舌体分割是舌诊检测的基础,唯有做到准确分割舌体才能保证后续训练以及预测的准确性。此部分真正的任务是在用户上传的图像中准确寻找到属于舌头的像素点。舌体分割属于生物医学图像分割领域。分割效果如下: 2 数据集介绍 舌象数据集包含舌象原图以及分割完成的二元图,共979*2张,示例图片如下: 3 模型介绍 U-Net是一个优...
要深入探讨计算机视觉在中医领域的应用，我们专注于基于Unet模型的舌体图片分割。首先，舌体分割对于中医舌诊的精确性至关重要，它通过精确地定位舌体像素点，确保后续分析的可靠性。这项技术属于生物医学图像处理领域，其目标是精准识别图像中的舌体部分。舌象数据集包含了原始图像和二元分割标签，共计979对图像...
代码参照:计算机视觉智能中医(三):基于Unet模型的舌头舌体图片分割 舌裂,即舌面裂纹。在中医诊断中健康人群的舌面看起来比较光滑,而舌体上出现各式各样的裂纹往往预示着患有一些疾病。舌裂的提取非常困难,舌面上的裂纹色值与普通舌面差别并不大,并且用户使用移动设备而非专业的舌象采集设备,机器识别细小的裂纹非常困难...
首先应将分隔好的图片中的舌体轮廓像素点坐标统计出来,然后在横坐标固定的维度上取同一横坐标上的两个轮廓像素点,取其距离的平均值,计算出在该横坐标纬度上的属于对称轴的像素点坐标。 from PIL import Image import numpy as np def contour_to(in_path=r"result\blend.png", out_path=r"result\inline.png...
系列文章2 计算机视觉智能中医(二):基于mediapipe的手掌图片穴位识别 系列文章3 计算机视觉智能中医(三):基于Unet模型的舌头舌体图片分割 系列文章4 计算机视觉智能中医(四):舌象图片中舌体倾斜判别 系列文章5 计算机视觉智能中医(五):舌象图片亮度的自适应调节 系列文章6 计算机视觉智能中医(六):基于曲线拟合舌体...
首先也是最重要的前提是让计算机知道那些像素点是属于舌体的,这需要用到Unet语义分割,在我的计算机视觉智能中医(三):基于Unet模型的舌头舌体图片分割文章中有详细的讲解,这里不做过多的赘述。 假设我们现在通过上述文章获得了舌体分割好的图片如下图所示: