基于学的面向手机应用的舌像快速检测分割方法

摘要

本发明公开了基于学的面向手机应用的舌像快速检测分割方法，其包括以下步骤：S1.手机端检测，其包括：S11.建立手机端Adaboost级联分类器，S12.提取舌像候选区域，S13.检测含舌像候选区域图像；S2.服务器端检测，其包括：S21.建立服务器端Adaboost级联分类器，S22.图像检测，S3.服务器端分割；其包括：S31.超像素分割，S32.计算概率图像，S33.概率图像分割。本发明在手机端检测与服务器端检测均基于学的Adaboost级联分类器，能够实时精确检测出图像中的舌象，分采用适于手机图像的超像素分割准确分割出舌像。

主权项

基于学习的面向手机应用的舌像快速检测分割方法，其特征在于，包括以下步骤：S1.手机端检测，其包括：S11.建立手机端Adaboost级联分类器：采用预置数量张含舌像图像作为正样本和预置数量张不含舌像的背景图像作为负样本，分别提取正样本和负样本的纹理特征，采用Adaboost机器将提取的纹理特征进行学习训练，获得手机端Adaboost级联分类器；S12.提取舌像候选区域：将待检测图像输入手机端Adaboost级联分类器进行分类检测，获得含舌像候选区域的图像；S13.将含舌像候选区域的图像转换为RGB图像，计算其颜色直方图，根据颜色直方图判断每个像素及其周围区域与舌像颜色的相似度，再计算舌像候选区域的平均颜色相似度，选取平均相似度不低于阈值的图像作为手机端检测出含舌像的图像；手机端将其检测出的含舌像图像上传至服务器端作为服务器端的待检测图像；S2.服务器端检测，其包括：S21.建立服务器端Adaboost级联分类器：采用预置数量张含舌像图像作为正样本和预置数量张不含舌像的背景图像作为负样本，将正样本与负样本归一化并分别计算其HOG特征，再放入SVM模型中训练，获得服务器端Adaboost级联分类器；S22.图像检测：将从手机端上传至服务器端的待检测图像输入服务器端Adaboost级联分类器，排除不含舌像的图像，得到待分割图像；S3.服务器端分割，其包括：S31.将待分割图像进行超像素分割，得到超像素块a₁，a₂，……a_n‑1，a_n，获取每个超像素块的直方图特征V_i，将所有超像素块的直方图特征集合成一个矩阵M，采用K‑means聚类算法将M聚为600类的词典；S32.计算每个直方图特征与600类词典之间的欧式最小距离，经过归一化后获得每个像素块的属于舌像类的概率，获得概率图像；S33.采用Graph Cuts算法在概率图像上分割出舌像。