一種新的MLBP-Otsu算法及在舌裂紋分割中的應用

覃海松 ，黃忠朝 ，趙于前 ，彭子壯

1.中南大學 地球科學與信息物理學院 生物醫學工程研究系，長沙 410083

2.廣州中醫藥大學 第二臨床醫學院，廣州 510405

一種新的MLBP-Otsu算法及在舌裂紋分割中的應用

覃海松1，黃忠朝1，趙于前1，彭子壯2

1.中南大學 地球科學與信息物理學院 生物醫學工程研究系，長沙 410083

2.廣州中醫藥大學 第二臨床醫學院，廣州 510405

1 引言

舌診是中國傳統醫學中非常有價值的診斷方法，醫生僅通過觀察即可了解病人的病情，具有無痛苦、無創傷、無副作用、簡單易行等特點，在中醫臨床診斷過程中有著重要的作用[1-3]。然而傳統舌診往往只依據醫生個人的知識和經驗，缺少客觀評價的標準，嚴重阻礙了舌診的應用及發展。為了解決這一現狀，需要實現舌診的定量化與標準化。隨著計算機處理能力的提高和圖像處理技術的發展，舌診計算機定量化研究已經取得了一定的進步[4-7]，但主要集中于舌苔及舌質，對舌裂紋的研究相對較少。舌裂紋信息不僅能夠客觀、準確地反映若干典型疾病和中醫證候的變化情況，還可以與其他舌象特征相結合來進一步對疾病確診。由于舌裂紋與舌苔上的粗紋理難以鑒別，舌象顏色分布復雜以及光照條件不一等原因，導致了舌裂紋分割及特征分析面臨很大困難，嚴重制約了舌診定量化的進一步發展。

目前，有關舌裂紋的研究方法大致可分成兩大類。其中，一類方法主要是基于舌圖像的灰度、色彩信息對舌裂紋進行閾值分割[8-10]，但并未考慮舌裂紋的紋理特征，因而難以精確、完整地分割出舌裂紋。另一類主要是基于線偵測方法對舌裂紋進行分割，還可以分成3個小類，即基于輪廓的線偵測方法[11]、基于中心線的線偵測方法[12]及基于區域的線偵測方法[13]。雖然基于線偵測的方法考慮了舌裂紋紋理特征，但都存在一定程度的不足，例如：基于輪廓的線偵測方法采用的是一階導數，對噪聲敏感，而且在實際應用中往往得不到閉合的輪廓；基于中心線的線偵測方法一般采用的是二階導數，同樣對噪聲敏感，而且中心線位置的提取往往存在較大誤差；而基于區域的線偵測方法往往會將舌苔上的粗紋理、偽裂紋也分割出來，需要手動去除多余紋理、才能分割出裂紋。

針對以上問題，本文提出了一種新穎的基于改進的局部二值模式（Local Binary Pattern，LBP）算子與Otsu閾值法相結合的舌裂紋分割算法。首先，根據舌裂紋的紋理特征對LBP的模式分類方法進行重定義；然后，引入一個粗糙度度量因子R，如某區域的R值偏小或偏大，則把其歸類為非裂紋區，不進行LBP特征值計算；再通過這種重定義的模式分類方法與粗糙度度量因子R計算出舌圖像的LBP特征；最后，結合Otsu閾值分割技術，完成對舌裂紋的精確、完整分割。

2 對LBP算子的改進和Otsu閾值分割

2.1 基本LBP算法

LBP是由Ojala等[14]提出的一種局部紋理描述算子，具有計算簡單、對光照變化不敏感、旋轉不變性等特點，已被廣泛應用于各種領域。其基本方法概述如下：在圖像中取一個半徑為r的圓形鄰域，在該鄰域圓周上等間隔采樣P個像素，以鄰域中心像素灰度為閾值，與鄰域內P個采樣像素灰度值進行比較，采樣像素灰度值大于等于中心像素灰度值，結果為1，反之為0，比較所得二進制序列即為該中心像素的局部模式，其計算公式如式（1）所示：

其中，gi為第i個采樣像素灰度值，gc為中心像素灰度值。

傳統LBP算子能產生2P種局部模式，但Ojala等[14]發現，一幅圖像實際產生的局部模式主要集中在某幾種模式上，約占全部模式的90%。基于此，Ojala等[14]在引入均勻值U（U值即二進制序列中允許0和1之間跳變次數的最大值）的基礎上，提出了均勻局部二值模式（Uniform LBP，ULBP）算子。若二進制序列0和1之間的跳變次數小于等于U值，則該序列被判為均勻模式，并將其分配到標簽為0到P的模式子類中；反之，則被判為非均勻模式，分配到標簽為P+1的模式子類中。ULBP算子共可以產生P+1種均勻模式子類，其不但可以有效地描述出圖像中大部分的紋理特征，還可有效地降低模式子類數量。

2.2 對ULBP算子的改進

為了使傳統LBP算子更適用于舌裂紋分割，本文根據舌裂紋的紋理特征對ULBP分類方法進行了重定義，提出了改進的ULBP算子（Modified ULBP，MULBP）。首先，把所有的局部模式分成4個子類，分別為強邊緣、角類；潛在邊緣、角類；線條末端類；無意義模式類。然后，引入一個粗糙度度量因子R來表示任意局部窗口的粗糙度，粗糙度偏小或偏大的區域被視為平滑區域，不存在裂紋，不進行局部模式計算，直接把該局部窗口的中心像素歸為無意義局部模式。最后，建立一個子類查詢表，把每個局部模式歸類到相應的子類中。通過這些改進，使得LBP算子計算更快速、抗噪性更強、對光照條件的魯棒性也更強，且不必預先分割出舌體區域，即可分割出舌裂紋。以上所述MULBP算法的詳細流程可參考圖1。 2.2.1 對模式分類方法的重定義

圖1MULBP算法流程圖

當 P=8，r=1時，均勻LBP有9種均勻模式、27種非均勻模式，如圖2所示，而所有的非均勻模式都被簡單地分配到一個子類中（P+1子類）。這種簡單的分類方法會導致一些復雜紋理信息的丟失，并且對噪聲也比較敏感。

圖2 均勻LBP的36種局部模式

裂紋通常由強邊緣和角組成，裂紋里面是弱邊緣和較平緩的區域。在舌裂紋分割中，并不是所有局部模式都是本文感興趣的，而感興趣的局部模式有一部分是非均勻模式。因此，既沒必要定義過多的模式子類，也不能簡單地把所有非均勻模式都歸為一類。只有那些表示裂紋特征的局部模式對于舌裂紋的分割才是有用的，例如代表著邊緣或者角的局部模式。所以，需要對ULBP算子的模式分類方法進行重定義。

本文采用的模式集包括4個子類，見表1所示，每個子類包含表示相似特征的局部模式。表示強邊緣和角的均勻模式被歸類到子類3中；與邊緣和角有相似特征的非均勻模式被視為可能存在的邊緣和角，被歸類到子類2中；表示線段末端的局部模式被歸類到子類1中；其他局部模式被視為是對裂紋分割無意義的模式，被分到標簽0中。最后，為了快速實現，建立了一個子類查詢表，把每個局部模式歸類到相應的子類下。

表1 局部模式分類

2.2.2 粗糙度度量因子R

傳統LBP算子對圖像中所有像素進行LBP特征值計算。而在裂紋舌圖像中，面部、唇部以及某些舌體表面、舌體邊緣區域像素的鄰域灰度值變化不大，可以斷定這個局部區域的中心像素不屬于舌裂紋處。研究發現，由于裂紋內部區域灰度變化較平緩，舌苔上粗紋理區域的粗糙度往往比這部分區域更大，因此，粗糙度最大的這些區域也不屬于舌裂紋。在這些無意義區域中進行LBP特征值計算是沒有必要的。基于此，本文引入了一項粗糙度度量因子來表示局部區域的粗糙度。一旦某個局部區域被判定為無意義區域，該區域的中心像素將直接被記為無意義局部模式，不進行LBP特征值計算。

粗糙度度量因子R的定義如式（2）所示：

其中，gc表示局部區域中心像素的灰度值，gi表示局部區域中除中心像素以外的周邊像素的灰度值，n表示局部區域周邊像素的個數。這樣，R值在灰度相等區域為0，在越粗糙的區域其值越大。

在圖像質量較好的情況下，為了減少計算量，在實驗中，也可以采用粗糙度度量因子的近似估計值THR來表示局部區域的粗糙度，如式（3）所示：

2.2.3 邊緣提取與偽裂紋消除

在所有的像素都被分配到特定的子類中之后，將進行邊緣提取。表示強邊緣、角的像素（標簽號為3），被視為裂紋，由白色像素表示；而標簽號為0，代表與裂紋提取無關的像素，由黑色像素表示；表示潛在的邊緣、角和線末端像素（標簽號為1和2），只有那些在空間分布上與邊緣、角相連的像素，才會被視為裂紋，由白色像素表示，而其余像素則被視為非裂紋，由黑色像素表示。上述的邊緣、角既包括標簽3子類的像素，也包括標簽1和標簽2子類中已被判定為裂紋的像素。完成該步驟后，得到了一幅有著裂紋和近似裂紋特征的邊緣二值圖像。在偽裂紋消除中，先計算出邊緣二值圖像中每個連通區域的一些統計特征，例如裂紋數量、面積、長度、寬度等；然后把那些有較少像素點或塊狀的連通區域視為偽裂紋予以消除，從而得到一幅分割裂紋圖。

由于本文根據裂紋紋理特征重定義了模式分類方法，并且引入了粗糙度度量因子。而非舌體區域一般都是平緩區域，此外，大部分非平緩區域的局部模式又屬于無意義模式子類。當與連通區域的統計特征相結合時，就可利用以上MULBP算子，在不必預先分割出舌體區域的情況下分割出舌裂紋，并成功濾除舌裂紋以外的大部分區域，只呈現裂紋區域。但是，此時的分割結果通常還包含裂紋附近舌苔上的粗紋理（即偽裂紋，參見實驗結果部分圖3（c），圖4（c），圖5（c））。因此，單獨用MULBP算子難以實現對舌裂紋的精確分割，而閾值分割技術不僅計算簡單，而且能得到待分割目標的準確輪廓。本文接下來將通過對分割裂紋圖與閾值分割結果相與，以在一定程度上彌補MULBP算子的不足，實現對舌裂紋更精確、完整的分割。

2.3 結合閾值分割方法

圖像的閾值分割技術主要用于區分目標和背景區域，通過選取一個閾值，將圖像中每個像素的灰度值與閾值進行比較，把灰度值大于閾值的像素歸為一類，小于閾值的像素歸為另一類。舌苔在顏色信息上，主要以紅色為主色調，而舌裂紋相對較暗，因此可以利用全局閾值分割法，將舌裂紋與周圍的舌苔分割開。由于Otsu閾值算法[15]計算簡單，且在一定條件下不易受圖像對比度和亮度變化的影響，被認為是一種全局閾值自動選擇的最優方法[16]。因此，本文采用該方法對舌裂紋進行閾值分割。

Otsu閾值算法[15]根據圖像的灰度級分布特性，以目標和背景的類間方差最大為閾值選取的準則。該方法中，目標和背景區域的類間方差σ2計算方法如式（4）所示：

其中，PA、PB分別為目標和背景像素出現的概率，ωA、ωB、ω分別為目標、背景、圖像的平均灰度值。由于PA、PB、ωA、ωB、ω 都是閾值 T 的函數，當 σ2取得最大值時的閾值T*即為錯分概率最小的最優閾值，即

舌苔主要以紅色為主色調，在彩色舌圖像RGB色彩空間的R通道上，舌苔與裂紋差異較大，故本文采用彩色舌圖像的R通道進行閾值分割。由于舌圖像的質量和光照條件不一，所以本文在Otsu閾值T*的基礎上引入了一個灰度權衡系數μ，其值由取得T*時對應的背景區域平均灰度值ω*B和整幅圖像的平均灰度值ω的比例決定，如式（6）。

因此，本文閾值分割所使用的最終閾值Tter為：

如分割結果不理想，也可通過手動微調μ值來獲取更理想的分割結果。經大量實驗研究發現，μ的理想取值位于1～1.6之間。值得注意的是，由于舌裂紋與舌苔的R通道灰度值差異較大，閾值在一定的范圍內都能正確分割出裂紋區域，而在這個范圍內不同的μ值，主要影響舌苔上粗紋理的分割結果，對裂紋區域的影響較小。由于本文方法結合了裂紋的紋理特征，只要求閾值分割方法分割出裂紋區域即可，故對于大部分圖像，無需手動調節μ值。

3 實驗結果分析與討論

為驗證本文算法的有效性，本文在MATLAB R2010a（?MathworksInc.）實驗平臺上對不同環境下拍攝的裂紋舌圖像進行了廣泛測試。實驗中的樣本均由數碼相機拍攝，圖像有在暗室中使用D65光源、色溫為6 500 K的標準環境下拍攝的，也有在一般診室壞境下拍攝的。

圖3為對標準環境下拍攝的典型裂紋舌圖像進行實驗的結果。臨床診斷上常見的裂紋舌的主裂紋一般較粗，位于舌體中央，并且在主裂紋附近具有其他小裂紋，如圖3（a）所示。該舌象舌苔上具有較多類似裂紋的粗紋理，舌體中央為一條較粗的主裂紋，并且除了主裂紋之外，還有兩處間距較小、與主裂紋不相連的弧形小裂紋；圖3（b）為Otsu閾值分割結果，雖然其精確地分割出了舌體上的三處裂紋，但分割目標區域還包含了大量舌體邊緣附近的粗紋理；圖3（c）所示MULBP算子結果完整地分割出了舌體上的裂紋，成功濾除了舌體邊緣附近的粗紋理，但分割出的裂紋包含了裂紋附近的舌苔粗紋理，比實際裂紋偏粗；圖3（d）所示為本文的最終分割結果，通過將MULBP算子與Otsu閾值分割技術相結合，優勢互補，精確并較完整地分割出了主裂紋與兩處小裂紋。由本實驗可以看出，本文方法可以在未預先分割出舌體區域的情況下，對舌苔上粗紋理較多、具有小裂紋、不規則形狀裂紋或不相連多處裂紋的一般裂紋舌圖像進行裂紋分割，取得了理想的分割結果。

圖3 標準環境下拍攝的舌圖像（1）

為了進一步測試本文算法，還對圖像質量較差、在一般診室環境下拍攝的典型裂紋舌圖像進行了實驗，實驗結果如圖4所示。其中圖4（a）為原圖，顯示該舌象有3條長短、粗細不一、互不相連的裂紋，圖像的光照強度并不均勻，舌體前半部分與后半部分光強差異較明顯，并且在裂紋區域，光照強度就有較明顯的變化，因此給閾值分割帶來了一定的難度；圖4（b）所示的Otsu閾值分割結果雖然精確地分割出了大部分裂紋，但少部分位于舌體暗區中的裂紋與舌體暗區融為一體，從而無法獲取該部分裂紋的信息；圖4（c）為MULBP算子的結果，能看出其不會受到光照條件的影響，能完整地分割出三處互不相連的裂紋，其中還包括處于舌體暗區的裂紋，但分割出的裂紋比實際偏粗，尤其是舌體右側較粗的裂紋附近，包含了大量舌苔邊緣附近的粗紋理；圖4（d）為MULBP與Otsu閾值分割技術相結合的最終結果，顯示出圖4（a）中的3條裂紋得到了正確、完整的分割。由本實驗可以看出，本文方法對一般診室環境下拍攝的光照強度不均勻的舌圖像具有較強的魯棒性。

圖4 一般診室壞境下拍攝的舌圖像

另外，在對裂紋延伸到舌體前部舌苔邊緣附近、且該處裂紋深度較淺的舌圖像進行分割時，本文方法表現出了它的不足之處，如圖5所示。其中圖5（a）為R原圖，圖 5（b）為 Ostu閾值分割結果圖，圖 5（c）為 MULBP結果圖，圖5（d）為本文最終分割結果圖。該舌象裂紋較細長，從接近舌根處一直延伸到舌體前部邊緣，并且舌體前部裂紋的深度較淺（圖像上表現為灰度值較大），其紋理特征與舌苔邊緣的紋理特征非常相似，灰度值也比較接近，從而導致圖5（b）所示閾值分割結果中舌裂紋與舌體前部的舌苔連成一片，但還是能較精確地分割出大部分舌裂紋；而圖5（c）所示的MULBP結果卻把該淺裂紋視為舌苔上的偽裂紋，一并進行了濾除；進而導致圖5（d）所示的分割結果丟失了舌體前部舌苔邊緣附近的淺裂紋，未能實現對全部裂紋的完整分割。

圖5 標準環境下拍攝的裂紋舌圖像（2）

4 總結

本文提出了一種新穎的基于MULBP算子與Otsu閾值分割技術相結合的舌裂紋分割方法。首先，根據裂紋的紋理特征重新定義了LBP算子的模式分類方法，并引入了一個粗糙度度量因子R來表示圖像的粗糙度；然后，利用重定義的模式分類方法及粗糙度度量因子R計算出舌圖像的裂紋二值圖像，該二值圖像包含了豐富的舌裂紋信息；最后，結合裂紋二值圖像連通區域的統計特征并和Otsu閾值分割結果相與，進一步更精確、完整地分割出舌裂紋。實驗結果表明，本文算法對裂紋舌圖像中小的裂紋、不規則形狀的裂紋、不相連的多處裂紋和位于粗紋理舌苔中的裂紋，都能成功實現精確、完整的分割；同時該算法不需要預先分割出舌體區域，并對光照條件具有較強的魯棒性，有利于算法的推廣。

然而，值得注意的是，由于LBP算子分割出的裂紋比實際裂紋偏粗，當光照條件較差、舌裂紋又延伸到舌體深處較暗的區域時，將導致閾值分割結果不理想，使部分閾值分割未計算出的裂紋比實際偏粗。再者，當深度較淺的裂紋延伸至舌苔邊緣時，本文的MULBP算法將把該淺裂紋視為偽裂紋，并與附近的舌苔邊緣一起被濾除，使最終分割結果丟失了該部分淺裂紋。在將來的研究工作中，需要進一步對LBP模式分類方法進行改進，并采用對光照條件更魯棒的閾值分割方法，以解決本文算法的不足。

[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]張志順.改進的小波變換在中醫舌象邊緣檢測中的研究[J].計算機工程與應用，2012，48（35）：135-138.

[7]陳善超，符紅光，王穎.改進的一種圖論分割方法在舌像分割中的應用[J].計算機工程與應用，2012，48（5）：201-203.

[8]趙亮.改進的最大類間方差法在舌像裂紋識別中的應用：中國，CN102194121A[P].2011-09-21.

[9]陳小芬，李翠華，杜曉鳳.自適應閾值的舌象裂紋檢測[J].計算機技術與發展，2009，19（1）：17-20.

[10]楊朝輝，李乃民，王寬全，等.裂紋舌中醫診斷的客觀化研究[C]//第一屆中西醫結合診斷學術會議，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

中醫舌診中只有精確、完整地分割出舌裂紋，才能準確地對舌裂紋信息進行定量化的特征表示與描述，而目前少有方法能達到此要求。為此，提出了一種新穎的基于改進的局部二值模式（Local Binary Pattern，LBP）算子與Otsu閾值分割技術相結合的舌裂紋分割算法（MLBP-Ostu算法）。根據舌裂紋的紋理特征對傳統LBP的模式分類方法進行重定義；引入一個粗糙度度量因子R，如某區域的R值偏小或偏大，則把其歸類為非裂紋區，不進行LBP特征值計算；利用Otsu方法對前面得到的LBP特征圖進行閾值分割，從而得到舌裂紋的二值圖像。實驗結果表明，該算法能較精確、完整地分割出舌裂紋，并且不需要預先分割出舌體區域，為將來舌診的定量化研究及臨床應用提供了有效手段。

中醫舌診；舌裂紋；局部二值模式；Otsu法

CNKI網絡優先出版：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

中南大學中央高校基本科研業務費專項資金（No.2011QNZT013）；國家自然科學基金面上項目（No.61172184）。

覃海松（1988—），男，在讀碩士研究生，主要研究領域為醫學圖像處理；黃忠朝（1976—），男，副教授，主要研究領域為醫學信號和圖像處理；趙于前（1973—），男，教授，主要研究領域為醫學圖像處理；彭子壯（1990—），男，碩士研究生，研究領域為中西醫結合臨床醫學。E-mail：lipse_huang@163.com

2014-04-08

2014-08-04

1002-8331（2014）23-0151-05