一种掌纹多区域联合分析处理方法、装置、智能终端

1.本发明涉及掌纹分析处理技术，尤其涉及一种掌纹多区域联合分析处理方法、装置、智能终端及存储介质。


背景技术：

2.当今社会人们已经解决了温饱等基本问题，健康的生活逐渐成为了这个时代人们的追求。但是在医学技术不断发展的今天，仍有许多疾病无法治愈，对人们的健康造成了重大威胁。而两千多年前的《黄帝内经》有云：“上医治未病，中医治欲病，下医治已病”。所以在疾病未深化之前及时发现成了一个关键问题。
3.手掌可以分为多个区域，不同的区域对应了身体不同的组织和器官。多项中医研究和实践证明：掌纹的变化能反映人体内各器官的盛衰和内分泌组织的工作状态。掌纹的变化往往会伴随着异常纹的产生，不同的异常纹代表了不同的病情发展阶段，可以通过观察特定区域的异常纹的出现与变化来对身体的健康状况作出预测，从而作出合理的健康指导。
4.随着科技的发展，利用电子设备采集掌纹并用计算机处理掌纹图像的技术也随之出现并得到发展。近几年在掌纹信息提取方面，已经涌现了很多优秀的算法，等都有不错提取结果。但在后续对提取到的掌纹信息的利用方式很单一，只在异常纹路出现的区域进行独立分析其所对应的器官的健康状态，这不符合人体内各个器官相互关联的医学常识，同时也违背了一个器官对应手掌上多个区域的中医理论，例如肺部就分为肺一区、肺二区，同时胃肠情况要参照震位和兑位的变化，心脏情况还要参照心一区和心二区、心三区的变化来判断，否则单一区域分析就差之毫厘谬之千里了。
5.现有技术中对掌纹图像提取处理信息离散化，没有将信息之间的关系与关联发挥它的价值，更重要的是这种使信息离散化的单一分析方式也会因为处理图像时候得到的非真实的异常纹数据、对健康预测结果产生较大影响，从而放大了图像处理时候出现的误差，大大降低了结果的可靠性和准确率。
6.因此，现有技术还有待改进和提高。


技术实现要素：

7.本发明要解决的技术问题在于，为了改变现有的掌纹处理方法因为信息孤立化而导致的可靠性差和准确率低的问题，本发明提供一种掌纹多区域联合分析处理方法、装置、智能终端及存储介质，本发明针对计算机图像处理后的掌纹信息，运用这种掌纹多区域进行联合分析，将原本孤立的各个区域的异常纹信息进行整合，利用信息原本就有的关联性，综合的、整体的进行处理分析并进行健康预测提示，提高了容错率和准确性，减少了图像处理的误差，大大提高了结果的可靠性和准确率。
8.为了解决上述技术问题，本发明第一方面提供了一种掌纹多区域联合分析处理方法，包括以下步骤：
9.获取同一手掌的不同区域的掌纹图像，并将获取的不同区域的掌纹图像处理提取异常纹信息，得到带异常纹信息的掌纹图像；
10.将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a；
11.用预先根据中医理论生成的预测矩阵b来处理信息矩阵a，得到结果矩阵c；
12.从所述结果矩阵c中提取结果向量d、并对其进行数学分析得到健康预测相似度结果；
13.将得到的健康相似度结果与一预先设定的相似度阈值进行对比判断，根据对比判断结果输出对应的隐患提示。
14.所述掌纹多区域联合分析处理方法，其中，所述获取同一手掌的不同区域的掌纹图像，并将获取的不同区域的掌纹图像处理提取异常纹信息，得到带异常纹信息的掌纹图像的步骤包括：
15.获取同一手掌的不同区域的掌纹图像；
16.对获取同一手掌的不同区域的掌纹图像，利用基于nsct方法进行掌纹的精细纹路提取，然后利用基于深度优先遍历思想的回路搜索法对异常纹进行提取，再利用基于矩形度描述的方法进行异常纹识别分类；从而得到关于异常纹信息的图像，即得到带异常纹信息的掌纹图像。
17.所述的掌纹多区域联合分析处理方法，其中，所述将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a的步骤包括：
18.将得到的带异常纹信息的掌纹图像中的异常纹信息和所对应的区域信息分别存储在信息矩阵a中；
19.所述信息矩阵a为i行，j列的矩阵；i行中每一行代表一种异常纹的种类，j列中每一列代表一种器官反射区域；
20.若掌纹图像中一个区域内出现了异常纹，则根据该异常纹的种类和出现区域，将信息矩阵中行与列信息与之相对应的元素置1，未被置1的元素皆为0。
21.所述的掌纹多区域联合分析处理方法，其中，所述用预先根据中医理论生成的预测矩阵b来处理信息矩阵a，得到结果矩阵c的步骤包括：
22.将预先根据中医理论生成的预测矩阵b右乘所述信息矩阵a，得到结果矩阵c；
23.其中，所述预先根据中医理论生成的预测矩阵b为利用中医的理论与实践经验构建预测矩阵b；所述预测矩阵b的数量对应预测健康隐患的数量，且呈一一对应关系，其每一列分别代表一种异常纹在不同位置对健康隐患的影响因数，其每一行代表不同种类的异常纹在一个位置对健康隐患的影响因数；
24.所述结果矩阵c的数量对应预测健康隐患的数量，且呈一一对应关系。
25.所述的掌纹多区域联合分析处理方法，其中，所述从所述结果矩阵c 中提取结果向量d、并对其进行数学分析得到健康预测相似度结果的步骤包括：
26.从所述结果矩阵c中提取结果向量d；
27.求解结果向量d与其相对应的健康隐患的模板向量之间的欧几里得距离；其中，所述健康隐患的模板向量是由模板信息矩阵左乘其对应的预测矩阵得到的结果矩阵，并按顺序提取结果向量的主对角线元素而组成的；所述模板信息矩阵是针对某种健康隐患，可能出现的异常纹种类全部出现在其对应位置的掌纹图像所对应的信息矩阵；
28.将健康隐患的模板向量dn′
(d1,d2,
…
,dn)中各个元素之和作为分母，将求得的对应的欧几里得距离en作为分子，做除法，并用1减去上述运算的结果，所得到的最终数据记为相似度sn。
29.一种掌纹多区域联合分析处理装置，其中，所述装置包括：
30.掌纹图像获取与处理模块，用于获取同一手掌的不同区域的掌纹图像，并将获取的不同区域的掌纹图像处理提取异常纹信息，得到带异常纹信息的掌纹图像；
31.抽象处理模块，用于将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a；
32.预测处理模块，用于用预先根据中医理论生成的预测矩阵b来处理信息矩阵a，得到结果矩阵c；
33.分析处理模块，用于从所述结果矩阵c中提取结果向量d、并对其进行数学分析得到健康预测相似度结果；
34.结果提示模块，用于将得到的健康相似度结果与一预先设定的相似度阈值进行对比判断，根据对比判断结果输出对应的隐患提示。
35.所述掌纹多区域联合分析处理装置，其中，所述掌纹图像获取与处理模块包括：
36.掌纹图像获取单元，用于获取同一手掌的不同区域的掌纹图像；
37.掌纹图像处理单元，用于对获取同一手掌的不同区域的掌纹图像，利用基于nsct方法进行掌纹的精细纹路提取，然后利用基于深度优先遍历思想的回路搜索法对异常纹进行提取，再利用基于矩形度描述的方法进行异常纹识别分类；从而得到关于异常纹信息的图像，即得到带异常纹信息的掌纹图像。
38.所述掌纹多区域联合分析处理装置，其中，所述抽象处理模块包括：
39.存储单元，用于将得到的带异常纹信息的掌纹图像中的异常纹信息和所对应的区域信息分别存储在信息矩阵a中；
40.所述信息矩阵a为i行，j列的矩阵；i行中每一行代表一种异常纹的种类，j列中每一列代表一种器官反射区域；
41.若掌纹图像中一个区域内出现了异常纹，则根据该异常纹的种类和出现区域，将信息矩阵中行与列信息与之相对应的元素置1，未被置1的元素皆为0；
42.所述预测处理模块包括：预测单元，用于将预先根据中医理论生成的预测矩阵b右乘所述信息矩阵a，得到结果矩阵c；其中，所述预先根据中医理论生成的预测矩阵b为利用中医的理论与实践经验构建预测矩阵 b；所述预测矩阵b的数量对应预测健康隐患的数量，且呈一一对应关系，其每一列分别代表一种异常纹在不同位置对健康隐患的影响因数，其每一行代表不同种类的异常纹在一个位置对健康隐患的影响因数；所述结果矩阵c的数量对应预测健康隐患的数量，且呈一一对应关系；
43.所述分析处理模块包括：
44.提取单元，用于从所述结果矩阵c中提取结果向量d；
45.求解单元，用于求解结果向量d与其相对应的健康隐患的模板向量之间的欧几里得距离；其中，所述健康隐患的模板向量是由模板信息矩阵左乘其对应的预测矩阵得到的结果矩阵，并按顺序提取结果向量的主对角线元素而组成的；所述模板信息矩阵是针对某种健康隐患，可能出现的异常纹种类全部出现在其对应位置的掌纹图像所对应的信息矩阵；
46.运算单元，用于将健康隐患的模板向量dn′
(d1,d2,
…
,dn)中各个元素之和作为分母，将求得的对应的欧几里得距离en作为分子，做除法，并用 1减去上述运算的结果，所得到的最终数据记为相似度sn。
47.一种智能终端，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行任意一项所述的方法。
48.一种非临时性计算机可读存储介质，其中，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行任意一项所述的方法。
49.实施本发明的技术方案，具有以下有益效果：
50.本发明提供一种掌纹多区域联合分析处理方法、装置、智能终端及存储介质，采用将识别得到的掌纹中不同区域的异常纹进行联合分析处理，并将联合分析处理的结果，进行相应的健康预测提示，以提示对应用户做进一步详细检查，克服了单区域异常纹分析的局限性和可靠性低、准确率不高等问题。同时，通过建立信息矩阵并与预测矩阵进行运算，将原本孤立的信息相互连接得到更大的价值。此外，在对健康隐患下判断时，还引入了相似度的概念，提高了结果的可靠性，并且不同健康隐患的相似度也可能不同，相似度也是随实践经验变化的，以进行相应的健康预测提示，进一步提高了结果的容错率和科学性，减少了图像处理的误差，大大提高了结果的可靠性和准确率。
附图说明
51.图1为本发明实施例提供的掌纹多区域联合分析处理方法的具体实施方式的流程图。
52.图2为本发明实施例提供的掌纹多区域联合分析处理方法的掌纹图像结构示意图。
53.图3为本发明实施例提供的掌纹多区域联合分析处理方法的掌纹图像分割示意图。
54.图4a为本发明实施例提供的掌纹多区域联合分析处理方法的手掌八卦图。
55.图4b为本发明实施例提供的掌纹多区域联合分析处理方法的绘制的效果示意图。
56.图5是本发明实施例提供的掌纹多区域联合分析处理装置的原理框图。
57.图6是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
58.为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
59.随着科技的发展和人们生活水平的不断提高，各种掌纹识别技术越来越普及。手掌可以分为多个区域，不同的区域可以反应身体不同的组织和器官情况。多项中医研究和实践证明：掌纹的变化能反映人体内各器官的盛衰和内分泌组织的工作状态。掌纹的变化往往会伴随着异常纹的产生，不同的异常纹代表了不同的病情发展阶段，可以通过观察特定区域的异常纹的出现与变化来对身体的健康状况作出预测，从而作出合理的健康指导。
60.随着科技的发展，利用电子设备采集掌纹并用计算机处理掌纹图像的技术也随之出现并得到发展。近几年在掌纹信息提取方面，已经涌现了很多优秀的算法，等都有不错提取结果。但在后续对提取到的掌纹信息的利用方式很单一，只在异常纹路出现的区域进行独立分析其所对应的器官的健康状态，这不符合人体内各个器官相互关联的医学常识，同时也违背了一个器官对应手掌上多个区域的中医理论，例如肺部就分为肺一区、肺二区，同时胃肠情况要参照震位和兑位的变化，心脏情况还要参照心一区和心二区、心三区的变化来判断，否则单一区域分析就差之毫厘谬之千里了。
61.现有技术中对掌纹图像提取处理信息离散化，没有将信息之间的关系与关联发挥它的价值，更重要的是这种使信息离散化的单一分析方式也会因为处理图像时候得到的非真实的异常纹数据、对健康预测结果产生较大影响，从而放大了图像处理时候出现的误差，大大降低了结果的可靠性和准确率。
62.为了解决现有技术的问题，本实施例提供一种掌纹多区域联合处于理方法，具体实施时，本发明采用将识别得到的掌纹中不同区域的异常纹进行联合分析处理，并将联合分析处理的结果，作为健康预测的依据，克服了单区域异常纹分析的局限性和可靠性低、准确率不高等问题。同时，通过建立信息矩阵并与预测矩阵进行运算，将原本孤立的信息相互连接得到更大的价值。此外，在对健康隐患下判断时，还引入了相似度的概念，提高了结果的可靠性，并且不同健康隐患的相似度也可能不同，相似度也是随实践经验变化的，进一步提高了结果的容错率和科学性，减少了图像处理的误差，大大提高了结果的可靠性和准确率。
63.下面就结合附图和具体实施例来对本发明提供的技术方案进行详细描述。
64.本实施例的方法可应用于智能终端中，具体实施时，如图1中所示，本发明实施例提供的一种掌纹多区域联合处理方法具体包括如下步骤:
65.步骤s100、获取同一手掌的不同区域的掌纹图像，并将获取的不同区域的掌纹图像经过图像增强、图像修复、图像信息提取之后，得到带异常纹信息的掌纹图像；
66.本步骤中，如果需要采集一个用户的掌纹信息，则可以通过图像获取设备采集获取同一手掌的不同区域的掌纹图像，对采集得到的掌纹图像进行图像增强、图像修复、图像分割，然后进行异常纹检测识别，得到图像中的异常纹信息，从而得到带异常纹信息的掌纹图像。
67.步骤s200、将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a。
68.步骤s300、用预先根据中医理论生成的预测矩阵b来处理信息矩阵a，得到结果矩阵c。
69.步骤s400、从所述结果矩阵c中提取结果向量d、并对其进行数学分析得到健康预测相似度结果。
70.步骤s500、将得到的健康相似度结果与一预先设定的相似度阈值进行对比判断，根据对比判断结果输出对应的隐患提示。
71.本发明实施例中，进一步地，所述步骤s100具体包括：
72.本步骤中，如果需要采集一个用户的掌纹信息，则可以通过图像获取设备采集获取同一手掌的不同区域的掌纹图像，并对采集得到的掌纹图像进行图像增强、图像修复、图像分割，然后进行异常纹检测识别，得到图像中的异常纹信息，从而得到带异常纹信息的掌
纹图像。
73.本发明实施例中对获取的同一手掌的不同区域的掌纹图像的预处理，先用最大类间方差法做图像的背景去除，然后利用中值滤波法进行图像滤波，再然后进行图像的二值化处理。利用sobel算子进行掌纹轮廓的识别，接着对主线进行处理，一共分四步：去除连通区域面积小的区域、膨胀和闭运算、细化、除毛刺。得到清晰的主线后，利用自己定义的关键点和相关线绘制掌纹图像的手掌八卦图。
74.具体参考如图2所示，为获取的同一手掌的不同区域的掌纹图像，其中点1，食指与中指之间的指根点。点2，中指与无名指之间的指根点。点3，无名指与小拇指之间的指根点。点4,2点与3点连线的中点。点5，小拇指外侧的指根点。点6,1线的起始点。点7，手掌与手腕的连接点。点8，点6与点7在轮廓线上的中点。点9，手掌与手腕的连接点。点10，大拇指外侧指根点。点11，大拇指内侧指根点。点12,2线与3线的起始点。点13，食指外侧的指根点。
75.相关线：1线，2线，3线。
76.本发明实施例中，如图3所示，按照掌纹医学的理论要求，同一手掌的不同区域的掌纹图像获取绘制过程如下：
77.1)、连接点6与点12，连线命名为l1。
78.2)、连接点7与点9，连线命名l2(即水平坐标线x)。
79.3)、分别从点2与点4出发向l1做垂线，交l1于点a和点b。
80.4)、从点11出发做线l1的平行线交3线于点c，连接ac。
81.5)、找到点7与点9的中点，命名为点d，然后再找到点d与点7的中点，命名为点e。
82.6)、从点e出发往点4方向做直线l3，然后从点8出发做l2的平行线 l4,交直线l3于点f、交3线于点g。
83.7)、连接bf、ef，再连接点9和点g。
84.8)、取ef中点h，连接gh。
85.至此，掌纹的图像分割步骤结束。
86.本发明实施例中，对分割后的掌纹图像利用基于nsct方法进行掌纹的精细纹路提取，然后利用基于深度优先遍历思想的回路搜索法对异常纹进行提取，然后利用基于矩形度描述的方法进行异常纹识别分类；从而得到关于异常纹信息的图像。
87.本发明实施例中关于步骤s200的将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a具体为：
88.s201：针对经过图像处理后的已经划分了区域(即进行掌纹的图像分割) 并且识别了区域中异常纹的掌纹图像，从中将得到的异常纹信息和所对应的区域信息存储在信息矩阵a中。
89.其中，步骤s201所述的信息矩阵a解释如下：
90.此矩阵为i行，j列的矩阵。i行中每一行代表一种异常纹的种类，j列中每一列代表一种器官反射区域。
91.矩阵中任意一个元素的值只有0或1。
92.其中，步骤s201所述的存储方式如下：
93.若掌纹图像中一个区域内出现了异常纹，则根据该异常纹的种类和出现区域，将信息矩阵中行与列信息与之相对应的元素置1，未被置1的元素皆为0。
94.进一步地，本发明实施例中所述步骤s300、用预先根据中医理论生成的预测矩阵b来处理所述信息矩阵a，得到结果矩阵c包括：
95.s301：将预先根据中医理论生成的预测矩阵b右乘所述信息矩阵a，得到结果矩阵c。
96.其中，步骤s301中的预先根据中医理论生成的预测矩阵b如下：
97.利用中医的理论与实践经验构建预测矩阵b。
98.预测矩阵b的数量对应预测健康隐患的数量，且呈一一对应关系。
99.其每一列分别代表一种异常纹在不同位置对健康隐患的影响因数，其每一行代表不同种类的异常纹在一个位置对健康隐患的影响因数。
100.其中，步骤s301中的结果矩阵c解释如下：本实施例中的结果矩阵c的数量对应预测健康隐患的数量，且呈一一对应关系。
101.举例为：例如，针对健康隐患x，其在掌纹的“坎”位出现“米”字纹预示该隐患发展成疾病的概率较大，则在预测矩阵b中代表“坎”位的那一行与代表“米”字纹的那一列交汇的那个元素值设为5。若上述其在掌纹的“坎”位出现“米”字纹预示该隐患发展成疾病的概率较小，则设上述的元素值为1或2。
102.进一步地，本发明实施例所述步骤s400提取结果向量d并对其进行数学分析得到健康预测相似度结果。
103.基于得到的健康相似度结果结合相似度的阈值判断，进行相关疾病的健康隐患预测并输出预测结果。具体为：
104.s401：从所述结果矩阵c中提取结果向量d。
105.其中，步骤s401中从所述结果矩阵c中提取结果向量d的方法如下：
106.由结果矩阵c的主对角线上的各元素按顺序组成结果向量d。
107.s402：求解结果向量d与其相对应的健康隐患的模板向量之间的欧几里得距离。
108.其中，步骤s401中的欧几里得距离计算公式如下：
[0109][0110]
其中，p代表模板向量中的元素值；q代表结果向量中的元素值。
[0111]
其中，步骤s401中的健康隐患的模板向量解释如下：
[0112]
所述健康隐患的模板向量是由模板信息矩阵左乘其对应的预测矩阵得到的结果矩阵，并按顺序提取结果向量的主对角线元素而组成的。所述模板信息矩阵是针对某种健康隐患，可能出现的异常纹种类全部出现在其对应位置的掌纹图像所对应的信息矩阵。
[0113]
s403：将健康隐患的模板向量dn′
(d1,d2,
…
,dn)中各个元素之和作为分母，将步骤s401中求得的对应的欧几里得距离en作为分子，做除法，并用 1减去上述运算的结果，所得到的最终数据记为相似度sn。
[0114]
[0115]
步骤s500、将得到的健康相似度结果与一预先设定的相似度阈值进行对比判断，根据对比判断结果输出对应的隐患提示。
[0116]
基于得到的健康相似度结果结合预先设定的相似度的阈值对比判断，根据对比判断结果输出对应的疾病的健康隐患提示，以进行相关疾病的健康隐患预测提醒并输出提醒结果；
[0117]
具体地，本发明实施例中，利用步骤s402中求得的相似度做判断，若相似度大于预先设定的相似度的阈值，则可以输出提示为：存在对应的健康隐患，请去做进一步的医学检查。本发明通过相似度的阈值判断，提高了结果的可靠性和容错率，使得提醒的结果更准确，为用户的使用提供了方便。
[0118]
其中，步骤s403中的预先设定的相似度的阈值解释如下：
[0119]
本发明实施例中所述预先设定的相似度的阈值是由根据中医理论设定的，同时又会根据实践经验和处理方法变化，例如图像处理方法优劣、采集得到的图像的质量高低、此类健康隐患的误识率等等。
[0120]
本发明实施例中关于预先设定的相似度的阈值，是针对同一种健康隐患，进行多次的实验，得到多个相似度数据，再进行人工筛查对比结果，得到一个最佳的相似度阈值来保证预测的准确率最高。同时，在得到最佳相似度阈值后，若更换设备，发现采集得到的图像质量较低，则可适度更改该阈值，来满足最佳的准确率。例如，将提示高血压的相似度阈值s设置为0.75 时与实际结果吻合度最高，将提示荨麻疹的相似度阈值s设置为0.65时与实际结果吻合度最高。
[0121]
本发明实施例中所述预先设定的相似度的阈值的提出，是根据实践经验和图像处理方法预先设置的，可以提高结果的准确性与可靠性。
[0122]
进一步地实施例中，本发明中关于步骤s200的将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a具体还包括：对已经处理后的掌纹图像提取异常纹信息到信息矩阵：在具体实现过程中，该步骤包括：
[0123]
利用程序执行，对已经完成处理的图像的每个区域进行检测，检测是否出现异常纹，若出现，判断异常纹的种类，根据位置信息和种类信息给二维数组的元素赋值1或0，然后使用python中的numpy模块中的array方法将二维数组转化为信息矩阵。本发明实施例中，关于异常纹是用异常纹路的矩形度来描述异常纹的几何特征，从而分辨异常纹的种类。
[0124]
例如本实施例中掌纹的分区依据是手掌八卦区(如图4a所示)，共九个区域。
[0125]
如图4a所示，假设该掌纹的处理结果显示该掌纹的兑区有
“△”
纹，离区有“米”纹，坎区有“十”与“米”纹，坤区有
“△”
纹，中宫区有“十”纹。
[0126]
利用上述方法得到信息矩阵其中从左到右每一列分别代表中宫、坤、艮、坎、巽、震、离、兑、乾区域，从上到下每一行分别代表“十”字纹、“米”字纹、
“△”
纹、
“☆”
纹、岛形纹。
[0127]
随后，在下一步执行结果矩阵c的获取，包括信息矩阵a与预测矩阵bn的运算：如a·
b。具体实现步骤如下：
[0128]
首先，举例说明预测矩阵a的获取，下面针对高血压提示病例的预测矩阵a获取进行讲解说明：
[0129]
根据医学常识可知，高血压疾病会伴随着几种并发症，例如脑血栓、冠心病、心绞痛等，同时还会对肾脏进行伤害。并根据中医理论可知，掌纹中的“离”区代表心脏的健康趋势，提示注意冠心病、心绞痛、高血压心脏病等等；掌纹中脑一区在中指与无名指指缝下的2线上，位于掌纹中的“中宫”区，提示注意脑动脉硬化、脑梗塞、脑溢血；掌纹中的“坎”区代表肾器官的健康趋势，提示注意肾功能的正常平衡与否。以上还有其他的提示高血压的掌纹区域等等，这里不再一一列举。
[0130]
本发明实施例中，根据由上述医学常识和中医掌纹理论结合，可以得到提示高血压的预测矩阵其中从上到下每一行分别代表中宫、坤、艮、坎、巽、震、离、兑、乾区域，从左到右每一列分别代表“十”字纹、“米”字纹、
“△”
纹、
“☆”
纹、岛形纹。
[0131]
类似的，运用上述的预测矩阵的获取方法，还可以得到提示其他疾病的预测矩阵bn。
[0132]
例如，还可以得到提示荨麻疹的预测矩阵
[0133]
随后，信息矩阵a分别右乘上预测矩阵bn；
[0134]
本发明实施例中，举两个例子，a
·
b1，a
·
b2。
[0135]
分别得到两个结果矩阵和
[0136]
随后，在下一步执行步骤s400中的从所述结果矩阵c中提取结果向量 d、并对其进行数学分析得到健康预测相似度结果，具体实现还包括以下步骤：
[0137]
首先，从结果矩阵cn中提取结果向量dn，以结果矩阵cn的主对角线元素按顺序排列
构成结果向量dn。例如，上述结果矩阵c1和c2提取得到的结果向量d1[4 8 4 0 0]和d2[2 3 0 0 0]。
[0138]
然后，计算结果向量与模板向量的相似度，具体步骤如下：
[0139]
首先，模板向量的获取：由模板信息矩阵左乘其对应的预测矩阵得到的模板结果矩阵，并按顺序提取结果向量的主对角线元素而组成的。模板信息矩阵是针对该种健康隐患，可能出现的异常纹种类全部出现在其对应位置的掌纹图像所对应的信息矩阵。
[0140]
这列举两个例子来说明：
[0141]
例如，提示高血压模板信息矩阵为提示荨麻疹的模板信息矩阵为分别与提示高血压的预测矩阵b1、提示荨麻疹的预测矩阵b2左乘，如a1′
·
b1、a2′
·
b2，得到模板结果矩阵和提取模板结果矩阵c1′
和c2′
的主对角线元素组成模板向量d1′
[6 8 6 0 0]和d2′
[7 9 2 4 0]。
[0142]
然后，计算列向量与病理向量的欧几里得距离：
[0143]
举例，利用公式
[0144][0145]
分别计算d1、d2与d1′
、d2′
的欧几里得距离得到
[0146]
其中，p代表模板向量中的元素值，q代表结果向量中的元素值。
[0147]
再然后，将上述距离结果作为分子，将模板向量dn′
的各个元素之和作为分母，做除法，得到最终的相似度sn：
[0148]
举例，得到s1＝0.757、 s2＝0.265。
[0149]
最后，根据多次实践经验设置相似度阈值sn′
。判断得到的相似度sn是否大于相似度阈值sn′
，若大于则提示该健康隐患存在发展趋势，建议做进一步详细检查，反之，则认为
不存在。本发明实施例中，关于相似度阈值针对同一种健康隐患，进行多次的实验，得到多个相似度数据，再进行人工筛查对比结果，得到一个最佳的相似度阈值来保证预测的准确率最高。
[0150]
举例，将提示高血压的相似度阈值s1′
设置为0.75时与实际结果吻合度最高，将提示荨麻疹的相似度阈值s2′
设置为0.65时与实际结果吻合度最高。由计算结果对比可知，该掌纹提示存在高血压风险隐患，不存在荨麻疹风险隐患。
[0151]
由上可见，本发明提供一种掌纹多区域联合分析处理方法，本发明针对计算机图像处理后的掌纹信息，运用这种掌纹多区域进行联合分析，分析预测的结果更准确，将原本孤立的各个区域的异常纹信息进行整合，利用信息原本就有的关联性，综合的、整体的进行处理分析并进行健康预测提示，提高了容错率和准确性，减少了图像处理的误差，大大提高了结果的可靠性和准确率。
[0152]
本发明不仅提高了容错率和准确性，而且更加贴合中医理论和医学常识，是计算机图像处理技术、数学方法和中医理论更深层次的融合。避免了因为处理过程中出现原本不存在的异常纹对健康状况提示误导和影响，为用户的使用提供了方便。
[0153]
另外本发明，提出的针对多区域分析的处理方法：利用矩阵运算的方法 (如提出的信息矩阵、预测矩阵、结果矩阵的意义)对数据进行处理；提出的构建信息矩阵、构建预测矩阵的方法对提取的掌纹图像进行处理具有独创性，并且更贴合中医理论，是数学在中医理论迈向数字化过程中的应用和体现；
[0154]
再用欧氏距离等方法计算向量与模板向量间的相似度；信息矩阵可以将具象的异常纹信息抽象成数字化的信息，矩阵运算可以同时处理批量数据，并将各个区域各个类型的异常纹对一个健康隐患不同的影响因数体现在一个预测矩阵里面，所以得到的结果矩阵承载了多区域多类型的异常纹对一种健康隐患预测结果进行相应提示，预测结果准确率高，更方便用户。
[0155]
例如本发明本方法也适用于各种掌纹图像的分割方法，也适用于各种异常纹类型的添加，这得益于其中构建的矩阵是可以变化行数和列数的，行数和列数对应异常纹种类和掌纹区域数。
[0156]
示例性设备
[0157]
如图5中所示，本发明实施例提供一种掌纹多区域联合分析处理装置，该装置包括：
[0158]
掌纹图像获取与处理模块510，用于获取同一手掌的不同区域的掌纹图像，并将获取的不同区域的掌纹图像经过图像增强、图像修复、图像信息提取之后，得到带异常纹信息的掌纹图像；
[0159]
抽象处理模块520，用于将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a；
[0160]
预测处理模块530，用于用预先根据中医理论生成的预测矩阵b来处理信息矩阵a，得到结果矩阵c；
[0161]
分析处理模块540，用于从所述结果矩阵c中提取结果向量d、并对其进行数学分析得到健康预测相似度结果；
[0162]
结果提示模块550，用于将得到的健康相似度结果与一预先设定的相似度阈值进
行对比判断，根据对比判断结果输出对应的隐患提示，具体如上所述。
[0163]
进一步地，所述掌纹多区域联合分析处理装置，其中，所述掌纹图像获取与处理模块包括：
[0164]
掌纹图像获取单元，用于获取同一手掌的不同区域的掌纹图像；
[0165]
掌纹图像处理单元，用于对获取同一手掌的不同区域的掌纹图像，利用基于nsct方法进行掌纹的精细纹路提取，然后利用基于深度优先遍历思想的回路搜索法对异常纹进行提取，再利用基于矩形度描述的方法进行异常纹识别分类；从而得到关于异常纹信息的图像，即得到带异常纹信息的掌纹图像，具体如上所述。
[0166]
其中，所述抽象处理模块包括：
[0167]
存储单元，用于将得到的带异常纹信息的掌纹图像中的异常纹信息和所对应的区域信息分别存储在信息矩阵a中；
[0168]
所述信息矩阵a为i行，j列的矩阵；i行中每一行代表一种异常纹的种类，j列中每一列代表一种器官反射区域；
[0169]
若掌纹图像中一个区域内出现了异常纹，则根据该异常纹的种类和出现区域，将信息矩阵中行与列信息与之相对应的元素置1，未被置1的元素皆为0；
[0170]
所述预测处理模块包括：预测单元，用于将预先根据中医理论生成的预测矩阵b右乘所述信息矩阵a，得到结果矩阵c；其中，所述预先根据中医理论生成的预测矩阵b为利用中医的理论与实践经验构建预测矩阵 b；所述预测矩阵b的数量对应预测健康隐患的数量，且呈一一对应关系，其每一列分别代表一种异常纹在不同位置对健康隐患的影响因数，其每一行代表不同种类的异常纹在一个位置对健康隐患的影响因数；所述结果矩阵c的数量对应预测健康隐患的数量，且呈一一对应关系，具体如上所述。
[0171]
所述分析处理模块包括：
[0172]
提取单元，用于从所述结果矩阵c中提取结果向量d；
[0173]
求解单元，用于求解结果向量d与其相对应的健康隐患的模板向量之间的欧几里得距离；其中，所述健康隐患的模板向量是由模板信息矩阵左乘其对应的预测矩阵得到的结果矩阵，并按顺序提取结果向量的主对角线元素而组成的；所述模板信息矩阵是针对某种健康隐患，可能出现的异常纹种类全部出现在其对应位置的掌纹图像所对应的信息矩阵；
[0174]
运算单元，用于将健康隐患的模板向量dn′
(d1,d2,
…
,dn)中各个元素之和作为分母，将求得的对应的欧几里得距离en作为分子，做除法，并用1减去上述运算的结果，所得到的最终数据记为相似度sn，具体如上所述。
[0175]
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图 6所示。本发明实施例的智能终端可以为智能手机，该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端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。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种掌纹多区域联合分析处理方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
[0176]
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端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。
[0177]
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
[0178]
获取同一手掌的不同区域的掌纹图像，并将获取的不同区域的掌纹图像经过图像增强、图像修复、图像信息提取之后，得到带异常纹信息的掌纹图像；
[0179]
将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a；
[0180]
用预先根据中医理论生成的预测矩阵b来处理信息矩阵a，得到结果矩阵c；
[0181]
从所述结果矩阵c中提取结果向量d、并对其进行数学分析得到健康预测相似度结果；
[0182]
将得到的健康相似度结果与一预先设定的相似度阈值进行对比判断，根据对比判断结果输出对应的隐患提示。
[0183]
其中，所述获取同一手掌的不同区域的掌纹图像，并将获取的不同区域的掌纹图像经过图像增强、图像修复、图像信息提取之后，得到带异常纹信息的掌纹图像的步骤包括：
[0184]
获取同一手掌的不同区域的掌纹图像；
[0185]
对获取同一手掌的不同区域的掌纹图像，利用基于nsct方法进行掌纹的精细纹路提取，然后利用基于深度优先遍历思想的回路搜索法对异常纹进行提取，再利用基于矩形度描述的方法进行异常纹识别分类；从而得到关于异常纹信息的图像，即得到带异常纹信息的掌纹图像。
[0186]
其中，所述将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵 a的步骤包括：
[0187]
将得到的带异常纹信息的掌纹图像中的异常纹信息和所对应的区域信息分别存储在信息矩阵a中；
[0188]
所述信息矩阵a为i行，j列的矩阵；i行中每一行代表一种异常纹的种类，j列中每一列代表一种器官反射区域；
[0189]
若掌纹图像中一个区域内出现了异常纹，则根据该异常纹的种类和出现区域，将信息矩阵中行与列信息与之相对应的元素置1，未被置1的元素皆为0。
[0190]
其中，所述用预先根据中医理论生成的预测矩阵b来处理信息矩阵 a，得到结果矩阵c的步骤包括：
[0191]
将预先根据中医理论生成的预测矩阵b右乘所述信息矩阵a，得到结果矩阵c；
[0192]
其中，所述预先根据中医理论生成的预测矩阵b为利用中医的理论与实践经验构建预测矩阵b；所述预测矩阵b的数量对应预测健康隐患的数量，且呈一一对应关系，其每一列分别代表一种异常纹在不同位置对健康隐患的影响因数，其每一行代表不同种类的异常纹在一个位置对健康隐患的影响因数；
[0193]
所述结果矩阵c的数量对应预测健康隐患的数量，且呈一一对应关系。
[0194]
所述的掌纹多区域联合分析处理方法，其中，所述从所述结果矩阵c 中提取结果
向量d、并对其进行数学分析得到健康预测相似度结果的步骤包括：
[0195]
从所述结果矩阵c中提取结果向量d；
[0196]
求解结果向量d与其相对应的健康隐患的模板向量之间的欧几里得距离；其中，所述健康隐患的模板向量是由模板信息矩阵左乘其对应的预测矩阵得到的结果矩阵，并按顺序提取结果向量的主对角线元素而组成的；所述模板信息矩阵是针对某种健康隐患，可能出现的异常纹种类全部出现在其对应位置的掌纹图像所对应的信息矩阵；
[0197]
将健康隐患的模板向量dn′
(d1,d2,
…
,dn)中各个元素之和作为分母，将求得的对应的欧几里得距离en作为分子，做除法，并用1减去上述运算的结果，所得到的最终数据记为相似度sn。
[0198]
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，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/ 或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom (prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram (dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram (esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus) 直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0199]
综上，本发明公开了一种掌纹多区域联合分析处理方法、装置、智能终端及存储介质，所述方法包括：获取同一手掌的不同区域的掌纹图像，并将获取的不同区域的掌纹图像经过图像增强、图像修复、图像信息提取之后，得到带异常纹信息的掌纹图像；将得到的带异常纹信息的掌纹图像抽象得到一个信息矩阵a；用预先根据中医理论生成的预测矩阵b来处理信息矩阵a，得到结果矩阵c；从所述结果矩阵c中提取结果向量d、并对其进行数学分析得到健康预测相似度结果；将得到的健康相似度结果与一预先设定的相似度阈值进行对比判断，根据对比判断结果输出对应的隐患提示。本发明采用将识别得到的掌纹中不同区域的异常纹进行联合分析处理，并将联合分析处理的结果，进行相应的健康预测提示，以提示对应用户做进一步详细检查，克服了单区域异常纹分析的局限性和可靠性低、准确率不高等问题。同时，通过建立信息矩阵并与预测矩阵进行运算，将原本孤立的信息相互连接得到更大的价值。此外，在对健康隐患下判断时，还引入了相似度的概念，提高了结果的可靠性，并且不同健康隐患的相似度也可能不同，相似度也是随实践经验变化的，以进行相应的健康预测提示，进一步提高了结果的容错率和科学性，减少了图像处理的误差，大大提高了结果的可靠性和准确率。
[0200]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。