基于直方图巴氏距离的舌色分类

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于直方图巴氏距离的舌色分类范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：目的：利用计算机实现对正常舌与异常舌的自动分类。方法：利用彩色舌图像R通道的直方图巴氏距离，计算出正常舌标准图像，并利用该标准图像计算各舌图像的直方图巴氏距离，最后通过最小距离分类器实现对正常舌与异常舌的自动分类。结论：该方法可以准确地实现正常舌与异常舌的自动分类。

关键词：舌诊；舌色分类；巴氏距离

引言

舌色是舌诊中最重要的特征，在舌图像分析过程中，颜色特征提供了大量有价值的诊断信息，这些信息揭示了人体内部器官的失调情况甚至是病理变化[1]。在过去的几年中，舌色分析和诊断分类技术已经取得了一定的进展，但舌色分析和分类至今为止仍没有确定出一个统一的诊断标准，舌色分类界限模糊[2]。

针对以上问题，提出了基于直方图巴氏距离的正常舌标准图像选取的方法，并利用舌图像的R通道分量直方图的巴氏距离作为最小距离分类器的模式向量描述子，通过最小距离分类器对正常舌、异常舌进行分类研究。

1 方法

1.1 巴氏距离（Bhattacharyya Distance）

巴氏距离由印度统计研究所的Bhattacharyya A.[3]于十九世纪三十年代提出，为了纪念这位伟大的统计学家，人们把它命名为巴氏距离。在统计学中，巴氏距离常被用于对两个离散或连续的概率分布进行相似性度量。

巴氏系数的计算式为：

（1）

1.2 最小距离分类器

最小距离分类器通过计算每个模式类的平均向量，然后求出两个模式类平均向量之间的垂线或垂面或超垂面，作为分类决策边界，从而进行分类[4]。

类？棕i和？棕j类之间的最小距离分类器决策边界 可以由式（15）得出：

（2）

1.3 基于巴氏直方图距离与最小距离分类器的舌色分类

本节根据snake算法，计算出的舌体边缘轮廓，把轮廓以外的区域设为黑色（R=0，G=0，B=0），从而只对分割出来的舌体进行舌色的分类。分类算法实现步骤如下：

（1）彩色图像通道选择：取分割后彩色舌图像的R通道分量作为分类对象；（2）计算舌体区域总像素数n；（3）计算舌体区域各灰度级的所出现的像素个数；（4）计算归一化直方图：根据n和 计算出归一化直方图；（5）正常舌标准图像的选取：取训练样本中的正常舌图像，两两计算出其巴氏距离，然后选取出的最大距离，并把此时的两幅图像标记为O1、O2，再分别对每幅正常舌图像与O1、O2的巴氏距离求积，选取取得最大积值的图像作为标准图像；（6）舌色分类：计算训练样本中的舌图像与标准正常舌图像的巴氏距离均值，作为最小分类器的模式向量描绘子，并利用最小距离分类器对舌色进行分类。

2 结果与讨论

实验采用黄苔舌、淡紫舌、红舌三种常见的异常舌色与正常舌色进行分类。图1（a）所示为基于巴氏距离的最小距离分类器训练及分类结果示意图。其中y=1的绿色圆圈为两幅正常舌图像与利用选取出来的标准舌图像之间的巴氏距离，其均值由黑色圆圈标示；y=2的蓝绿色星号“*”表示黄苔舌图像与标准舌图像之间的巴氏距离，黑色星号为其均值；y=3的红色菱形表示淡紫舌与标准舌图像之间的巴氏距离，黑色菱形为其均值；y=4的蓝色五角星为红舌与标准舌图像之间的巴氏距离，黑色五角星为其均值；y=1的品红色三角符号表示训练样本中所有异常舌象巴氏距离的均值；红色垂线为利用巴氏直方图距离作为最小距离分类器的描述子得出的分类决策边界。

采用以上决策边界对舌色测试样本进行实验的结果如图3所示。测试样本包括5幅正常舌色图像、6幅黄苔舌色图像、4幅淡紫舌图像、2幅红舌图像。图中的标记的意义与训练过程的一致。从该实验结果图可以清晰地看出，基于巴氏距离的最小距离分类器可以正确地对正常舌色与异常舌色进行分类。

3 结束语

文章提出了一种正常舌标准图像选取的方法，并采用基于巴氏直方图距离与最小距离分类器的方法对舌色分类进行了初步研究。首先，将彩色舌图像的舌体区域提取出来，只针对舌体区域进行舌色分类；然后，计算出舌体区域的R通道分量直方图，以用于正常舌标准图像的获取以及巴氏距离的计算；其后，利用5节提出的正常舌标准图像获取方法，取得标准舌图像，用于计算巴氏距离；最后，计算标准正常舌图像与异常舌图像之间的巴氏距离，作为最小距离分类器的模式向量描述子，并通过最小距离分类器对正常舌色与异常舌色进行舌色分类。实验结果表明，这种方法较准确地实现了正常舌与异常舌的分类。

参考文献

[1]Kirschbaum B. Atlas of Chinese tongue diagnosis [M]. Eastland Press： 2000.

[2]Wang X，Zhang B，Yang Z，Wang H，et，al. Statistical Analysis of Tongue Images for Feature Extraction and Diagnostics [J]. IEEE TRANSACTIONS ON IMAGE PROCESSING. 2013，22（12）： 5336-5347，.

[3]Bhattacharyya A. On a measure of divergence between two multinomial populations [J]. Sankhyā： The Indian Journal of Statistics. 1946： 401-406.

[4]Gonzalez R，Woods R. Digital image processing，2nd[M].SL： Prentice Hall2002.