本文是软件工程论文，本文的主要工作如下：针对舌体区域的分割环节，基于深度学习神经网络，对舌象图像进行舌体区域的分割，并根据舌象图像的特征，对传统的U-net网络的基本部件进行了改进，从而提出了一种基于改进U-net网络的舌体区域分割方法，实现对舌体区域的自动分割。在进行舌体区域分割之前，首先对舌象图像进行了归一化，是舌象图像的格式进行了统一。然后由于数据训练集数量不够，所以通过平移、旋转和缩放等操作进行了数据增强。其次根据舌象图像的特征，对U-net网络进行了改进，重新定义网络结构并对网络的各部分进行优化。最后将舌象图像输入到网络中进行训练，得到舌象图像的分割模型，实现对舌象图像中舌体区域的自动分割。同时，还和其他分割算法：阈值分割算法（基于HSV颜色空间的G通道）、基于幅值与快速步进分割算法以及基于超像素与密度聚类分割算法进行了对比，验证了本文算法的优越性。本文基于模式识别图像处理，同时结合机器学习及深度学习技术，针对目前存在的一些问题，进行了研究探讨，主要工作内容如下：（1）舌体区域的分割：这一工作内容的主要目的是从原始舌图像中将舌体区域分离出来，将一些具有干扰因素或者无用的图像背景去掉，比如牙齿、脸部、唇部等。舌体区域的分割是关键任务，这一步关系到后面的特征提取和疾病分类的准确度。
.....
第1章绪论
近年来，随着中华名族的复兴，中医作为中华文明的一个重要组成部分也开始活跃于各种疾病的治疗。但是仍然存在一些不足，中医的舌象诊断往往都是通过医生目测观察来进行判断，并且也是仅仅通过医生个人的诊断经验来对病人进行疾病的判定。这种诊断缺乏一定的客观性和定量性。而且当诊断的环境不同时，比如光线照射的角度，观察的角度都可能会出现诊断结果的失误。同样，当医生的临床经验和知识水平不同时，也会出现诊断结果的不同。所以通过一些其他学科的知识来使中医舌象诊断更加科学和准确成为了舌诊研究的一个重要方向。与此同时由于计算机技术的快速发展，计算机辅助诊断也成为了现在医学领域的一个热点方向。并且中医舌象诊断的弊端也为计算机辅助诊断创造了一个机会，通过计算机辅助诊断，中医舌象诊断就可以把医生经验主导的诊断模式转变成更加科学的，具有客观性和定量性的诊断模式。因此，利用人工智能算法来改进中医舌诊具有很大的研究意义。因此，本文首先采用多种不同的分割方法进行对比，然后利用深度学习的相关知识，提出了一种以U-net网络为基础的进行改进的舌体区域分割网络，最后得到较为准确的舌体区域。（2）对舌体区域的特征提取：在传统中医舌诊中，舌头分为舌质和舌苔两部分，医生是通过观察舌头的胖瘦、裂纹，舌苔的颜色，厚薄，舌质的颜色等一系列特征进行诊断。为此，本文设计了多种特征的不同融合策略对舌体区域的特征进行了组合，为后面的分类提供了实验方案。（3）对舌头进行诊断分类：首先本文采用了两种不同的分类器，支持向量机和随机森林。
......
第2章相关知识
2.1深度学习
舌体区域的分割就是通过一些分割算法将舌体区域从收集到的原始舌图像中分割出来，去除原始舌图像中某些具有干扰因素的背景，比如牙齿、嘴唇、脸部等。舌体区域的分割是进行舌诊现代化的重要步骤，也是后续步骤能够准确进行的重要前提。这个步骤的结果如果比较差，即使接下来的研究能够准确的进行，其结果仍然会比较差。所以作为舌诊现代化的第一个步骤，它的结果非常重要。舌体区域的分割最准确的就是通过人工来进行分割，但是通过人工的方式来进行分割是需要对工作中的人员进行培训，而且当需要分割的舌图像比较多的时候，那么需要很多的参与人员和大量的时间，成本比较高。所以，对通过计算机图像处理技术来实现舌体区域的自动分割展开了大力的研究。在本章中，结合前人的研究基础，对U-net分割网络进行改进，实现对舌体区域的自动且精准的分割.根据这两种算法的分类原理，结合特征选择算法对分类器进行训练，达到对疾病进行诊断分类的效果。本文希望能够通过上述方案的创新改进，能够更好的分割舌体区域，并能在众多的舌象特征中选出更具有关键信息的特征，推动中医舌诊的客观化和信息化。基于灰度游程矩阵的特征，基于灰度差分统计的特征，基于邻域灰度差分矩阵的特征和基于灰度区域尺寸矩阵的特征。针对舌象分类环节，首先将第四章提取的舌象特征划分为三个特征集用来进行特征集之间的实验对比。
CNN网络结构图
2.2特征提取和选择
在模式识别领域，特征提取是指从一组原始测量数据开始，将原始变量简化为更易于管理的属性的过程，简化后的属性值被称为特征值｜35］，该值仍能准确完整地描述原始数据集。在本文中，采用了基于多源特征提取策略来提取特征。其中包括了舌苔颜色特征、舌质颜色特征、裂纹特征、胖瘦特征、舌苔纹理特征、舌质纹理特征和舌体纹理特征。通过这些多源特征的融合来进行分类实验。RGB色彩空间是最常见的一种色彩空间。它是以红、绿、蓝三原色为基础，通过不同的融合方式来产生其他颜色。RGB色彩空间是用一个立方体来表示颜色的，其中原点位置放的是黑色，然后三原色分别是三个坐标轴。如下图2-4所示：本章首先介绍了深度学习中CNN网络框架和FCN网络框架以及基于FCN框架的U-net分割网络的相关知识理论，作为后续图像分割的理论基础。接着对特征提取和特征选择环节中需要用到的相关知识进行了介绍，在后续章节中会进行详细的描述。最后对本文所用的两种机器学习分类模型进行了简单介绍。在进行第一个实验将糖尿病患者和健康人群的三组特征集输入到基于mRMR特征选择算法的ＲＦ分类器中进行分类时，我们计算了嵌套CV外循环中100个训练集的特征选择过程中每个特征的频率。列出了通过mRMR特征选择算法选择的前10个特征，以及Spearman的秩相关系数（Rs）和从错误发现率校正中获得的ｐ值，如下表5-6所示。其中前6个特征被选中超过90次，表明它们都具有很强的判别能力。
第3章基于U-net网络的舌体区域分割...........................13
3.1引言.....................13
3.2图像预处理..............13
3.3基于U-net网络改进的模型..............14
第4章舌体区域的特征提取..............23
4.1引言..............23
4.2苔质分离..............23
第5章舌象分类..............43
5.1引言..............43
5.2分类模型的选取与改进..............43
......
第5章舌象分类
5.1引言
在前两个章节，本文通过对U-net网络的改进实现了舌体区域的分割，同时利用一系列的特征提取算法将舌象分类所需的舌体区域的特征进行了提取。前两个章节的工作为本章节的实验进行提供了良好的基础，本章节通过对分类模型的改进，结合前两章的工作结果，对舌象进行分类，实现舌象基于疾病的分类识别。通过上述实验结果的描述，可以看出糖尿病患者和健康人群之间的舌象分类明显优于两种中医胃病症状（脾胃虚弱和肝胃不和）之间的舌象分类。主要的原因可能是因为中医的诊断方法。首先糖尿病和胃病的诊断是通过标准化的诊断途径获得的。但是，肝胃不和症状和脾胃虚弱症状的诊断是中医医生根据自己的经验来得到的，可能缺乏一定的客观性导致误诊。此外，尽管肝胃不和与脾胃虚弱是两种不同的中医症状，但它们又都是在胃病患者的基础上通过中医诊断得到的，因此，针对这两种症状所提取的舌体特征之间的差异性并不如糖尿病患者与健康人群之间的特征差异性明显。因此，导致了这样一个结果。在本文中提取的特征包括经典的中医舌体特征（颜色特征、裂纹特征和胖瘦特征）和纹理特征。在这十个特征中，中医特征仅包括一个裂纹特征和三个颜色特征，突出了颜色特征信息在舌诊中的相对重要性，同时实验结果也表明了舌质颜色特征和舌苔颜色特征作为中医舌象诊断标准的重要性。
RGB色彩空间
5.2分类模型的选取与改进
在第二章时本文介绍了mRMR特征选择算法和基于SVM-RFE的特征选择算法。由于嵌入式的SVM-RFE算法需要与SVM分类器相结合，所以基于SVM-RFE的特征选择算法用于LinearSVM分类器，而mRMR特征选择算法综合考虑了特征之间的冗余性及其与特征标签之间的相关性，所以本文将其用于随机森林ＲＦ分类器。这两种特征选择算法的算法原理见本文的第二章第二小节。在特征提取环节一共提取了包括颜色特征，纹理特征在内的5种特征，为了比较不同特征的性能，本文将这几种特征划分为以下三组：特征集（1）包含舌苔颜色特征、舌质颜色特征、裂纹特征和胖瘦特征；特征集（2）包含舌苔颜色特征、舌质颜色特征、裂纹特征、胖瘦特征和舌体区域的纹理特征；特征集（3）包含舌苔颜色特征、舌质颜色特征、裂纹特征、胖瘦特征、舌苔纹理特征和舌质纹理特征。同时在舌象分类中，本文又有两种对比实验。分别是（1）糖尿病患者舌象和健康人群舌象的分类识别；（2）在胃病患者中，被中医诊断为脾胃虚弱的患者舌象和被诊断为肝胃不和的患者舌象之间的分类识别。在我们比较三个不同的特征集时，仅包含中医舌体特征的特征集（1）的分类性能低于包含纹理特征的特征集（2）和特征集（3）的分类性能。同时，在包含舌体纹理特征的特征集（2）的性能又低于包含舌苔纹理特征和舌质纹理特征的特征集（3）的性能。这表明舌体的纹理特征可以用来补偿人类视觉的局限性。实际上，分别提取舌苔和舌质的纹理特征也符合中医舌象诊断的方法。在排名前10位的特征中，纹理特征占一半，这表明在中医舌象诊断方法中增加舌体的纹理特征会提供重要信息，以帮助中医医生更好的诊断疾病。
....
第6章总结与展望
中医诊断主要是”望闻问切“这四种手段，其中舌诊是”望诊“中的一个重要环节。舌诊通过观察舌质，舌苔的形态，颜色等来进行诊断，是一种有效且无创的诊断方法。然而，在诊断过程存在一定的主观性，因此，需要客观指标来辅助提高舌诊的准确性。随着计算机科学技术的发展，通过一些图像处理技术可以提供客观、定量的数据信息。对于舌图像的分析处理主要分为舌分割、提取特征、舌象分类三个部分。先利用分割算法从原始舌图像中获得准确的舌体图像，然后在特征提取环节根据中医诊断方法提取所需要的中医舌象特征，最后通过提取的这些特征用来对舌图像进行分类，从而为医生的诊断提供辅助的信息。在提取颜色特征之前，由于舌苔、舌质的区别，必须要先进行舌苔舌质的分离工作，实现对舌苔舌质的自动分离。然后利用颜色矩来对RGB色彩空间中的三个通道，HSV色彩空间中的三个通道以及CffiLaB色彩空间中的三个通道进行颜色特征的提取。在提取裂纹特征之前，首先要对舌象图像进行舌中部位的手动划分，然后利用OTSU算法对裂纹区域进行分离，最后通过区域一致性和区域对比度来量化裂纹特征。在提取胖瘦特征之前，要先通过基于拉普拉斯算子的边缘检测算法得到舌体的轮廓，然后利用四次多项式函数进行曲线拟合，最后利用四次多项式函数的系数来代表胖瘦特征。纹理特征是基于影像组学的一种图像灰度特征，本文提取六类灰度纹理特征：包括基于灰度直方图的特征，基于灰度共生矩阵的特征，同时选取了糖尿病患者舌象和健康人群舌象，以及胃病患者的两种中医证型（脾胃虚弱和肝胃不和）舌象，这两组数据集进行舌象的分类诊断。最后还采用了两种分类模型，分别是基于mRMR特征选择算法的RF分类模型和基于SVM-RFE特征选择算法的LinearSVM分类模型。最后通过实验对比，得到基于mRMR特征选择算法的RF分类模型的分类结果比较优异，以及舌象各个特征的有效性。
参考文献（略）
