舌下图像分析方法、装置、计算机设备和存储介质

1.本技术涉及人工智能技术领域，特别是涉及一种舌下图像分析方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.传统中医以“整体观念”和“辨证论治”为特点，通过“四诊合参”进行整体性、动态化的诊断，是一种有效的医学理念。而舌诊则是中医“望诊”中重要的组成部分，根据舌的颜色、纹理、形态、舌下静脉颜色和间距等特征可以判断多种症候，在冠心病、肾脏病等领域有着重要意义。
3.目前中医舌诊，尤其是舌下部分的诊断，主要依靠医生目测与个人经验。因此，完全依靠人力的现有的舌下部分诊断方法效率低下。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高舌下部分诊断效率的舌下图像分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种舌下图像分析方法。所述方法包括：
6.获取目标舌腹面图像，并对所述目标舌腹面图像进行舌下静脉图像分割处理，得到分割结果；所述分割结果包括第一舌下静脉图；所述第一舌下静脉图为舌下静脉区域对应的图像；
7.对所述第一舌下静脉图进行舌下静脉颜色量化，得到舌下静脉颜色量化结果；
8.根据所述舌下静脉颜色量化结果和预设的舌下静脉颜色分类规则，确定舌下静脉颜色分类结果；
9.根据所述舌下静脉颜色量化结果和所述舌下静脉颜色分类结果，确定舌下图像分析结果。
10.在其中一个实施例中，所述对所述第一舌下静脉图进行舌下静脉颜色量化，得到舌下静脉颜色量化结果包括：
11.将所述第一舌下静脉图分别转换至多个颜色空间，得到所述第一舌下静脉图在各所述颜色空间中对应的转换图像；
12.针对每一个颜色空间，根据所述颜色空间对应的转换图像，确定所述第一舌下静脉图在所述颜色空间中的特征信息；
13.根据所述第一舌下静脉图在各所述颜色空间中的特征信息，确定所述第一舌下静脉图的多维特征向量；
14.对所述第一舌下静脉图的多维特征向量进行降维处理，得到一维特征向量；
15.对所述一维特征向量进行缩放处理，得到舌下静脉颜色量化结果。
16.在其中一个实施例中，所述对所述目标舌腹面图像进行舌下静脉图像分割处理，得到分割结果包括：
17.对所述目标舌腹面图像进行去噪处理，得到候选图像；
18.针对所述候选图像包含的每一个像素点，判断所述像素点是否在预先建立的舌下静脉色域范围内；
19.若所述像素点在预先建立的舌下静脉色域范围内，则确定所述像素点为初步分割像素点；
20.根据确定出的各所述初步分割像素点，确定分割结果。
21.在其中一个实施例中，所述分割结果还包括第二舌下静脉图；所述第二舌下静脉图为标记舌下静脉边界的舌腹面图像；
22.所述方法还包括：
23.对所述第一舌下静脉图和所述第二舌下静脉图进行舌下静脉尺寸特征测量，得到舌下静脉尺寸特征测量结果；
24.所述根据所述舌下静脉颜色量化结果和所述舌下静脉颜色分类结果，确定舌下图像分析结果包括：
25.根据所述舌下静脉颜色量化结果、所述舌下静脉颜色分类结果和所述舌下静脉尺寸特征测量结果，确定舌下图像分析结果。
26.在其中一个实施例中，所述舌下静脉尺寸特征测量结果包括舌下静脉长度占比、舌下静脉宽度占比、舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果；
27.所述对所述第一舌下静脉图和所述第二舌下静脉图进行舌下静脉尺寸特征测量，得到舌下静脉尺寸特征测量结果包括：
28.根据所述第二舌下静脉图，确定舌系带图像，并根据所述舌系带图像，确定舌腹面中轴图像；
29.根据所述第一舌下静脉图，确定舌下静脉的形态骨架图像；
30.基于所述第二舌下静脉图、所述舌腹面中轴图像和所述形态骨架图像，计算所述舌下静脉长度占比和所述舌下静脉宽度占比；
31.根据所述舌下静脉长度占比、所述舌下静脉宽度占比、预设的舌下静脉长度占比阈值和预设的舌下静脉宽度占比阈值，确定所述舌下静脉长度占比分类结果和所述舌下静脉宽度占比分类结果。
32.在其中一个实施例中，所述获取目标舌腹面图像包括：
33.通过图像识别算法，识别检测图像是否为舌下图像；
34.若所述检测图像为舌下图像，则对所述检测图像进行颜色校正，得到目标舌下图像；
35.对所述目标舌下图像进行舌腹面分割，得到目标舌腹面图像。
36.第二方面，本技术还提供了一种舌下图像分析装置。所述装置包括：
37.静脉图像分割模块，用于获取目标舌腹面图像，并对所述目标舌腹面图像进行舌下静脉图像分割处理，得到分割结果；所述分割结果包括第一舌下静脉图；所述第一舌下静脉图为舌下静脉区域对应的图像；
38.静脉颜色量化模块，用于对所述第一舌下静脉图进行舌下静脉颜色量化，得到舌下静脉颜色量化结果；
39.静脉颜色分类模块，用于根据所述舌下静脉颜色量化结果和预设的舌下静脉颜色
分类规则，确定舌下静脉颜色分类结果；
40.图像分析模块，用于根据所述舌下静脉颜色量化结果和所述舌下静脉颜色分类结果，确定舌下图像分析结果。
41.在其中一个实施例中，所述静脉颜色量化模块，具体用于：
42.将所述第一舌下静脉图分别转换至多个颜色空间，得到所述第一舌下静脉图在各所述颜色空间中对应的转换图像；
43.针对每一个颜色空间，根据所述颜色空间对应的转换图像，确定所述第一舌下静脉图在所述颜色空间中的特征信息；
44.根据所述第一舌下静脉图在各所述颜色空间中的特征信息，确定所述第一舌下静脉图的多维特征向量；
45.对所述第一舌下静脉图的多维特征向量进行降维处理，得到一维特征向量；
46.对所述一维特征向量进行缩放处理，得到舌下静脉颜色量化结果。
47.在其中一个实施例中，所述静脉图像分割模块，具体用于：
48.对所述目标舌腹面图像进行去噪处理，得到候选图像；
49.针对所述候选图像包含的每一个像素点，判断所述像素点是否在预先建立的舌下静脉色域范围内；
50.若所述像素点在预先建立的舌下静脉色域范围内，则确定所述像素点为初步分割像素点；
51.根据确定出的各所述初步分割像素点，确定分割结果。
52.在其中一个实施例中，所述分割结果还包括第二舌下静脉图；所述第二舌下静脉图为标记舌下静脉边界的舌腹面图像；
53.所述装置还包括：
54.静脉尺寸特征测量模块，用于对所述第一舌下静脉图和所述第二舌下静脉图进行舌下静脉尺寸特征测量，得到舌下静脉尺寸特征测量结果；
55.所述图像分析模块，具体用于：
56.根据所述舌下静脉颜色量化结果、所述舌下静脉颜色分类结果和所述舌下静脉尺寸特征测量结果，确定舌下图像分析结果。
57.在其中一个实施例中，所述舌下静脉尺寸特征测量结果包括舌下静脉长度占比、舌下静脉宽度占比、舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果；
58.所述静脉尺寸特征测量模块，具体用于：
59.根据所述第二舌下静脉图，确定舌系带图像，并根据所述舌系带图像，确定舌腹面中轴图像；
60.根据所述第一舌下静脉图，确定舌下静脉的形态骨架图像；
61.基于所述第二舌下静脉图、所述舌腹面中轴图像和所述形态骨架图像，计算所述舌下静脉长度占比和所述舌下静脉宽度占比；
62.根据所述舌下静脉长度占比、所述舌下静脉宽度占比、预设的舌下静脉长度占比阈值和预设的舌下静脉宽度占比阈值，确定所述舌下静脉长度占比分类结果和所述舌下静脉宽度占比分类结果。
63.在其中一个实施例中，所述静脉图像分割模块，具体用于：
64.通过图像识别算法，识别检测图像是否为舌下图像；
65.若所述检测图像为舌下图像，则对所述检测图像进行颜色校正，得到目标舌下图像；
66.对所述目标舌下图像进行舌腹面分割，得到目标舌腹面图像。
67.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
68.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
69.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的步骤。
70.上述舌下图像分析方法、装置、计算机设备、存储介质和计算机程序产品，获取目标舌腹面图像，并对所述目标舌腹面图像进行舌下静脉图像分割处理，得到分割结果；所述分割结果包括第一舌下静脉图；所述第一舌下静脉图为舌下静脉区域对应的图像；对所述第一舌下静脉图进行舌下静脉颜色量化，得到舌下静脉颜色量化结果；根据所述舌下静脉颜色量化结果和预设的舌下静脉颜色分类规则，确定舌下静脉颜色分类结果；根据所述舌下静脉颜色量化结果和所述舌下静脉颜色分类结果，确定舌下图像分析结果。这样通过获取舌下图像，对舌下图像依次进行多次分割，并对分割结果依次进行舌下静脉颜色量化和舌下静脉颜色分类，得到舌下图像分析结果，从而辅助医生进行舌诊，不再单纯依靠人力，提高了舌下部分诊断的效率。
附图说明
71.图1为一个实施例中舌下图像分析方法的流程示意图；
72.图2为一个实施例中对第一舌下静脉图进行舌下静脉颜色量化步骤的流程示意图；
73.图3为一个实施例中对目标舌腹面图像进行舌下静脉图像分割处理步骤的流程示意图；
74.图4为另一个实施例中对第一舌下静脉图和第二舌下静脉图进行舌下静脉尺寸特征测量步骤的流程示意图；
75.图5为一个实施例中获取目标舌腹面图像步骤的流程示意图；
76.图6为一个实施例中舌下图像分析装置的结构框图；
77.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
78.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
79.在一个实施例中，如图1所示，提供了一种舌下图像分析方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括
终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
80.步骤101，获取目标舌腹面图像，并对目标舌腹面图像进行舌下静脉图像分割处理，得到分割结果。
81.其中，分割结果包括第一舌下静脉图。第一舌下静脉图为舌下静脉区域对应的图像。
82.在本技术实施例中，终端可以先获取目标舌腹面图像。然后，终端通过色域分割的方法，对目标舌腹面图像进行舌下静脉图像分割处理，得到包括第一舌下静脉图在内的分割结果。
83.在一个示例中，终端可以建立舌下静脉色域。然后，终端可以分别判断目标舌腹面图像包含的各像素点是否在舌下静脉色域范围内。然后，终端将各在舌下静脉色域范围内的目标舌腹面图像包含的像素点，构成舌下静脉区域对应的图像，得到第一舌下静脉图。
84.步骤102，对第一舌下静脉图进行舌下静脉颜色量化，得到舌下静脉颜色量化结果。
85.在本技术实施例中，终端可以对第一舌下静脉图进行舌下静脉颜色量化，得到舌下静脉颜色量化结果。具体的，终端可以先将第一舌下静脉图分别转换至多个颜色空间，并根据转换结果，计算第一舌下静脉图的多维特征向量。其中，第一舌下静脉图的多维特征向量的维数与颜色空间的数量成正比。然后，终端可以对第一舌下静脉图的多维特征向量降维，得到第一舌下静脉图的一维特征向量。接着，终端可以对第一舌下静脉图的一维特征向量缩放，得到舌下静脉颜色量化结果。其中，舌下静脉颜色量化结果用于表示舌下静脉颜色的程度。舌下静脉颜色量化结果包括舌下静脉颜色量化值。
86.步骤103，根据舌下静脉颜色量化结果和预设的舌下静脉颜色分类规则，确定舌下静脉颜色分类结果。
87.在本技术实施例中，终端可以先根据训练样本集，确定各种舌下静脉颜色对应的分类区间，得到舌下静脉颜色分类规则。其中，训练样本集包括样本量化结果和样本量化结果对应的样本分类结果。样本量化结果为舌下静脉颜色的样本量化结果。样本分类结果为舌下静脉颜色的样本分类结果。
88.在一个示例中，终端可以预先设置数组目标分类区间。针对每一组目标分类区间，终端可以根据该组目标分类区间，对训练样本集中的各训练样本进行舌下静脉颜色分类，得到舌下静脉颜色的分类预测结果。然后，针对每一组目标分类区间，终端可以根据该组的样本分类结果和分类预测结果，计算该组目标分类区间的误分率。然后，终端将各组目标分类区间的误分率进行比较，得到误分率最小的目标分类区间，并将其作为待选分类区间。接着，终端将待选分类区间的误分率与预设的阈值进行比较。若误分率小于或等于预设阈值，则终端将待选分类区间，作为各种舌下静脉颜色对应的分类区间。
89.然后，终端可以根据舌下静脉颜色量化结果和预设的舌下静脉颜色分类规则，确定舌下静脉颜色分类结果。其中，舌下静脉颜色分类结果用于表示舌下静脉颜色的类别。舌
下静脉颜色可以分为三种类别。例如，舌下静脉颜色分为浅淡、正常(红)、紫黑三种类别。
90.步骤104，根据舌下静脉颜色量化结果和舌下静脉颜色分类结果，确定舌下图像分析结果。
91.在本技术实施例中，终端可以将舌下静脉颜色量化结果和舌下静脉颜色分类结果，作为舌下图像分析结果。
92.上述舌下图像分析方法中，终端通过获取舌下图像，对舌下图像依次进行多次分割，并对分割结果依次进行舌下静脉颜色量化和舌下静脉颜色分类，得到准确的舌下图像分析结果，从而辅助医生进行舌诊，不再单纯依靠人力，提高了舌下部分诊断的效率，也降低了对医生的个人中医知识水平和实际临床经验的要求。并且，舌下图像分析结果不仅包括舌下静脉颜色分类结果，还包括舌下静脉颜色量化结果，使得医生得到的舌下图像分析结果不仅能直观得反映舌下颜色的类别，还能清晰直观得反映舌下颜色的程度，从而提高舌下部分诊断的准确性。此外，相比直接对舌下图像进行舌下静脉图像分割处理，终端通过对目标舌腹面图像进行舌下静脉图像分割处理，提高了舌下静脉图像分割处理的准确性，提高了舌下静脉颜色量化结果和舌下静脉颜色分类结果的准确性，从而进一步提高舌下部分诊断的准确性。
93.在一个实施例中，如图2所示，对第一舌下静脉图进行舌下静脉颜色量化，得到舌下静脉颜色量化结果的具体过程包括以下步骤：
94.步骤201，将第一舌下静脉图分别转换至多个颜色空间，得到第一舌下静脉图在各颜色空间中对应的转换图像。
95.在本技术实施例中，终端可以将第一舌下静脉图分别转换至多个颜色空间，得到第一舌下静脉图在各颜色空间中对应的转换图像。其中，颜色空间包括三个分量。例如，颜色空间可以为rgb(red、green、blue，红、绿、蓝)颜色空间和lab颜色空间。
96.步骤202，针对每一个颜色空间，根据该颜色空间对应的转换图像，确定第一舌下静脉图在该颜色空间中的特征信息。
97.在本技术实施例中，针对每一个颜色空间，终端得到第一舌下静脉图在该颜色空间中对应的转换图像后，可以确定该转换图像的特征信息。具体的，终端计算该转换图像在该颜色空间中的三个分量值。然后，终端可以将计算出的三个分量值构成特征信息，从而得到第一舌下静脉图在该颜色空间中的特征信息。
98.在一个示例中，针对每一个颜色空间，终端根据该颜色空间对应的转换图像，确定该转换图像包含的各个像素点对应的三个该颜色空间的分量值。然后，针对每一个分量，终端计算该转换图像包含的各个像素点对应的该分量值的平均值，并将该平均值作为第一舌下静脉图在该颜色空间中的一个分量值。然后，终端可以将该颜色空间中的三个分量值，构成第一舌下静脉图在该颜色空间中的特征信息。
99.例如，终端根据rgb颜色空间对应的转换图像，确定该转换图像包含的各个像素点的r分量值、g分量值和b分量值。然后，终端计算该转换图像包含的各个像素点的r分量值的平均值，并将该平均值作为第一舌下静脉图在该颜色空间中的一个r分量值。同时，终端计算该转换图像包含的各个像素点的g分量值的平均值，并将该平均值作为第一舌下静脉图在该颜色空间中的一个g分量值。同时，终端计算该转换图像包含的各个像素点的b分量值的平均值，并将该平均值作为第一舌下静脉图在该颜色空间中的一个b分量值。然后，终端
可以将该颜色空间中的r分量值、g分量值和b分量值，构成第一舌下静脉图在该颜色空间中的特征信息。
100.步骤203，根据第一舌下静脉图在各颜色空间中的特征信息，确定第一舌下静脉图的多维特征向量。
101.在本技术实施例中，终端可以将第一舌下静脉图在各颜色空间中的特征信息，构成第一舌下静脉图的多维特征向量。具体的，终端可以将第一舌下静脉图在各颜色空间中的三个分量值，按照预设的排列顺序，构成第一舌下静脉图的多维特征向量。其中，第一舌下静脉图的多维特征向量的维数可以为3的正整数倍。例如，转换至的颜色空间的数量为n，第一舌下静脉图的多维特征向量的维数为3n。
102.在一个实施例中，颜色空间为rgb和hsv这两个颜色空间。第一舌下静脉图在rgb颜色空间中的三个分量值为(r,g,b)。第一舌下静脉图在hsv颜色空间中的三个分量值为(h,s,v)。终端将第一舌下静脉图在各颜色空间中的三个分量值，按照预设的排列顺序，构成第一舌下静脉图的6维特征向量(r,g,b,h,s,v)。
103.步骤204，对第一舌下静脉图的多维特征向量进行降维处理，得到一维特征向量。
104.在本技术实施例中，终端可以对第一舌下静脉图的多维特征向量降至一维，得到第一舌下静脉图的一维特征向量。具体的，终端可以将最小化类内距离、最大化类间距离作为优化目标，将多维数据逐步降维投影到低维超平面上，最终降至一维，得到一维特征向量。其中，一维特征向量的空间坐标轴方向函数不同于多维空间中任何一个坐标抽方向，依赖于训练时输入的带标定舌下静脉训练数据集。
105.在一个示例中，终端可以对第一舌下静脉图的多维特征向量进行有监督降维。例如，终端可以采用三分类的线性判别分析(linear discriminant analysis，缩写为lda)算法对第一舌下静脉图的多维特征向量进行有监督降维。
106.步骤205，对一维特征向量进行缩放处理，得到舌下静脉颜色量化结果。
107.在本技术实施例中，终端可以对一维特征向量依照同比例原则进行缩放处理，得到舌下静脉颜色量化结果。具体的，终端可以对第一舌下静脉图的一维特征向量按照预设的比例，缩放至预设的舌下静脉颜色量化区间，得到舌下静脉颜色量化值。其中，终端可以将舌下静脉颜色量化值作为舌下静脉颜色量化结果。
108.上述舌下图像分析方法中，终端通过将第一舌下静脉图分别转换至多个颜色空间，得到第一舌下静脉图在各颜色空间中对应的转换图像，并根据第一舌下静脉图在各颜色空间中对应的转换图像，计算得到第一舌下静脉图的多维特征向量，然后，对第一舌下静脉图的多维特征向量降维和对第一舌下静脉图的一维特征向量缩放，得到舌下静脉颜色量化结果。这样，第一舌下静脉图的一维特征向量并不同于多维空间中任何一个坐标抽方向，仅依赖于训练时输入的足够丰富的带标定舌下静脉训练数据集，提高第一舌下静脉图的一维特征向量的准确性，从而提高了舌下静脉颜色量化结果的准确性，进而提高了舌下静脉颜色分类结果的准确性，进一步提高舌下部分诊断的准确性。
109.在一个实施例中，如图3所示，对目标舌腹面图像进行舌下静脉图像分割处理，得到分割结果的具体过程包括以下步骤：
110.步骤301，对目标舌腹面图像进行去噪处理，得到候选图像。
111.在本技术实施例中，终端可以对目标舌腹面图像进行去噪处理，并将去噪处理后
得到的图像，作为候选图像。
112.在一个示例中，终端可以对目标舌腹面图像进行一次去噪处理，并将一次去噪处理后得到的图像，作为候选图像。其中，一次去噪处理可以为减少阴影干扰，也可以为减少反光点干扰，还可以为减少其他噪点的干扰。
113.在另一个示例中，终端可以对目标舌腹面图像依次进行多次去噪处理，并将多次去噪处理后得到的图像，作为候选图像。例如，终端可以先对目标舌腹面图像进行减少阴影干扰的去噪处理，再进行减少反光点干扰的去噪处理。
114.在一个实施例中，终端先将目标舌腹面图像转换至lab颜色空间，得到目标舌腹面图像在lab颜色空间中的转换图像。然后，终端根据目标舌腹面图像在lab颜色空间中的转换图像，确定目标舌腹面图像包含的各像素点的l(亮度)分量值。然后，终端根据目标舌腹面图像包含的各像素点的l分量值和预设的l阈值，确定目标舌腹面图像的l分量二值化处理结果。然后，终端将目标舌腹面图像的l分量二值化处理结果与目标舌腹面图像进行点乘，得到一次去噪图像。这样，将l分量值小于预设的l阈值的像素点可作为阴影，即对于亮度值很小的像素点，确定其是原始图像中的阴影部分，而非舌下静脉区域像素点，利用了阴影部分的亮度值相对于舌腹面其他区域偏小的特点，能够准确去除舌下静脉区域图像中包含阴影部分的像素点。而且，由于阴影在ciexy空间上的投影和真正的舌下静脉区域的投影接近，在舌下阴影部分在获取目标舌腹面图像时已经去除的前提下，这样再次排除阴影对舌下静脉分割的干扰，能够防止分割不准确残余的阴影或者舌腹面内拍摄原因产生的阴影，进一步准确去除舌下静脉区域图像中包含阴影部分的像素。
115.然后，终端可以对一次去噪图像进行滤波处理，得到二次去噪图像。例如，滤波处理可以为均值滤波处理。
116.接着，终端可以先确定二次去噪图像包含的各像素点的灰度值。然后，针对二次去噪图像包含的每一个像素点，终端可以将该像素点的灰度值和预设的灰度阈值进行比较。若该像素点的灰度值大于预设的灰度阈值，则终端将该像素点作为反光点。针对每一个反光点，终端可以先判断该反光点的8邻域范围内是否均为反光点。若该反光点的8邻域范围内非均为反光点，则终端采用8邻域最小值法对该反光点进行填充，即用该反光点相邻的8个像素点的最小灰度值替换该反光点的灰度值。若该反光点的8邻域范围内均为反光点，则终端先采用8邻域最小值法对该反光点进行填充，再对该8邻域范围内均为反光点的区域做一次形态学开运算，先腐蚀再膨胀。这样能够通过增加区域数，去除高亮点。然后，终端将处理后反光点和其他像素点，构成三次去噪图像。这样能够减轻反光点的干扰。
117.进一步的，这样通过对目标舌腹面图像依次进行三次不同的去噪处理，能够去除多种噪点的干扰，进一步提高舌下静脉图像分割处理的准确性，进一步提高舌下静脉颜色量化结果和舌下静脉颜色分类结果的准确性，进而进一步提高舌下部分诊断的准确性。
118.步骤302，针对候选图像包含的每一个像素点，判断该像素点是否在预先建立的舌下静脉色域范围内。
119.在本技术实施例中，终端先建立舌下静脉色域。然后，终端可以根据舌下静脉色域，确定舌下静脉色域范围。然后，针对候选图像包含的每一个像素点，终端可以判断该像素点是否在预先建立的舌下静脉色域范围内。
120.在一个示例中，终端可以先获取舌下静脉图像样本集。其中，舌下静脉图像样本集
包括多个舌下静脉样本图像。例如，舌下静脉图像样本集包括50-100张舌下静脉样本图像。舌下静脉图像样本集包括全部的舌下静脉颜色类别，例如，浅淡、正常和紫黑。舌下静脉样本图像可以通过对舌腹面样本图像进行分割得到。然后，针对每一个舌下静脉样本图像，终端可以将该舌下静脉样本图像转换至ciexy(commission internationale de l
′
eclairage,国际照明委员会)颜色空间，得到该舌下静脉样本图像在ciexy颜色空间下的颜色集合。然后，终端可以将各舌下静脉样本图像对应的颜色集合，构成舌下静脉色域。接着，终端对舌下静脉色域进行边界拟合，确定舌下静脉色域范围。例如，终端可以通过单类支持向量机(support vector machines，svm)分类器，对舌下静脉色域进行边界拟合。
121.步骤303，若该像素点在预先建立的舌下静脉色域范围内，则确定该像素点为初步分割像素点。
122.在本技术实施例中，若该像素点在预先建立的舌下静脉色域范围内，则终端确定该像素点为初步分割像素点。
123.步骤304，根据确定出的各初步分割像素点，确定分割结果。
124.在本技术实施例中，终端可以将确定出的各初步分割像素点，构成舌下静脉区域对应的图像，即第一舌下静脉图，得到分割结果。
125.在一个示例中，终端还可以根据各初步分割像素点，确定舌下静脉边界。然后，终端可以在目标舌腹面图像上标记舌下静脉边界，得到第二舌下静脉图。其中，第二舌下静脉图为标记舌下静脉边界的舌腹面图像。然后，终端将第一舌下静脉图和第二舌下静脉图，构成分割结果。
126.在一个示例中，终端可以将各初步分割像素点，构成舌下静脉区域对应的初步图像，得到初步分割结果。然后，终端根据初步分割结果，确定初步分割结果包含的各像素点之间的相邻关系。然后，终端可以根据初步分割结果包含的各像素点之间的相邻关系，确定初步分割结果的区域数量。若初步分割结果的区域数量大于2，则终端在初步分割结果中，确定最邻近的两区域，并对其进行形态学闭运算，先膨胀再腐蚀，融合细微连接的图块，减少区域数，直到分割区域数量为2，得到分割结果。若初步分割结果的区域数量小于或等于2，则终端将初步分割结果作为分割结果。这样，将区域数量为1的分初步分割结果同样作为分割结果，考虑拍摄角度的现实因素，符合实际情况。
127.上述舌下图像分析方法中，终端通过分别判断经过多重去噪处理的舌腹面图像包含的各像素点是否在预先建立的舌下静脉色域范围内，确定初步分割像素点，并根据各初步分割像素点，确定分割结果。这样去除多重噪声的干扰，能够提高舌下静脉分割结果的准确性，从而提高了舌下静脉颜色量化结果和舌下静脉颜色分类结果的准确性，进一步提高舌下部分诊断的准确性。
128.在一个实施例中，分割结果还包括第二舌下静脉图。第二舌下静脉图为标记舌下静脉边界的舌腹面图像。
129.该方法的具体过程还包括以下步骤：对第一舌下静脉图和第二舌下静脉图进行舌下静脉尺寸特征测量，得到舌下静脉尺寸特征测量结果。
130.在本技术实施例中，舌下静脉尺寸特征测量结果用于表示舌下静脉尺寸特征。终端可以对第一舌下静脉图和第二舌下静脉图进行舌下静脉尺寸特征测量，得到舌下静脉长度占比、舌下静脉宽度占比、舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果。然
后，终端将舌下静脉长度占比、舌下静脉宽度占比、舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果，构成舌下静脉尺寸特征测量结果。
131.根据舌下静脉颜色量化结果和舌下静脉颜色分类结果，确定舌下图像分析结果的具体过程包括以下步骤：根据舌下静脉颜色量化结果、舌下静脉颜色分类结果和舌下静脉尺寸特征测量结果，确定舌下图像分析结果。
132.在本技术实施例中，终端可以将舌下静脉颜色量化结果、舌下静脉颜色分类结果和舌下静脉尺寸特征测量结果，构成舌下图像分析结果。
133.上述舌下图像分析方法中，分割结果还包括第二舌下静脉图。终端还通过对第一舌下静脉图和第二舌下静脉图进行舌下静脉尺寸特征测量，得到舌下静脉尺寸特征测量结果。这样，舌下图像分析结果不仅包括舌下静脉颜色量化结果和舌下静脉颜色分类结果，还包括舌下静脉尺寸特征测量结果，能够显示患者的舌下静脉尺寸是否正常，提高舌下图像分析结果的全面性，进一步提高舌下部分诊断的准确性。
134.在一个实施例中，舌下静脉尺寸特征测量结果包括舌下静脉长度占比、舌下静脉宽度占比、舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果。
135.如图4所示，对第一舌下静脉图和第二舌下静脉图进行舌下静脉尺寸特征测量，得到舌下静脉尺寸特征测量结果的具体过程包括以下步骤：
136.步骤401，根据第二舌下静脉图，确定舌系带图像，并根据舌系带图像，确定舌腹面中轴图像。
137.在本技术实施例中，终端可以先将第二舌下静脉图，转换至hsv(hue、saturation、value，色调、饱和度、明度)颜色空间，得到第二舌下静脉图在hsv颜色空间中的转换图像。然后，终端将该转换图像包含的各像素点的s分量值与预设的s分量阈值分别进行比较，确定舌系带像素点，并将各舌系带像素点，构成舌系带图像。这样，通过利用舌系带相对于舌腹面其它部分像素点的s分量的显著差异，判断并分割出舌系带部分，实现从舌腹面图像中确定舌系带图像。
138.然后，终端可以根据舌系带图像，确定舌系带图像的中心所在的直线。接着，终端将该中心所在的直线，作为舌腹面中轴线，得到舌腹面中轴图像。这样，通过舌系带图像确定舌腹面中轴线的位置，能够通过舌腹面图像迅速确定舌腹面中轴图像。
139.步骤402，根据第一舌下静脉图，确定舌下静脉的形态骨架图像。
140.在本技术实施例中，终端可以先设定舌下静脉的形态骨架图像条件。其中，舌下静脉的形态骨架图像条件包括：与第一舌下静脉图连接性一致、位于第一舌下静脉图各区域的中轴且为单像素宽度。然后，终端可以根据预设的舌下静脉的形态骨架图像条件，对第一舌下静脉图，提取得到舌下静脉形态骨架的像素点。然后，终端将各舌下静脉形态骨架的像素点，构成舌下静脉的形态骨架图像。其中，舌下静脉的形态骨架图像一般为两条曲线，且分布在舌腹面中轴线的两边。这样，利用舌下静脉的形态骨架图像条件，能够实现对舌下静脉的形态骨架图像的确定。
141.在一个示例中，终端可以采用二维离散数据集的骨架提取算法，对第一舌下静脉图，提取得到舌下静脉形态骨架的像素点。
142.步骤403，基于第二舌下静脉图、舌腹面中轴图像和形态骨架图像，计算舌下静脉长度占比和舌下静脉宽度占比。
143.在本技术实施例中，终端可以基于舌腹面中轴图像和舌下静脉的形态骨架图像，计算舌下静脉长度占比。同时，终端可以基于第二舌下静脉图、舌腹面中轴图像和形态骨架图像，计算舌下静脉宽度占比。
144.具体的，终端可以根据形态骨架图像和舌腹面中轴图像，分别将两个舌下静脉的形态骨架向舌腹面中轴线上投影，得到两个长度投影。然后，针对每一个长度投影，终端可以根据该长度投影，确定该长度投影的长度。同时，终端可以根据舌腹面中轴图像，确定舌腹面中轴长度。其中，长度投影的长度和舌腹面中轴长度的单位均为像素。然后，针对每一个长度投影，终端可以计算该长度投影的长度与舌腹面中轴长度的比值，得到待选舌下静脉长度占比。其中，待选舌下静脉长度占比包括左舌下静脉长度占比和右舌下静脉长度占比。接着，终端可以比较两个待选舌下静脉长度占比，将最大的待选舌下静脉长度占比，作为舌下静脉长度占比。
145.同时，终端可以基于第二舌下静脉图、舌腹面中轴图像和形态骨架图像，采用水平投影法，计算舌下静脉宽度占比。在一个示例中，针对每一条舌下静脉，终端可以根据舌腹面中轴图像和形态骨架图像，将舌下静脉形态骨架点到该舌下静脉边缘距离的两倍，作为该舌下静脉对应的待选舌下静脉宽度。其中，待选舌下静脉宽度包括左舌下静脉宽度和右舌下静脉宽度。待选舌下静脉宽度的单位为像素。然后，终端可以基于第二舌下静脉图和舌腹面中轴图像，计算舌腹面中轴在垂直方向上到舌腹面边缘的距离最大值。然后，终端将该最大值作为舌下舌体宽度。接着，针对每一个待选舌下静脉宽度，终端可以计算该待选舌下静脉宽度与舌下舌体宽度的比值，得到待选舌下静脉宽度占比。然后，终端可以比较两个待选舌下静脉宽度占比，并将最大的待选舌下静脉宽度占比，作为舌下静脉宽度占比。
146.步骤404，根据舌下静脉长度占比、舌下静脉宽度占比、预设的舌下静脉长度占比阈值和预设的舌下静脉宽度占比阈值，确定舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果。
147.在本技术实施例中，终端可以先设定舌下静脉长度占比阈值。例如，舌下静脉长度占比阈值可以为0.4。这样，将舌下静脉是否过长的标准转换成方便用于比较的舌下静脉长度占比阈值，实现对舌下静脉宽度占比的分类。其中，舌下静脉是否过长的标准为：舌下静脉长度大于舌尖至舌下肉阜连线的某个比例(一般为3/5)，其它情形为正常。同时，终端可以设定舌下静脉宽度占比阈值。在一个示例中，终端可以根据舌下静脉宽度阈值和目标舌腹面图像对应的用户的舌腹面长度，计算舌下静脉宽度占比阈值。例如，舌下静脉宽度阈值为2.7mm。
148.然后，终端可以将舌下静脉长度占比与舌下静脉长度占比阈值进行比较。若舌下静脉长度占比小于或等于舌下静脉长度占比阈值，则终端确定舌下静脉长度占比正常。若舌下静脉长度占比大于舌下静脉长度占比阈值，则终端确定舌下静脉长度占比过长。其中，舌下静脉长度占比分类结果用于表示舌下静脉长度占比正常或过长。
149.同时，终端可以将舌下静脉宽度占比与舌下静脉宽度占比阈值进行比较。若舌下静脉宽度占比小于或等于舌下静脉宽度占比阈值，则终端确定舌下静脉宽度占比正常。若舌下静脉宽度占比大于舌下静脉宽度占比阈值，则终端确定舌下静脉宽度占比过长。其中，舌下静脉宽度占比分类结果用于表示舌下静脉宽度占比正常或过长。
150.上述舌下图像分析方法中，终端根据第二舌下静脉图，确定舌腹面中轴图像，根据
第一舌下静脉图，确定舌下静脉的形态骨架图像；然后，终端基于第二舌下静脉图、舌腹面中轴图像和形态骨架图像，计算舌下静脉长度占比和舌下静脉宽度占比；再根据舌下静脉长度占比、舌下静脉宽度占比、预设的舌下静脉长度占比阈值和预设的舌下静脉宽度占比阈值，确定舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果。这样，舌下静脉尺寸特征测量结果包括：舌下静脉长度占比、舌下静脉宽度占比、舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果，能够显示患者的舌下静脉尺寸和舌下静脉尺寸是否正常，提高舌下图像分析结果的全面性，进一步满足中医舌诊的需求，进一步提高舌下部分诊断的准确性。
151.在一个实施例中，如图5所示，获取目标舌腹面图像的具体过程包括以下步骤：
152.步骤501，通过图像识别算法，识别检测图像是否为舌下图像。
153.在本技术实施例中，终端可以先通过摄像头，采集用户的舌下图像，得到检测图像。同时，终端确定该检测图像对应的色温。其中，摄像头可以为后置摄像头或前置摄像头。检测图像可以为在开放环境下采集到的用户的舌下图像。例如，开放环境可以为有阳光和灯光的室内。采集过程中可以通过特定的应用程序或者普通拍照模式等方式来进行拍摄。
154.然后，终端可以通过图像识别算法，识别检测图像，判断检测图像是否为舌下图像。在一个示例中，终端可以将检测图像输入至预先训练的舌下图像识别网络模型。其中，舌下图像识别网络模型用于识别图像是否为舌下图像。舌下图像识别网络模型可以为神经网络模型。
155.步骤502，若检测图像为舌下图像，则对检测图像进行颜色校正，得到目标舌下图像。
156.在本技术实施例中，若检测图像为舌下图像，则终端可以基于色温信息，对检测图像进行颜色校正，得到目标舌下图像。具体的，终端可以先设定标准色温。例如，标准色温可以为5000-6500k中的某一色温。然后，终端可以基于不同色温图像之间的转换关系、检测图像对应的色温和标准色温，对检测图像进行颜色校正，得到目标舌下图像。
157.在一个示例中，终端基于图片拍摄环境或背景中的色卡或白纸等标准颜色信息作为对照，根据几种预设的基于灰度世界或其它白平衡算法的常见光照环境调整模型(例如室内偏黄光、室内白光，室内偏紫光、室外等调整模型)，对检测图像进行颜色校正，使得检测图像的颜色信息校正至与在标准色温环境下拍摄图片的颜色信息基本一致，得到目标舌下图像。
158.这样，通过色温校正，将不同色温的光照环境下采集的检测图像校正至标准色温的光照环境下采集的图像，能够消除环境光色温对舌下图像颜色特征的这一主要影响，进而实现对初始舌下图像进行颜色校正。
159.步骤503，对目标舌下图像进行舌腹面分割，得到目标舌腹面图像。
160.在本技术实施例中，终端可以通过预先训练的舌腹面分割模型，对目标舌下图像进行舌腹面分割，得到目标舌腹面图像。其中，舌腹面分割模型可以为非深度学习分割算法模型，也可以为神经网络模型。具体的，终端可以将目标舌下图像输入至舌腹面分割模型，得到目标舌腹面图像。其中，目标舌下图像包含舌下舌腹面、舌下阴影区域、牙齿、嘴唇和部分其它面部信息的图像。目标舌腹面图像可以包括舌腹面对应的区域和黑色背景。
161.在一个示例中，舌腹面分割模型为非深度学习分割算法模型。例如，舌腹面分割模
型可以为snake动态轮廓算法模型、水平集算法(level set)、颜色分解与阈值化(color decomposition and thresholding，cdt)模型和分水岭算法模型。其中，snake动态轮廓模型需要先手动选定起始点，再依赖控制点的离散化能量函数进行迭代，误差函数为预测轮廓和真实轮廓之间横纵坐标差的绝对值，当误差小于一定阈值时，迭代结束得到分割后的舌腹面轮廓。水平集算法(level set)，需要先手动设置初始轮廓曲线，将低一维的曲线嵌入到高一维的水平集能量函数中，在曲线演化时，不断地更新能量函数使零水平集发生变化，最终实现图像轮廓的分割。cdt模型将图像转换至his(hue、intensity、saturation，色调、色饱和度、亮度)颜色空间，将低色彩转换为高色彩，使舌下舌体部分在图片中更加平均化后，利用h分量的平均值作为阈值进行舌下图像二值化的分割。分水岭算法模型则是将舌下图像所有灰度像素进行递增排序，通过队列结构对每一层的阈值进行宽度优先搜索，并对搜索到的像素进行赋值、加入队列等操作，递归直至所有像素都被处理，以此将舌体与背景分离。
162.在一个示例中，舌腹面分割模型为应用编码层为xception的神经网络模型。例如，舌腹面分割模型可以为unet++、deeplab v3+和linknet。终端先获取初始舌腹面分割样本集。其中，初始舌腹面分割样本集包括舌下图像样本和舌下图像样本对应的舌腹面样本轮廓。舌下图像样本可以为专业医生拍摄。舌下图像样本对应的舌腹面样本轮廓可以为专业医生进行轮廓标定。这样，对舌腹面分割模型进行训练的训练数据集更加准确，提高训练效果，从而提高舌腹面分割模型的准确性。然后，终端采用快速自动增强(faster autoaugment)算法对初始舌腹面分割样本集进行数据增强，得到舌腹面分割训练数据集。这样，增强后的样本数量为原来的多倍，不同颜色、形态的样本分布较均衡，提高训练数据集的丰富性和均衡性，进一步提高训练效果，从而进一步提高舌腹面分割模型的准确性。然后，终端可以通过舌腹面分割训练数据集，对目标神经网络模型进行训练，得到舌腹面分割模型。这样，相较于较传统机器学习方法，采用神经网络模型实现舌腹面分割，提高舌腹面分割的准确性。并且，采用常用于分割的应用编码层为xception的神经网络模型实现舌腹面分割，能够进一步提高舌腹面分割的准确性。
163.上述舌下图像分析方法中，终端先识别检测图像，判断检测图像是否为舌下图像，若检测图像为舌下图像，则对检测图像进行颜色校正，得到目标舌下图像，再对目标舌下图像进行舌腹面分割，得到目标舌腹面图像。这样，该舌下图像分析方法对检测图像的采集要求低，普适性更强。同时，通过对检测图像识别和颜色校正后，再进行舌腹面分割，能够提高目标舌腹面图像的准确，从而提高舌下图像分析结果的准确性，进一步提高舌下部分诊断的准确性。
164.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
165.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的舌下图
像分析方法的舌下图像分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个舌下图像分析装置实施例中的具体限定可以参见上文中对于舌下图像分析方法的限定，在此不再赘述。
166.在一个实施例中，如图6所示，提供了一种舌下图像分析装置600，包括：静脉图像分割模块610、静脉颜色量化模块620、静脉颜色分类模块630和图像分析模块640，其中：
167.静脉图像分割模块610，用于获取目标舌腹面图像，并对所述目标舌腹面图像进行舌下静脉图像分割处理，得到分割结果；所述分割结果包括第一舌下静脉图；所述第一舌下静脉图为舌下静脉区域对应的图像；
168.静脉颜色量化模块620，用于对所述第一舌下静脉图进行舌下静脉颜色量化，得到舌下静脉颜色量化结果；
169.静脉颜色分类模块630，用于根据所述舌下静脉颜色量化结果和预设的舌下静脉颜色分类规则，确定舌下静脉颜色分类结果；
170.图像分析模块640，用于根据所述舌下静脉颜色量化结果和所述舌下静脉颜色分类结果，确定舌下图像分析结果。
171.可选的，所述静脉颜色量化模块620，具体用于：
172.将所述第一舌下静脉图分别转换至多个颜色空间，得到所述第一舌下静脉图在各所述颜色空间中对应的转换图像；
173.针对每一个颜色空间，根据所述颜色空间对应的转换图像，确定所述第一舌下静脉图在所述颜色空间中的特征信息；
174.根据所述第一舌下静脉图在各所述颜色空间中的特征信息，确定所述第一舌下静脉图的多维特征向量；
175.对所述第一舌下静脉图的多维特征向量进行降维处理，得到一维特征向量；
176.对所述一维特征向量进行缩放处理，得到舌下静脉颜色量化结果。
177.可选的，所述静脉图像分割模块610，具体用于：
178.对所述目标舌腹面图像进行去噪处理，得到候选图像；
179.针对所述候选图像包含的每一个像素点，判断所述像素点是否在预先建立的舌下静脉色域范围内；
180.若所述像素点在预先建立的舌下静脉色域范围内，则确定所述像素点为初步分割像素点；
181.根据确定出的各所述初步分割像素点，确定分割结果。
182.可选的，所述分割结果还包括第二舌下静脉图；所述第二舌下静脉图为标记舌下静脉边界的舌腹面图像；
183.所述装置600还包括：
184.静脉尺寸特征测量模块，用于对所述第一舌下静脉图和所述第二舌下静脉图进行舌下静脉尺寸特征测量，得到舌下静脉尺寸特征测量结果；
185.所述图像分析模块，具体用于：
186.根据所述舌下静脉颜色量化结果、所述舌下静脉颜色分类结果和所述舌下静脉尺寸特征测量结果，确定舌下图像分析结果。
187.可选的，所述舌下静脉尺寸特征测量结果包括舌下静脉长度占比、舌下静脉宽度
占比、舌下静脉长度占比分类结果和舌下静脉宽度占比分类结果；
188.所述静脉尺寸特征测量模块，具体用于：
189.根据所述第二舌下静脉图，确定舌系带图像，并根据所述舌系带图像，确定舌腹面中轴图像；
190.根据所述第一舌下静脉图，确定舌下静脉的形态骨架图像；
191.基于所述第二舌下静脉图、所述舌腹面中轴图像和所述形态骨架图像，计算所述舌下静脉长度占比和所述舌下静脉宽度占比；
192.根据所述舌下静脉长度占比、所述舌下静脉宽度占比、预设的舌下静脉长度占比阈值和预设的舌下静脉宽度占比阈值，确定所述舌下静脉长度占比分类结果和所述舌下静脉宽度占比分类结果。
193.可选的，所述静脉图像分割模块610，具体用于：
194.通过图像识别算法，识别检测图像是否为舌下图像；
195.若所述检测图像为舌下图像，则对所述检测图像进行颜色校正，得到目标舌下图像；
196.对所述目标舌下图像进行舌腹面分割，得到目标舌腹面图像。
197.上述舌下图像分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
198.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种舌下图像分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
199.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
200.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
201.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
202.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
203.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户
授权或者经过各方充分授权的信息和数据。
204.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
205.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
206.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。