摘要研究计算机舌象分析方法，对推动中医舌诊的进一步发展、促进中医现代化的进程具有重要的意义。本文基于学习矢量量化(LVQ)神经网络分类器，实现了舌象分析中的舌色、苔色自动分类。在分类器的设计中，提出了基于“2σ”准则的训练样本筛选方法，并采用Fisher比率作为色度空间选择的依据，有效提高了分类正确率。实验表明，采用本文方法能够获得与中医专家相一致的结果。

Research on the Tongue Color Classification in Automatic

Tongue Analysis of Traditional Chinese Medicine

Wang Aimin

(Laboratory of Signal & Information Processing, Beijing Polytechnic University,Beijing 100022)

Zhao Zhongxu

(Laboratory of Signal & Information Processing, Beijing Polytechnic University,Beijing 100022)

Shen Lansun

(Laboratory of Signal & Information Processing, Beijing Polytechnic University,Beijing 100022)

Abstract

Automatic tongue analysis will be of important meaning for traditional chinese medicine to develop, promote modernization. Tongue color automatic classification, based on LVQ neural networks classifier, is proposed in this paper. In the design of the tongue color classifier, training samples selection based on the rule of “2σ” is proposed, and Fisher Ratio is used as a basis in color space selection, such that the accuracy of the classifier is improved. Experiments showed that the results obtained with this method are in accordance with those of the experts of traditional chinese medicine.

Key words:Tongue analysis, Medical image processing, LVQ neural network, Training samples selection, Feature selection

0引言

舌诊，是通过观察舌象以了解人体生理功能和病理变化的一种中医诊察方法。三千多年的中医舌诊历史表明，舌在五官九窍中反映内在脏腑病变最为全面、灵敏，因而舌诊受到历代医家的重视，成为中医诊断疾病的重要依据之一。但是长期以来，舌诊都是依靠医生的目视观察进行判断分析，并用语言文字描述，缺乏客观化、定量化的度量手段，成为舌诊应用、发展和交流中的制约因素。显然，研究舌诊的客观度量方法，对推动中医舌诊的进一步发展、促进中医现代化的进程具有重要的意义。

近年来受到广泛关注的舌象客观度量方法是计算机舌象自动分析^［1—3］，在标准的成像环境下采集受试者的彩色舌图像，再进行图像处理与分析，对舌色、苔色、舌苔的厚度与湿度、齿痕、裂纹等舌象指标进行分类与定量化。

在这些舌象指标中，舌色与苔色及其分布是舌诊辨证论治的主要依据。舌色是指舌质的颜色，临床将其分为淡红、淡白、红、暗红、青紫等类型；苔色是指舌苔的颜色，主要有白、黄、灰、黑等类型。中医望舌时不仅要判断舌色、苔色的主要类型，还要描绘出舌色、苔色在舌面上的具体分布情况。因此，实现舌图像中舌面上各局部区域的舌色、苔色自动分类，才能符合中医舌诊要求。

已有的舌色、苔色分析方法中^［1，2］，或根据一幅舌图像中R，G，B的整体统计值进行人工分类，或利用鼠标在舌图像中选取感兴趣点或小正方形区域，显示该点的R，G，B值或区域的R，G，B均值，尚未实现符合上述舌诊要求的舌色、苔色自动分类。

为此，本文提出了一种基于学习矢量量化(LVQ)神经网络的舌色、苔色自动分类方法，分类结果能够客观、完整地描述舌色、苔色的种类和分布情况。此外，在分类器的设计中，提出了基于“2σ”准则的样本筛选方法，并采用Fisher比率作为色度空间选择的依据，有效提高了分类正确率。实验表明，采用本文方法能够获得与中医专家相一致的结果。

1舌象分析仪简介

我们研制的舌象分析仪^［3—6］由图像采集设备、标准光源、计算机、高分辨率的显示器、打印机、机架构成，其硬件结构如图1所示。

图1舌象分析仪的结构图

在选择和构成舌象分析仪的硬件时，所考虑的关键问题是舌图像采集环境的标准化，因为这直接关系到舌象自动分析的准确性。经过大量的实验与比较，我们在电动可升降式仪器平台上进行了二次加工，构成了一个封闭的成像环境，并将光源、图像采集设备、舌体的相对位置固定，达到了成像条件的统一性。其中光源应与中医舌诊时的光照条件相近似，因而采用两只OSRAM全光谱的L18／72-965 BIOLUX标准光源，具有极佳的显色性，显色指数R_a=96，色温为6500K，光谱特性接近于平均昼光。光源的照明几何条件为45／0。图像采集设备为KODAK DC260数码相机，图像解析度1536×1024。采用基于人体工程学设计的前额托和下颚托使受试者的面部几何位置相对固定和统一。

我们还制作了色标，经国家计量院标定后用于舌象分析仪的校正，具体方法见［3］。此外，受试者的伸舌姿态也影响舌图像的采集质量。在中医的配合下，我们总结了一套伸舌要领，并实时指导受试者，取得了较好的效果。

研制中的舌象分析仪的软件包括人机界面、彩色校正、舌图像数据库、舌图像处理与分析等部分。其中舌图像处理与分析软件又包括舌体分割、舌色与苔色自动分类、舌色与苔色定量化描述、舌苔厚度分类、其它特征分析。本文主要介绍有关舌色与苔色分类的研究工作，其它有关工作参见文献［3-6］。

2学习矢量量化(LVQ)神经网络分类器^［7］

矢量量化是一种高效的数据压缩技术，基本原理是在误差代价函数最小的情况下，用离散的确定矢量逼近连续的随机矢量。学习矢量量化(LVQ)方法是在给定初始量化矢量(Voronoi矢量)的基础上，使用有类别属性的训练样本，通过自监督、自适应学习的方法来校正这些初始量化矢量，在若干次迭代后，所形成的矢量基本反映了模式的统计分布。基于这些矢量估计模式的概率分布，并对未知模式进行分类判决，就构成了LVQ分类器。

图2LVQ神经网络模式

分类器结构示意图

由于LVQ分类器在模式空间所形成的判决面是由Voronoi矢量形成的超多面体，能够适应复杂的模式分类问题，在多种应用领域取得了较优的效果，因此我们将其用于舌图像彩色分类问题。

LVQ分类算法可以使用具有竞争机制的神经网络来实现，构成了LVQ神经网络分类器。其网络结构如图2所示。

网络的输入层为样本的n维特征矢量，共有n个节点；网络的隐层为模式匹配层，该层的节点数为Voronoi矢量的个数M，应用时需根据实际情况选定，经验公式为：

(1)

其中N为训练样本总数。隐层与输入层的连接权值为M个n维Voronoi矢量，它将输入矢量与这些连接权值进行匹配，匹配度送至MAXNET网络，来竞争学习其中的最大值，对应的Voronoi矢量就是输入矢量的最近邻样本。

LVQ神经网络模式分类器的训练和测试算法的具体步骤可参见［7］。

3训练样本集的构成

分类器的构成和参数选取依赖于训练方法和训练样本。对于舌图像彩色分类问题，从理论上看，典型舌图像中的每一个象素点都具有一个色彩状态，都可以成为一个训练样本。然而，实际上人工鉴定每一个象素点的色彩种类具有很大的困难。因此，我们在若干典型图像中选出一系列图像子块，由中医专家逐块确定类别后构成训练样本集。样本(图像子块)的大小必须兼顾好的统计特性和好的精确度，本文的实验将其选为16×16。图3给出了部分训练样本的示例。

图3舌色、苔色分类的训练样本示例

在上述训练样本集中，不可避免地会存在一些不利于分类的离群样本(outliers)。舌图像彩色分类中出现离群样本的原因在于：

(1)一个图像子块中可能存在多种类别的彩色，而中医只能将其定为一种类别，从面造成量化误差。

(2)舌图像中存在阴影、反光、噪声等，由于人眼具有彩色恒常性，因此在分类时不受这些不利因素的影响，仍能正确分类。但是这些因素将造成分类器的性能下降。

(3)中医在鉴别时对某些样本发生了主