一种面向舌象图像辅助分析的视觉扰动感知、类型化记忆治理及安全拒答方法

本发明涉及医学图像处理、模式识别以及医疗信息安全控制，具体涉及一种面向舌象图像辅助分析场景的视觉扰动感知选择性审议方法。

背景技术：

1、现有舌象图像辅助分析方案通常将输入图像直接映射为预设类别，或者在统一模型中同时处理颜色偏移、局部阴影、强反光、模糊及白平衡漂移等多类视觉扰动。该类方案在标准化采集条件下可以输出确定性结果，但在真实采集场景中，舌体区域容易出现高亮饱和、冷色遮蔽、纹理减弱、边缘塌陷以及通道偏移，从而导致舌色、苔色、苔厚及舌形等关键征象发生漂移。

2、进一步地，现有系统在工程实现中通常采用单一阈值式置信度控制逻辑，即当输出概率低于某一阈值时统一触发复核、拦截或拒答。该类控制方式未对不同扰动机理进行区分，也未对历史样本的检索与写回执行角色治理，因而难以实现输入扰动、证据冲突与输出风险之间的闭环控制。

3、具体而言，现有技术主要存在以下缺陷：

4、首先，现有技术缺乏“先判断是否应继续输出、再决定是否触发复核”的分层决策链。对于高置信但视觉结构已遭严重破坏的样本，系统仍可能输出错误类别，无法形成“稳定样本直接通过、风险样本进入审议”的闭环流程。

5、其次，现有技术缺乏面向扰动机理的专门分支处理机制。反光、阴影和白平衡漂移在图像统计特征上具有显著差异，但现有方法通常将其统一视为“不确定样本”，未配置颜色修正候选、阴影重观察候选和线性第二意见候选的差异化生成路径。

6、最后，现有技术缺乏主判断保底的保守式融合与类型化记忆治理机制。一方面，对于历史样本，若不对桥接样本、矛盾样本、解决样本及先例样本进行角色划分，则矛盾样本可能与支持样本等权进入检索过程，进而污染主决策通道。另一方面，对于严重暖色反光场景，若缺少风险函数驱动的安全拒答机制，则系统可能在局部结构已不可恢复时仍输出类别结果。

技术实现思路

1、针对上述缺陷，本发明的目的在于提出一种面向舌象图像辅助分析的视觉扰动感知、类型化记忆治理及安全拒答方法，旨在解决上述问题。

2、为达此目的，本发明采用以下技术方案：

3、一种面向舌象图像辅助分析的视觉扰动感知、类型化记忆治理及安全拒答方法，包括以下步骤：

4、s1、获取舌象的输入图像，确定舌体区域，并基于所述舌体区域提取结构化视觉特征；

5、s2、基于学习型视觉先验对所述结构化视觉特征执行类别概率估计，生成基础判断结果，所述基础判断结果包括主判断类别、主判断置信度和类别间隔值；

6、s3、根据所述主判断置信度、所述类别间隔值以及记忆冲突分值确定是否启动选择性审议；

7、s4、对启动选择性审议的输入图像执行运行时扰动路由，以确定是否触发至少一个专门审议分支；

8、s5、响应于被触发的所述专门审议分支，生成至少一个辅助候选结果及与其对应的候选可靠性分值；

9、s6、以所述主判断类别为保底类别，对所述辅助候选结果执行受限覆盖的保守式证据融合，以得到融合结果；

10、s7、基于证据不稳定性和亮区强度计算拒答风险，在所述拒答风险满足预设拒答条件时输出拒答标签，否则输出所述融合结果；

11、s8、根据当前样本的冲突轨迹量和修正价值量执行类型化记忆写回，并更新历史样本的检索权重，以供后续样本的稳定性判定和/或候选生成调用。

12、较佳地，步骤s1中的舌体区域通过舌体分割掩膜、舌体检测包围框、预设中心区域或其组合获得；

13、当舌体区域质量评分低于预设阈值时，执行失效保护策略，以禁止阴影重观察候选执行覆盖或者仅保留主判断与拒答路径。

14、较佳地，步骤s1中所述结构化视觉特征向量表示为：

15、；

16、其中，表示舌色相关特征，表示苔色相关特征，表示苔厚相关特征，表示舌形相关特征，表示征象置信度集合，表示整体嵌入向量；

17、步骤s1的输入为原始舌象图像，输出为结构化视觉特征向量，所述输出作为步骤s2的输入。

18、进一步地，步骤s2和步骤s3中，所述类别概率、主判断类别、主判断置信度、主判断间隔值及选择性审议触发函数满足：

19、；

20、；；

21、；

22、；

23、其中，表示映射参数矩阵，表示偏置项，表示第一高概率类别，表示第二高概率类别，用于表征类别边界的稳定程度；

24、步骤s2的输入为结构化视觉特征向量，输出为主判断类别、主判断置信度和主判断间隔值，其输出结果作为步骤s3的输入；

25、其中，表示示性函数，表示主判断置信度阈值，表示间隔阈值，表示记忆冲突阈值，表示由类型化记忆检索得到的冲突分值；

26、若，则所述样本作为稳定样本直接进入步骤s6；

27、若，则所述样本进入步骤s4，步骤s3的输出为审议触发标记。

28、进一步地，步骤s4中所述运行时扰动路由函数为：

29、；

30、；

31、；

32、其中，表示暖色反光评分，表示冷色阴影评分，表示白平衡漂移评分；

33、其中，、和分别表示暖色反光、冷色阴影和白平衡漂移的第个图像特征量；、和分别表示对应特征量的聚合权重；

34、运行时扰动路由函数结果满足：

35、；

36、其中，表示暖色反光分支，表示冷色阴影分支，表示白平衡漂移分支，表示不触发专门分支；、和分别表示对应分支的触发阈值；

37、步骤s4的输出为分支触发结果，其结果作为步骤s5的输入。

38、进一步地，在步骤s5中，所述候选生成模块根据步骤s4的分支触发结果生成至少一个候选输出；

39、若或，则执行颜色修正候选生成；若，则执行阴影重观察候选生成；同时，可执行线性第二意见候选生成；

40、优选地，颜色修正候选、阴影重观察候选和线性第二意见候选分别满足：

41、；；

42、；；

43、；

44、其中，表示颜色校正变换，表示阴影补偿与记忆辅助重观察变换，表示检索得到的历史记忆集合，和表示线性第二意见器参数。

45、各候选可靠性分值可表示为：

46、；

47、；

48、；

49、其中，、和分别表示对应候选的置信度；

50、和分别表示对应候选的间隔值；

51、表示颜色校正后一致性度量；

52、表示记忆对齐度；

53、表示重观察解析度；、和表示对应加权系数；

54、步骤s5的输出为候选类别、、及对应可靠性分值、、，其输出作为步骤s6的输入。

55、进一步地，在步骤s6中，所述保守式证据融合模块将主判断作为保底输出，并对候选集合：

56、；

57、依序执行覆盖判定，仅当候选类别与主判断不同且候选可靠性分值不低于对应阈值时，才允许覆盖主判断；

58、对任一候选先计算覆盖指示量：

59、；

60、其中，表示第类候选的可靠性覆盖阈值，表示第类候选的候选置信度阈值，表示第类候选对应的类别置信度；

61、进一步地，所述融合规则满足：

62、；

63、步骤s6的输出为融合结果，所述融合结果作为步骤s7的输入。

64、进一步地，在步骤s7中，所述暖色反光安全拒答模块接收步骤s6的融合结果以及前述各步骤产生的稳定性量和扰动强度量，并执行风险函数；

65、当超过拒答阈值且路由输出表明输入图像属于暖色反光场景时，输出拒答标签；否则输出融合结果；

66、优选地，证据不稳定性量满足：

67、；

68、其中，表示分支间结论不一致程度，表示样本是否进入深层复核的指示量，表示不稳定性加权系数；

69、此外，反光强度量满足：

70、；

71、其中，表示饱和区域比例，表示暖色偏置强度，表示高亮截断比例，表示亮区边缘塌陷程度，表示强度加权系数；

72、所述风险函数满足：

73、；

74、此外，所述拒答规则满足：

75、；

76、其中，和表示风险函数的加权系数，表示拒答阈值，表示拒答标签；

77、步骤s7的输出为最终输出标签，其结果作为步骤s8的输入。

78、进一步地，在步骤s8中，所述类型化记忆治理模块根据当前样本的分支冲突程度、融合修正幅度以及输出一致性，计算冲突轨迹量和修正价值量，并据此将历史样本划分为桥接角色、矛盾角色、解决角色和先例角色；

79、优选地，所述冲突轨迹量满足：

80、；

81、优选地，所述修正价值量满足：

82、；

83、其中，表示各候选分支与主判断之间的不一致程度，表示融合结果的输出置信度，表示记忆辅助重观察后形成有效修正的增益量，和分别表示冲突轨迹量和修正价值量的加权系数；

84、进一步地，角色判定规则满足：

85、；

86、其中，表示冲突轨迹阈值，表示修正价值阈值；

87、对应的角色权重与检索评分满足：

88、；

89、；

90、其中，表示历史样本与当前样本之间的相似度；表示第类角色的检索权重。优选地，所述检索权重满足，以抑制矛盾样本对主决策通道的污染；

91、步骤s8的输出为更新后的记忆角色标签、检索权重和冲突分值，所述输出反馈至步骤s3的触发函数和步骤s5的阴影重观察候选生成过程，形成闭环治理。

92、上述技术方案中的一个技术方案包括以下有益效果：本技术方案通过识别舌象图像中的光线反光、阴影及色偏等环境干扰，在基础模型置信度不足时动态触发路由修复机制，提升了复杂拍照环境下的诊断准确率与鲁棒性，有效节省了计算资源；同时结合带优先级的候选融合降级策略与安全拒答防护，保证了修复结果的高稳定性与可控性，规避了算法误判与误导风险。