舌诊的现代化、客观化研究
1.舌象图像的采集装置及技术研究 自20世纪80年代以来，张伯礼等最先开展了中医舌诊检测仪器的研制。从21世纪初期，大量学者进行了多种型号舌诊仪的研制。例如，早期北京工业大学研制了积分球式中医舌象分析仪、上海中医药大学研制了TDA-1小型手持舌诊仪、天津中医药大学研制了新型中医舌诊3D成像仪等。
对于舌象图像采集装置，虽然已有大量小型舌诊采集设备的研究，但由于舌象图像信息的采集往往受到光源环境、CCD设备和色彩校正方法等因素的影响，因此部分学者进一步开展了舌象图像采集的关键技术研究：①在舌象图像采集的光源选择上，不同研究者分别比较了不同光源对舌象图像信息采集的影响。如宋贤杰等通过光谱分析比较了四种荧光灯光源的光学参数，并对其采集图像进行比较，得出PHILIPS YPZ220/18-3U.RR.D型光源最接近自然光源，可作为采集舌象时的照明标准光源。屠立平等通过检测白炽灯、荧光灯、LED、氙气灯四类九种光源的光谱性能及上述不同人工光源对图像采集信息的影响，结果提示：高显色性的LED3和荧光灯均能真实反映舌象的颜色特征，但前者体积较小，更适用于小型舌象采集装置的照明条件。综上可知，荧光灯光源和LED光源的色温更接近自然光源，同时其还具有较高的显色指数，是目前舌象图像采集光源的首选。②不同CCD成像设备，其分辨率和彩色深度的不同，对舌诊图像信息的采集具有直接影响。随着现代科技的发展，舌诊图像的采集设备从最初的彩色摄像机获取模式信号逐渐转变为使用数码相机直接获取数字信号，如CASIO 3000EX数码相机、KODAK DC260数码相机、NIKON D80单反数码相机等不同型号的CCD设备被用于舌象图像信号的获取中。③色彩校正可保持舌诊图像颜色信息的一致性和重现性，是后续舌象信息分析的前提，以减少不同照射光源及不同图像采集设备对舌象图像的影响。目前常见的校正方法是使用标准色卡作为参照，通过各种离线校正的方法将色卡颜色映射到标准光照下的颜色值来进行。常用的离线校正方法有线性回归、多项式回归、支持向量回归、神经网络等。此外有学者也提出了基于有限维模型及“拓扑剖分-还原”（TRM）理论的颜色校正方法。但上述离线校正方法的还原效果需依赖于稳定的拍摄条件。因此，有学者提出了一种基于色貌评价与三刺激值匹配相结合的在线彩色校正方法。此外，近几年部分学者提出了一种不借助色卡的校正偏色方法，即在偏色检测的基础上，使用基于改进的灰度世界和完美反射相结合的颜色校正方法对舌象图像进行校正。综上所述，目前的色彩校正方法尚无统一的标准，基于标准色卡的离线校正方法使用较为普遍，且大多针对封闭的舌象采集环境，部分不借助色卡的校正偏色方法则被用于开放自然环境下采集的舌象图像的校正。
2.舌象图像特征提取与分析方法研究 在舌象图像特征的提取与分析过程中，主要包括舌象图像分割、舌质舌苔分离及常见舌象特征的量化分析三方面。其中舌象图像分割是指将舌体区域从采集的图像中提取出来；舌质舌苔分离是指在舌体提取的基础上进一步将舌质与舌苔分离出来。以上两个内容均属于图像分割技术的范畴，即将数字图像分割成互不相交或不重叠区域的技术。然而图像分割技术在舌体提取及苔质分离中常常面临以下挑战：①舌的颜色与脸的颜色特别是唇的颜色容易混淆。②特定拍摄环境下，不同光照、不同人、不同舌体形状及拍摄位置都会影响图像质量。③舌作为一个软体本身，没有固定的形状，相对于硬体的边缘提取更加困难。④从医学病理学的角度来看，舌体本身并不平滑，舌苔舌质因人而异，舌体本身的裂纹、舌苔色块也都会严重影响舌体的分割。
图像分割技术涉及的算法已超过1000种，但大多数算法都是根据具体问题提出的，并没有一种相对普适的算法。目前应用于舌体提取及苔质分离的常用图像分割技术大致分为四大类，即区域分割技术、边缘检测技术、特定理论工具分割及Snake算法。其中区域分割技术中常用的是阈值法、区域生长与合并及聚类法。边缘检测技术中的边缘跟踪及边缘拟合在舌象图像分割中使用较为普遍。而特定理论工具分割，则包括神经网络与遗传算法、模糊集聚类、SVM/Adaboost学习、数学形态学算法等。目前Snake算法在舌象图像分割中的研究主要集中在舌象图像初始轮廓提取及能量函数的研究方面。
在舌体提取及苔质分离的基础上，常见的舌象特征可以进一步用数字化技术进行量化。目前研究者已经尝试对以下舌象特征进行提取与量化，如舌色、舌形、舌纹理、舌润燥、舌苔厚度及齿痕、裂纹、瘀点、点刺等部分形态学特征。例如在舌质舌苔分离的基础上，来自不同颜色空间的色度学指标可用于对舌色苔色进行量化；差分统计法可用于描述舌质及舌苔的纹理情况，进而反映舌质老嫩程度与舌苔的润燥程度；基于舌苔占舌表面百分比的比例优势模型可用于对舌苔厚度进行量化；舌的润燥程度可利用不同角度光照下舌象图像中饱和区域面积占总舌面积的比值来描述；基于宽线探测器的统计形状特征（WLDF）可用于量化裂纹舌；利用景物匹配的原则可对舌象中点刺与瘀点进行量化、定义和分类。综上所述，目前对于舌象不同特征的提取量化方法在颜色、纹理信息特征方面已相对成熟，对齿痕、裂纹、点刺等形态学特征的量化有待进一步深入研究，以探寻稳定有效的识别量化方案。
3.舌象图像特征的分类识别方法研究 在舌象图像信息的精确采集及舌象图像特征的提取分析的基础上，研究各种舌象图像特征的分类与识别方法是实现中医舌诊自动化与智能化的重要内容。对舌象图像特征分类识别的常用方法是传统的机器学习算法，它们目前已被用于以下舌象图像特征的分类识别中，如舌色、舌形、舌苔厚度、裂纹舌、齿痕舌、点刺瘀点及综合舌象图像特征的分类。目前，在该领域常用的机器学习方法包括KNN、NaiveBayes、Adaboost、SVM、决策树、神经网络、随机森林等。其中KNN与SVM是在以上算法中最常使用的两种算法。
然而传统的机器学习在舌象图像特征分类识别过程中的主要障碍是特征工程这个步骤，这需要领域专家在进入训练过程之前就要靠手动完成重要特征的找寻，因此它成为当今大多数机器学习任务的主要瓶颈。近几年，随着人工智能技术的发展，深度学习也开始被用于舌象图像特征的分类识别。深度学习，作为目前最热的机器学习方法，与传统机器学习的主要区别在于它可以将数字图像的原始信号（例如RGB像素值）直接输入，而不需要创建任何域特定的输入功能，因此极大地消除了寻找“特征工程”的麻烦。