基于梯度下降和滑動(dòng)窗口混合算法的人體穴位定位研究

付陽陽,高志宇

(河南中醫(yī)藥大學(xué)信息技術(shù)學(xué)院，河南 鄭州 450000)

穴位是位于人體經(jīng)絡(luò)線上的特殊點(diǎn)區(qū)部位，亦是人體神經(jīng)末梢密集或神經(jīng)干線經(jīng)過的地方，也稱之為腧穴。腧穴與臟腑經(jīng)絡(luò)密切相關(guān)，腧穴是人體臟腑經(jīng)絡(luò)氣血輸注、結(jié)聚與體表的部位。中醫(yī)學(xué)中辨識(shí)穴位的方法有觸法、按法、捏法等，對(duì)人體穴位進(jìn)行準(zhǔn)確的判別存在一定的難度。為使人們對(duì)于人體穴位能夠有更廣泛的認(rèn)識(shí)，對(duì)穴位的辨識(shí)定位更加的方便快捷，以大陵穴為例，通過滑動(dòng)窗口與梯度下降算法相結(jié)合的方法對(duì)人體穴位進(jìn)行辨識(shí)定位。現(xiàn)報(bào)告如下。

1 算法設(shè)計(jì)

1.1 關(guān)鍵算法

1.1.1 滑動(dòng)窗口

為縮小找尋圖像目標(biāo)點(diǎn)的時(shí)間，提高找尋目標(biāo)點(diǎn)的準(zhǔn)確度，本文運(yùn)用滑動(dòng)窗口以縮小目標(biāo)范圍，縮短篩選時(shí)間，提高尋找目標(biāo)點(diǎn)的效率。

1.1.2 梯度下降

梯度下降法(gradient descent)或稱最速下降法(steepest descent)是求解無約束最優(yōu)化問題的一種常用的方法，他的實(shí)現(xiàn)比較簡(jiǎn)單。梯度下降法是迭代算法，每一步需要求解目標(biāo)函數(shù)的梯度向量[1]。本研究通過運(yùn)用梯度下降算法比較得出圖像中變化趨勢(shì)最大的兩個(gè)目標(biāo)點(diǎn)。

1.1.3 數(shù)字圖像處理技術(shù)之相似圖片搜索

每張圖片都具有各自的灰度直方圖圖像，若兩個(gè)圖像的灰度直方圖相近，就可以認(rèn)為它們是相似的[2]。

1.2 混合算法設(shè)計(jì)

為增加穴位定位的準(zhǔn)確度，故采用將滑動(dòng)窗口與梯度下降算法結(jié)合的混合算法設(shè)計(jì)。該算法首先利用滑動(dòng)窗口對(duì)處理過的圖像進(jìn)行目標(biāo)范圍的縮小，之后用梯度下降算法對(duì)搜尋到的目標(biāo)范圍進(jìn)行依次梯度大小的比較，多次比較之后將找尋到的目標(biāo)坐標(biāo)點(diǎn)進(jìn)行記錄，以便后期進(jìn)行處理。如圖1所示。

圖1 混合算法設(shè)計(jì)流程圖

2 穴位定位模型設(shè)計(jì)與實(shí)現(xiàn)

2.1 圖像預(yù)處理

采集到手掌的原始圖像為RGB真彩圖像，為了便于提取圖像的輪廓以及提取圖像的梯度值，應(yīng)對(duì)原始圖像進(jìn)行灰度化預(yù)處理，通過rgb2gray()函數(shù)實(shí)現(xiàn)圖像灰度化。如圖2(a)所示。

2.2 穴位定位

2.2.1 穴位點(diǎn)確定依據(jù)

將圖像以中指為分界線一分為二進(jìn)行分割，通過滑動(dòng)窗口分別找到各部分中的目標(biāo)范圍后，通過梯度下降法比較各目標(biāo)范圍中梯度變化趨勢(shì)最大的目標(biāo)點(diǎn)，由此可得出目標(biāo)圖像部分中梯度值最大的坐標(biāo)點(diǎn)(x1,y1)，(x2,y2)，可得出兩坐標(biāo)點(diǎn)的中點(diǎn)(x3,y3)=[(x1+x2)/2,(y1+y2)/2]即為大陵穴。

圖2 實(shí)驗(yàn)過程圖像

2.2.2 穴位的確定

2.2.2.1 觀察圖像的梯度變化趨勢(shì)

2.2.2.2 運(yùn)用滑動(dòng)窗口確定目標(biāo)范圍

在本研究中，筆者首先確定目標(biāo)對(duì)比圖像，為了增加實(shí)驗(yàn)結(jié)果的準(zhǔn)確度，需對(duì)目標(biāo)圖像進(jìn)行與原圖像一樣的預(yù)處理。通過數(shù)字圖形處理中的灰度直方圖的方法將目標(biāo)圖像與原圖像進(jìn)行對(duì)比，若兩圖的直方圖很接近，則認(rèn)為這兩張圖是相似的。其步驟為[12]：

圖3 圖像梯度變化趨勢(shì)

a)分別獲得兩灰度圖像的直方圖的分布。

m1=t1(i,j)+1; m2=t2(i,j)+1

e1(m1)=e1(m1)+1; e2(m2)=e2(m2)+1

b)將獲取到的灰度直方圖分為64個(gè)區(qū)，每個(gè)區(qū)為連續(xù)的4個(gè)灰度等級(jí)。

c)對(duì)每個(gè)區(qū)中的4個(gè)值進(jìn)行求和運(yùn)算，將得到1個(gè)數(shù)據(jù)，以此類推，將會(huì)得到64個(gè)數(shù)據(jù)，該數(shù)據(jù)即為該灰度圖像的一個(gè)向量。

m1(1,i+1)=e1(4×i+1)+e1(4×i+2)+e1(4×i+3)+e1(4×i+4)

m2(1,i+1)=e2(4×i+1)+e2(4×i+2)+e2(4×i+3)+e2(4×i+4)

d)依據(jù)步驟(1、2、3)，將輸入的兩幅灰度圖像轉(zhuǎn)化為2個(gè)向量，即為A、B。

A=sqrt(sum(sum(m1.^2))); B=sqrt(sum(sum(m2.^2)))

e)本文運(yùn)用余弦相似度來計(jì)算A、B的相似度(若兩向量的余弦值越接近1，則兩個(gè)向量的夾角越接近0度，即認(rèn)為這兩個(gè)向量是相似的)。

cos1=C/(A×B)

對(duì)原圖像做類似相同的滑動(dòng)實(shí)驗(yàn)兩次之后，即可確定出目標(biāo)點(diǎn)所在的目標(biāo)范圍。圖2(b)為通過滑動(dòng)窗口所找尋到的目標(biāo)范圍。

2.2.2.3 確定坐標(biāo)

目標(biāo)范圍確立后，在目標(biāo)范圍內(nèi)，使用gradient()函數(shù)對(duì)圖像中的每個(gè)坐標(biāo)點(diǎn)依次進(jìn)行梯度值的比較，找出梯度值最大的兩個(gè)坐標(biāo)點(diǎn)(x1,y1)、(x2、y2)，即可得出這兩點(diǎn)的中點(diǎn)坐標(biāo)(x3,y3)=[(x1+x2)/2,(y1+y2)/2]。即可確定出大陵穴的坐標(biāo)為(x3,y3)。如圖2(c)為所找到的大陵穴的位置。

3 結(jié)果分析

3.1 研究對(duì)象預(yù)處理

本研究是將人體手掌部位作為研究對(duì)象，首先在采集圖像時(shí)要保證圖像的清晰度，將清晰度不夠的圖像舍去，也要將完整度不夠的圖像舍去。盡可能的選取不同年紀(jì)、不同大小、不同性別的人體手掌作為研究對(duì)象，以使研究結(jié)果更為客觀和全面。而文中對(duì)圖像進(jìn)行的灰度化預(yù)處理，目的在于通過灰度化使RGB真彩圖像生成為8位的灰度值圖像，使其可以對(duì)研究對(duì)象進(jìn)行直接處理，減少后續(xù)處理時(shí)的計(jì)算量，提高計(jì)算機(jī)的運(yùn)行效率。灰度化處理的方法有很多，由于文中是以Matlab9.0為基礎(chǔ)，故使用采用加權(quán)平均算法的rgb2gray()函數(shù)對(duì)RGB圖像進(jìn)行灰度化。

3.2 算法分析

在無約束的優(yōu)化算法中，除梯度下降法外，還有最小二乘法、牛頓法和擬牛頓法，本文之所以選擇梯度下降法與滑動(dòng)窗口相混合是因?yàn)榕c最小二乘法相比較來說，梯度下降法是通過迭代求解的，在樣本容量較大時(shí)，梯度下降法的迭代相對(duì)來說較有優(yōu)勢(shì)，而之所以不用牛頓、擬牛頓法是因?yàn)楸M管牛頓、擬牛頓法是通過迭代進(jìn)行求解的，但其求解主要依據(jù)二階的海森矩陣的逆矩陣或者逆矩陣，使其每次的迭代時(shí)間都要比梯度下降法的時(shí)間長(zhǎng)。其次本文主要的研究對(duì)象是人體手掌部位，其整體的梯度變化趨勢(shì)較為明顯，通過比較研究對(duì)象圖像的梯度值的大小更易于確定目標(biāo)點(diǎn)，故本文采用了梯度下降法與滑動(dòng)窗口進(jìn)行結(jié)合。

3.3 實(shí)驗(yàn)過程分析

1)本文起初利用gradient()函數(shù)對(duì)圖像整體進(jìn)行直接求取梯度值，并以中指為分界線將手掌一分為二，分別對(duì)手掌的兩邊進(jìn)行求取梯度值，將兩邊圖像中的每個(gè)坐標(biāo)點(diǎn)的梯度值依次比較，求取出梯度值最大的坐標(biāo)點(diǎn)，以確定目標(biāo)坐標(biāo)點(diǎn)。其代碼如下：[ax,ay]=gradient(b);g1=sqrt(ax2+ay2);由于在整個(gè)實(shí)驗(yàn)過程中，所受到的不可抗干擾因素太多，同時(shí)由于部分不同手掌部位的梯度值差別較小，致使經(jīng)過多次的實(shí)驗(yàn)探究，其所取得的結(jié)果與所要得到的目標(biāo)結(jié)果相差甚遠(yuǎn)。

2)為了使實(shí)驗(yàn)中得到的真實(shí)值與目標(biāo)值更為貼近，本文嘗試通過縮小找尋坐標(biāo)點(diǎn)的范圍以來降低實(shí)驗(yàn)過程中所受到的干擾，提高實(shí)驗(yàn)結(jié)果的準(zhǔn)確度。文中首先選用的是通過卷積求矩陣交集的方式來找尋出兩圖像的共同點(diǎn)，以來縮小目標(biāo)范圍。本文以a=[010,010,010]、b=[000,111,000]作為卷積核，分別求取出圖像的邊緣卷積result1、result2。其代碼如下：

Result1=imfilter(R2_2,a);Result2=imfilter(R2_2,b)

3)運(yùn)用c=intersect(result1,result2)；找出result1、result2兩矩陣的交集，C的結(jié)果值為0,1，由此可見用邊緣卷積找矩陣交集的方法確定坐標(biāo)點(diǎn)(x1，y1)、(x2，y2)對(duì)我們想要縮小找尋目標(biāo)范圍并沒有起到很大的作用效果，故該方法不可行。

3.4有效性分析

本文采用將滑動(dòng)窗口與梯度下降相混合的方法縮小目標(biāo)檢測(cè)范圍，為檢測(cè)該方法對(duì)于不同人體手掌部位的穴位識(shí)別的準(zhǔn)確度，分別對(duì)不同人體的手掌進(jìn)行了100次測(cè)試，結(jié)果顯示，通過該方法對(duì)不同手掌穴位定位準(zhǔn)確率可達(dá)到90%，未正確確定目標(biāo)點(diǎn)的坐標(biāo)點(diǎn)其誤差也很小。其誤差所產(chǎn)生的原因在于圖像從收集到圖像處理，參與計(jì)算整個(gè)過程中有可能會(huì)受到來自攝像機(jī)噪聲，光電子噪聲，椒噪聲等不可預(yù)測(cè)的圖像噪聲的干擾，使得計(jì)算機(jī)的計(jì)算結(jié)果會(huì)產(chǎn)生隨機(jī)誤差，表1為其中10次的抽樣數(shù)據(jù)，圖4為單個(gè)手掌與多個(gè)手掌分別進(jìn)行的抽樣數(shù)據(jù)的有效性分析。

圖4 有效性分析

表1 不同人體手掌圖像測(cè)試

3.5 對(duì)比分析

為了檢測(cè)該方法高效性，本文采用100個(gè)不同研究對(duì)象同時(shí)進(jìn)行測(cè)試，旨在比較人工識(shí)別與該方法識(shí)別所需時(shí)間的長(zhǎng)短以及其準(zhǔn)確度的高低。結(jié)果顯示，傳統(tǒng)的人工識(shí)別穴位所需花費(fèi)的時(shí)間遠(yuǎn)遠(yuǎn)超過計(jì)算機(jī)穴位的定位，但其定位穴位的準(zhǔn)確度并非遠(yuǎn)遠(yuǎn)高出計(jì)算機(jī)穴位定位的準(zhǔn)確度。并且隨著研究對(duì)象數(shù)量的不斷累加，計(jì)算機(jī)識(shí)別穴位的準(zhǔn)確度與人工識(shí)別的準(zhǔn)確度間的差距與其成反比，而計(jì)算機(jī)識(shí)別穴位所需時(shí)間與人工識(shí)別所需時(shí)間的差距與其成正比，由此可見計(jì)算機(jī)識(shí)別穴位的優(yōu)勢(shì)高于人工識(shí)別。如表2所示，為實(shí)驗(yàn)測(cè)試的數(shù)據(jù)結(jié)果，如圖5為人工識(shí)別與計(jì)算機(jī)識(shí)別對(duì)比分析。

表2 人工識(shí)別與計(jì)算機(jī)識(shí)別比較

圖5 人工識(shí)別與計(jì)算機(jī)識(shí)別對(duì)比分析

4 結(jié)論

圖像采集過程中最好采用白色背景，易于后期圖像與背景的分離，圖像在后期的處理過程中背景最好采用透明的，降低噪聲對(duì)圖像求取梯度值的微干擾，以提高求取圖像梯度值的準(zhǔn)確性。直接對(duì)手掌圖像的整體進(jìn)行操作縱然簡(jiǎn)單易行，但由于在識(shí)別過程中會(huì)受到各種不可避免的因素的干擾，梯度值之間的較小差距，同時(shí)由于梯度下降算法所能找到的不一定是整體最優(yōu)解，可能是局部的最優(yōu)解的特性，都將使計(jì)算機(jī)識(shí)別結(jié)果受到影響，使其識(shí)別的準(zhǔn)確度產(chǎn)生較大誤差，故為避免計(jì)算過程中所產(chǎn)生的不必要的干擾，增加計(jì)算機(jī)識(shí)別結(jié)果的準(zhǔn)確度，首先通過滑動(dòng)窗口縮小目標(biāo)范圍之后，再對(duì)目標(biāo)范圍內(nèi)的圖像進(jìn)行一系列的梯度處理，從而也進(jìn)一步提高了計(jì)算效率。本文通過將滑動(dòng)窗口與標(biāo)準(zhǔn)梯度算法混合的形式對(duì)人體穴位進(jìn)行識(shí)別定位，結(jié)果顯示，該方法能夠有效提高人體穴位定位的效率，明顯縮短人工識(shí)別穴位所需花費(fèi)的時(shí)間。該方法的實(shí)現(xiàn)可以證實(shí)計(jì)算機(jī)能夠很好的服務(wù)于中醫(yī)，以計(jì)算機(jī)為輔助發(fā)展中醫(yī)亦成為當(dāng)今社會(huì)中醫(yī)發(fā)展的趨勢(shì)之一。