3、中医舌象图像分类方法：基于多特征融合的创新方案

中医舌象图像分类方法：基于多特征融合的创新方案

1. 现有舌象图像分类问题

目前，国内外学者在舌象图像分类领域进行了大量研究并取得一定成果，但在舌诊现代化的现有方法和系统中仍存在问题。多数舌象图像特征提取和分类研究为单一分类，然而在实际中，中医需综合多种舌象特征判断病情，单一分类的舌象图像特征局限性大，难以在现实中发挥作用。此外，中医舌象图像和其他医学图像一样，存在训练样本数据稀缺、舌象特征信息量大的问题。若训练样本不足，分类准确性会降低，影响后续开发与应用。

2. 多特征融合的舌象图像分类网络

为解决上述问题，提出了基于多特征融合的舌象图像分类网络，并构建整体模型，包含两个子网络模型，以实现四种舌象特征的分类任务。在整个训练过程中，舌色和苔色分类任务采用基于迁移学习的 ResNet - 34 网络模型，舌形和裂纹分类任务采用基于迁移学习的 VggNet - 16 网络模型。迁移学习方法统一使用，可提高模型训练速度、提升网络模型性能并减少训练时间。

3. 系统模型

3.1 多特征融合的舌象图像分类模型

在图像分类中，形状特征分为轮廓特征和区域特征。轮廓特征可视为边缘特征，常用于特征明显图像的分类，区域特征用于形状区域分类。VggNet 结构简单，仅使用一个损失函数，模型扩展性强、泛化能力好，适合提取轮廓和区域特征。舌色和苔色属于颜色特征，一般应用场景中，颜色特征分为全局特征。ResNet 是跨层连接网络，可使整个模型叠加更深网络，且网络不会随深度增加而退化，因此用 ResNet 提取和分类舌色与苔色特征效果更佳。

系统模型根据分类任务对舌象单一特征进行提取、融合和分类，再将两个独立模型结合