一種基于細菌覓食優化算法的舌體分割算法

朱 峰，戴璞微，潘 斌，郭小明，王玉銘，鐘 凡

?

一種基于細菌覓食優化算法的舌體分割算法

朱 峰1，戴璞微1，潘 斌1，郭小明1，王玉銘1，鐘 凡2

(1. 遼寧石油化工大學，遼寧 撫順 113001；2.山東大學，山東 青島 250101)

針對醫學舌體數字圖像的準確分割，提出了一種基于細菌覓食優化算法(BFOA)和Snake活動輪廓模型相組合的舌體分割算法。首先，以信息熵與Kapur算法相結合作為自適應函數來改進BFOA算法，通過改進的BFOA算法計算舌體圖像的最佳圖像二值化閾值，并將舌體圖像二值化；然后，利用舌體圖像的對稱性提取舌體的關鍵邊緣點，并基于B-樣條插值算法由關鍵點集合插值得到閉合的B-樣條曲線，作為Snake模型的初始輪廓；最后，通過Snake模型計算求解，即可準確提取舌體的輪廓曲線。實驗結果表明，改進算法能夠高精度地分割出舌體圖像，并能消除基本Snake模型在初始輪廓曲線選取中存在的人機交互難題，實現了舌體圖像的自動分割。

舌體分割；細菌覓食優化算法；Snake模型；關鍵點提取；B-樣條曲線

舌診的核心就是通過觀察患者的舌象深入了解患者機體的生理機能和病理變化，從而得知患者的健康情況的一種傳統醫學的診察方法，同時舌診也是傳統中醫四診的四大核心內容之一[1]。然而傳統舌診的診斷結果正確與否非常依賴于醫生個人經驗以及專業知識水平，使診斷結果帶有強烈的主觀性，導致舌診診斷經驗不能被足夠客觀地保留與繼承。

醫療與人工智能的有機結合是當今時代的一大熱點問題。就中醫的舌診而言，實現利用大數據、機器學習、深度學習等技術對患者的癥狀進行分類的第一步，就是準確分割醫療影像中的舌體。所以，有效的舌體分割算法對于提高舌診準確率、實現醫療智能化都具有非常重要的實際意義與科研價值。

當前，圖像分割算法主要有閾值分割法、區域生長法、邊緣分割法以及聚類算法[2-5]等；文獻[6]根據顏色和空間的相似性，首先利用漂移均值聚類算法對像素進行分類，然后利用舌體主成分分析算法檢測舌體，最后使用張量投票(tensor voting)算法分割舌體區域；文獻[7]提出了一種基于閾值分割及區域分裂合并法的舌體分割方法，在實驗圖像的測試中，其分割方法的準確性較為理想；文獻[8]利用RGB顏色空間和模糊C聚類算法(fuzzy C-means)進行唇部區域的分割；文獻[9]利用彩色閾值函數來確定圖像閾值，以得到舌體的初始區域，隨后增強所得區域的亮度，并在Lab色彩空間中進行分割，其實驗中有70%以上的圖片分割達到較好的效果。實現自動舌診目標的第一步，則側重于使用活動輪廓模型從圖像中提取舌體。活動輪廓模型也被稱作Snake模型，是一種高效的圖像分割算法。文獻[10]在441張圖片中進行測試，得到活動輪廓模型Snake的分割準確率為82%；文獻[11]將分水嶺分割算法與Snake模型相結合，用于實驗舌體圖像的分割，取得了較為理想的分割效果；文獻[12]闡明雙Snake模型可提高分割的準確率，與單Snake模型的準確率相比得到了顯著地提高。文獻[13]首先考慮了舌體的位置和顏色信息，其后利用Snake模型獲得舌體的準確區域；文獻[14]利用梯度矢量流(gradient vector flow，GVF)、區域合并法來實現舌體自動分割，在實驗環境中取得了較好的效果，但在包括牙齒、唇部特征的圖片中，其分割輪廓的精度則受到了初始分割策略的影響導致效果不佳。上述部分工作，涉及到人機交互的過程，無法實現舌體的自動分割；也未從根本上解決初始輪廓選擇敏感的問題；在單一的色彩空間對舌體進行分割時，其適用范圍受到一定的限制性，在獲取閾值的精確度問題上不夠理想[15]。

本文針對Snake模型在圖像分割時的初始輪廓選擇敏感問題，提出了一種基于細菌覓食算法和Snake模型相結合的舌體分割優化算法。利用信息熵與Kapur算法[16]相結合來優化細菌覓食算法，以此獲取舌體圖像的最佳二值化閾值，并利用雙彩色空間結合的方法得到精準的二值舌體邊緣圖像。由于舌體屬于對稱圖像，因此利用舌體的對稱特性再對二值圖像進行關鍵點的提取，然后利用 B-樣條插值法得到B-樣條曲線[17]，并用其作為Snake模型的初始目標輪廓，以實現舌體圖像的自動分割。

1 細菌覓食優化算法流程

1.1 細菌覓食優化算法

具體算法流程如下：

步驟3.2. 用last保存最優自適應函數值。

步驟3.4. 前移：翻轉后，細菌沿步驟3.3中所述的向量方向移動一個自適應步長的距離，即

步驟3.5. 計算當前細菌的自適應函數值為

步驟3.6. 游動。

圖1 細菌覓食優化算法流程圖

1.2 信息熵與Kapur算法

2 Snake模型

對式(5)進行離散化，得

3 基于細菌覓食優化算法的自動舌苔分割算法

3.1 多彩色空間舌體分割

本文采用多彩色空間分割算法對舌體圖像預處理并進行圖像二值化。算法如下：

(1) 由于舌體主體為紅色，因此先將原始RGB圖像的R通道進行均衡化處理[19]，并將處理過的圖像轉換至HSV空間，得到HSV圖像；之后分別在 HSV圖像的H和S通道上做圖像均衡化處理，接著采用細菌覓食算法并以Kapur算法為自適應函數，求得最佳閾值，并以其為基準進行圖像二值化，從而獲取舌體的二值圖像(圖2)。

圖2 HSV空間處理示意圖

(2) 將原始的RGB圖像轉換到chromatic空間[20]，轉換公式為

其中，，，分別為RGB顏色空間中的紅、綠、藍3個分量；，，分別為chromatic顏色空間中的紅、綠、藍3個分量。舌體顏色主要分布為紅色，因此本文選取chromatic顏色空間的通道進行處理。利用式(9)求得像素點分量的比例值，和分別為圖像矩陣的行、列數，然后對chromatic顏色空間圖像進行Fisher變換[21]，通過式(10)求得圖像分割的二值化閾值，并進行圖像二值化操作(圖3)。

(10)

(3) 從圖2可以看出，HSV顏色空間分割得到的圖像能夠更好地展現舌體圖像的一些細節信息，而圖3 chromatic彩色空間分割得到的圖像能夠更好地反映舌體圖像的邊緣信息。在雙彩色空間的預處理中，chromatic空間本質是RGB空間的歸一化，紅色在圖中更加明顯，能夠較好地顯示邊緣信息；相比于RGB空間，能夠保留更多細節的HSV空間更容易被人接受。因此，2個顏色空間的預處理相或后既能保留更多細節又能得到明顯邊緣信息，有利于為Snake算法尋找到精確的初始輪廓，使改進算法的分割效果優于單色空間Snake模型。

綜上，本文對上述2類圖像進行了形態學的或運算操作，得到了原始圖像的舌體的黑白輪廓。其中或運算為

圖4 兩彩色空間二值圖像相或結果示意圖

上述預處理流程如圖5所示。

圖5 舌體分割與預處理流程

3.2 舌體輪廓提取

3.2.1 關鍵點提取

在得到精準舌體輪廓黑白圖像后，開始進行關鍵邊緣點提取流程。由于舌體具有對稱性，故本文采取對稱查找的思路進行關鍵邊緣點提取。

步驟1. 在精準舌體邊緣輪廓黑白圖像中，以輪廓圖寬度的1/2為縱坐標找到最左與最右的2個舌體邊緣角點并記錄2個點的坐標。

步驟2. 以步驟1得到2個邊緣點的橫坐標之和的1/2作為舌體底部關鍵邊緣點的橫坐標，然后按列在輪廓圖中查找到最下面的黑色邊緣點，并記錄這個點的坐標。

步驟3. 以最左邊角點與最下面點的縱坐標的1/2為縱坐標，按行從左到右遍歷找到最左邊黑色邊緣中點。同理，找到最右邊的黑色邊緣的中點。

步驟4. 以最左角點與最左中點2個點為基準，計算其橫坐標的2個3等分點作為關鍵點的橫坐標，之后按列向上遍歷，找到合適的黑色邊緣點，記錄此2點的坐標。同理，分別以最左中點和最下點、最右中點和最下點、最右中點和最右角點、左右角點4對組合按列遍歷，尋找到合適的關鍵邊緣點，如圖6所示。

圖6 關鍵點集合示意圖

3.2.2 舌體輪廓的提取

得到的B-樣條曲線效果如圖7所示。上述具體舌體輪廓提取算法流程如圖8所示。

圖7 B-樣條插值效果圖

圖8 舌體輪廓算法流程圖

3.3 基于改進的Snake模型自動舌體分割算法

Snake模型具有很強的實用性，但傳統的 Snake模型對于初始輪廓需要盡最大可能去接近實際的邊緣，才能得到最佳輪廓曲線。所以如果初始輪廓的選擇不當，那么算法將會陷入局部最優解，以致影響最佳輪廓曲線的獲取。即傳統Snake模型存在初始輪廓選擇敏感的問題，可能在一定程度上影響分割的精度[23]。

為了避免初始輪廓選擇敏感問題，本文提出了一種基于細菌覓食優化算法的改進的Snake模型自動舌體分割算法。其算法流程如圖9所示。

圖9 本文舌體分割算法流程

算法的具體步驟如下：

步驟1. 讀入采用原始RGB舌體圖像。

步驟2. 進行多彩色空間舌體分割。可同時進行2個步驟：①將R通道均衡化的RGB圖像轉換到HSV顏色空間，得到其圖像，并對H，S通道均衡化。再利用BFOA算法求得圖像二值化的最佳閾值，并將HSV舌體圖像轉化為二值圖像；②將R通道均衡化的圖像轉換到chromatic顏色空間，并對其做 Fisher變換，之后轉化為二值圖像。最后將兩個二值圖像進行或操作得到最終精準邊緣圖像。

步驟3. 利用二值圖像進行關鍵點提取，記錄對應坐標。對關鍵點集合進行B-樣條插值，得到B-樣條曲線。

步驟4. 將B-樣條曲線作為Snake模型初始目標輪廓線，通過Snake模型得到最終舌體輪廓線。

4 實驗結果與分析

本文在Windows 10操作系統下，利用Python3與MATLAB相結合實現算法，以檢驗算法效果。其中，Python代碼在Pycharm集成編譯環境中運行。

對于舌體分割效果，本文采用手動分割的舌體區域作為參考標準，將改進算法分割得到的區域和參考標準區域的重疊率(percentage of overlap，POL)作為評價指標[24]，稱為準確率，即

將單彩色空間的分割效果與本文方法進行了比較。實驗結果(表1)表明，利用本文雙彩色空間提取的舌體輪廓更加精確。

表1 本文算法與單彩色空間的實驗對比

同時，本文額外采用10張人臉舌體圖像，采用相同的評價標準將本文算法與其他2種不同算法進行對比，并分別統計分割的準確率，如圖10所示。

圖10 3種算法的準確率比較

此外，本文以其中4張為例，將本文的改進算法與傳統Snake模型、文獻[14]提出算法的實驗結果做比較。對比的實驗結果如圖11所示。圖11(a)所示分別對應形狀為U型、O型、V型和W型舌體的傳統Snake模型的分割結果圖，需要預先設置一條原始輪廓曲線，可以看出傳統Snake模型容易陷入局部最優解；圖11(b)、(c)分別是文獻[14]和本文算法得到的分割結果圖，與圖11(b)相比，本文算法有較精確的分割輪廓，且分割結果更接近實際輪廓。從圖11中可以看出對于各種不同形狀的舌體，本文的改良算法較其他2種算法的分割效果更好。

圖11 4型舌體分割結果對比圖

5 結 論

針對Snake模型對于初始輪廓選擇敏感的問題，本文提出了一種基于細菌覓食優化算法的改進的Snake模型自動舌體分割算法。利用優化的細菌覓食算法尋求圖像二值化的最佳閾值，并利用雙彩色空間結合的分割方法，得到精準的舌體邊緣圖像；接著利用舌體對稱性進行關鍵點提取，并進行B-樣條插值；最后利用得到的B-樣條曲線作為初始輪廓進行執行Snake模型，得到最終舌體分割圖，對于Snake模型的智能化執行來說具有一定的實際意義。但是，本文算法在實驗中也表現出部分缺陷，首先，如果舌體主體部分不在整個舌體圖像中心位置，將不利于舌體的精準分割；其次，改進算法是在光照強度限定的條件下進行實驗，因此由光照強度差異而引起的圖片清晰度和陰影情況變化給分割帶來的影響需要進一步研究；最后，本文所有實驗圖片中患者均為黃種人，因此改進算法能否適應其他膚色患者有待證明。

[1] ZHANG Y, ZHANG M, ZHU Y, et al. A facile graphene nanosheets-based electrochemical sensor for sensitive detection of honokiol in Traditional Chinese Medicine [J]. Electroanalysis, 2016, 28(3): 508-515.

[2] HOU J L, LI B K. An improved algorithm for horizon detection based on OSTU [C]//International Conference on Intelligent Human-Machine Systems and Cybernetics. Washington, DC: IEEE Computer Society Press, 2015: 414-417.

[3] CHAUGULE A, MALI S N. Area measurement of seed from distorted images for quality seed selection [C]// NirmaUniversity International Conference on Engineering. New York: IEEE Press, 2014: 1-6.

[4] ZHANG D D, ZHAO S. An improved edge detection algorithm based on canny operator [J]. Applied Mechanics & Materials, 2015, 347-350(4): 3541-3545.

[5] DUBEY Y K, MUSHRIF M M. FCM clustering algorithms for segmentation of brain MR images [J]. Advances in Fuzzy Systems, 2016(2016): 1-14.

[6] XU W, KANAWONG R, XU D, et al. An automatic tongue detection and segmentation framework for computer-aided tongue image analysis [J]. International Journal of Functional Informatics and Personalised Medicine, 2011, 4(1): 189-192.

[7] BAI L Y, SHI Y, JIA W U, et al. Automatic extraction of tongue coatings from digital images: A traditional Chinese medicine diagnostic tool [J]. Tsinghua Science and Technology, 2009, 14(2): 170-175.

[8] GHALEH V E C, BEHRAD A. Lip contour extraction using RGB color space and fuzzy c-means clustering [C]// International Conference on Cybernetic Intelligent Systems. New York: IEEE Press, 2011: 1-4.

[9] CHEN L, WANG D, LIU Y, et al. A novel automatic tongue image segmentation algorithm: Color enhancement method based on L*a*b* color space [C]// International Conference on Bioinformatics and Biomedicine. Washington, DC: IEEE Computer Society Press, 2015: 990-993.

[10] LI P H, ZHANG T W. Review on active contour model (Snake model) [J]. Journal of Software, 2000, 11(6): 751-757.

[11] 汪梅, 李琳, 汪斌, 等. 分水嶺算法應用于主動輪廓模型能量分割算法的研究[J]. 計算機科學, 2017, 44(5): 314-319.

[12] ZHAI X, LU H, ZHANG L. Application of image segmentation technique in tongue diagnosis [C]// International Forum on Information Technology and Applications. New York: IEEE Press, 2009: 768-771.

[13] SHI M J, LI G Z, LI F F. C2G2FSnake: Automatic tongue image segmentation utilizing prior knowledge [J]. Science China: Information Sciences, 2013, 56(9): 1-14.

[14] NING J F, ZHANG D, WU C K, et al. Automatic tongue image segmentation based on gradient vector flow and region merging [J]. Neural Computing and Applications, 2012, 21(8): 1819-1826.

[15] 奉小慧, 王偉凝, 吳緒鎮. 基于多色彩空間的自適應嘴唇區域定位算法[J]. 計算機應用, 2009, 29(7): 1924-1927.

[16] NITHYA S, MEENA K. Genetic algorithm based bacterial foraging optimization with three-pass protocol concept for heterogeneous network security enhancement [J]. Journal of Computational Science, 2017, 21(4): 275-282.

[17] ZHANG W J, ZHANG F, ZHAO J H. Research on modification algorithm of cubic B-Spline curve interpolation technology [J]. Applied Mechanics and Materials, 2014, 687-691: 1596-1599.

[18] 蘭紅, 張璐. 分水嶺優化的Snake模型肝臟圖像分割[J]. 中國圖象圖形學報, 2012, 17(7): 873-879.

[19] ZHOU Z HHONG X P. A compact representation of visual speech data using latent variables [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(1): 181-187.

[20] DA F M, SAMENGO I. Derivation of human chromatic discrimination ability from an information-theoretical notion of distance in color space [J]. Neural Computation, 2016, 28(12): 1.

[21] PERRONNIN F, LARLUS D. Fisher vectors meet neural networks: A hybrid classification architecture [C]// Computer Vision and Pattern Recognition. New York: IEEE Press, 2015: 3743-3752.

[22] SHI B H, HE J P. The robot motion trajectory algorithm research based on B-spline and new velocity planning [C]// Control and Decision Conference. New York: IEEE Press, 2016: 5968-5974.

[23] XIE W, DUAN J, SHEN L, et al. Open snake model based on global guidance field for embryo vessel location [J]. IET Computer Vision, 2018, 12(2): 129-137.

Tongue Segmentation Algorithm Based on Improved Bacteria Foraging Optimization Algorithm

ZHU Feng1, DAI Pu-wei1, PAN Bin1, GUO Xiao-ming1, WANG Yu-ming1, ZHONG Fan2

(1. Liaoning Shihua University, Fushun Liaoning 113001, China; 2. Shandong University, Qingdao Shandong 250101, China)

Aimed at the accurate segmentation of medical digital image of tongue, this study proposed a tongue segmentation algorithm based on bacteria foraging optimization algorithm (BFOA) and Snake active contour model. Firstly, information entropy threshold method and Kapur algorithm are combined to improve BFOA, and then the improved BFOA is used to get the optimal threshold value, then binarize the tongue image. Secondly, the key contour points of the tongue coating are extracted according to the symmetry. Finally, the B-spline interpolation is performed by using the key points to obtain the closed B-spline curve as the initial contour of the Snake model, by which the external contour of the tongue edge is accurately extracted. The results show that the proposed algorithm can improve the accuracy of tongue segmentation and reduce human-computer interaction.

tongue segmentation; bacteria foraging optimization algorithm; Snake model; key points extraction; B-spline curve

TP 391

10.11996/JG.j.2095-302X.2019010070

A

2095-302X(2019)01-0070-08

2018-06-29；

2018-07-14

國家自然科學基金項目(61602228，61572290)；遼寧省自然科學基金項目(2015020041)

朱 峰(1993-)，女，遼寧撫順人，碩士研究生。主要研究方向為計算機圖形學、數字圖像處理。E-mail：897827316@qq.com

潘 斌(1981-)，男，山東濰坊人，副教授，博士，碩士生導師。主要研究方向為計算機圖形學、數字圖像處理。E-mail：panbin@lnpu.edu. cn