基于AdaBoost级联框架的舌色分类

发布时间：2022-01-03 04:21

　　目的基于图像处理的舌质颜色分析是中医舌诊现代化的重要内容,提高舌色的正确识别率是其中的关键问题。本文使用集成学习的分类方法来探讨舌色分类,以达到客观、准确地识别中医（traditional Chinese medicine,TCM）舌色。方法首先通过AdaBoost算法对舌图像进行初步分类,再将该算法与级联框架进行结合;然后通过"一对其余"的方法将AdaBoost从二分类扩展到多类来完成舌质颜色的分析;最后通过实验进行验证,并与其他方法所得出的结果进行对比。结果针对各类舌质颜色分类问题,使用随机森林与传统的AdaBoost分类器进行分类的正确率分别在780%～902%与894%～955%之间,而基于AdaBoost级联框架的分类器的各类舌质分类正确率在930%～987%之间。结论基于AdaBoost级联框架的舌质颜色分类方法与其他经典方法相比,具有较高的正确分类率,为基于图像处理的中医舌诊辅助诊断奠定了一定的基础。 

【文章来源】：北京生物医学工程. 2020,39(01)

【文章页数】：7 页

【部分图文】：

AdaBoost分类器级联框架

舌图像来源于北京工业大学信息学部智能媒体计算研究所的舌象数据库。这些图像由多位医生进行了标记，将舌图像分为淡白、淡红、红、暗红、绛红、青紫6种舌色类型（图2）。虽然存在样本数量不均衡的问题，但经采用过采样法扩充样本集后，对分类结果的错误率影响较低。算法基于Matlab2014实现。实验设备为CPU i7-4710HQ,RAM 8G，操作系统为Win10、64位。

本文使用AdaBoost学习算法训练对舌图像的分类结果，结果如图3所示。本文实验中对不同舌色分类的图像进行了训练，从图3中可以看出，当训练轮数过多的时候，分类器的训练错误率并不会有明显的下降，甚至在少数情况下，有可能出现错误率上升[过拟合现象如图3(e）所示]。因此本文针对不同舌色的分类器使用了不同的训练轮数，暗红、红、淡红、淡白、绛红、青紫的训练轮数依次为70、60、90、90、50、80。


本文编号：3565560