品牌网站建设方案ppt,建设网站简单的需要多少天,网页代码怎么调出来,免费播放电视剧的app有哪些返回至系列文章导航博客
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#xff0c;。胖大舌“舌色淡白#xff0c;舌体胖嫩#xff0c;比正常舌大而厚#xff0c;甚至充满口腔”#xff0c;主脾肾阳虚#xff0c;气化失常。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-squareSSR/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 npdef contour_to(in_pathrresult\blend.png, out_pathrresult\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.shapeheight 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 0w_all 0for w in range (0,width-1):(b1,g1,r1) img_before_array[h,w](b2,g2,r2) img_before_array[h,w1]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, w1] (255,255,255)lis.append((h,w1))outcome_wire.append((h,w1))else:passif len(lis) 0:passelse: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 wire4.2 outline_cut.py
import numpy as np
from PIL import Imagedef outline_cut(outcome_wire):截取轮廓下1/4像素点save outcome_wirepool []for i in outcome_wire:pool.append(i[0])pool.sort()judge pool[int(1 (float(len(pool)) - 1) * 1 / 4)]del_data 0for i in range(len(outcome_wire)):if outcome_wire[i][0] judge:del_data ielse:passdel save[0:del_data]height 256width 256dst 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(rresult\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 PolynomialFeaturesdef linger(wire):a1, a2 zip(*wire)x list(a2)y list(map(lambda i: i * -1, a1))datasets_X xdatasets_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_Ynp.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。Xnp.arange(minX,maxX).reshape([-1,1])#degree4表示建立datasets_X的四次多项式特征X_poly。poly_reg PolynomialFeatures(degree4)X_ploy poly_reg.fit_transform(datasets_X)lin_reg_2linear_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,colorred)plt.plot(X,lin_reg_2.predict(poly_reg.fit_transform(X)),colorblue)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
