摘要
望诊是中医医师通过观察患者的形体、面部、舌体、舌苔等特征，来诊断疾病的一种方法。近年来，随着人工智能的快速发展，通过计算机辅助望诊分析成为一个重要的研究方向。计算机可以通过对采集的望诊图像进行分割、特征提取和分类等操作来诊断疾病。在中医望诊中，面部和舌体的颜色可以反映人体内部疾病的状态，因此它是一项重要的观察指标。然而，在数据采集的过程中，望诊图像会受光照环境因素的影响，从而导致其颜色与实际颜色存在偏差。为了避免色彩偏差对分析结果造成不良影响，需要对采集到的图像进行颜色校正。颜色恒常性能够在不同光照条件下保持颜色的一致性，因此可以利用颜色恒常性来消除光照条件对颜色的影响，使得计算机辅助望诊分析的结果更加准确。为了更好地校正望诊图像的颜色，本文主要做了以下几个方面的工作： （1）制作望诊图像数据集。目前，在开放环境下采集的中医望诊图像数据较少，为了解决实际需求，本文通过不同相机设备在不同光照条件下拍摄了望诊图像数据，并对数据进行预处理以满足颜色校正算法的需求。此外，为了得到数据标签，本文设计了基于RetinaNet的改进算法来自动识别色卡，协助提取颜色信息。为了进一步增加数据集的多样性，本文还使用了Gehler-shi数据集、NUS-8数据集作为补充。 （2）设计基于统计分析的颜色校正算法。通过对经典的无监督算法进行研究分析，提出了基于监督色的自适应多项式回归算法。为了验证该方法的有效性，本文以Lab颜色空间的色差值为评价指标，进一步分析了该方法与其他三种无监督算法的性能。 （3）设计基于深度学习的颜色恒常性算法。为了构建颜色恒常性算法模型，实现无监督预测的目标，本文设计了基于轻量级网络的置信度加权颜色恒常性算法。区别于传统CNN同等对待每个像素，该方法有效地区分了有用信息和噪声信息。为了解决数据集组合训练时性能下降的问题，本文对该算法进行了改进，通过设计设备特定的信道加权模块进一步提高了模型的鲁棒性。经实验分析，该算法在角度误差上的评估结果更好，证明了该算法的有效性。
NETL