基于弱边界增强结构森林的舌苔图像分割

杨玉成 张乾

摘要：针对结构森林分割医学图像存在弱边界的问题，提出了一种弱边界增强结构森林的舌苔图像分割方法。充分利用舌苔图像RGB颜色空间的G值对图像进行分割，在RGB颜色空间中采用线性插值算法对G进行增强，同时将图像转换为灰度图来提高舌苔与其周边皮肤的对比度，突显弱边界信息，并将其均衡化处理，进一步增强图像对比度。采用自适应算法对图像进行缩放使舌苔的弱边界得到再次增强，使用结构森林算法对增强后的舌苔图像进行分割。通过在国际公开数据集TongeImage Dataset-master舌苔图像上进行实验，表明能有效提高图像的分割质量。

关键词：图像分割；结构森林；舌苔图像；图像增强

中图分类号：TP391.4文献标志码：A文章编号：1008-1739（2019）08-58-3

0引言

图像分割是计算机视觉、数字图像处理、模式识别及人工智能等领域的重要研究内容。图像分割是指从图像中提取感兴趣的区域，该区域既可以是单个区域，也可以是多个区域的集合。近年来，图像分割被广泛应用于公共安全、无人驾驶、生物医疗以及医学图像处理等领域。其中，基于图像分割的医学图像处理受到广大学者的关注并成为医学界的研究热点。在医学图像处理中，舌苔图像处理与分析是重要问题之一。随着人们对医疗健康关注度的不断提高，通过舌苔图像分析实现计算机辅助医学诊断是近年来生物信息学、计算机处理及模式识别研究领域中的新问题。

1医学图像分割

在数字图像处理和生物信息学中积淀了多种经典的图像分割算法，有基于阈值分割和边缘检测的传统图像分割方法，以及基于图像轮廓的活动轮廓法和结构森林分割方法，值得关注的是机器学习中的深度学习也可以用于研究图像分割。

过去主流的图像分割方法有3个。①阈值分割方法：利用目标和背景的灰度差，通过先验知识选择最优阈值作为目标和背景的区分准则，最终实现对图像的分割。阈值分割法被广泛应用于生物医学领域，Chen等[1]将阈值分割方法与SVM相结合对医学图像进行分割。②边缘检测法：利用图像中相邻区域的像元信息差异来确定边界点，然后把各边界点连接得到区域轮廓。傅之成等[2]通过径向边缘检测与Snake模型结合对舌苔图像进行分割。③区域生长法：利用图像中同一区域内点的相似性，在每个区域内分别选取种子点，把与种子点性质相同或相似的点聚合在一个区域。舒添慧等[3]将区域生长算法用于CT图像的分割，该方法具有较高的分割效率。

本文充分借鉴结构森林在图像分割中取得的优秀成果[4]，结合舌苔图像的特性提出基于弱边界增强结构森林的舌苔图像分割方法。

2结构森林

随机森林由多棵相互独立的决策树组合而成，结构森林在随机森林的基础上将其扩展为结构化的输出空间，再将结构化的输出空间映射至低维空间，得到维度较低的特征，再利用主成分分析法进行二次降维。

决策树对数据集进行分类的过程实际是一个连续递归的过程，由一个分割函数构成，表达式为：

结构化的输出空间维度较高，为了降低计算成本、提高运算速度，需要对其进行降维处理，即将其映射至一个离散的低维空间。建立一个临时空间，将结构化的标签映射至空间，从而达到降维的目的。再次建立一个临时空间，将映射至，使用主成分分析法对进行降维，过程可简单归纳为：→→，最后用主成分分析法对进行降维。

3弱边界的增强

结构森林算法由Dollár和Zitnick在文献[4]中提出，并且具有较高的分割精度，随后又在文献[5]中对算法进行了部分改进。结构森林支持并行运算、分割速度与树的深度成正比、分类速度快、效果好。因此本文使用结构森林作为分类器对舌苔图像进行分割。

通过对舌苔图像的分析发现舌苔图像存在弱边界的原因：

①舌苔中间区域存在一层水膜对光线反射性较强，该区域具有较高的亮度，因此，该区域边界轮廓线比真实边界轮廓线清晰。

②舌苔颜色与周边皮肤颜色相似，在对舌苔图像进行分割时高亮度的水膜区域边界易被误检测为舌苔边界，而真实边界易被遗漏导致分割区域不完整以及分割信息缺失，由于舌苔颜色与周边皮肤颜色相似，所以在进行边缘检测时易被遗漏。

针对舌苔与周围皮肤存在弱边界导致结构森林分割效果不佳的问题，通过分析RGB图像的，，值，发现值具有较强的区分性，由此提出增强值的方法。本文使用值增强公式增强舌苔图像的值来提高舌苔图像的对比度并将图像转换为灰度图，使弱边界信息得到凸显。直方图均衡化方法是指将图像像素值均匀化，增强图像对比度使图像在视觉上更加清晰，所以本文将灰度图像素均衡化，使舌苔弱边界更加清晰。由于非重建性缩放会造成图像像元损失并且不能实现任意倍数的缩放，而重建性算法能够最大程度保持图像的完整性，本文选择使用重建性算法中的双线性插值法对增强后的舌苔图像进行缩放处理，进一步增強舌苔弱边界清晰度，使用结构森林对预处理后的舌苔图像进行分割。增强舌苔图像的对比度使舌苔图像弱边界得到明显增强，提高了结构森林的分割精度。

3.1图像值的增强

图1为舌苔图像的，，分量的灰度直方图，通过对RGB图像的，，值的直方图进行对比发现，舌苔与周边皮肤的值几乎一致，但是它们的值存在较大差异，这也是舌苔在视觉上颜色比皮肤红的原因。舌苔图像与周边皮肤的，，值存在相关性，主要有以下3种情况：①舌苔表面的值比值大，或者等于值，而周边皮肤的值大于值；②舌苔上的值小于周边皮肤的值；③在舌苔和皮肤图像中，值均大于，值[6]。

用’代替原图像的值并将图像转换为灰度图，增强舌苔与周围皮肤的对比度，凸显弱边界信息，再使用直方图均衡化方法将新的舌苔图像均衡化，使舌苔弱边界在视觉上更加清晰，图像对比度得到进一步增强。如图2所示，其中图2（a）为原图像，图2（b）为增强值并均衡化后的舌苔图像，增强后的图像对比度比原图像更高，轮廓更加清晰。

3.2图像的缩放

图像缩放的物理方法有2种：①直接改变图像的物理尺寸将其放大或缩小；②图像物理尺寸保持不变，将图像的维度降低。

图像的缩放又可分为重建性缩放和非重建性缩放，非重建性缩放不能实现任意倍数的缩放，只能实现整数倍数的缩放，而重建性缩放可以实现任意倍数的缩放，并且可以最大限度地保持图像信息的完整性。因此，本文选用重建性缩放法即双线性插值法，对图像进行缩放处理。

3.3图像分割流程

基于弱边界增强结构森林的舌苔图像分割流程如图3所示。

4实验结果与分析

本文在实验中所使用的图像数据集为TongeImage Dataset-master，其像素均为768*576。直接使用结构森林算法对舌苔图像进行分割会有部分轮廓信息的缺失，所以在使用结构森林对舌苔图像进行分割时，首先对图像进行预处理：①用本文提出的方法增强舌苔图像的值并将图像转换为灰度图；②将增强后的图像缩放为原来的0.5倍。

如图4所示，使用本文提出的弱边界增强方法，舌苔图像边界得到明显的增强，用结构森林分割未增强的舌苔图像有部分轮廓信息缺失，而用增强结构森林对增强后的舌苔图像进行分割，可得到完整的舌苔轮廓。

5结束语

参考文献

[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，李晓强，李福凤.基于径向边缘检测和Snake模型的舌像分割[J].中國图象图形学报，2009，14（4）： 688-693.

[3]舒添慧，胥布工，胡战虎.基于区域生长法的医学图像分割[J].微计算机信息，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]李文书.医学图像处理中若干关键技术研究[D].上海：上海交通大学，2010.

[7]王森，杨克俭.基于双线性插值的图像缩放算法的研究与实现[J].自动化技术与应用，2008（7）：44-45，35.