向，判断左下角色块是否是表1中对应方 向下比色卡左下角对应的色块类型，是则执行步骤C);否则认为根据?1未检测到比色卡，结 束本次判断，将点Pi更新为下一个点后执行步骤11;
[0061] C)根据比色卡右上角色块区域Bru的宽WRU和高hRU，利用公式(21)得到比色卡右下 角灰色区域的中心点PRD+grey ( XRD_ grey , YRD_grey )，执行步骤d);
[0062]
(21)
[0063] (XRLUrftJRLLtop)为位于比色卡右上角黑灰嵌套色块的左上角的坐标；
[0064] (XRLLrightJRLLbcrtt?)为比色卡右上角黑灰嵌套色块的右下角的坐标；
[0065] d)将pRD_grey设为色块判断起始点，用来判断右下角色块是否是黑灰嵌套色块或白 灰嵌套色块，根据比色卡在图像I中的方向，判断右下角色块是否是表1中对应方向下比色 卡右下角的色块类型，是则进入步骤2;否则认为未检测到比色卡，结束本次判断，将点 ？1更 新为下一个点后执行步骤11;
[0066] 以上步骤完成了比色卡左下角和右下角的色块的检测。同时表明成功检测到比色 卡，进入步骤2。
[0067] 进一步的，所述步骤2的具体步骤如下：
[0068] 步骤21，根据比色卡上两个黑灰嵌套色块的位置，得到图像质量控制区域Bfunc (Pleft-up，Pright-bottom)，以矛口高hfunco
[0069] 步骤22,计算平均梯度均值:F : Γ00701
[0071] 其中，以1，」），^(^)和^(^)为区域8_。内（1，]_)点的颜色值；1^(1，]_)为区 域Bfun。内（i，j)点的灰度值;w fun。、hfun。分别为区域Bfun。的宽和高；S为状态位，其值为1表明 当前点是否在统计范围内，为〇表明当前点不在统计范围内；k为预设阈值，取30~50;
[0072] 步骤23，如果歹> 50，则表明图像质量满足要求，执行步骤3 ;如果50，则表明 图像质量差，存在抖动或失焦，不满足大便颜色分析的要求。
[0073] 进一步的，所述步骤3的具体步骤如下：
[0074]步骤31，用公式（16)所示的闵可夫斯基范式距离计算满足检测要求的图像R，G，B 二通道各自的均值favg-I，gavg-I，bavg-I :
[0075]
(16)
[0076] 其中，IR( i，j)、IC( i，j)、IB( i，j)为满足检测要求的图像在点（i，j)处的R，G，B颜色 值，wi和hi为待检测图像的宽高；
[0077] 步骤32，根据满足检测要求的图像R，G，B三通道各自的均值ravgj，gavgj，b avgj，利 用公式（1 7 )计算R，G，B三通道的偏色增益(rgaiU，ggaiU，bgaiU )。偏色增益也叫色温校正因 子，是对R，G，B三个通道颜色值分别进行调整的三个系数。
[0079] 对于图像I上的每一个像素点，根据公式（18)进行校正。
[0078] (I?)
[0080]
(1S)
[0081 ]其中，Ii/ (i，j)，1(/ (i，j)，IV (i，j)为颜色校正后的点（i，j)处的R，G，B颜色值。
[0082]进一步的，去除大便图像上的高光反射和阴影部分如步骤4所述。步骤4的具体步 骤如下：
[0083]步骤41，根据公式(22)，把图像大便区域从RGB颜色空间转换到HSV颜色空间中；其 中，r，g，b和h，s，v分别为图像大便区域每个像素点的颜色值，max和min分别为r，g，b中的最 大值和最小值：
[0084]
(22)
[0085] 步骤42,在HSV颜色空间，去除图像大便区域的高光反射和阴影部分；
[0086] a)根据公式(23)，计算图像大便区域在HSV颜色空间所有像素点的亮度v的标准差 σ ν;其中，Vl为每个像素点的亮度值，η为图像大便区域像素点的个数，W为所有像素点的亮 度ν的均值；
[0087]
(23)
[0088] b)根据ν±2σν的范围作为图像大便区域亮度的正常范围，亮度超出此范围的像素 点均认为是亮度异常的点；其中， Vl高于ν + 2σν的点的集合即认为是高光反射部分，Vl低于 2%的点的集合即认为是阴影部分，均予以去除。
[0089] 进一步的，构建婴儿大便颜色类别表:构建九级婴儿大便颜色类别表:分别为：浅 白色，灰色，陶土色，浅黄色，黄色，棕色，绿色，红色和黑色。每一张婴儿大便颜色的图像对 应唯一一个颜色类别。步骤5采用随机森林多分类算法根据大便图像颜色进行自动分类。所 述步骤5的具体步骤如下：
[0090] 步骤51，离线监督训练；
[0091] a)收集整理训练数据:训练数据为包含婴儿大便区域的比色卡图像数据集D，图像 数据集D中图像均为步骤4得到的所述颜色校正后并且去除了大便区域高光和阴影部分的 图像，图像数据集D对应的属性则是每幅图像所对应的大便颜色类别；
[0092] b)提取图像的特征：图像的特征是一个nX 1的向量，记为f中每个分量的值 由大便区域Bstool在HSV通道的颜色均值(hstool_aVg，Sstool_aVg，Vstool_a Vg)和比色卡上6个彩色色 块Bred、Bgreen、Bblue、Bcyan、 Bmag(3nt4PBye3ii?上对应通道的颜色均值分别相减得到;vr是一个6 X 3 = 18维的特征向量;其中，通过公式(9)将RGB颜色均值转化为HSV颜色均值；
[0093] c)随机森林训练：
[0094] 5.1. c. 1，确定训练参数:包括随机森林中决策树个数t，每棵决策树随机分配的样 本数量k，每棵决策树的深度d，决策树的每个节点使用到的特征数量f;终止条件:叶子节点 上最少的样本数num，节点上样本属性的分类类别；当某节点上样本数个数小于num，或者样 本属性的分类类别全部来自同一类别，认为其为叶子节点；
[0095] 5.1.(：.2，对于第16[1，幻棵决策树，从图像数据集0中随机抽取1^个样本，作为第1 根决策树的根节点样本集合;如果当前节点没有达到终止条件，则从图像特征向量中随机 选取f维特征;寻找能将该节点的样本最均匀的分成两类的特征i及其阈值th，当前节点上 样本第i维特征小于th的样本被划分到左节点，其余的被划分到右节点；如果当前节点达到 终止条件，则设置当前节点为叶子节点，该叶子节点的预测输出值为当前节点图像数据所 对应的大便颜色类别数量最多的那一类C(j)。然后继续训练其他节点。
[0096] 5.1. c. 3，重复5.1. c. 2，直到所有节点都训练过了或者被标记为叶子节点；
[0097] 5.1. c. 4，重复5.1. c. 3，直到所有t棵决策树都被训练过；
[0098] 步骤52,在线预测；
[0099] a)对于一张待测的输入图像，成功检测到比色卡，判断图像质量满足检测要求，对 图像进行颜色校正，并去除图像大便区域的高光反射和阴影部分后，得到处理后的待预测 图像；
[0100] b)将图像大便区域，分为大小为个块，每个块的宽高分别为图 η η _ 1 像大便区域宽尚Wstool，hstool的一 _， η
[0101] C)根据每个块的区域和比色卡上颜色区域，利用步骤51的步骤b中所述方法生成 每个块的特征向量；
[0102] d)使用步骤51得到的离线监督训练生成的决策树，对于第ie[l，t]棵决策树，从 当前决策树的根节点开始，根据当前节点的阈值th，判断是进入左节点（〈th)还是进入右节 点U th)，直到到达某个叶子节点，得到第i棵树的预测值;预测值为该叶子节点数据对应 的大便颜色类别；
[0103] e)重复步骤d，直到所有t棵决策树都得到了预测类别；
[0104] f)所有树中预测概率总和最大的那一个类别，作为大便颜色分类类别。概率总和 即为每个C(j)的概率p的累加和，概率p为C(j)占当前样本集的比例；
[0105] g)重复步骤d、e、f，直到所有η X η个块都得到了分类类别；
[0106] 进一步的，采用最小欧式距离算法根据大便图像颜色进行自动分类
[0107] 如步骤6所述。步骤6的具体步骤如下： U ' /?
[0108] 步骤61，将去除高光和阴影部分的图像大便区域，分为大小为^LX^L的ηΧη /； // 个块，每个块的宽高分别为图像大便区域宽高Wstcicll X hstool的i ; η
[0109] 步骤62,分别计算每个块h，s，v的均值m /e [L/?x/7];
[0110] 步骤63,对于每一个块，具体处理步骤如下：
[0111] a)首先进行黑色类别判断，当满足条件$ < 20门巧< 40时，认为该块是黑色类别， 以黑色类别作为该块的预测类别，结束该块判断；
[0112] b)如果不是黑色类别，则计算该块的均值瓦3和如公式(24)所示的8个标准类别 的h，s值Hj，Sj，j e [ 1，8 ]的加权欧式距离
，其中，Wi，W2分别为 色度Η和饱和度S的权重值。取最小欧式距离对应的标准类别作为该块的预测类别；
[0113]
(24)
[0114] c)重复步骤a、b，最终得到所有η X η个块的预测类别。
[0115] 在步骤7中，将步骤5预测到的ηΧη个块大便颜色类别和步骤6预测到的ηΧη个块 大便颜色类别放在一起，共2ηΧη个块大便颜色类别，统计其中出现最多的类别，作为图像 最终的预测大便颜色类别。
[0116] 本发明的另一个目的在于，提供一种婴儿大便颜色的自动分析系统，包括如下依 次相连接的模块：
[0117] 比色卡检测模块:检测图像中比色卡左上角和右上角的黑灰嵌套色块和白灰嵌套 色块的分布情况，以此确定比色卡在图像中的方向；然后根据比色卡在图像中的方向确定 六个彩色色块是否均准确出现在比色卡的相应位置;最后根据比色卡在图像中的方向检测 图像中比色卡的左下角和右下角的色块是否是对应方向下的黑灰嵌套色块或白灰嵌套色 块，是则执行步骤2，否则认为未检测到比色卡；
[0118] 图像监控模块:使用图像熵对图像I进行质量监控，判断图像是否满足检测要求， 满足则执行步骤3，否则认为图像不满足大便颜色自动分析的要求；
[0119]颜色校正模块:对满足检测要求的图像进行颜色校正，得到颜色校正后的图像； [0120]去除高光和阴影模块:对颜色校正后的图像，去除图像大便区域的高光反射和阴 影部分；
[0121]颜色分类模块:使用机器学习的方法，以及最小欧式距离的方法，综合分析预处理 后的待预测图像，预测其大便颜色类别。
【附图说明】
[0122] 图1是本发明的婴儿大便颜色自动分析的流程图。
[0123] 包括：比色卡自动检测，图像质量控制，图像颜色校正，去除高光反射和阴影以及 颜色分类模块。
[0124] 图2是比色卡。比色卡共有12个方形区域组成。包括：1个皮肤区域Bskin，l个图像质 量检测区域B fun。，2个黑灰嵌套色块区域Bbiac；k_grey，2个白灰嵌套色块区域B white_grey，以及6个 彩色色块区域:Bre3d、B green、Bblue、Bcyan、Bmagenta、Byellow 〇
[0125] 图3是比色卡的四种不同方位。其中，图3(a)至(d)分别为:0°，逆时针旋转90°，逆 时针旋转180°和逆时针旋转270°。
[0126] 图4是本发明的比色卡自动检测方法的流程图。判断比色卡左上角和右上角色块 判断比色卡方向，再确定6个彩色色块是否均能