拍摄当日血压（收缩压/舒张压）数据、舌象数据和二者融合数据作为三种自变量,通过迭代决策树（GBRT）、支持向量回归（SVR）、Adaboost、随机森林（RF）4种机器学习算法对未来6日血压（收缩压/舒张压）均值进行回归建模并利用测试集数据对各模型进行测试,测试结果以平均绝对误差（MAE）进行评价。结果:1.舌体分割模型研究:至2019年10月共采集研究所需合格样本2048例,分为训练集1638例与测试集410例。四种舌体分割模型测试结果以平均交并比（MIo U）、像素精确度（PA）进行评价,具体如下:（1）UNet模型测试结果MIo U为91.05%,PA为93.31%（2）Deep Lab V3模型测试结果MIo U为88.35%,PA为84.16%（3）Snake模型测试结果MIo U为76.64%,PA为76.26%（4）CDT模型测试结果MIo U为69.21%,PA为65.42%2.舌象智能化应用研究至2019年11月共采集研究所需合格样本325例,分为训练集260例与测试集65例。实验结果使用平均绝对误差（MAE）进行预测精度评价,具体如下:（1）以当日收缩压数据对未来6日收缩压均值预测误差（MAE）为:SVR为7.31mm Hg,RF为6.54 mm Hg,Adaboost为5.91 mm Hg,GBRT为6.25 mm Hg;以当日舒张压数据对未来6舒张压均值预测:SVR为7.10 mm Hg,RF为8.61 mm Hg,Adaboost为4.43 mm Hg,GBRT为6.17 mm Hg。（2）以舌象数据对未来6日收缩压均值预测误差（MAE）为:SVR为15.41mm Hg,RF为10.39 mm Hg,Adaboost为10.22 mm Hg,GBRT为9.61 mm Hg;以舌象数据对未来6日舒张压均值预测误差（MAE）为:SVR为18.03 mm Hg,RF为13.91 mm Hg,Adaboost为11.87mm Hg,GBRT为15.73 mm Hg。（3）以舌象与当日收缩压融合数据对未来6日收缩压均值预测误差（MAE）为:SVR为7.06mm Hg,RF为5.49 mm Hg,Adaboost为5.54 mm Hg,GBRT为9.61 mm Hg;以舌象与当日舒张压融合数据对未来6日舒张压均值预测误差（MAE）为:SVR为6.32 mm Hg,RF为8.54 mm Hg,Adaboost为4.02mm Hg,GBRT为5.91 mm Hg。结论:（1）深度学习技术相较于传统图像识别方法可更精准完成舌体分割任务,有利于中医舌象的自动化识别。（2）本研究所训练的UNet卷积神经网络模型可有效提高舌体分割精度,通过该模型可实现对舌体目标区域的全自动高精准分割。（3）UNet舌体分割模型联合Res Net网络可实现对舌象特征的自动提取,提取后的特征结合机器学习建模可用于探索舌象与临床数据间的复杂层级数学隐含关联。（4）舌象叠加当日血压相较单独使用当日血压数据能够提高预测精度,提示舌象对提升预测精度的贡献,以及数据融合是挖掘中医舌象临床价值的重要途径。
尚文文[7]（2020）在《基于舌象色谱分析下的人体健康状态诊断方法》文中提出舌诊是中医学中一个非常重要的内容,它可以清楚地反映人体的病理变化状况。舌诊技术凭借其非侵入、无损伤、快速有效、无副作用等优势,已经被广泛地应用于医疗诊断方面,并取得了很大成效。特别地,舌色是舌象特征中最敏感的信息,也是中医临床诊断技术的主要依据。近年来,在舌象特征提取和分析方面,计算机图像处理技术的使用打破了传统中医舌诊的方式,充分地提高了舌象特征分析的准确性,有效地减少了传统中医舌诊对人体病理体质的误诊。传统的舌象诊断信息主要是通过医生的目视观察和主观判断获得的,缺少客观化和定量化的度量手段,而且患者自我健康状态的多样性也会影响到最终诊断结果的正确性。为了提高舌象检索的准确性和全面性,依据人们对舌象颜色的主观感知,本文提出了一种新的用于舌象颜色特征提取的方法,并基于自我舌象的光色谱比较分析实现人体健康状态的诊断。该方法即是利用数字化图像处理技术将健康舌象的正片和病变舌象的彩色负片两两叠加,选取图像的信息敏感区域进行舌象数据采集,并根据RGB颜色空间和CIE Lab颜色空间之间的转换关系对数据进行量化处理,从而得到离散的舌象色谱空间分布图。最后,根据舌象色谱与人体病理体质之间的表征关系实现舌象的诊断,达到辅助识别人体健康状态的目的。该方法通过模拟仿真与实验验证,充分表明了其在舌象分类和病理诊断中具有较好的可行性和鲁棒性,其算法在舌象检索的全面性和准确性方面也得到了提高。另外,由于现有的舌诊技术并不能完好地提取舌色和苔色的特征,二者的强制分离甚至会破坏舌象结构的整体性,导致最终的诊断结果出现误差。所以提出了一种基于舌象主颜色占比的判别方法,基本实现了健康舌象与病变舌象的有效分类。这对于中医舌象诊断技术具有非常重要的理论指导意义和临床应用价值,为推动中医舌诊技术的发展提供了新的理论和技术支持。
万超[8]（2020）在《舌象裂纹识别研究》文中研究说明中医是华夏民族医疗实践和思想文化的结晶,其治疗思想理论和方法广受人们的重视。舌诊是中医诊断中的一种重要手段,舌诊中的裂纹舌象是一种重要的舌象,裂纹舌及其特征的研究对于早期判断疾病和养生保健有重大的意义。利用现代技术于传统舌诊中,使舌诊变得更加客观化,标准化与智能化是中医现代化的大趋势。本课题主要研究了舌诊中裂纹舌象的客观化,主要包括:舌体图像分割、裂纹舌识别、裂纹提取、裂纹的特征提取与识别以及对舌像采集装置的功能完善。提出了一种基于SegNet深度神经网络的舌体图像分割方法,对图像进行粗分割和预处理,搭建SegNet深度神经网络模型实现舌体区域提取,利用数学形态学进行优化,实现了舌体提取;利用支持向量机实现裂纹舌识别,提取舌体图像的三种不同特征,并结合四种不同核函数对裂纹舌进行识别,实现了裂纹舌识别;提出了一种结合大津法和低帽变化的裂纹提取方法,使用大津法提取裂纹区域,利用低帽变换进一步提取裂纹,再进行后处理消除伪裂纹,实现了裂纹提取;提取了裂纹的形状特征和颜色特征,利用决策树实现了裂纹形状和深浅的识别,提出了一种舌面裂纹严重程度的量化计算方法。重新设计了实验室原舌像采集装置的相机固定装置和光源位置,使光源布置更合理并使相机角度可调节,开发了舌像数据管理系统。结果表明,本文基于SegNet深度神经网络的舌体图像分割方法能以92.67%的较高准确度有效地分割舌体图像;利用支持向量机能以最高98.2%的准确率实现对裂纹舌的识别;裂纹提取算法能以分别为81.4%和86.1%的召回率和精确率较好地实现裂纹提取,所提取的裂纹能满足其后续特征提取与识别要求;提取的裂纹特征能对裂纹进行形状和深浅识别,形状和深浅识别准确率均为90%;由舌面裂纹严重程度量化计算方法计算的裂纹舌象轻微和严重数值分别为12.3和36.7,该方法可在某种程度上反映舌面裂纹舌象的严重情况;改善后的舌像采集装置,其软硬件功能更加完备。
马燕[9]（2020）在《基于舌诊偏色与去干扰的计算机应用研究》文中提出中医诊断:“望、闻、问、切,四诊合参”,望而知之谓之神,舌像是望诊重要诊断手段之一。对于生命人体这个非常复杂的系统,中医认为:舌像信息是可以反映人体生理功能和病理变化的重要参考特征。随着20世纪末期数字图像技术的快速发展,以颜色分析、纹理分析、形状分析等为主要内容的数字图像信息研究成为现实,将这些技术应用在舌像中,可以极大地促进舌像与数字图像相结合,使舌像诊断更加客观、精准,并提供评价依据。面对中医舌诊,颜色是重要的诊断人体健康状况及病变的因素,而在拍摄舌像时,舌体偏色是经常遇到的情况。目前对于舌像颜色校正主要集中于光照因素影响下,图像产生的偏色现象,但在临床中发现了具有饮食造成的舌偏色会出现误诊,同时在数字图像处理与舌诊相结合研究实验中没有针对饮食造成舌偏色研究及去干扰。研究针对饮食中舌头常被颜色较深的食物染色,从舌像的偏色去干扰研究着手使得舌像的诊断不容易出现误诊现象并利于智能化处理问题。为了使计算机视觉在舌像应用中具有饮食造成偏色去干扰的能力,正确感知舌像的颜色特征,论文提出利用数字图像处理技术针对舌像的食品偏色建立完整研究模型以及去干扰方法。食品偏色舌像去干扰的研究主要包括偏色分析和颜色校正两步,利用计算机视觉技术着重针对舌像各区域的颜色研究以及构建偏色去干扰模型。首先为了减少在拍摄舌像时由于光源、取景方向等带给舌像偏色,结合彩色物体成像原理对采集获取舌像进行研究。其次对舌像分割提取出完整的舌体常用算法进行研究以及实践,得到分割效果很好的方法。第三将舌体苔质分离,分离方法有对厚舌苔以及薄舌苔方法进行研究,最终采用适合论文研究对象“淡红舌薄白苔”的方法进行苔质分离,再分别对比分析了舌质、舌苔的颜色信息,得到了舌质不易被饮食着色,舌苔由于表面具有较多苔状物易被饮食着色,同时为下一步舌像分区、颜色分析、去干扰进行准备,以上步骤完成了舌偏色的颜色分析。第四提取舌苔的主题色并对各主题色的分布区域进行标记,然后将舌苔各主题色分布的区域与舌质各区域相关联。第五在每个主题色的分布区域中利用改进的灰度世界颜色校正法及镜面颜色校正法并关联舌质不同区域的颜色值作为先验知识来进行舌偏色的去干扰。最后对去干扰后的舌苔偏色图像对比进行颜色分析。论文对比研究了针对食品偏色的颜色分析以及构建了饮食造成舌偏色的校正方法,不仅提出了解决实现针对食品偏色舌图像的偏色去干扰,而且获得中医诊断针对舌图像进行颜色分析得出的颜色数据,能够为中医望诊及舌体图像进一步在颜色分析中提供更多丰富的素材,应用前景广泛。
卢玲[10]（2020）在《舌像的时令变化与中医诊断方法研究》文中研究说明疾病的预防与诊断成为人类健康体系的研究重点,中医舌诊具有的无损伤疾病诊疗优势使其成为现代医疗体系的重要手段。舌诊是中医望诊的重要组成之一,主要通过观察舌的形状、颜色、质地、润泽度、厚度等特征进行病证诊断。然而舌诊过度依赖医生自身医学经验,在疾病诊断过程中缺乏客观数据作为病证的依据,使中医舌诊缺乏科学的判断。通过图像处理技术对舌像进行特征提取,可获得数据化、客观化、定量化的舌像数据。中医时间医学认为昼和夜分别属于阳和阴,四季中昼夜交替产生阴阳变化影响人体不同时刻的气血运动,从而影响人体五脏器官的生理功能。而舌像区域与内脏器官功能具有对应关系,可观察舌像特征了解人体不同器官功能的时令变化。本研究主要包含以下内容:首先,舌像区域的特征研究。人体气血的变化受时令影响,其变化对人体五脏器官的功能变化产生影响。根据人体的五脏器官与舌像区域的对应关系,以及舌位五行变换与洛书九宫图进行舌像区域的划分。通过观察舌像区域的特征变化可了解人体五脏器官功能的变化情况,有助于人体疾病的预防。其次,人体舌像的时令变化特征分析,将中医舌诊与图像处理技术融合。选取具有明显舌像特征变化的四个时间点采集舌像,进行舌像时令变化实验。研究提出一种Canny算法与类间方差法结合的图像分割算法。通过实验参数评价发现该方法克服了 Canny算法易受噪声影响的缺点,并发展了类间方差法的边缘检测优势,同时有效提高了图像的分割效率。舌像特征提取是舌像研究的重要基础,通过颜色模型转换获取舌像HSI颜色模型的分量信息,并计算各颜色分量的占比率提供定量化的舌像特征描述;通过计算获取图像像素的特征向量信息,可提供具有代表性的舌像特征描述。最后,舌像时令变化特征的分析归纳。将中医理论中人体的生理变化规律与特定时间点采集的舌像数据进行时令分析,归纳形成科学的舌像时令变化规律。本研究将中医舌诊与图像处理技术结合有效解决了中医舌诊主观性强的问题。人体舌像的时令变化可有效地反映人体健康状态,因此对舌像时令变化的研究为临床辨症、疾病疗效评价与健康检测提供参考价值。
二、计算机图像处理技术在舌像特征提取中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、计算机图像处理技术在舌像特征提取中的应用（论文提纲范文）
（1）基于深度学习的中医舌像分割与识别实验研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 引言 |
| 第一章 研究背景和工作基础 |
| 1 研究背景与意义 |
| 2 研究工作基础 |
| 2.1 舌像分割基础 |
| 2.2 舌色识别基础 |
| 2.3 医学图像分割基础 |
| 3 深度神经网络相关理论基础 |
| 3.1 深度神经网络 |
| 3.2 激活函数 |
| 3.3 神经网络的学习 |
| 3.4 卷积神经网络 |
| 4 数据增强相关理论基础 |
| 5 研究的内容 |
| 第二章 基于深度学习的中医舌像分割与识别实验研究 |
| 1 基于深度学习的中医舌像分割实验研究 |
| 1.1 数据收集与数据准备 |
| 1.2 数据增强 |
| 1.3 U-Net网络 |
| 1.4 基于PyTorch构建模型 |
| 1.5 实验结果 |
| 2 基于新型舌像分割网络的中医舌像分割实验研究 |
| 2.1 数据收集与数据准备 |
| 2.2 数据增强 |
| 2.3 舌像分割网络 |
| 2.4 构建训练模型 |
| 2.5 实验结果 |
| 3 基于深度学习的中医舌色与苔色识别实验研究 |
| 3.1 舌像的筛选与预处理 |
| 3.2 舌像标注 |
| 3.3 数据增强 |
| 3.4 模型构建 |
| 3.5 舌体-嘴唇分割网络 |
| 3.6 识别模型网络 |
| 3.7 构建训练模型 |
| 3.8 实验结果 |
| 4 客观舌诊标准 |
| 第三章 讨论 |
| 1 基于深度学习的中医舌像分割分析 |
| 2 基于新型舌像分割网络的中医舌像分割分析 |
| 3 基于深度学习与数据增强的舌色与苔色识别分析 |
| 4 舌诊标准分析 |
| 5 本研究创新与不足之处 |
| 结论 |
| 参考文献 |
| 文献综述 舌像分割与识别研究概况 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（2）中医舌诊中舌形自动分类及辅助诊断系统研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 舌象分析系统 |
| 1.2.2 舌体校正 |
| 1.2.3 舌形分类 |
| 1.3 本文主要研究内容 |
| 第二章 计算机辅助中医舌象诊断研究 |
| 2.1 计算机辅助中医舌象诊断的流程 |
| 2.2 数字舌图的预处理 |
| 2.3 舌体图像分割 |
| 2.3.1 基于传统图像处理技术的舌像分割方法 |
| 2.3.2 基于机器学习的舌像分割方法 |
| 2.4 舌像苔质分离 |
| 2.5 舌像特征提取 |
| 2.5.1 对舌质的提取 |
| 2.5.2 对舌苔的提取 |
| 2.5.3 对舌下络脉的提取 |
| 2.6 舌象分析系统 |
| 2.7 本章小结 |
| 第三章 基于Harris角点检测的歪斜舌体的校正 |
| 3.1 Harris角点检测算法原理 |
| 3.2 舌体校正算法 |
| 3.3 实验结果分析 |
| 3.4 舌体校正准确性检验 |
| 3.5 本章小结 |
| 第四章 舌形的自动分类 |
| 4.1 舌形处理 |
| 4.2 舌形特征分析 |
| 4.2.1 常见舌形特征 |
| 4.2.2 舌形相关特征的提取 |
| 4.3 舌形分类 |
| 4.3.1 建立层次结构模型 |
| 4.3.2 构造判断矩阵 |
| 4.3.3 计算权重 |
| 4.3.4 检验矩阵一致性 |
| 4.3.5 层次分析算法的改进 |
| 4.4 实验及结果分析 |
| 4.5 本章小结 |
| 第五章 计算机辅助舌诊系统的设计研究 |
| 5.1 系统框架与功能分析 |
| 5.1.1 舌体图像处理模块 |
| 5.1.2 舌像特征提取模块 |
| 5.1.3 舌像综合诊断模块 |
| 5.2 系统测试与验证 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 参考文献 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
（3）幼年儿童积食症舌苔舌质特征分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 舌体分割研究现状 |
| 1.2.2 舌象分类研究现状及存在问题 |
| 1.3 研究内容 |
| 第二章 相关技术 |
| 2.1 颜色空间 |
| 2.1.1 RGB颜色空间 |
| 2.1.2 L*a*b*颜色空间 |
| 2.1.3 HSV颜色空间 |
| 2.2 图像分割 |
| 2.3 深度学习和卷积神经网络 |
| 2.3.1 深度学习 |
| 2.3.2 卷积神经网络 |
| 2.4 本章小结 |
| 第三章 舌图像颜色校正 |
| 3.1 引言 |
| 3.2 颜色校正 |
| 3.2.1 照明条件估计 |
| 3.2.2 颜色校正 |
| 3.3 实验过程与结果 |
| 3.3.1 照明条件评估 |
| 3.3.2 舌图像颜色校正的评价 |
| 3.4 本章小结 |
| 第四章 舌体分割 |
| 4.1 舌体粗识别 |
| 4.1.1 yolov3算法描述 |
| 4.1.2 实验结果和数据集 |
| 4.2 舌体分割算法描述 |
| 4.2.1 U-net算法 |
| 4.2.2 对比算法 |
| 4.3 实验结果与分析 |
| 4.3.1 舌体分割性能评测指标 |
| 4.3.2 实验结果对比 |
| 4.4 本章小结 |
| 第五章 积食症特征识别 |
| 5.1 L*a*b*颜色空间的转化 |
| 5.2 积食症特征分析 |
| 5.2.1 幼儿正常舌体色色分析 |
| 5.2.2 幼儿积食症舌体色色分析 |
| 5.2.3 幼儿积食症病症判断 |
| 5.3 积食症及治疗方法 |
| 5.4 本章小结 |
| 第六章 总结 |
| 6.1 总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 作者简介 |
| 致谢 |
（4）舌像分析中的光照补偿与图像配准研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及分析 |
| 1.2.1 舌像成像与分析系统 |
| 1.2.2 舌像特征提取与分析 |
| 1.2.3 舌像光照补偿 |
| 1.2.4 可变医学图像与舌像的配准 |
| 1.3 本文使用的数据库 |
| 1.4 研究内容 |
| 1.5 组织结构与安排 |
| 第2章 基于Hodge分解的舌像光照补偿与纹理增强 |
| 2.1 引言 |
| 2.2 问题的提出 |
| 2.3 解决方案 |
| 2.3.1 图像Hodge分解模型 |
| 2.3.2 线性漂移模型 |
| 2.3.3 基于Hodge分解的光照补偿 |
| 2.4 实验结果 |
| 2.4.1 线性漂移模型的数值验证 |
| 2.4.2 光照补偿效果 |
| 2.4.3 舌像分类实验 |
| 2.4.4 光照补偿对深度网络的提升 |
| 2.5 本章小结 |
| 第3章 基于宽线检测子的舌像反光点去除方法 |
| 3.1 引言 |
| 3.2 问题的提出 |
| 3.2.1 Gabor纹理粗糙度 |
| 3.2.2 光照漂移干扰 |
| 3.2.3 反光点干扰 |
| 3.3 解决方案 |
| 3.3.1 宽线检测子 |
| 3.3.2 WLD作为光照干扰的解决方案 |
| 3.3.3 WLD对反光点的去除 |
| 3.4 实验结果 |
| 3.4.1 反光点的去除 |
| 3.4.2 光照漂移补偿 |
| 3.4.3 案例分析:舌质老嫩 |
| 3.4.4 舌像分类实验 |
| 3.4.5 最优参数选择 |
| 3.5 本章小结 |
| 第4章 基于共形映射的舌像配准与特征提取 |
| 4.1 引言 |
| 4.2 问题的提出 |
| 4.3 解决方案 |
| 4.3.1 舌像到圆域的映射 |
| 4.3.2 舌像之间的映射 |
| 4.4 舌像配准的应用 |
| 4.4.1 参考形状的选择 |
| 4.4.2 平均舌 |
| 4.4.3 本征舌 |
| 4.4.4 舌像特征提取 |
| 4.5 实验结果 |
| 4.5.1 配准结果 |
| 4.5.2 舌像分类实验 |
| 4.5.3 配准对深度网络的提升 |
| 4.6 本章小结 |
| 第5章 基于边界对齐的共形映射与舌像配准 |
| 5.1 引言 |
| 5.2 舌像配准的定向问题 |
| 5.3 解决方案 |
| 5.3.1 共形映射的选择 |
| 5.3.2 基于边界对齐的舌像定向 |
| 5.3.3 边界对齐的实现 |
| 5.3.4 基于边界对齐的共形映射 |
| 5.4 实验结果 |
| 5.4.1 初始化及最优参数选择 |
| 5.4.2 舌像配准误差比较 |
| 5.4.3 舌像功能分区校正 |
| 5.4.4 舌像分类实验 |
| 5.4.5 光照补偿与图像配准的融合 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 本文中相关定理和命题的证明 |
| A.1 符号约定 |
| A.2 定理 2.1 的证明 |
| A.3 等式 (3-8)-(3-9) 的证明 |
| A.4 定理 5.1 的证明 |
| A.5 定理 5.2 的证明 |
| 附录B 若干补充问题的讨论 |
| B.1 Hodge分解及其在本文中的简化形式 |
| B.2 舌像粗糙性度量的反例 |
| B.3 关于初始化的讨论 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（5）基于智能信息处理的舌诊客观化研究（论文提纲范文）
| 1 舌诊与疾病的联系以及与智能化相结合的意义 |
| 2 舌诊智能化研究进展 |
| 2.1 舌诊近20年研究热点 |
| 2.2实现舌诊智能化研究流程图 |
| 2.3 舌象采集研究情况 |
| 2.4 舌象图像处理研究情况 |
| 2.5 舌象分析技术研究情况 |
| 2.6 舌诊仪研究情况 |
| 3 讨论 |
（6）基于深度学习技术的舌体分割模型研究与舌象智能化应用探索（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩略词表 |
| 引言 |
| 1 研究背景 |
| 2 研究内容 |
| 2.1 中医舌诊客观化的研究价值 |
| 2.2 舌体分割模型研究 |
| 2.3 舌象智能化应用研究 |
| 3 技术路线图 |
| 第一章 舌诊客观化的理论研究 |
| 1 舌诊在中医诊断中的价值 |
| 1.1 历代医家对舌诊的认识 |
| 1.2 舌诊的概述 |
| 1.3 舌象与脏腑的联系 |
| 1.4 舌象中的整体观 |
| 2 舌诊客观化研究中的舌体分割 |
| 2.1 舌体分割在舌诊客观化研究中的意义 |
| 2.2 基于传统图像技术的舌体分割 |
| 2.2.1 基于区域识别与边缘识别的舌体分割 |
| 2.2.2 基于动态轮廓模型的舌体分割 |
| 2.2.3 传统图像技术在舌体分割任务中的不足 |
| 2.3 深度学习技术在舌体分割的应用与优势 |
| 2.3.1 深度学习与语义分割 |
| 2.3.2 深度学习技术特点及在中医舌诊的研究的应用 |
| 3 舌象的临床价值与应用 |
| 3.1 舌象的生理信息与病理意义 |
| 3.2 舌象的临床应用 |
| 4 讨论 |
| 4.1 中医学的量化需求 |
| 4.2 中医诊断学的智能化发展 |
| 4.3 基于人工智能技术的中医舌诊研究 |
| 4.4 从舌诊的客观化研究到临床辅助应用 |
| 第二章 舌体分割模型研究 |
| 1 研究目的 |
| 2 研究方法 |
| 2.1 样本来源 |
| 2.1.1 纳入标准 |
| 2.1.2 排除标准 |
| 2.1.3 剔除标准 |
| 2.2 样本采集 |
| 2.2.1 采集设备 |
| 2.2.2 设备使用方法 |
| 2.2.3 采集操作及注意事项 |
| 2.2.4 图像质量控制 |
| 2.2.5 原始图像数据标注 |
| 2.3 实验相关技术原理 |
| 2.3.1 深度学习概念 |
| 2.3.2 卷积神经网络(CNN) |
| 2.3.3 双线性插值 |
| 2.3.4 数据增强 |
| 2.3.5 图像灰度二值化 |
| 2.3.6 归一化处理 |
| 2.4 实验环境与数据预处理 |
| 2.4.1 数据集分配 |
| 2.4.2 实验环境 |
| 2.4.3 数据预处理 |
| 2.5 舌体分割方法与步骤 |
| 2.5.1 UNet模型舌体分割方法 |
| 2.5.2 Snake模型舌体分割方法 |
| 2.5.3 Deep LabV3模型舌体分割方法 |
| 2.5.4 颜色分解与阈值化(CDT)舌体分割方法 |
| 2.6 语义分割评价方法 |
| 3 结果 |
| 3.1 数据采集结果 |
| 3.2 可视化分割结果 |
| 3.3 语义分割评价结果 |
| 4 讨论 |
| 4.1 UNet网络技术特点与舌体分割模型的应用 |
| 4.2 深度学习技术在舌体分割任务中的优势 |
| 5 结论 |
| 第三章 舌象智能化应用研究 |
| 1 研究目的 |
| 2 研究方法 |
| 2.1 样本来源 |
| 2.1.1 纳入标准 |
| 2.1.2 排除标准 |
| 2.1.3 剔除标准 |
| 2.2 样本采集 |
| 2.2.1 舌象数据采集方法 |
| 2.2.2 临床数据采集方法 |
| 2.3 血压建模预测方法与步骤 |
| 2.3.1 实验环境 |
| 2.3.2 实验流程 |
| 2.3.3 回归建模 |
| 2.3.3.1 以当日血压数据基础建模预测 |
| 2.3.3.1.1 随机森林(RF) |
| 2.3.3.1.2 Adaboost |
| 2.3.3.1.3 迭代决策树(GBRT) |
| 2.3.3.1.4 支持向量回归(SVR) |
| 2.3.3.2 以拍摄当日舌象为数据基础建模预测 |
| 2.3.3.3 以当日血压与舌象数据为数据基础建模预测 |
| 2.3.4 预测结果评价方法 |
| 3 结果 |
| 3.1 数据采集结果 |
| 3.2 模型测试结果 |
| 4 讨论 |
| 4.1 研究方法分析 |
| 4.2 研究结果分析 |
| 5 结论 |
| 创新与不足及未来研究展望 |
| 1 研究创新点 |
| 2 研究不足之处 |
| 3 未来展望 |
| 参考文献 |
| 文献综述 基于信息技术的中医舌诊客观化研究进展 |
| 参考文献 |
| 致谢 |
| 附件一:在读期间公开发表的学术论文、专着及科研成果 |
（7）基于舌象色谱分析下的人体健康状态诊断方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文工作和创新点 |
| 1.3.1 本文工作 |
| 1.3.2 创新点 |
| 第二章 舌象理论与色度学原理 |
| 2.1 舌诊技术介绍 |
| 2.1.1 舌象基础理论 |
| 2.1.2 舌色与病理体质的关系 |
| 2.1.3 舌象诊断基本流程 |
| 2.2 色度学基础理论 |
| 2.2.1 颜色视觉理论 |
| 2.2.2 CIE色度标准系统 |
| 2.3 色度空间基础理论 |
| 2.3.1 RGB颜色空间 |
| 2.3.2 CIE Lab颜色空间 |
| 2.3.3 颜色空间的转换关系 |
| 2.4 本章小结 |
| 第三章 舌象合成片的色度分析方法 |
| 3.1 引言 |
| 3.2 基于舌象叠加的基础理论 |
| 3.3 实验过程与分析 |
| 3.3.1 模拟讨论 |
| 3.3.2 实验验证 |
| 3.3.3 误差分析 |
| 3.4 本章小结 |
| 第四章 舌象主颜色占比分析方法 |
| 4.1 引言 |
| 4.2 舌象主颜色理论分析 |
| 4.3 舌象主颜色实证分析 |
| 4.3.1 基于主颜色占比分析的舌象分类 |
| 4.3.2 基于颜色直方图分析的舌象分类 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文及其他科研成果 |
（8）舌象裂纹识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题背景 |
| 1.2 课题研究意义和应用前景 |
| 1.3 国内外研究现状 |
| 1.3.1 舌像采集研究现状 |
| 1.3.2 舌体图像分割研究现状 |
| 1.3.3 裂纹提取及识别研究现状 |
| 1.4 研究内容及章节安排 |
| 第2章 舌体图像分割 |
| 2.1 颜色空间介绍 |
| 2.1.1 RGB颜色空间 |
| 2.1.2 HSI颜色空间 |
| 2.1.3 RGB与HSI颜色空间相互转化 |
| 2.2 舌体粗分割与预处理 |
| 2.2.1 舌体粗分割 |
| 2.2.2 预处理 |
| 2.3 SegNet深度神经网络 |
| 2.3.1 卷积神经网络介绍 |
| 2.3.2 全卷积神经网络介绍 |
| 2.3.3 SegNet深度神经网络介绍 |
| 2.4 舌体图像分割 |
| 2.4.1 数据集准备 |
| 2.4.2 网络模型构建 |
| 2.4.3 模型训练与分割 |
| 2.4.4 分割结果优化 |
| 2.5 结果与分析 |
| 2.6 本章小结 |
| 第3章 裂纹舌识别 |
| 3.1 图像特征选择 |
| 3.1.1 LBP特征 |
| 3.1.2 HOG特征 |
| 3.1.3 哈尔特征 |
| 3.2 支持向量机介绍 |
| 3.3 裂纹舌识别 |
| 3.4 本章小结 |
| 第4章 裂纹舌中裂纹提取 |
| 4.1 裂纹区域初步提取 |
| 4.1.1 大津法初步提取 |
| 4.1.2 数学形态学优化 |
| 4.2 裂纹提取 |
| 4.2.1 低帽变化提取裂纹 |
| 4.2.2 后处理消除伪裂纹 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 裂纹特征提取与识别 |
| 5.1 裂纹形状特征提取 |
| 5.1.1 二值投影最大峰值比和投影长度比 |
| 5.1.2 面积提取 |
| 5.1.3 长度和宽度提取 |
| 5.1.4 矩形度与长宽比提取 |
| 5.2 裂纹颜色特征提取 |
| 5.3 基于决策树的裂纹形状识别 |
| 5.3.1 决策树介绍 |
| 5.3.2 裂纹形状识别 |
| 5.3.3 裂纹深浅识别 |
| 5.3.4 舌面上裂纹严重程度分析 |
| 5.4 本章小结 |
| 第6章 舌像采集装置完善 |
| 6.1 原有舌像采集装置介绍 |
| 6.1.1 整体结构介绍 |
| 6.1.2 图像传感器与光源 |
| 6.2 硬件安装改进设计 |
| 6.2.1 光源位置改进设计 |
| 6.2.2 相机固定装置改进设计 |
| 6.3 舌象信息数据管理系统开发 |
| 6.3.1 数据库模块 |
| 6.3.2 数据管理模块 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间成果 |
（9）基于舌诊偏色与去干扰的计算机应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 舌像研究现状 |
| 1.3 舌色的研究现状 |
| 1.4 计算机视觉中颜色校正研究现状 |
| 1.5 论文研究内容及章节安排 |
| 第二章 图像处理理论知识 |
| 2.1 图像变换 |
| 2.1.1 缩放变换 |
| 2.1.2 图像二值化 |
| 2.2 图像分割 |
| 2.2.1 边界检测 |
| 2.2.2 区域分割 |
| 2.2.3 区域相关分割 |
| 2.3 数学形态学 |
| 2.3.1 腐蚀 |
| 2.3.2 膨胀 |
| 2.3.3 开运算 |
| 2.3.4 闭运算 |
| 2.4 颜色模型 |
| 2.4.1 RGB模型 |
| 2.4.2 HSV模型 |
| 2.4.3 L*a*b模型 |
| 2.5 本章小结 |
| 第三章 舌像的食品偏色研究 |
| 3.1 材料与方法 |
| 3.1.1 材料 |
| 3.1.2 方法 |
| 3.2 实验结果 |
| 3.2.1. 舌像颜色数据描述 |
| 3.2.2 色差值 |
| 3.2.3 相似度 |
| 3.3 结果分析 |
| 3.4 本章小结 |
| 第四章 舌像食品偏色去干扰 |
| 4.1 材料与方法 |
| 4.1.1 材料 |
| 4.1.2 方法 |
| 4.2 实验结果 |
| 4.2.1 去干扰结果 |
| 4.2.2 偏色校正后颜色数据 |
| 4.2.3 色差值 |
| 4.2.4 相似度 |
| 4.3 结果分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读学位期间发表论文目录) |
（10）舌像的时令变化与中医诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 节气与人体的关系 |
| 1.3 现代化研究进展 |
| 1.3.1 舌像预处理 |
| 1.3.2 舌像分割 |
| 1.3.3 舌像特征提取 |
| 1.3.4 舌像特征分析分类 |
| 1.4 研究意义 |
| 1.5 引例说明 |
| 1.5.1 舌像颜色特征的节律变化 |
| 1.6 整体研究思路 |
| 第二章 舌像时令研究模型 |
| 2.1 舌的生理特征 |
| 2.2 舌像预处理 |
| 2.2.1 颜色校正 |
| 2.2.2 图像灰度化 |
| 2.2.3 中值滤波 |
| 2.3 舌像分割 |
| 2.3.1 Canny算法 |
| 2.3.2 最大类间方差法 |
| 2.4 减法运算 |
| 2.5 颜色空间模型 |
| 2.5.1 RGB颜色模型 |
| 2.5.2 CMYK颜色模型 |
| 2.5.3 HSI颜色模型 |
| 2.5.4 Lab颜色模型 |
| 2.5.5 YIQ颜色模型 |
| 2.6 特征提取 |
| 2.6.1 HSI颜色模型特征提取 |
| 2.6.2 Haar特征 |
| 2.6.3 SIFT特征 |
| 2.6.4 HOG特征 |
| 2.7 本章小结 |
| 第三章 舌像的时令特征研究 |
| 3.1 中医时间医学 |
| 3.1.1 生理变化规律的特性 |
| 3.1.2 时令特征变化的内容 |
| 3.2 舌像特征的日变化 |
| 3.3 舌像特征的区域划分 |
| 3.4 舌像的时令特征信息 |
| 3.4.1 舌像的HSI颜色特征 |
| 3.4.2 舌像的颜色特征描述 |
| 3.4.3 舌像的特征向量变化信息 |
| 3.5 舌像颜色特征标记 |
| 3.6 本章小结 |
| 第四章 实验分析 |
| 4.1 舌像的HSI颜色特征 |
| 4.2 颜色特征的分量占比 |
| 4.3 颜色分量矩 |
| 4.4 舌像颜色特征向量 |
| 4.5 本章小结 |
| 第五章 实验结果评价 |
| 5.1 图像的分割评价 |
| 5.2 颜色特征提取评价 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A (攻读硕士学位期间公开发表的论文) |
四、计算机图像处理技术在舌像特征提取中的应用（论文参考文献）
- [1]基于深度学习的中医舌像分割与识别实验研究[D]. 钟振. 福建中医药大学, 2021(09)
- [2]中医舌诊中舌形自动分类及辅助诊断系统研究与实现[D]. 张丽倩. 山东财经大学, 2021(12)
- [3]幼年儿童积食症舌苔舌质特征分析[D]. 孔宪华. 河北地质大学, 2020(05)
- [4]舌像分析中的光照补偿与图像配准研究[D]. 吴坚. 哈尔滨工业大学, 2020
- [5]基于智能信息处理的舌诊客观化研究[J]. 徐熊,宋海贝,温川飙,刘义,曾馨,徐可鑫. 电脑知识与技术, 2020(22)
- [6]基于深度学习技术的舌体分割模型研究与舌象智能化应用探索[D]. 李宗润. 成都中医药大学, 2020(01)
- [7]基于舌象色谱分析下的人体健康状态诊断方法[D]. 尚文文. 江苏大学, 2020
- [8]舌象裂纹识别研究[D]. 万超. 华东理工大学, 2020(01)
- [9]基于舌诊偏色与去干扰的计算机应用研究[D]. 马燕. 长沙理工大学, 2020(07)
- [10]舌像的时令变化与中医诊断方法研究[D]. 卢玲. 长沙理工大学, 2020(07)