一种改进snake模型的中医舌体分割方法

孙晓琳，庞春颖

（长春理工大学 生命科学技术学院，长春 130022）

舌诊是中医“望、闻、问、切”四诊中的重要内容之一。它通过观察舌象了解人体生理功能和病理变化，据此辨证论治［1］。长期的临床实践证明，舌象变化犹如人体内脏的一面镜子。举凡脏腑虚实、气血盛衰、津液盈亏、病性寒热及病位深浅、病势预后，均能客观的从舌象上反应出来。但长期以来，舌诊都是偏重于医生个人的临床实践，依靠医生的目视观察，根据临床经验进行判断分析，没有统一的标准去衡量其所描述的症状，存在颜色分辨率低、主观依赖性强等不利因素，不利于中医治疗技术的发展。近年来，随着科学技术的发展，很多学者已经对舌诊客观化做了深入的研究［2，3］，从而证实了基于图像处理技术等对舌象进行分析的技术［4］，具有非常重要的现实意义。

基于舌象分析的舌诊处理过程是通过特殊的图像采集设备将舌象进行采集，其中包括数码相机和相应的标准光源。虽然通过此设备可以获得最大的舌体原始图像，但由于被检测者的情况各有不同，因此采集出的数字化彩色舌图像仍然包括非舌体部分，如面部、唇、牙齿等背景区。因此，舌体区域的分割成为舌象分析的第一步并且其分割效果直接影响到病理分析的准确性。

目前，传统的分割方法有很多，诸如阈值分割法、区域生长法、分裂合并法、分水岭变换法、聚类分割法、形态运算法等。但这些方法或先验知识在进行舌体轮廓提取时均存在缺陷，不能改善舌体图像与嘴唇的错分现象。目前采用snake模型进行分割的方法被广泛应用。但基本Snake模型在实际应用中仍存在两个难题：1.对初始轮廓线的位置敏感，初始轮廓线必须完全包含且靠近目标区域；2.对目标存在的凹角的地方不能收敛。为克服这两个难题，本文采用色彩空间模型的转换，确定边缘轮廓线，最后应用改进的snake模型进行边缘收敛，从而得到了舌体提取的理想效果。

1 确定初始轮廓线

为了得到理想的初始轮廓线，根据舌体的特殊性，利用舌体的先验知识，采取颜色空间模型转换的方法得到舌体的初始轮廓线。

HSV颜色模型是一种适合人眼视觉的颜色模型，它把彩色信号表示为色调（Hue）、饱和度（Saturation）和亮度（Value）三种属性，与人类对颜色的感知更为接近。而舌体表面有一层对外界光线有很强反射特性的水膜，使得舌象中舌体部分的亮度值通常比较高，因此从舌体亮度信息较为突出的角度出发，并根据HSV的特性，将HSV色彩空间作为舌体分割的依据，预处理原始的舌体图像，从而得到舌体初始轮廓线。

图1 H、V分量二值化

将RGB颜色模型转化为HSV颜色模型，提取H，S，V三个分量，然后分别对H分量与V分量进行图像二值化，我们发现H分量能很好地显现出舌尖及舌体两侧的轮廓（图1（a）），而V分量恰好能很好的凸显出舌根处的轮廓（图1（b）），因此我们将两个经过二值化处理后的分量进行融合（图2（a））。图像2（a）有嘴唇部分，对其图像进行小面积区域删除运算，得到图2（b）。由于舌体区域存在若干小孔洞以及边缘处有离散的噪声点，故对其图像进行中值滤波，得到图2（c）。为了消除边缘的小缺口，对图2（c）进行形态学运算，先闭后开，如图2（d）所示。最后得到舌象轮廓初始化图，如图3所示。

图2 轮廓提取步骤

图3 舌体轮廓初始化结果

2 原始的snake模型

Snake模型称为动态轮廓模型［5］（Active Contour Model），是Kass［6］于1987年提出的。其基本思想是根据图像信息进行曲线或曲面演化，利用闭合曲线或曲面形变的特定规律，定义度量闭合曲线或曲面形变的能量函数，然后通过最小能量函数使曲线或曲面逐渐逼近图像中目标物体的边缘。

原始的snake模型就是找到一条连续的封闭变形曲线：v（s）=（x（s），y（s）），其中s∈［0，1］为曲线参数，定义一个能量函数：

其中：Eint为曲线自有的内部能量，Eext为外部能量。Eint定义如下：

其中：vs(s)是曲线v(s)对弧长s的一阶导数，根据弹性系数α(s)的改变，控制曲线的张力；vss(s)是曲线v(s)对弧长s的二阶导数，根据刚性系数β(s)的改变，控制曲线的变形程度。

外部能量Eext是由图像作用力产生的能量Eimage和外部局限作用力产生的能量Econ组成，一般情况下Econ缺省值为0，因此函数定义如下：

其中：Gσ(x,y)为方差σ的二维高斯函数；∇为梯度算子。

因此，为了使公式（1）能量达到最小化，使用欧拉—拉格朗日方程进行求解，得到函数需满足的方程：

上述能量最小化方程还可以视为力的平衡方程：

其中：Fint表示snake模型受到的内作用力，主要是保持曲线的平滑性和收缩性；Fext表示外作用力，它控制模型可变曲线朝着真实的目标轮廓移动［7］。最终当内外力之和为零达到平衡状态时候，snake轮廓曲线在真实的目标轮廓上停止移动，完成目标轮廓的提取。但此方法在完成能量最小化的过程中，能量函数存在多个局部极小值，导致不能保证snake轮廓曲线收敛到全局极值。

3 snake模型优化

根据舌象初始化的轮廓，确定n个控制点。vi代表第i个控制点，那么，各个控制点的能量函数可以写为：

根据上式，分别计算轮廓线上第i个控制点的总能量与该控制点八邻域中每一点的总能，若Esnake(vi)大于八个邻域点中任意一点的总能，那么最小总能的邻域点将替代该控制点；相反，控制点不变。以此类推，顺序计算第i+1控制点的总能，并与周围八邻域点总能做比较，从而判断此控制点是否应该发生改变直到轮廓上确定的每一个控制点都计算完毕。此时，若轮廓不再发生任何变化，则计算结束，此次迭代结果即为所求的舌体区域新的轮廓；相反，以新轮廓作为初始轮廓，继续重复以上步骤，直至轮廓不再发生改变。最终舌体提取结果，如图4所示。

图4 最终舌体提取结果

4 结论

舌体提取的准确性直接影响着中医舌诊系统和进一步的特征提取的准确性。本文运用一种转换颜色空间和优化的snake模型的方法来实现对舌图像的分割，首先根据RGB空间到HSV空间的转换原理［8］，将舌采集图像在HSV空间进行分量提取并作二值化处理，通过中值滤波及形态学运算处理，得到舌体的初始化轮廓线，然后采用snake模型最小能量函数对得到的初始化轮廓线进行边缘修正。实验证明了该改进的算法具有鲁棒性，适用于舌体图像轮廓的分割。

［1］朱文峰.中医诊断学［M］.上海：上海科学技术出版社，1982：35-49.

［2］沈兰荪，王爱民，卫保国，等.图像分析技术在舌诊客观化中的应用［J］.电子学报，2001，29（12）：1762-1765.

［3］王爱民.用于舌诊客观化的图像分析技术的研究［D］.北京：北京工业大学，2001.

［4］Chiu Chuang-Chien.A novel approach based on computerized image analysis for traditional Chinese medical diagnosis of the tongue［J］.Computer Methods and Programs in Biomedicine，2000，61（2）：77-89.

［5］Xu C Y，Prince J L.Snakes，and gradient vector flow［J］.IEEE Transactions on Image Processing，1998，7（3）：359-369.

［6］Kass M，Witkin A，Terzopoulos D.Snakes：Active Contour Models［J］.International Journal of Computer Vision，1988，1（4）：321-331.

［7］侯志强，韩崇昭.基于力场分析的主动轮廓模型［J］.计算机学报，2004，27（6）：743-749.

［8］刘刚，王立香，董延.MATLAB数字图像处理［M］.北京：机械工业出版社，2010：157-163.