据点Pl成功检测到比色卡，否则，将 Pl更新为下一点，执行步骤 11。该过程具体包括如下步骤：
[0183] a)根据比色卡左上角色块区域Blu，以及其宽WLU和高hLU，利用公式（19)得到比色卡 左下角色块的灰色区域的中心点?1^1^(11^1^，7〇)_ 81^)，执行步骤13);
[0184]
(1P)
[0185] (XLLUeftJLLLtop)为位于比色卡左上角色块的左上角顶点的坐标；
[0186] (见114咖，凡0。廿《)为比色卡左上角色块的右下角顶点的坐标；
[0187] b)将pLD_grey设为色块判断起始点，作为用来判断左下角色块是否是黑灰嵌套色块 或白灰嵌套色块(判断方法上文已经详细描述，此处不再赘述），同时，根据比色卡在图像I 中的方向，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 ？1更新为下一个点后执行 步骤11;
[0188] 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);
[0189]
(21)
[0190] (XRLUeftJRLLtop)为位于比色卡右上角黑灰嵌套色块的左上角的坐标；
[0191] (XRLLrightJRLLbcrtt?)为比色卡右上角黑灰嵌套色块的右下角的坐标；
[0192] d)将pRD_gre3y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(判断方法上文已经详细描述，此处不再赘述），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 Pl更新为下一个点后执行步骤11;
[0193] 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。
[0194] 步骤2,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婴儿大便颜色分析的要求。
[0195] 本发明使用图像的信息熵作为图像质量是否满足要求的评判标准，对图像的质量 进行监控。信息熵作为度量信息量的方法，对于图像而言，它表明图像灰度分布的聚集特 性，熵值越高的图像，灰度上的细节和变化就越多越明显，反之，熵值低的图像，就没有太多 的细节和变化。具体步骤如下：
[0196] 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
[0197] 步骤22,计算比色卡上图像质量控制区域Bfun。的信息熵，以平均梯度均值玄作为信 息熵的具体实现方式，互越高，B func区域的黑白变化越明显，图像越清晰，图像质量越好;反 之，f越低，Bfunc区域的黑白变化越不明显，图像越模糊，图像质量越差。按照公式（15)计算 得到平均梯度均值f
[0198]
(15)
[0199] 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;
[0200] 步骤23，如果f > 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，不满足婴儿大便颜色分析的要求。
[0201] 步骤3: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：
[0202] 由于光源不同的色温，物体在不同光源照射下呈现出不同的颜色。比如白色物体 在室内钨丝灯光看起来会带有橘黄色色调;在蔚蓝天空下，则会带有蓝色。颜色校正的目的 就是消除不同光源造成的色彩偏差。本发明中，使用基于无监督的颜色恒常性颜色校正方 法，利用图像本身底层的颜色特征，推算得到图像成像时的光照颜色。具体步骤如下：
[0203] 步骤31，用公式（16)所示的闵可夫斯基范式(Minkowski-norm)距离计算满足检测 要求的图像R，G，B三通道各自的均值ravgJ，gavgj，bavgj:
[0204]
.(16)
[0205] 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；
[0206] 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三个通道分别进行调整的三个系数。
[0208] 对于图像I上的每一个像素点，根据公式(18)进行校正。
[0207] (1:7)
[0209]
Π8)
[0210] 其中，IR' (i，j)，If (i，j)，IB' (i，j)为颜色校正后的点（i，j)处的R，G，B颜色值。
[0211] 步骤4,去除大便图像上的高光反射和阴影部分如步骤4所述。
[0212]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：
[0213]
(22)
[0214]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；
[0215] 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 σν;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V的均值
[0216]
(23)
[0217] b)根据Η2σν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V + 的点的集合即认为是高光反射部分，Vl低于 7-2σν的点的集合即认为是阴影部分，均予以去除。
[0218] 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 应唯一的一个颜色类别。
[0219] 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：
[0220]步骤51，离线监督训练；
[0221] 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；
[0222] b)提取图像的特征：图像的特征是一个nXl的向量，记为P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+avg)和比色卡上6个彩色色 块Bred、Bgreen、Bblue、Bcyan、 Bmagent#Byeii?上对应通道的颜色均值分别相减得到；f是一个6父 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；
[0223] c)随机森林训练：
[0224] 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；
[0225] 5.1.〇.2，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。
[0226] 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；
[0227] 5.1. c. 4，重复5.1. c. 3，直到所有t棵决策树都被训练过；
[0228] 步骤52,在线预测；
[0229] 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； U/ /?
[0230] b)将图像大便区域，分为大小为的ηΧη个块，每个块的宽高分别为图 η " 像大便区域宽尚Wstool，hstool的一.，. η
[0231] 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；
[0232] 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；
[0233] e)重复步骤d，直到所有t棵决策树都得到了预测类别；
[0234] 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；
[0235] 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；
[0236] 步骤6:采用最小欧式距离算法根据大便图像颜色进行自动分类。
[0237] 所述步骤6的具体步骤如下： /?
[0238] 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^·Χ^^^ηΧη η η 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
[0239] 步骤62，分别计算每个块h，s，ν的均值1?? z+e ;
[0240] 步骤63,对于每一个块，具体处理步骤如下：
[0241] a)首先进行黑色类别判断，当满足条件1 < 20f!R < 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；
[0242] b)如果不是黑色类别，则计算该块的均值I:「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，W!，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；
[0243]
(24J
[0244] c)重复步骤a、b，最终得到所有η X n个块的预测类别。
[0245] 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。