基于CS-BP神经网络的舌诊图像颜色校正算法

赵晓梅 张正平 余颖聪 袁刚 刘兆邦

摘要：针对开放环境下舌诊图像采集过程中存在颜色偏差问题，文章提出基于CS（布谷鸟搜索）-BP的舌象颜色校正算法，利用布谷鸟的巢寄生性以及levy飞行机制优化BP神经网络。为了与其他颜色校正算法作对比，文章选择了多项式回归。为了研究不同拍摄环境对颜色校正结果的影响，分别在不同时刻下的室内、室外、白炽灯拍摄环境下，采集带有24色色卡的舌象并应用三种算法对其颜色校正得出结果进行对比分析，采用CIElab色差值指标对这三种算法进行评价，实验结果表明，与多项式回归和BP神经网络算法相比，CS-BP算法的校正效果得到明显提高。

关键词：舌诊图像：布谷鸟搜索;颜色校正：BP神经网络;多项式回归

中图分类号：TP391文献标识码：A

舌诊是指中医通过观察舌质和舌苔的形态、色泽、润燥等特征来判断人体疾病重要的方法。传统的中医诊断往往受医生的经验影响而得不到关于舌头精确的信息。如今随着互联网技术的迅速发展以及数字图像处理技术算法的成熟，用计算机辅助舌诊分析成为一大优势。计算机舌诊包括舌象的颜色校正、分割、特征提取、分类等步骤。由于人体舌象的采集过程中因拍摄环境、角度以及拍摄设备等因素造成舌象颜色与真实颜色存在一定的偏差，这将会影响计算机舌诊后续步骤的准确性。由此可见，舌象的颜色校正对计算机舌诊算法研究至关重要。

目前常见舌象的颜色校正方法分为监督学习算法和无监督学习算法。其中监督学习算法是指在拍摄图像的现场，放了标准颜色色块的监督色板，以这些色块在标准光照和非标准光照下颜色进行学习，求出颜色转换关系。例如文献提出了基于多项式回归、偏最小二乘回归和感兴趣色域的舌象颜色校正算法，文献比较了人工神经网络、支持向量回归以及多项式回归这三种算法的准确性，同样的研究团队在文献提出一个优化的舌象颜色校正方案以及时隔三年开发了一台用于计算机舌象分析的高质量彩色成像系统。近几年，陆续有人在原来的算法进行改进对舌象进行颜色校正，例如ZHOU等人提出了SA（模拟退火）-GA（遗传算法）-BP的颜色校正算法和KPSR（核偏最小二乘回归）的颜色校正算法。然而上述算法都只在固定的场景中进行的，不具普适性。无监督学习算法是指不需要监督色板，通过色彩假设而得到色彩之间的映射关系。例如文献中提出了一种在自然环境中采用改进的灰度世界和完美反射相结合的颜色校正算法对舌象进行处理，该算法无法定性地评价校正效果的优劣。

随着智能手机的普及和移动端摄像技术的提升，采用手机在开放环境中进行舌象采集并通过互联网在线分析诊断成为新型的研究方向，而且基于移动互联网的人工智能在线舌诊诊断算法的研究，对于我国两千多年中医舌诊技术的传承和发展有莫大的作用。在文献中提到用SVM（支持向量机）分类器估计方法去预测智能手机所拍舌象的颜色校正矩阵，该方法虽准确率高，但实现过程复杂且执行效率较低。本文在前人的研究基础上针对中医舌诊拍摄环境的局限性，在不同场景中通过智能手机采集舌象，采用标准24色色卡作为金标准，然后提出一种基于CS（布谷鸟搜索算法）-BP的舌象颜色校正算法，通过布谷鸟算法对BP神经网络进行优化，经过实验对比分析校正前后色差值指标，本文算法颜色校正效果要优于传统多项式回归和BP神经网络算法。

1颜色校正算法

2.2结果分析

因场景、时间等因素导致光照强度不同，进而导致舌象的颜色存在一定的失真，故本文在室内、室外、白炽灯三种场景下分别采了早上9点，中午12点，下午2点，下午5点的数据进行对比分析，各采10例，校正前和校正后的色差值进行了平均处理。校正色卡为麦克贝斯色卡，采集设备为小米5s，性能参数为后置摄像头1200万像素，分辨率：1920*1080像素。采用多项式回归、BP网络、CS-BP网络校正的结果比较如下：

从图1、图2中可清晰地看到，室外校正前的色差值相比于室内波动大，原因在于室外所拍摄的图像受天气影响变化大，用三种算法对场景中的色卡进行了颜色校正，从图1-3中，多项式回归和BP神经网络对其校正后色差值受校正前的色差值的影响，波动较大，并且BP神经网络依赖于初始值以及易收敛于局部最优，每次训练后得到的参数变化较大，导致舌象校正后的结果不一致。因此这两种算法都不利于后期中医舌诊的研究，而本文算法CS-BP对其校正后的色差值保持在9上下，波动范围较小，不受光照强度、环境等因素的影响，且解决了BP网络遇到的两大问题，比较适合后续舌诊进一步研究，也由此说明了CS-BP优于多项式回归和BP神经网络。

对场景中的色卡进行校正并得到对应的颜色校正模型，将此用于舌象的颜色校正中，校正结果如图4-7。

图4和图5是室内舌象颜色校正的情况，主观上来看，由于图像受智能手机参数的影响，原图整体偏亮，经多项式回归校正后，颜色有一定的改善，但从色卡的白块可看出，校正效果并没有得到多大提高：用BP神经网络进行校正后，结果在多项式回归的基础之上有所提高，用CS优化BP之后，解决了在BP神经网络中遇到的问题并且校正结果有一定的改进，这与图1中的结果相吻合。

图6和图7是室外舌象颜色校正的情况，可以看到，因室外不同时间的温度变化大，会出现偏色情况，如图7a，因那时正接近黄昏，所以原图颜色偏黄，经三种算法校正后，都很大程度上修正了原图的颜色。多项式回归，BP神经网络以及本文方法校正效果依次递进，虽说从表面上看不出 BP神经网络与本文方法的优劣，但我们可以从图6c和图6d的色卡可看出，BP网络校正后出现模糊，而本文算法避免了这一缺陷，且校正结果更佳，这与图2的结果相符。

由于在拍摄过程中，拍摄角度与被拍摄者的细微动作变化将会导致在相同光照下拍摄的两幅舌象之间仍存在一定的色差，所以本文在实验中分别在相同时间内的室内、室外和白炽灯三种场景下共拍摄了9幅图像，每个场景3幅图像，经三种算法校正后，将色差值取均值得到表1.从表中可看出，多项式回归校正结果最差且因拍摄角度、拍摄设备等因素影响而导致色差值波动较大，而BP神经网络和本文算法得到的结果相对稳定，如表中的室内室外两种场景下的色差值对比情况。

4 结语

本文提出了一種基于CS-BP网络的舌象颜色校正算法，通过与多项式回归和BP神经网络两种方法进行实验对比，证实了本文算法的有效性。

因色卡的样本量以及开放环境不确定因素的影响，本文三种算法的校正结果有所局限，无法达到标准封闭环境下的校正结果，故如若像文献中取与舌色相近的颜色定制色卡进行训练，校正结果会更佳。但本文在有限的实验条件下，研究了舌象在三种不同场景下舌象的颜色校正，对于未来互联网应用中医舌诊技术的推广，仍具有较高的实用性和研究价值。