《表5 不同算法在舌图像数据集上的分割结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于DCNN和全连接CRF的舌图像分割算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

此外，由于舌体和嘴唇区域存在交集，并且2种颜色较为相似，传统算法在这种情况下有时分割错误，将部分嘴唇区域判断为舌体区域。由于DCNN可以自动提取抽象特征，并利用全连接CRF对边缘进行细化，在这种情况下，本文算法可以更加准确地分割舌体区域，分割精度更高。如图9所示，图9（b）和图9（e）分别为GrabCut和Snake算法处理后的分割结果。传统的分割算法有时将嘴唇误判为舌体，分割效果较差。在这种情况下，本文算法可以比传统算法更好地区分舌体和嘴唇，获得良好的分割结果。图9（c）和图9（f）是使用本文算法得到的分割结果。在分割精度方面，本文算法在PA、MPA、MIOU三个方面都优于其他分割算法。不同算法的分割结果示例如图10所示。