基于图像处理技术的中药鉴定算法研究

孙明思 李瑞婷 赵莹 吉林农业科技学院 电气与信息工程学院

1 概述

中药是从中国传统医药理论指导采集、炮制、制剂，说明作用机理，指导临床应用的药物。中药是中华医学的中药组成部分，包括动物源中药、植物源中药、矿物源中药以及部分化学生物制品类药物。古语有“诸药以草为本”，中药品类多以植物类中药居多。因此本文研究对象为植物药的识别与鉴定技术。

图像处理技术是利用计算机相关技术对图像信息进行加工、处理的技术，包括图像数字化、图像增强和复原、图像信息数据化编码、图像分割及识别等。图像处理技术应用过程中，有两个方向：一是模拟图像，如遥感图像、相机获取的图像等图像信息；二是数字图像的处理。本文所研究的内容属于模拟图像范畴。本文研究如何利用现有图像处理技术实现复杂的中药鉴定过程。

2 识别算法

目前，图像识别算法主要有两种：一种是传统识别算法；二是基于深度学习的图像识别算法。

传统识别算法通常情况下由三个步骤组成，分别是图像预处理、图像特征提取以及图像分类识别。图像预处理通常包括图像去噪以及图像增强两种。大部分图像去噪会采用滤波算子、小波去噪、稀疏编码去噪、直方图均衡化等方法，目的在于去除图像中对分类识别产生影响的图像噪声。图像增强则可以突出目标信息，进而提高后续识别的准确性和识别效率。特征提取的目的是要提取出有用的、有利于分类识别的图像特征，是图像检测以及图像识别的核心内容。图像特征的提取需要从众多特征中明确出有效的信息特征，例如颜色、纹理、梯度、形状等等。常用且效果较好的特征有SIFT 特征、LBP特征、HOG特征等。图像特征分类识别多采用分类器完成。常用分类器有决策树、朴素贝叶斯分类器、罗杰斯特回归、KNN分类器和支持向量机等等，其中，以支持向量机和Sofimax分类器应用最为广泛。

深度学习是近十几年来人工智能研究领域所取得的重要突破，已将其应用于计算机视觉、语音识别、图像与视频分析等诸多领域，并取得了巨大的成功。深度学习在计算机视觉领域中的应用是本文研究的内容。深度学习与传统识别算法最大的不同在于图像特征的获取是通过在大量数据中自动学习而得，其特征提取效率远高于传统识别算法，同时特征的表示可以包含成千上万的参数。基于深度学习的图像识别中特征表示和分类器是联合优化的，充分发挥二者联合协作的性能。深度学习的核心在于神经网络的层次结构，各个层次同构联合学习、整体优化，性能将大幅度提升。深度学习在网络结构、层的设计和训练方法各方面的理论、算法和应用成为本文后续研究工作的主要内容。

3 关键技术

图像处理技术的应用过程中，图像来源及图像数字化、预处理等方面是重要环节，某种程度上决定了技术在相应领域应用的成败。基于图像处理技术的中药鉴定算法研究同样存在此问题。在算法研究过程中，存在如下关键技术问题：

(1）数据集的获取

目前，现存最早的本草专著是汉代的神农本草经，收录了365种中药，在明朝、清代建国时期，中药种类达到5767种，其中植物药有4773种。对于4773种中药品的图像获取存在一定难度。除了日常使用中常见的500种外，其他中药则需专业人士参与指导以完善数据集的数量，并达到深度学习识别算法所需的数据规模。

(2）图像样本标签设置

中药图像同样存在图像样本相近或相似的问题。采用深度学习图像给处理技术，需对同一药品不同图像、不同药品相似图像做出标注，以备训练深度学习的识别模型所使用。然而，目前常用的图像标注方法和标注工具并不能够有效完成中药图像的自动标注。在后续的研究过程中，将考虑应用细粒度图像处理技术，结合领域专业知识对图像进行预处理。

(3）图像特征理解与表达

图像的特征理解与特征表达一方面将决定图像处理结果的有效性，另一方面会影响算法的效率及性能。特征表达需结合图像数据集的规模，明确图像属性，以较为精简的数据类型描述体现图像样本的特征。中药图像具有不同品类相同或相近图像属性的特点。因此，在特征理解与表达时应考虑到识别精度和机器性能等因素。

4 总结

图像处理技术已广泛应用于人们生活、工作的各个领域，如人脸识别应用于乘车进站、小区门禁、单位考勤等实际领域。将此项技术研究应用于中药鉴定、中草药鉴定相关领域将会对中医药事业的发展产生较大的促进与推动作用。本文已详细分析图像处理技术在中药鉴定过程中的可用算法及关键技术，为后续项目研究工作奠定了理论基础。