舌体胖瘦的自动分析-曲线拟合-或许是最简单判断舌形的方案(六)

简介: 舌体胖瘦的自动分析-曲线拟合-或许是最简单判断舌形的方案(六)

1 简介


在中医智能舌诊项目中需要舌体胖瘦的自动分析


舌体胖瘦是中医诊断中重要的观察依据,。胖大舌“舌色淡白,舌体胖嫩,比正常舌大而厚,甚至充满口腔”,主脾肾阳虚,气化失常,水湿内停。舌体比正常舌瘦小而薄,称为“瘦薄舌”,主气血两虚和阴血不足。中医一般通过与正常舌比较来判断舌的胖瘦。但由于年龄、性别、区域的差异,正常舌本身就没有一个大小标准,给舌体胖瘦的自动定量分析造成困难。并且由于用户上传的图像比例差异比较大,这使得舌形判断难上加难。


在进行舌体胖瘦判断应有两个前提:


(1)用户上传的舌象图片已经被分割完成;

(2)舌体处于“垂直状态”;

这两个步骤的处理方案已在之前的文章中有所介绍:

【python-Unet】计算机视觉 舌象舌头图片分割 机器学习(三)

【python】计算机视觉~舌象图片中舌体倾斜判别(四)


下面我们来详细讲解如何让计算机智能判别用户上传的舌象胖瘦!


2 原理讲解——多项式曲线拟合


2.1 舌体曲线拟合参数与形状的关系


通过对舌体轮廓进行曲线拟合,可以用较少的参数表示舌体轮廓。对舌前部轮廓采用4次多项式拟合


发现曲线拟合参数与曲线形状的尖锐与圆钝有以下关系:

(1)由于舌体接近对称,因此奇次项系数一般相对较小,对舌体形状的影响较小,而常数项根本不影响曲线的形状。

(2)舌体的总体形状趋势取决于其最高项——四次项,在其他各项系数相同的情况下,四次项系数越大,曲线越尖锐;越小,曲线越圆钝。

(3)尖锐和圆钝的程度不但与四次项和二次项的符号关系有关,还与两个系数的绝对值关系有关。二次项与四次项系数绝对值之比越大,曲线的尖锐与圆钝越显著。



2.2 胖瘦指数定义


通过上述函数图像的特点总结胖瘦指数。

胖瘦指数与四次项系数绝对值成反比,并且与二次项系数和四次项系数的符号关系和绝对值之比有关。胖瘦指数越大,舌体越胖。根据胖瘦特征已知的舌图像样本确定分级标准,可以将舌体描述为“胖”、“不胖不瘦”、“瘦”3种类型。

其中a4为四次项系数,a2为二次项系数。


3 具体实现过程


首先是要将舌象图片进行舌体分割(参照【python-Unet】计算机视觉 舌象舌头图片分割 机器学习(三))


舌体胖瘦分析的主要的对象是中下舌位,上舌位会影响分析的准确性,因此取舌体轮廓标记点的下0.75舌位。示意图如下图所示:


对下0.75舌位标记像素点进行舌体轮廓的多项式曲线拟合。由于分析的是曲线的“胖瘦”,因此多项式曲线的奇数次项影响较小,且项数较大较好。权衡模型的运行效率,中e诊采用4次项多项式曲线拟合。进行多张图片拟合的确定系数(R-square=SSR/SST)为0.82~0.95,说明4次多项式曲线拟合效果较好。舌体轮廓4次多项式拟合示意图如下:

将得到4次多项式拟合曲线系数代入如下公式,计算胖瘦指数。通过胖瘦指数来判断用户舌体的胖瘦。


其中a4为四次项系数,a2为二次项系数。

胖瘦值数越大说明舌体越宽大,胖瘦指数越小说明舌体越瘦小;胖瘦指数位于4.3-7.8范围内是正常舌,小于4.3是瘦小舌,大于7.8是肥大舌。

注:这里的数据可能准确度并不高,应当在大量样本数据验证后得出结论,需要后面继续验证!


4 代码实现


注:此后的代码是在已经分割好舌象以及舌体倾斜判断后,其中代码参照前文!


4.1 contour_to.py

from PIL import Image
import numpy as np
def contour_to(in_path=r"result\blend.png", out_path=r"result\inline.png"):
    """
    将分隔好的图像数据进行描点
    in_path为绿底+原图图片
    put_path为黑底+白点图片
    返回对称轴坐标以及轮廓坐标
    """
    img_before = Image.open(in_path)
    img_before_array = np.array(img_before)  #把图像转成数组格式img = np.asarray(image)
    shape_before = img_before_array.shape
    height = shape_before[0]
    width = shape_before[1]
    dst = np.zeros((height,width,3))
    wire = []
    axle_wire = []
    outcome_wire = []
    for h in range(0,height):
        lis = []
        h_all = 0
        w_all = 0
        for w in range (0,width-1):
            (b1,g1,r1) = img_before_array[h,w]
            (b2,g2,r2) = img_before_array[h,w+1]
            if (b1, g1, r1) == (1,204,182) and (b2,g2,r2) != (1,204,182): 
                dst[h, w] = (255,255,255)
                lis.append((h,w))
                outcome_wire.append((h,w))
            elif (b1, g1, r1) != (1,204,182) and (b2,g2,r2) == (1,204,182):
                dst[h, w+1] = (255,255,255)
                lis.append((h,w+1))
                outcome_wire.append((h,w+1))
            else:
                pass
        if len(lis) == 0:
            pass
        else:
            for i in lis:
                h_all += i[0]
                w_all += i[1]
            h_avg = h_all//len(lis)
            w_avg = w_all//len(lis)
            dst[h_avg, w_avg] = (255,255,255)
            axle_wire.append((h_avg, w_avg))
    img2 = Image.fromarray(np.uint8(dst))
    img2.save(out_path,"png")
    wire.append(axle_wire)
    wire.append(outcome_wire)
    return wire

4.2 outline_cut.py

import numpy as np 
from PIL import Image
def outline_cut(outcome_wire):
    """
    截取轮廓下1/4像素点
    """
    save = outcome_wire
    pool = []
    for i in outcome_wire:
        pool.append(i[0])
    pool.sort()
    judge = pool[int(1 + (float(len(pool)) - 1) * 1 / 4)]
    del_data = 0
    for i in range(len(outcome_wire)):
        if outcome_wire[i][0] < judge:
            del_data = i
        else:
            pass
    del save[0:del_data]
    height = 256
    width = 256
    dst = np.zeros((height,width,3))
    for i in outcome_wire:
        h = i[0]
        w = i[1]
        dst[h,w] = (255,255,255)
    img2 = Image.fromarray(np.uint8(dst))
    img2.save(r"result\0.5cuted.png","png")
    return save

4.3 linger.py

import matplotlib.pyplot as plt
import numpy as np
from sklearn import  linear_model
#导入线性模型和多项式特征构造模块
from sklearn.preprocessing import  PolynomialFeatures
def linger(wire):
    a1, a2 = zip(*wire)
    x = list(a2)
    y = list(map(lambda i: i * -1, a1))
    datasets_X = x
    datasets_Y = y
    #求得datasets_X的长度,即为数据的总数。
    length =len(datasets_X)
    #将datasets_X转化为数组, 并变为二维,以符合线性回 归拟合函数输入参数要求
    datasets_X= np.array(datasets_X).reshape([length,1])
    #将datasets_Y转化为数组
    datasets_Y=np.array(datasets_Y)
    minX =min(datasets_X)
    maxX =max(datasets_X)
    #以数据datasets_X的最大值和最小值为范围,建立等差数列,方便后续画图。
    X=np.arange(minX,maxX).reshape([-1,1])
    #degree=4表示建立datasets_X的四次多项式特征X_poly。
    poly_reg =PolynomialFeatures(degree=4)
    X_ploy =poly_reg.fit_transform(datasets_X)
    lin_reg_2=linear_model.LinearRegression()
    lin_reg_2.fit(X_ploy,datasets_Y)
    #查看回归方程系数
    #print('Cofficients:',lin_reg_2.coef_)
    #查看回归方程截距
    #print('intercept',lin_reg_2.intercept_)
    plt.scatter(datasets_X,datasets_Y,color='red')
    plt.plot(X,lin_reg_2.predict(poly_reg.fit_transform(X)),color='blue')
    plt.xlabel('x')
    plt.ylabel('y')
    plt.show()
    return lin_reg_2.coef_


4.4 调用总函数


coefficient = linger.linger(contour_to.outline_cut(contour_to()[1]))
print(coefficient)

后根据coefficient中的多项式系数代入如下公式判断舌体胖瘦:


舌体判别算法至此结束

总的来讲就是:
step1:舌象图片自适应调节
step2:舌体分割
step3:舌体倾斜判断
step4:曲线拟合判断舌形

相关文章
|
11月前
|
人工智能 JavaScript 前端开发
深度解构:当 AI 滤镜撞上“指尖”墙——为什么大厂玩不转高精度 AR 试戴?
本文深入剖析虚拟美甲与美瞳背后的AR技术壁垒,从“贴图”到物理级渲染,揭示PBR材质、高精度追踪与菲涅尔效应的实现原理,并通过Perfect Corp V2 API代码实战,展现如何构建真实感试戴体验。
572 0
|
缓存 资源调度 内存技术
yarn报错文件名、目录名或卷标语法不正确
yarn报错文件名、目录名或卷标语法不正确
1029 0
|
监控 Java Shell
基于python+uiautomator2,2020.12月最新库的使用方法,更新watcher使用方法(三)
WatchContext,目前的这个watch_context是用threading启动的,每2s检查一次 目前还只有click这一种触发操作
2188 0
|
9月前
|
弹性计算 关系型数据库 网络安全
阿里云低价长效特惠活动解读:云服务器配置、价格、限购条件与云产品组合套餐介绍
阿里云ECS“99计划”推出低价长效特惠云服务器,包括经济型e实例(99元/年)和通用算力型u1实例(199元/年),满足个人及企业用户需求。活动提供多种配置选择,新老用户均可享受优惠,且支持续费。此外,用户还可选择加购弹性数据库、高效存储等套餐,并享受数据安全保障及镜像市场等增值服务,助力用户长期享受低价高品质的云服务。
1546 2
|
10月前
|
机器学习/深度学习 人工智能 自然语言处理
AI切文章就像切西瓜:递归字符分割让机器懂你心
你有没有试过给ChatGPT发一篇超长文章,结果它说'太长了,看不完'?就像让人一口吃下整个西瓜一样不现实!递归字符分割技术就像一个贴心的切瓜师傅,知道在哪里下刀才不会破坏瓜的甜美。掌握这项技术,让你的AI应用从'消化不良'变成'营养吸收专家'。#人工智能 #文本处理 #自然语言处理 #机器学习
634 4
|
人工智能 自然语言处理 算法
基于DeepSeek的具身智能高校实训解决方案——从DeepSeek+机器人到通用具身智能
本实训方案围绕「多模态输入 -> 感知与理解 -> 行动执行 -> 反馈学习」的闭环过程展开。通过多模态数据的融合(包括听觉、视觉、触觉等),并结合DeepSeek模型和深度学习算法,方案实现了对自然语言指令的理解、物体识别和抓取、路径规划以及任务执行的完整流程。
2212 12
|
11月前
|
Java 数据库连接 微服务
Java高效学习指南:从入门到精通的科学路径与实践方法
本文系统梳理Java从入门到精通的科学学习路径,涵盖基础语法、面向对象、集合框架、并发编程、JVM原理、主流框架(Spring/Spring Boot/MyBatis)及项目实战,结合高效学习方法与优质资源推荐,助力开发者构建扎实技术体系,少走弯路,快速进阶。
|
11月前
|
人工智能 开发框架 小程序
“体重管理年”AI运动应用开发解决方案推荐
为响应国家“体重管理年”号召,单位可借助AI运动识别技术,通过小程序或APP开展职工健身管理。支持日常锻炼记录、线上打卡、竞赛比拼等场景,实现运动自动计数、数据可视化与榜单激励。利用“AI运动识别插件”,可快速开发定制系统;也可选用成熟SaaS平台,低成本高效落地,助力全民健康行动。
|
人工智能 算法 搜索推荐
算法备案全流程攻略:保姆级教程
在AI热潮下,算法成为互联网服务的核心驱动力,但也带来了大数据杀熟、算法歧视等问题。为规范行业发展,算法备案制度应运而生。该制度涵盖网站、APP等多种产品形式,要求企业在2个月内完成备案,依据《互联网信息服务算法推荐管理规定》等法规。未备案企业可能面临无法上线、罚款甚至刑罚的后果。备案流程包括注册、主体备案、信息填报及审核,确保算法合规运营。通过悬挂备案号、标识AI生成内容和定期自查,企业需持续维护算法安全与合规。
|
开发者
华为手机如何进行ADB调试
华为手机如何进行ADB调试
2258 0

热门文章

最新文章