avg_冲的最大值和最小值：C )将根据公式（3 )计算得到的（Yshif t, Ushift , Vshift )转换至HSV颜色全间化Shif t, Sshif t, Vshift)，其中：(10) 在HSV颜色空间中，判断havg_C前是否满足对应色块的颜色条件。如果满足，则执行步骤 d;否则，认为未能定位该彩色色块，同时认为根据点Pi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; d似点Pseed_C为生长起始点，根据公式（11)的生长规则，分别向上、下、左、右4个方向进 行线性生长;找出彩色色块的4个方向的边界，确定彩色色块区域Bcol。。W及宽Wcolor和高 hcolor。6.如权利要求3所述的婴儿大便颜色的自动分析方法及系统，其特征在于，所述步骤17 的具体步骤如下： a) 根据比色卡左上角色块区域化U，W及其宽WLU和高ku，利用公式（19)得到比色卡左下 角色块的灰色区域的中屯、点PLD_grey(XLD_grey，yLD_grey)，执行步骤b);(19) (XLlUeft，yLLLtop )为位于比色卡左上角色块的左上角顶点的坐标； (XLLLright，yULbott?)为比色卡左上角色块的右下角顶点的坐标； 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，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Pi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 ; 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 色区域的中屯、点PRD_grey(XRD_grey，yRD_grey)，执行步骤d);(21) (XRlUeft，yRU_tDp)为位于比色卡右上角黑灰嵌套色块的左上角的坐标； (XRLLright，yRU_bott?)为比色卡右上角黑灰嵌套色块的右下角的坐标； 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; W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。 7 .如权利要求1所述的婴儿大便颜色类别的自动检测方法及系统，其特征在于，所述步 骤2的具体步骤如下： 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(pieft_up， Pright-bottom) , 及其宽Wfunc和局hfunc。 步骤22,计算平均梯度均值穿：其中，rf(i，j)，rf(i，j)和打（i，j)为区域Bfunc内（i，j)点的颜色值；Ig_f(i，j)为区域Bfunc 内（i，j )点的灰度值;Wfunc、hfunc分别为区域Bfunc的宽和高；S为状态位，其值为I表明当前点 是否在统计范围内，为O表明当前点不在统计范围内；k为预设阔值，取30~50; 步骤23,如果夏>50 ,则表明图像质量满足要求，执行步骤3;如果f ^ 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自动分析的要求。8.如权利要求1所述的婴儿大便颜色的自动分析方法及系统，其特征在于，所述步骤3 的具体步骤如下： 步骤31，用公式（16)所示的巧可夫斯基范式距离计算满足检测要求的图像R，G，B =通 道各自的均值ravg_I , gavg_I , bavg_I :其中，扣(1，^、1如，^、16。，如为满足检测要求的图像在点。^)处的1?也8颜色值，化 和hi为待检测图像的宽高； 步骤32，根据满足检测要求的图像R，G，8;通道各自的均值ravg_I，gavg_I，bavg_i，利用公 式（17)计算R，G，BS通道的偏色增益(咕心1，邑8加_1，683心1)。偏色增益也叫色溫校正因子， 是对R，G，B=个通道分别进行调整的=个系数。(巧 对于图像I上的每一个像素点，根据公式(18)进行校正。(蝴 其中，Ii/ (i，j)，1(/ (i，j)，Ib^ (i，j)为颜色校正后的点（i，j)处的R，G，B颜色值。9. 如权利要求1所述的婴儿大便颜色的自动分析方法及系统，其特征在于，所述步骤4 的具体步骤如下： 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；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； a) 根据公式(23)，计算图像大便区域在服V颜色空间所有像素点的亮度V的标准差Ov;其 中，Vi为每个像素点的亮度值，n为图像大便区域像素点的个数，V为所有像素点的亮度V 的均值：(23) b) 根据V+2听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，Vi高于心+ 2馬的点的集合即认为是高光反射部分，Vi低于 V-20；的点的集合即认为是阴影部分，均予W去除。10. 如权利要求1所述的婴儿大便颜色的自动分析方法及系统，其特征在于，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±色，浅黄色，黄 色，栋色，绿色，红色和黑色。每一张婴儿大便图像对应唯一的一个颜色类别。11.如权利要求1所述的婴儿大便颜色的自动分析方法及系统，其特征在于，所述步骤5 的具体步骤如下： 步骤51，离线监督训练； 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； b) 提取图像的特征：图像的特征是一个nXl的向量，记为V Jf中每个分量的值由大便 区域Bstool在服V通道的颜色均值化stool_avg , Sstool_avg , Vstool_avg)和比色卡上6个杉色色块Bred、 B口een、Bblue、Bcyan、Bmagenta和Byellow上对应通道白勺颜色均值分力ij相减得至Ij ; V是X 3 = 18 维的特征向量;其中，通过公式(9)将RGB颜色均值转化为服V颜色均值； C)随机森林训练： 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； 5.1. (：.2，对于第1￡[1，*]棵决策树，从图像数据集0中随机抽取4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及其阔值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。 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； 5.1. C. 4，重复5.1. C. 3，直到所有t棵决策树都被训练过； 步骤52,在线预测； 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； b) 将图像大便区域，分为大小为的nXn块，每个块的宽高分别为图像大便 区域宽局Wstool ,hstool的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； 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，根据当前节点的阔值th，判断是进入左节点（<th)还是进入右节点 (> 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； e) 重复步骤d，直到所有t棵决策树都得到了预测类别； 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； g)重复步骤d、e、f，直到所有n X n个块都得到了分类类别。12. 如权利要求1所述的婴儿大便颜色的自动分析方法及系统，其特征在于，所述步骤6 的具体步骤如下： 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 的nXn个 块，每个块的宽局分别为图像大便区域宽局WstDDl X hstDol的步骤62,分别计算每个块h，s，v的均值/下A.T%/￡[Uxn]; 步骤63，对于每一个块，具体处理步骤如下： a) 首先进行黑色类别判断，当满足条件是< 2〇〇馬<40时，认为该块是黑色类别，W黑 色类别作为该块的预测类别，结束该块判断； b) 如果不是黑色类别，则计算该块的均值专馬和如公式(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 H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；、24) C)重复步骤a、b，最终得到所有nXn个块的预测类别。13. 如权利要求1所述的婴儿大便颜色的自动分析方法及系统，其特征在于，所述步骤7 中，将步骤5预测到的nXn个块大便颜色类别和步骤6预测到的nXn个块大便颜色类别放在 一起，共化Xn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。14. 一种婴儿大便颜色的自动分析系统，其特征在于，包括如下依次相连接的模块： 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，W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； 图像监控模块:使用图像赌对图像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； 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； 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； 检测模块:使用机器学习的方法，W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。
【专利摘要】本发明公开了一种婴儿大便的颜色自动分析方法及系统，步骤1，确定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；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；步骤2，判断图像是否满足检测要求；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；步骤4，对颜色校正后的图像，去除图像大便区域中的高光反射和阴影部分；步骤5，使用机器学习的方法，以及最小欧式距离的方法，自动识别大便颜色。通过大量实验证明，该方法流程清晰，运算效率高，计算结果客观准确。
【IPC分类】G06T7/00, G06T7/40
【公开号】CN105654469
【申请号】
【发明人】申田, 聂涛
【申请人】深圳贝申医疗技术有限公司
【公开日】2016年6月8日
【申请日】2015年12月22日