分类器训练方法、图像分析方法、装置、设备及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种分类器训练方法、图像分析方法、装置、设备及存储介质。
技术背景
2.舌诊是中医学中“望诊”的主要内容之一，是最具有中医特色的传统诊断方式，在中医的诊疗过程中具有重要参考价值。应用图像处理技术，建立舌诊信息的客观化，量化识别方法对于实现中医舌诊的客观化和现代化具有重要意义。但这类产品通常都需要在特定的环境下通过仪器自带的摄像头对舌头图像进行采集。
3.在舌头图像的采集过程中，由于环境客观因素、设备自带摄像头性能、用户拍摄方式等影响，可能会对所采集的舌头图像产生一定干扰。而质量较差的舌头图像，由于图像过于模糊，会损失很多图像信息，对后续的图像处理和分析，以及对舌色、舌苔等指标的量化分析造成一定的影响，影响分析的准确性。


技术实现要素：

4.本技术的实施例提供了一种分类器训练方法、图像分析方法、装置、设备和存储介质，旨在实现清晰舌头图像和模糊舌头图像的分类，提高舌诊的准确性。
5.第一方面，本技术提供一种分类器训练方法，用于舌头图像分类器的训练，所述分类器训练方法包括以下步骤：
6.获取训练样本集，所述训练样本集包括第一训练样本集和第二训练样本集，所述第一训练样本集包括第一预设数量的清晰舌头图像，所述第二训练样本集包括第二预设数量的模糊舌头图像；
7.分别对所述清晰舌头图像和所述模糊舌头图像进行图像预处理，得到第一图像和第二图像，所述第一图像的像素遵循高斯分布，所述第二图像的像素不遵循高斯分布；
8.计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集；
9.基于支持向量机对所述训练数据集进行训练，得到舌头图像分类器。
10.在一种可能的实施方式中，所述训练数据集包括第一训练数据集和第二训练数据集，所述计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，包括：
11.计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到第一训练数据集；
12.调整所述第一图像的像素和所述第二图像的像素均为第一像素后计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到第二训练数据集。
13.在一种可能的实施方式中，在对所述清晰舌头图像和所述模糊舌头图像进行图像
预处理之前，还包括：
14.通过舌头分割模型获取所述清晰舌头图像的舌头轮廓和所述模糊舌头图像的舌头轮廓；
15.分别截取所述清晰舌头图像的舌头轮廓的内接矩形和所述模糊舌头图像的舌头轮廓的内接矩形，得到第三图像和第四图像。
16.在一种可能的实施方式中，在分别截取所述清晰舌头图像的舌头轮廓的内接矩形和所述模糊舌头图像的舌头轮廓的内接矩形之后，还包括：
17.调整所述第三图像的像素为第二像素，使所述第二像素适配所述清晰舌头图像的采集场景；
18.调整所述第四图像的像素为第三像素，使所述第三像素适配所述模糊舌头图像的采集场景。
19.在一种可能的实施方式中，所述第二像素的宽为468像素，所述第二像素的宽高比与第四像素的宽高比一致，所述第四像素为所述第三图像的像素；
20.所述第三像素的宽为468像素，所述第三像素的宽高比与第五像素的宽高比一致，所述第五像素为所述第四图像的像素。
21.在一种可能的实施方式中，所述计算所述第一图像和所述第二图像的运动模糊参数包括：
22.构建不同运动方向的变换矩阵；
23.利用所述不同运动方向的变换矩阵构建不同运动方向的运动模糊核矩阵；
24.利用所述运动模糊核矩阵分别对所述清晰舌头图像和所述模糊舌头图像进行卷积，得到所述不同运动方向的第一运动模糊舌头图像和第二运动模糊舌头图像；
25.计算所述不同运动方向的结构相似性参数ssim1和ssim2，所述ssim1为所述清晰舌头图像与所述第一运动模糊舌头图像的结构相似性参数，所述ssim2为所述模糊舌头图像与所述第二运动模糊舌头图像的结构相似性参数；
26.选取所述不同运动方向计算得到的ssim1的最小值和ssim2的最小值分别作为所述第一图像的运动模糊参数和所述第二图像的运动模糊参数。
27.第二方面，本技术还提供一种图像分析方法，用于对清晰舌头图像和模糊舌头图像进行分类，所述图像分析方法包括：
28.获取待诊断的舌头图像；
29.将所述待诊断的舌头图像输入舌头图像分类器进行分析，确定所述待诊断的舌头图像的类别，其中，所述舌头图像分类器由基于权利要求1至6任一项所述的分类器训练方法训练得到。
30.第三方面，本技术还提供一种分类器训练装置，用于舌头图像分类器的训练，所述分类器训练装置包括：
31.获取模块，用于获取训练样本集；
32.处理模块，用于对所述清晰舌头图像和所述模糊舌头图像进行图像预处理，得到第一图像和第二图像；
33.计算模块，计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集。
34.训练模块，用于基于支持向量机对所述训练数据集进行训练，得到舌头图像分类器。
35.第四方面，本技术还提供一种计算机设备，所述计算机设备包括处理器、存储器以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的任一项分类器训练方法和如上所述的图像分析方法。
36.第四方面，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被所述处理器执行时，实现如上所述的任一项分类器训练方法和如上所述的图像分析方法。
37.本技术实施例公开了分类器训练方法、图像分析方法、装置、设备和存储介质，其中，该分类器训练方法首先通过对清晰舌头图像和模糊舌头图像进行预处理，得到第一图像和第二图形，使所述第一图像的像素遵循高斯分布，所述第二图像的像素不遵循高斯分布，然后计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集，最后基于支持向量机对所述训练数据集进行训练，得到舌头图像分类器。采用本技术的分类器训练方法得到的舌头图像分类器能够实现清晰舌头图像和模糊舌头图像的分类，从而提高舌诊的准确率。
附图说明
38.为了更清楚地说明本技术实施例处理方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本技术实施例提供的分类器训练方法的流程示意图；
40.图2为本技术实施例提供的分类器训练装置的示意性框图；
41.图3为本技术实施例提供的又一分类器训练装置的示意性框图；
42.图4为本技术实施例提供的再一分类器训练装置的示意性框图；
43.图5为本技术实施例提供的再一分类器训练装置的示意性框图；
44.图6为本技术实施例提供的图像分析装置的示意性框图；
45.图7为本技术实施例提供的计算机设备的结构示意图。
具体实施方式
46.下面将结合本技术实施例中的附图，对本技术实施例中的处理方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
47.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
48.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
49.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
50.本技术实施例提供一种分类器训练方法、图像分析方法、装置、设备和存储介质。其中，该分类器训练方法和图像分析方法可应用于电子设备，所述电子设备包括但不限于服务器、智能手机、平板电脑、台式计算机、车载电脑、智能电视机和可穿戴设备等。
51.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述实施例及实施例中的特征可以相互结合。
52.请参阅图1，图1为本技术实施例提供的分类器训练方法的流程示意图。
53.如图1所述，该分类器训练方法包括步骤s100至步骤s400。
54.步骤s100、获取训练样本集，所述训练样本集包括第一训练样本集和第二训练样本集，所述第一训练样本集包括第一预设数量的清晰舌头图像，所述第二训练样本集包括第二预设数量的模糊舌头图像。
55.其中，所述第一样本集和所述第二样本集是通过人工筛选的方式将大量的舌头图像进行清晰舌头图像和模糊舌头图像的分类得到。
56.步骤s200、分别对所述清晰舌头图像和所述模糊舌头图像进行图像预处理，得到第一图像和第二图像，所述第一图像的像素遵循高斯分布，所述第二图像的像素不遵循高斯分布。
57.可以理解地，在步骤s200中对所述第一样本集中的所有清晰舌头图像进行预处理得到第一预设数量的所述第一图像，对所述第二样本集中的所有模糊舌头图像进行预处理得到第二预设数量的所述第二图像，所述第一图像的像素遵循高斯分布是指任意一个所述第一图像的像素都遵循高斯分布，所述第二图像的像素不遵循高斯分布是指任意一个所述第二图像的像素都不遵循高斯分布。
58.具体地，分别对所述清晰舌头图像和所述模糊舌头图像进行预处理得到第一图像和第二图像，包括步骤s210至步骤s220。
59.步骤s210、分别对所述清晰舌头图像和所述模糊舌头图像进行灰度处理，得到第五图像和第六图像。
60.可以理解地，在步骤s210中对所述第一样本集中的所有清晰舌头图像进行灰度处理得到第一预设数量的所述第五图像，对所述第二样本集中的所有模糊舌头图像进行灰度处理得到第二预设数量的所述第六图像。
61.步骤s220、分别对所述第五图像和所述第六图像用公式(1)进行均值对比度归一化(英文简称：mscn)处理，得到所述第一图像和所述第二图像。
[0062][0063]
其中，i,j是像素坐标，i∈1，2，3，
…
，n，j∈1，2，3，
…
，m；m，n分别是图像的长和宽；
[0064]
c＝1防止分母为零；
[0065]
i(i,j)是原始图像；
[0066]
是均值对比度归一化后的图像，即mscn图像；
[0067]
μ(i,j)为对i(i,j)的像素进行高斯滤波后的结果，通过公式(2)计算得到；
[0068][0069]
σ(i,j)为i(i,j)的像素的标准差，通过公式(3)计算得到：
[0070][0071]
其中，w为高斯卷积核。
[0072]
可以理解地，在本技术中i(i,j)为所述第五图像或所述第六图像，在步骤s220中，对所述第五图像进行mscn处理，得到所述第一图像，对所述第六图像进行mscn处理，得到所述第二图像，所述第一图像和所述第二图像均为mscn图像。
[0073]
在一些实施方式中，在步骤s200之前还包括步骤s10至步骤s20。以该实施方式进一步提高舌头图像分类器对清晰舌头图像和模糊舌头图像分类的准确性。
[0074]
步骤s10、通过舌头分割模型获取所述清晰舌头图像的舌头轮廓和所述模糊舌头图像的舌头轮廓。
[0075]
可以理解地，由于在采集舌头图像的同时可能会拍摄到嘴唇、牙齿、脸、衣服佩饰等，从而造成采集到的舌头图像的纹理较多，这些纹理会对舌头图像模糊度的判断造成很大的影响，从而造成舌头图像分类器对清晰舌头图像和模糊舌头图像的分类不准确。为解决这一问题，可以在步骤s200之前采用舌头分割模型获取所述清晰舌头图像的舌头轮廓和所述模糊舌头图像的舌头轮廓。
[0076]
步骤s20、分别截取所述清晰舌头图像的舌头轮廓的内接矩形和所述模糊舌头图像的舌头轮廓的内接矩形，得到第三图像和第四图像。
[0077]
可以理解地，在步骤s20中截取所述清晰舌头图像的舌头轮廓的内接矩形得到所述第三图像，截取所述模糊舌头图像的舌头轮廓的内接矩形得到所述第四图像。
[0078]
在一些实施方式中，在步骤s20之后，还包括步骤s30。以该实施方式进一步提高舌头图像分类器对清晰舌头图像和模糊舌头图像分类的准确性。
[0079]
步骤s30、调整所述第三图像的像素为第二像素，使所述第二像素适配所述清晰舌头图像的采集设备，并调整所述第四图像的像素为第三像素，使所述第三像素适配所述模糊舌头图像的采集设备。
[0080]
需要说明的是，对舌头图像进行采集的设备可以为任意具有摄像图的电子设备，例如手机、平板电脑、笔记本电脑和台式电脑等。
[0081]
可以理解地，由于经过了步骤s10至步骤s30的处理，可能会造成所述第三图像的像素和所述清晰舌头图像的像素不同，所述第四图像的像素与所述模糊舌头图像的像素不同，也就是所述第三图像的像素与所述清晰舌头图像的采集设备不匹配，所述第四图像的像素与所述模糊舌头图像的采集设备不匹配，从而造成舌头图像分类器对清晰舌头图像和模糊舌头图像的分类不准确。为解决这一问题，可以调整所述第三图像的像素为第二像素，使所述第二像素适配所述清晰舌头图像的采集设备，并调整所述第四图像的像素为第三像素，使所述第三像素适配所述模糊舌头图像的采集设备。
[0082]
由于在现实生活中，人们普遍使用的舌头图像采集设备为手机，因此，在一些实施
方式中，所述第二像素的宽为468像素，所述第二像素的宽高比与第四像素的宽高比一致，所述第四像素为所述第三图像的像素；所述第三像素的宽为468像素，所述第三像素的宽高比与第五像素的宽高比一致，所述第五像素为所述第四图像的像素。以该实施方式使所述第二像素和所述第三像素适配手机。
[0083]
可以理解地，采用公式(4)可计算出该实施方式中所述第二像素的高或所述第三像素的高。
[0084][0085]
其中，为所述第四像素的宽高比或所述第五像素的宽高比，h
resize
为所述第二像素或所述第三像素的高。
[0086]
步骤s300、计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集。
[0087]
需要说明的是，本技术对所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数的计算顺序不做限定。
[0088]
所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数的具体计算方式如下：
[0089]
1、广义高斯分布参数的计算：
[0090]
广义高斯分布(英文简称：ggd)参数的定义为：
[0091][0092]
其中，
[0093][0094]
γ(
·
)为gamma函数：
[0095][0096]
ggd共包括α和σ两个参数，其中，参数α控制衰减速度，参数σ控制方差，计算α和σ的方法如下：
[0097]
a、计算均值和方差的估计值：
[0098][0099][0100]
的值即为σ的值；
[0101]
b、利用公式(10)计算绝对值的修正平均值的估计值：
[0102]
[0103]
c、设ρ(α)的估计值为
[0104][0105]
d、利用查找匹配的方法确定α，具体的方法为：
[0106]
给出候选的α，设定α的查找区间，如令α在0.2-10的区间内每隔0.001取值；
[0107]
利用公式(12)计算每一个α值对应的ρ(α)；
[0108][0109]
计算每一个ρ(α)值与估计值的距离，选取最小距离对应的α值，即为α的值。
[0110]
2、非对称广义高斯分布参数的计算：
[0111]
将经过mscn处理后的图像，分别朝左、右、左下和右下四个方向平移一个像素，并将平移得到的四个图像分别与mscn处理后的图像进行内积，得到如下四个图像矩阵h、v、d1、d2：
[0112][0113][0114][0115][0116]
可以理解地，所述mscn处理后的图像包括所述第一图像和所述第二图像。
[0117]
对所述h、v、d1、d2进行非对称广义高斯分布参数估计。
[0118]
非对称广义高斯分布(英文简称：aggd)参数的定义为：
[0119][0120]
其中，
[0121][0122]
aggd包括ν、σ
l
、σr和η三个参数，其中，参数ν控制分布的形状，σ
l
控制左边的扩散程度，σr控制右边的扩散程度，η为定义的特征参数，计算ν、σ
l
、σr和η的方法如下：
[0123]
a、计算σ
l
、σr的估计值：
[0124]
[0125][0126]
即为该图像aggd所对应的σ
l
、σr参数；
[0127]
b、计算γ的估计值：
[0128][0129]
c、计算r的估计值：
[0130][0131]
d、设ρ(α)的估计值为
[0132][0133]
e、利用查找匹配的方法确定ν，具体的方法为：
[0134]
给出候选的ν，设定ν的查找区间，如令ν在0.2-10的区间内每隔0.001取值；
[0135]
利用公式(20)计算每一个ν值对应的ρ(ν)；
[0136]
计算每一个ρ(ν)值与估计值的距离，选取最小距离对应的ν值，即为ν的值；
[0137][0138]
f、利用公式(21)计算参数η：
[0139][0140]
通过分别计算h、v、d1、d2的4个参数，共得到16个参数。
[0141]
3、运动模糊参数的计算：
[0142]
a、构建不同运动方向的变换矩阵；
[0143][0144]
其中，θ为不同的运动方向，优选地，θ分别取0
°
、15
°
、30
°
、45
°
、60
°
、75
°
、90
°
、105
°
、120
°
、135
°
、150
°
、165
°
；
[0145]
b、利用所述不同运动方向的变换矩阵构建不同运动方向的运动模糊核矩阵；
[0146]
具体地，首先生成12*12的单位矩阵，然后分别利用所述不同运动方向的变换矩阵m对所述单位矩阵进行仿射变换后进行归一化处理，得到所述不同运动方向的运动模糊核矩阵。
[0147]
c、利用所述运动模糊核矩阵分别对所述清晰舌头图像和所述模糊舌头图像进行
卷积，得到所述不同运动方向的第一运动模糊舌头图像和第二运动模糊舌头图像；
[0148]
可以理解地，对所述清晰舌头图像进行卷积得到所述第一模糊舌头图像，对所述模糊舌头图像进行卷积得到所述第二运动模糊图像。
[0149]
d、计算所述不同运动方向的结构相似性参数ssim1和ssim2，所述ssim1为所述清晰舌头图像与所述第一运动模糊舌头图像的结构相似性参数，所述ssim2为所述模糊舌头图像与所述第二运动模糊舌头图像的结构相似性参数；
[0150]
具体地，利用公式进行公式(23)计算所述ssim1和所述ssim2；
[0151][0152]
其中，μ
x
、分别是原始舌头输入区域的均值和方差，μy、分别是运动模糊舌头区域的均值和方差，σ
xy
为原始舌头输入区域和运动模糊舌头区域的协方差。c1为(0.01*2552，c2为(0.03*255)2；
[0153]
e、根据所述第一结构相似性参数和所述第二结构相似性参数，确定所述第一图像的运动模糊参数和所述第二图像的运动模糊参数。优选地，选取所述不同运动方向计算得到的所述第一结构相似性参数的第一最小值和所述第二结构相似性参数的第二最小值分别作为所述第一图像的运动模糊参数和所述第二图像的运动模糊参数。
[0154]
可以理解地，所述计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数是指计算每一个所述第一图像和每一个所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，也即每一个所述清晰舌头图像和每一个所述模糊舌头图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数。每个舌头图像(包括清晰舌头图像和模糊舌头图像)包括19个参数。
[0155]
在一些实施方式中，所述训练数据集包括第一训练数据集和第二训练数据集，所述计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，包括步骤s310至步骤s320。以该实施方式进一步提高舌头图像分类器对清晰舌头图像和模糊舌头图像分类的准确性
[0156]
步骤s310、计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到第一训练数据集。
[0157]
步骤s320、调整所述第一图像的像素和所述第二图像的像素均为第一像素后计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到第二训练数据集。优选地，所述第二像素为200*200像素。
[0158]
可以理解地，在该实施方式下每个舌头图像(包括清晰舌头图像和模糊舌头图像)包括38个参数，关于所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数的计算方法前文已有详细介绍，这里不再赘述。
[0159]
步骤s400、基于支持向量机对所述训练数据集进行训练，得到舌头图像分类器。
[0160]
可以理解地，所述训练数据集包括所述清晰舌头图片的所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数以及所述模糊舌头图片的所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数。基于支持向量机对所述训练数据集进行训练后得到的所述舌头图像分类器能够对清晰舌头图像和模糊舌头图像
进行分类。所述舌头图像分类器包括所述清晰舌头图像参数集和所述模糊舌头图像参数集。
[0161]
可以理解地，所述清晰舌头图像的参数集包括第一预设数量的所述清晰舌头图像的所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数，所述模糊舌头图像参数集包括第二预设数量的所述模糊舌头图像的所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数。
[0162]
本技术实施例还提供一种图像分析方法，用于对清晰舌头图像和模糊舌头图像进行分类，所述图像分析方法包括步骤s11至步骤s12。
[0163]
步骤s11、获取待诊断的舌头图像。
[0164]
步骤s12、将所述待诊断的舌头图像输入舌头图像分类器进行分析，确定所述待诊断的舌头图像的类别，其中，所述舌头图像分类器由基于上述所述的任一分类器训练方法训练得到。
[0165]
可以理解地，所述舌头图像的类别包括清晰舌头图像和模糊舌头图像。
[0166]
具体地，步骤s12包括步骤s121至步骤s122。
[0167]
步骤s121、计算所述待诊断的舌头图像的所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数。
[0168]
关于计算所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数的计算方式前文已有详细介绍，这里不再赘述。
[0169]
步骤s122、基于所述清晰舌头图像参数集和所述模糊舌头图像参数集确定所述待诊断的舌头图像的类别。
[0170]
可以理解地，若所述待诊断的舌头图像的所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数属于所述清晰舌头图像参数集，所述待诊断的舌头图像为清晰舌头图像，若所述待诊断的舌头图像的所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数属于所述模糊舌头图像参数集，所述待诊断的舌头图像为模糊舌头图像。
[0171]
请参阅图2，图2是本技术实施例提供的分类器训练装置100的示意性框图，分类器训练装置100用于舌头图像分类器的训练，如图2所述，分类器训练装置100包括获取模块110、处理模块120、计算模块130和训练模块140。
[0172]
获取模块110用于获取训练样本集；
[0173]
处理模块120用于对所述清晰舌头图像和所述模糊舌头图像进行图像预处理，得到第一图像和第二图像；
[0174]
计算模块130用于计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集。
[0175]
训练模块140用于基于支持向量机对所述训练数据集进行训练，得到舌头图像分类器。
[0176]
请参阅图3，图3为本技术实施例提供的又一分类器训练装置100的示意性框图，如图3所示，在一些实施方式中，分类器训练装置100还包括像素调整单元150。
[0177]
像素调整单元150用于调整所述第一图像的像素和所述第二图像的像素均为第一像素。
[0178]
像素调整单元还用于调整所述第三图像的像素为第二像素。
[0179]
像素调整单元还用于调整所述第四图像的像素为第三像素。
[0180]
请参阅图4，图4为本技术实施例提供的再一分类器训练装置100的示意性框图，如图4所示，在一些实施方式中，分类器训练装置100还包括获取模块160和截取模块170。
[0181]
获取模块160用于通过舌头分割模型获取所述清晰舌头图像的舌头轮廓和所述模糊舌头图像的舌头轮廓。
[0182]
截取模块170用于分别截取所述清晰舌头图像的舌头轮廓的内接矩形和所述模糊舌头图像的舌头轮廓的内接矩形，得到第三图像和第四图像。
[0183]
请参阅图5，图5为本技术实施例提供的再一分类器训练装置100的示意性框图，如图5所示，在一些实施方式中，计算模块130包括构建单元131、计算单元132和选取单元133。
[0184]
构建单元131用于构建不同运动方向的变换矩阵以及利用所述不同运动方向的变换矩阵构建不同运动方向的运动模糊核矩阵。
[0185]
计算单元132用于利用所述运动模糊核矩阵分别对所述清晰舌头图像和所述模糊舌头图像进行卷积以及计算所述不同运动方向的结构相似性参数ssim1和ssim2，所述ssim1为所述清晰舌头图像与所述第一运动模糊舌头图像的结构相似性参数，所述ssim2为所述模糊舌头图像与所述第二运动模糊舌头图像的结构相似性参数。
[0186]
选取单元133用于选取所述不同运动方向计算得到的ssim1的最小值和ssim2的最小值分别作为所述第一图像的运动模糊参数和所述第二图像的运动模糊参数。
[0187]
请参阅图6，图6是本技术实施利提供的图像分析装置200的示意性框图，如图6所示，图像分析装置200包括获取模块210、分析模块220和确定模块230。
[0188]
获取模块210用于获取待诊断的舌头图像。
[0189]
分析模块220用于将所述待诊断的舌头图像输入舌头图像分类器进行分析。
[0190]
确定模块230用于确定所述待诊断的舌头图像的类别。
[0191]
其中，所述舌头图像分类器由基于上述实施例所述的任一分类器训练方法训练得到。
[0192]
需要说明的是，所属技术领域的技术人员可以清楚了解到，为了描述的方便和简洁，上述描述的装置和各个模块及单元的具体工作过程，可以参考前述分类器训练方法实施例中的对应过程和图像分析方法实施例中的对应过程，在此不再赘述。
[0193]
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备40上运行。
[0194]
请参阅图7，图7为本技术实施例提供的计算机设备40的结构示意性框图，计算机设备40包括处理器41和存储器42，处理器41和存储器42通过系统总线43连接，其中，存储器42可以包括非易失性存储介质和内存储器。
[0195]
非易失性存储介质可存储计算机程序。该计算机程序包括程序指令，该程序指令被处理器41执行时，可使得处理器41执行上述任一种分类器训练方法和图像分析方法。
[0196]
处理器41用于提供计算和控制能力，支撑整个电子设备的运行。
[0197]
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器41执行时，可使得处理器41执行上述任一种分类器训练方法和图像分析方法。
[0198]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结
构的框图，并不构成对本技术方案所涉及的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0199]
应当理解的是，处理器41可以是中央处理单元(central processing unit，cpu)，该处理器41还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0200]
其中，在一些实施方式中，处理器41用于运行存储在存储器中的计算机程序，以实现如下步骤：
[0201]
获取训练样本集，所述训练样本集包括第一训练样本集和第二训练样本集，所述第一训练样本集包括第一预设数量的清晰舌头图像，所述第二训练样本集包括第二预设数量的模糊舌头图像；
[0202]
分别对所述清晰舌头图像和所述模糊舌头图像进行图像预处理，得到第一图像和第二图像，所述第一图像的像素遵循高斯分布，所述第二图像的像素不遵循高斯分布；
[0203]
计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集；
[0204]
基于支持向量机对所述训练数据集进行训练，得到舌头图像分类器。
[0205]
在一些实施方式中，所述训练数据集包括第一训练数据集和第二训练数据集，处理器41在实现计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集时，用于实现：
[0206]
计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到第一训练数据集；
[0207]
调整所述第一图像的像素和所述第二图像的像素均为第一像素后计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到第二训练数据集。
[0208]
在一些实施方式中，处理器41在实现对所述清晰舌头图像和所述模糊舌头图像进行图像预处理之前，用于实现：
[0209]
通过舌头分割模型获取所述清晰舌头图像的舌头轮廓和所述模糊舌头图像的舌头轮廓；
[0210]
分别截取所述清晰舌头图像的舌头轮廓的内接矩形和所述模糊舌头图像的舌头轮廓的内接矩形，得到第三图像和第四图像。
[0211]
在一些实施方式中，处理器41在实现分别截取所述清晰舌头图像的舌头轮廓的内接矩形和所述模糊舌头图像的舌头轮廓的内接矩形之后，用于实现：
[0212]
调整所述第三图像的像素为第二像素，使所述第二像素适配所述清晰舌头图像的采集设备；
[0213]
调整所述第四图像的像素为第三像素，使所述第三像素适配所述模糊舌头图像的采集设备。
[0214]
在一些实施方式中，处理器41在实现计算所述第一图像和所述第二图像的运动模
糊参数时，用于实现：
[0215]
构建不同运动方向的变换矩阵；
[0216]
利用所述不同运动方向的变换矩阵构建不同运动方向的运动模糊核矩阵；
[0217]
利用所述运动模糊核矩阵分别对所述清晰舌头图像和所述模糊舌头图像进行卷积，得到所述不同运动方向的第一运动模糊舌头图像和第二运动模糊舌头图像；
[0218]
计算所述不同运动方向的结构相似性参数ssim1和ssim2，所述ssim1为所述清晰舌头图像与所述第一运动模糊舌头图像的结构相似性参数，所述ssim2为所述模糊舌头图像与所述第二运动模糊舌头图像的结构相似性参数；
[0219]
选取所述不同运动方向计算得到的ssim1的最小值和ssim2的最小值分别作为所述第一图像的运动模糊参数和所述第二图像的运动模糊参数。
[0220]
在一些实施方式中，处理器41用于运行存储在存储器中的计算机程序，以实现如下步骤：
[0221]
获取待诊断的舌头图像；
[0222]
将所述待诊断的舌头图像输入舌头图像分类器进行分析，确定所述待诊断的舌头图像的类别，其中，所述舌头图像分类器由基于权利要求1至6任一项所述的分类器训练方法训练得到。
[0223]
在一些实施方式中，处理器41在实现将所述待诊断的舌头图像输入舌头图像分类器进行分析，确定所述待诊断的舌头图像的类别时，用于实现：
[0224]
计算所述待诊断的舌头图像的所述广义高斯分布参数、所述非对称广义高斯分布参数和所述运动模糊参数；
[0225]
基于所述清晰舌头图像参数集和所述模糊舌头图像参数集确定所述待诊断的舌头图像的类别。
[0226]
本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时使所述一个或多个处理器实现如本技术实施例提供的分类器训练方法和图像分析方法。
[0227]
其中，所述计算机可读存储介质可以是前述实施例所述的电子设备的内部存储单元，例如所述电子设备的硬盘或内存。所述计算机可读存储介质也可以是所述电子设备的外部存储设备，例如所述电子设备配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0228]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种分类器训练方法，用于舌头图像分类器的训练，其特征在于，所述分类器训练方法包括：获取训练样本集，所述训练样本集包括第一训练样本集和第二训练样本集，所述第一训练样本集包括第一预设数量的清晰舌头图像，所述第二训练样本集包括第二预设数量的模糊舌头图像；分别对所述清晰舌头图像和所述模糊舌头图像进行图像预处理，得到第一图像和第二图像，所述第一图像的像素遵循高斯分布，所述第二图像的像素不遵循高斯分布；计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集；基于支持向量机对所述训练数据集进行训练，得到舌头图像分类器；其中，所述训练数据集包括第一训练数据集和第二训练数据集，所述计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，包括：计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到第一训练数据集；调整所述第一图像的像素和所述第二图像的像素均为第一像素后计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到第二训练数据集。2.根据权利要求1所述的分类器训练方法，其特征在于，在对所述清晰舌头图像和所述模糊舌头图像进行图像预处理之前，还包括：通过舌头分割模型获取所述清晰舌头图像的舌头轮廓和所述模糊舌头图像的舌头轮廓；分别截取所述清晰舌头图像的舌头轮廓的内接矩形和所述模糊舌头图像的舌头轮廓的内接矩形，得到第三图像和第四图像。3.根据权力要求1所述的分类器训练方法，其特征在于，所述分别对所述清晰舌头图像和所述模糊舌头图像进行图像预处理，得到第一图像和第二图像，包括：分别对所述清晰舌头图像和所述模糊舌头图像进行灰度处理，得到第五图像和第六图像；分别对所述第五图像和所述第六图像进行均值对比度归一化处理，得到所述第一图像和所述第二图像。4.根据权利要求2所述的分类器训练方法，其特征在于，在分别截取所述清晰舌头图像的舌头轮廓的内接矩形和所述模糊舌头图像的舌头轮廓的内接矩形之后，还包括：调整所述第三图像的像素为第二像素，使所述第二像素适配所述清晰舌头图像的采集设备；调整所述第四图像的像素为第三像素，使所述第三像素适配所述模糊舌头图像的采集设备。5.根据权利要求1所述的分类器训练方法，其特征在于，所述计算所述第一图像和所述第二图像的运动模糊参数包括：构建不同运动方向的变换矩阵；利用所述不同运动方向的变换矩阵构建不同运动方向的运动模糊核矩阵；
利用所述运动模糊核矩阵分别对所述清晰舌头图像和所述模糊舌头图像进行卷积，得到所述不同运动方向的第一运动模糊舌头图像和第二运动模糊舌头图像；计算所述不同运动方向的结构相似性参数，所述相似性参数包括所述清晰舌头图像与所述第一运动模糊舌头图像的第一结构相似性参数以及所述模糊舌头图像与所述第二运动模糊舌头图像的第二结构相似性参数；根据所述第一结构相似性参数和所述第二结构相似性参数，确定所述第一图像的运动模糊参数和所述第二图像的运动模糊参数。6.根据权利要求6所述的分类器训练方法，所述根据所述第一结构相似性参数和所述第二结构相似性参数，确定所述第一图像的运动模糊参数和所述第二图像的运动模糊参数，包括：选取所述不同运动方向计算得到的所述第一结构相似性参数的第一最小值和所述第二结构相似性参数的第二最小值分别作为所述第一图像的运动模糊参数和所述第二图像的运动模糊参数。7.一种图像分析方法，用于对清晰舌头图像和模糊舌头图像进行分类，其特征在于，所述图像分析方法包括：获取待诊断的舌头图像；将所述待诊断的舌头图像输入舌头图像分类器进行分析，确定所述待诊断的舌头图像的类别，其中，所述舌头图像分类器由基于权利要求1至6任一项所述的分类器训练方法训练得到。8.一种分类器训练装置，用于舌头图像分类器的训练，其特征在于，所述分类器训练装置包括：获取模块，用于获取训练样本集；处理模块，用于对所述清晰舌头图像和所述模糊舌头图像进行图像预处理，得到第一图像和第二图像；计算模块，计算所述第一图像和所述第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集。训练模块，用于基于支持向量机对所述训练数据集进行训练，得到舌头图像分类器。9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至6中任一项所述的分类器训练方法和如权利要求7所述的图像分析方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至6中任一项所述的分类器训练方法和如权利要求7所述的图像分析方法。

技术总结
本申请提供一种分类器训练方法、图像分析方法、装置、设备及存储介质，其中，该分类器训练方法用于舌头图像分类器的训练，该分类器训练方法包括：获取训练样本集，训练样本集包括第一训练样本集和第二训练样本集，第一训练样本集包括第一预设数量的清晰舌头图像，第二训练样本集包括第二预设数量的模糊舌头图像；分别对清晰舌头图像和模糊舌头图像进行图像预处理，得到第一图像和第二图像，第一图像的像素遵循高斯分布，第二图像的像素不遵循高斯分布；计算第一图像和第二图像的广义高斯分布参数、非对称广义高斯分布参数和运动模糊参数，得到训练数据集。通过该分类器训练方法得到的舌头图像分类器可以对清晰舌头图像和模糊舌头图像进行分类。头图像进行分类。头图像进行分类。


技术研发人员：郭岑 周宸
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.04.12
技术公布日：2023/7/25