精准的舌象自动分割是舌图像特征分析的前提，是中医舌象分析仪中重要的处理步骤。在舌体分割中，舌体大小和形状的差异以及舌体颜色与嘴唇颜色相近等客观因素大大增加了舌体分割的难度，使得传统的舌图像舌体分割方法在分割自动化程度和分割精度上有待进一步提升。此外，封闭环境具有稳定的光照环境，对舌体分割算法更有利，现有的舌图像自动分割方法主要研究应用于封闭式采集环境; 开放式采集环境的舌图像分割问题受到光照和图像质量的影响，则更加难以解决。因此，利用图像处理、机器学习等领域的最新研究算法提升舌图像的分割精度具有重要意义。

本文首先从传统分割方法和基于深度学习的分割方法两方面对中医舌象分割技术发展中的主要方法进行综述；其次，采用我们收集的舌象数据库对典型的方法进行性能评估, 并对不同舌象分割方法的特点进行分析与讨论。最后，对中医舌图像分割方法潜在的发展方向进行了展望。

文中主要讨论了典型的基于深入学习的图像分割方法，主要包括：基于编解码网络框架的分割方法（图1，图2）、基于Atrous卷积的图像分割方法、空间金字塔池化网络框架以及面向分割的迁移学习。

我们根据不同环境下中医舌象仪研究的实际需求, 在开放式采集环境下构建了舌图像数据集Tongue dataset1。该数据集由3000幅舌图像构成，由互联网图像和利用手机、相机等不同图像采集设备在不同的环境和时间段拍摄得到照片组成。因此，Tongue dataset中的舌图像具有尺寸大小不一，光照环境复杂多变，舌体的大小、形状各异和位置不固定等特点。舌图像数据集Tongue dataset部分图像样例如图3所示。我们对主要算法在中医舌象分割任务中进行了应用和比较，客观结果如表1所示。

经过综述，我们得出的结论：目前基于深度学习的舌象分割方法克服了舌形态、光照、颜色多种因素的舌象分割挑战，能够实现开放环境静态舌象的精准快速分割，基本解决了困扰舌象分割多年的全自动鲁棒舌象分割的瓶颈问题。这对中医舌象仪的自动化分析提供了传统方法难以达到的进展。本论文以综述的形式汇报该领域的最新进展，为相关研究人员提供参考。在此基础上，我们对中医舌象分割技术的发展提出了新的展望。

图1  全卷积分割网络结构图

图2  SegNet网络结构图

图3  Tongue dataset中的部分舌图像

表1 不同舌象分割方法性能比较