[发明专利]一种基于人工智能的舌诊图像识别方法

权利要求书

1.一种基于人工智能的舌诊图像识别方法，其特征在于，步骤如下：

步骤(1)、获取相同数量的九种体质病人的舌诊图像各X张，作为图像数据集；并获取相应的流调数据，作为流调参数数据集；利用边缘检测算法对舌诊图像进行处理，对舌诊图像进行分割，得到舌体部分；然后计算舌体部分的平均RGB值M₁、舌体部分的平均HSV值N₁、舌体部分的面积S₁、舌体部分的宽度K₁和长度L₁：

所述的九种体质包括：气虚，阴虚，阳虚，痰湿，湿热，气郁，血瘀，特禀质和平和质；

步骤(2)、再对舌体部分使用区域分割算法，分割出舌苔部分，计算舌苔部分的平均RGB值M₂、舌苔部分的平均HSV值N₂、舌苔部分的面积S₂、舌苔部分的宽度K₂、舌苔部分的长度L₂以及舌苔面积占舌体面积的比例P：

步骤(3)、对舌体部分先采用最大类间方差法粗提取舌体点刺部分，然后使用分水岭算法精细提取到舌体点刺部分，然后利用OpenCV计算出：

(1)点刺的数量，记为N₁；

(2)点刺部分的面积，记为S_d；

(3)点刺的平均面积，记为

步骤(4)、利用深度学习方法以及迁移学习方法，提取舌体中齿痕部分，计算：

(1)齿痕的数量，记为N₂；

(2)齿痕部分的面积，记为S_c；

(3)齿痕的平均面积，记为

步骤(5)、利用深度学习方法以及迁移学习方法，提取舌体中裂纹部分，计算：

(1)裂纹的数量，记为N₃；

(2)裂纹部分的面积，记为S_l；

(3)裂纹的平均面积，记为

步骤(6)、获得5个流调数据参数，分别是：

(1)年龄：age；

(2)身高：height；

(3)体重：weight；

(4)BMI值：BMI；

(5)性别：sex；

步骤(7)、通过得到的参数构建超图；

步骤(8)、训练超图神经网络，并使用训练好的超图神经网络对新病人进行舌象识别；

构建好超图之后，开始搭建超图神经网络，并用构建好的超图训练该超图神经网络；

在使用阶段，先获取新病人的流调数据参数以及舌诊图像，对舌诊图像进行特征提取，获取特征参数；然后随机选取步骤(7)中已构建好的一个超图，用新病人作为顶点取代该超图中的一个顶点，并重新构建新的超图；新的超图将作为训练好的超图神经模型的输入，根据模型的输出，能够得出该病人属于哪种体质。

2.根据权利要求1所述的一种基于人工智能的舌诊图像识别方法，其特征在于，步骤(1)、具体方法如下：

利用OpenCV计算舌体图像中的每个像素点的RGB值，最后求平均值，得到舌体部分的平均RGB值M₁；

利用matlab，根据每个像素点的RGB值计算得到HSV值，最后求平均值，得到舌体部分的平均HSV值N₁；

利用OpenCV计算舌体部分的面积S₁；

计算舌体部分的宽度K₁；

计算舌体部分的长度L₁。

3.根据权利要求1所述的一种基于人工智能的舌诊图像识别方法，其特征在于，步骤(2)具体方法如下：

利用OpenCV计算舌苔图像中的每个像素点的RGB值，最后求平均值，得到舌苔部分的平均RGB值M₂；

利用matlab，根据舌苔图像中每个像素点的RGB值计算得到HSV值，最后求平均值，得到舌苔部分的平均HSV值N₂；

利用OpenCV计算舌苔部分的面积S₂；

计算舌苔部分的宽度K₂；

计算舌苔部分的长度L₂；

计算舌苔面积占舌体面积的比例

4.根据权利要求1或2说3所述的一种基于人工智能的舌诊图像识别方法，其特征在于，步骤(7)具体方法如下：

超图包括两部分：顶点和超边；每个顶点表示一个对象，超边的构建是将具有同一个属性的样本归到同一条超边里；每次从九种体质病人中各随机选取x(xX)例，则超图的顶点为9x个；接着利用步骤(1)至步骤(6)获得的参数来建立超边；不同的参数使用的方法也有所区别；对于二分类参数，对应地建立相应类别超边；对于数值参数，以每个顶点为中心，使用KNN算法，令K个与该中心顶点最近的顶点和中心顶点处于一条超边上；

重复上述操作，获取Z张超图，Z大于设定阈值。