基于弱邊界增強結構森林的舌苔圖像分割

楊玉成 張乾

摘要：針對結構森林分割醫學圖像存在弱邊界的問題，提出了一種弱邊界增強結構森林的舌苔圖像分割方法。充分利用舌苔圖像RGB顏色空間的G值對圖像進行分割，在RGB顏色空間中采用線性插值算法對G進行增強，同時將圖像轉換為灰度圖來提高舌苔與其周邊皮膚的對比度，突顯弱邊界信息，并將其均衡化處理，進一步增強圖像對比度。采用自適應算法對圖像進行縮放使舌苔的弱邊界得到再次增強，使用結構森林算法對增強后的舌苔圖像進行分割。通過在國際公開數據集TongeImage Dataset-master舌苔圖像上進行實驗，表明能有效提高圖像的分割質量。

關鍵詞：圖像分割；結構森林；舌苔圖像；圖像增強

中圖分類號：TP391.4文獻標志碼：A文章編號：1008-1739（2019）08-58-3

0引言

圖像分割是計算機視覺、數字圖像處理、模式識別及人工智能等領域的重要研究內容。圖像分割是指從圖像中提取感興趣的區域，該區域既可以是單個區域，也可以是多個區域的集合。近年來，圖像分割被廣泛應用于公共安全、無人駕駛、生物醫療以及醫學圖像處理等領域。其中，基于圖像分割的醫學圖像處理受到廣大學者的關注并成為醫學界的研究熱點。在醫學圖像處理中，舌苔圖像處理與分析是重要問題之一。隨著人們對醫療健康關注度的不斷提高，通過舌苔圖像分析實現計算機輔助醫學診斷是近年來生物信息學、計算機處理及模式識別研究領域中的新問題。

1醫學圖像分割

在數字圖像處理和生物信息學中積淀了多種經典的圖像分割算法，有基于閾值分割和邊緣檢測的傳統圖像分割方法，以及基于圖像輪廓的活動輪廓法和結構森林分割方法，值得關注的是機器學習中的深度學習也可以用于研究圖像分割。

過去主流的圖像分割方法有3個。①閾值分割方法：利用目標和背景的灰度差，通過先驗知識選擇最優閾值作為目標和背景的區分準則，最終實現對圖像的分割。閾值分割法被廣泛應用于生物醫學領域，Chen等[1]將閾值分割方法與SVM相結合對醫學圖像進行分割。②邊緣檢測法：利用圖像中相鄰區域的像元信息差異來確定邊界點，然后把各邊界點連接得到區域輪廓。傅之成等[2]通過徑向邊緣檢測與Snake模型結合對舌苔圖像進行分割。③區域生長法：利用圖像中同一區域內點的相似性，在每個區域內分別選取種子點，把與種子點性質相同或相似的點聚合在一個區域。舒添慧等[3]將區域生長算法用于CT圖像的分割，該方法具有較高的分割效率。

本文充分借鑒結構森林在圖像分割中取得的優秀成果[4]，結合舌苔圖像的特性提出基于弱邊界增強結構森林的舌苔圖像分割方法。

2結構森林

隨機森林由多棵相互獨立的決策樹組合而成，結構森林在隨機森林的基礎上將其擴展為結構化的輸出空間，再將結構化的輸出空間映射至低維空間，得到維度較低的特征，再利用主成分分析法進行二次降維。

決策樹對數據集進行分類的過程實際是一個連續遞歸的過程，由一個分割函數構成，表達式為：

結構化的輸出空間維度較高，為了降低計算成本、提高運算速度，需要對其進行降維處理，即將其映射至一個離散的低維空間。建立一個臨時空間，將結構化的標簽映射至空間，從而達到降維的目的。再次建立一個臨時空間，將映射至，使用主成分分析法對進行降維，過程可簡單歸納為：→→，最后用主成分分析法對進行降維。

3弱邊界的增強

結構森林算法由Dollár和Zitnick在文獻[4]中提出，并且具有較高的分割精度，隨后又在文獻[5]中對算法進行了部分改進。結構森林支持并行運算、分割速度與樹的深度成正比、分類速度快、效果好。因此本文使用結構森林作為分類器對舌苔圖像進行分割。

通過對舌苔圖像的分析發現舌苔圖像存在弱邊界的原因：

①舌苔中間區域存在一層水膜對光線反射性較強，該區域具有較高的亮度，因此，該區域邊界輪廓線比真實邊界輪廓線清晰。

②舌苔顏色與周邊皮膚顏色相似，在對舌苔圖像進行分割時高亮度的水膜區域邊界易被誤檢測為舌苔邊界，而真實邊界易被遺漏導致分割區域不完整以及分割信息缺失，由于舌苔顏色與周邊皮膚顏色相似，所以在進行邊緣檢測時易被遺漏。

針對舌苔與周圍皮膚存在弱邊界導致結構森林分割效果不佳的問題，通過分析RGB圖像的，，值，發現值具有較強的區分性，由此提出增強值的方法。本文使用值增強公式增強舌苔圖像的值來提高舌苔圖像的對比度并將圖像轉換為灰度圖，使弱邊界信息得到凸顯。直方圖均衡化方法是指將圖像像素值均勻化，增強圖像對比度使圖像在視覺上更加清晰，所以本文將灰度圖像素均衡化，使舌苔弱邊界更加清晰。由于非重建性縮放會造成圖像像元損失并且不能實現任意倍數的縮放，而重建性算法能夠最大程度保持圖像的完整性，本文選擇使用重建性算法中的雙線性插值法對增強后的舌苔圖像進行縮放處理，進一步增強舌苔弱邊界清晰度，使用結構森林對預處理后的舌苔圖像進行分割。增強舌苔圖像的對比度使舌苔圖像弱邊界得到明顯增強，提高了結構森林的分割精度。

3.1圖像值的增強

圖1為舌苔圖像的，，分量的灰度直方圖，通過對RGB圖像的，，值的直方圖進行對比發現，舌苔與周邊皮膚的值幾乎一致，但是它們的值存在較大差異，這也是舌苔在視覺上顏色比皮膚紅的原因。舌苔圖像與周邊皮膚的，，值存在相關性，主要有以下3種情況：①舌苔表面的值比值大，或者等于值，而周邊皮膚的值大于值；②舌苔上的值小于周邊皮膚的值；③在舌苔和皮膚圖像中，值均大于，值[6]。

用’代替原圖像的值并將圖像轉換為灰度圖，增強舌苔與周圍皮膚的對比度，凸顯弱邊界信息，再使用直方圖均衡化方法將新的舌苔圖像均衡化，使舌苔弱邊界在視覺上更加清晰，圖像對比度得到進一步增強。如圖2所示，其中圖2（a）為原圖像，圖2（b）為增強值并均衡化后的舌苔圖像，增強后的圖像對比度比原圖像更高，輪廓更加清晰。

3.2圖像的縮放

圖像縮放的物理方法有2種：①直接改變圖像的物理尺寸將其放大或縮小；②圖像物理尺寸保持不變，將圖像的維度降低。

圖像的縮放又可分為重建性縮放和非重建性縮放，非重建性縮放不能實現任意倍數的縮放，只能實現整數倍數的縮放，而重建性縮放可以實現任意倍數的縮放，并且可以最大限度地保持圖像信息的完整性。因此，本文選用重建性縮放法即雙線性插值法，對圖像進行縮放處理。

3.3圖像分割流程

基于弱邊界增強結構森林的舌苔圖像分割流程如圖3所示。

4實驗結果與分析

本文在實驗中所使用的圖像數據集為TongeImage Dataset-master，其像素均為768*576。直接使用結構森林算法對舌苔圖像進行分割會有部分輪廓信息的缺失，所以在使用結構森林對舌苔圖像進行分割時，首先對圖像進行預處理：①用本文提出的方法增強舌苔圖像的值并將圖像轉換為灰度圖；②將增強后的圖像縮放為原來的0.5倍。

如圖4所示，使用本文提出的弱邊界增強方法，舌苔圖像邊界得到明顯的增強，用結構森林分割未增強的舌苔圖像有部分輪廓信息缺失，而用增強結構森林對增強后的舌苔圖像進行分割，可得到完整的舌苔輪廓。

5結束語

參考文獻

[1] Chen X，Li D.Medical Image Segmentation Based on Threshold SVM[C]//Biomedical Engineering and Computer Science （ICBECS），2010 International Conference on，IEEE， 2010：1-3.

[2]傅之成，李曉強，李福鳳.基于徑向邊緣檢測和Snake模型的舌像分割[J].中國圖象圖形學報，2009，14（4）： 688-693.

[3]舒添慧，胥布工，胡戰虎.基于區域生長法的醫學圖像分割[J].微計算機信息，2008（18）：284-285，195.

[4] DolláR P，Zitnick C L.Structured Forests for Fast Edge Detection[C]//Computer Vision （ICCV），2013 IEEE International Conference on.IEEE，2013：1841-1848.

[5] DolláRP， Zitnick C L.Fast Edge Detection Using Structured Forests[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（8）： 1558-1570.

[6]李文書.醫學圖像處理中若干關鍵技術研究[D].上海：上海交通大學，2010.

[7]王森，楊克儉.基于雙線性插值的圖像縮放算法的研究與實現[J].自動化技術與應用，2008（7）：44-45，35.