皮肤镜图像分析与识别

目 录
第1章 概述 1
1．1 皮肤镜技术 1
1．2 皮肤镜图像计算机辅助诊断 3
1．3 皮肤镜数字图像处理 6
1．4 皮肤镜图像处理技术的发展趋势 12
本章小结 14
本章参考文献 15
第2章 皮肤镜图像的质量评价 19
2．1 散焦模糊评价 19
2．1．1 散焦模糊的退化函数 19
2．1．2 散焦模糊的退化原理 20
2．1．3 散焦模糊评价指标设计 21
2．2 基于梯度的模糊评价 23
2．2．1 梯度原理 23
2．2．2 模糊评价指标设计 26
2．3 光照不均评价 27
2．3．1 Retinex变分模型 27
2．3．2 光照分量提取 28
2．3．3 光照不均评价指标设计 29
2．4 模糊和光照不均混合失真情况下的评价 30
2．4．1 模糊和光照不均的频谱特性分析 30
2．4．2 模糊和光照不均程度的设计 33
2．4．3 评价模型修正 33
2．5 毛发遮挡评价 34
2．5．1 毛发提取 35
2．5．2 毛发遮挡评价指标设计 40
本章小结 42
本章参考文献 42
第3章 皮肤镜图像的预处理 44
3．1 散焦模糊的复原 45
3．1．1 图像的退化与复原过程 45
3．1．2 连续函数的退化模型 46
3．1．3 离散函数的退化模型 48
3．1．4 图像复原的基本步骤 50
3．1．5 维纳滤波图像复原方法 51
3．2 光照不均的去除 53
3．2．1 基于光照估计的光照去除 53
3．2．2 基于图像增强的光照去除 54
3．3 毛发的去除 61
3．3．1 基于偏微分方程的毛发去除 61
3．3．2 基于Criminisi修复算法的毛发去除 63
3．4 平滑去噪 65
3．4．1 邻域平均法 65
3．4．2 中值滤波法 69
本章小结 71
本章参考文献 71
第4章 皮肤镜图像的分割 73
4．1 大津阈值分割 73
4．1．1 阈值分割的原理 73
4．1．2 大津阈值选择 75
4．2 K-均值聚类分割 78
4．3 Mean Shift聚类分割 81
4．3．1 核密度估计 82
4．3．2 密度梯度估计 82
4．3．3 Mean Shift图像聚类 85
4．3．4 子区域合并后处理 86
4．4 基于SGNN的分割 88
4．4．1 SGNN算法原理 88
4．4．2 改进的SGNN分割算法 90
4．5 基于JSEG的分割 91
4．5．1 颜色量化 92
4．5．2 空间分割 94
4．6 基于SRM的分割 97
4．6．1 融合预测 97
4．6．2 融合顺序 99
4．6．3 统计区域融合算法 99
4．7 水平集活动轮廓模型 100
4．7．1 Mumford-Shah模型 101
4．7．2 Chan-Vese模型 101
4．7．3 Chan-Vese模型的数值实现 103
4．8 分割实例对比 104
4．9 图像分割的性能评价 106
4．9．1 无监督评价法 106
4．9．2 有监督评价法 108
本章小结 111
本章参考文献 111
第5章 常用的皮肤镜图像特征描述方法 114
5．1 形状描述 114
5．1．1 图像矩 115
5．1．2 常用的形状描述 117
5．2 颜色描述 120
5．2．1 彩色空间 120
5．2．2 直方图 126
5．2．3 颜色直方图距离 128
5．2．4 其他颜色描述 129
5．3 纹理描述 131
5．3．1 灰度共生矩阵 131
5．3．2 Gabor小波纹理描述 135
5．3．3 可控金字塔变换 142
本章小结 145
本章参考文献 145
第6章 皮肤镜图像的分类识别方法 147
6．1 图像识别系统 147
6．2 学习与分类 149
6．2．1 机器学习的基本模型 149
6．2．2 监督学习 150
6．3 人工神经元网络 150
6．3．1 基本原理 150
6．3．2 BP神经网络 152
6．3．3 模糊神经网络 154
6．3．4 组合神经网络 159
6．4 支持向量机 161
6．4．1 *优分类面 161
6．4．2 SVM方法 163
6．4．3 核函数的选择 165
6．5 AdaBoost算法 166
本章小结 167
本章参考文献 167
第7章 典型皮损目标的计算机辅助诊断 169
7．1 黑色素瘤的诊断标准 169
7．1．1 ABCD准则 169
7．1．2 Menzies打分法 171
7．1．3 七点检测法 171
7．2 白色人种皮损目标的分类识别 172
7．2．1 特征提取 172
7．2．2 基于相关性的特征优选 175
7．2．3 基于SVM的分类器设计 176
7．3 黄色人种皮损目标的分类识别 176
7．3．1 特征提取 177
7．3．2 基于遗传算法的特征优选 180
7．3．3 基于组合神经网络的分类器设计 183
本章小结 185
本章参考文献 185
第8章 基于卷积神经网络的皮肤镜图像分析 188
8．1 卷积神经网络 188
8．1．1 卷积神经网络原理 188
8．1．2 典型的卷积神经网络模型 193
8．1．3 卷积神经网络的设计方法 200
8．2 基于卷积神经网络的图像处理框架 203
8．2．1 基于卷积神经网络的图像分割框架 204
8．2．2 基于卷积神经网络的图像分类框架 204
8．2．3 基于卷积神经网络的深度哈希图像检索框架 205
8．3 基于多尺度特征融合的皮肤镜图像分割 207
8．3．1 稠密块和过渡块 207
8．3．2 多尺度特征融合 209
8．3．3 损失函数设计 210
8．3．4 分割实例分析 210
8．4 基于区域池化的皮肤镜图像分类 212
8．4．1 区域池化层设计 212
8．4．2 基于AUC的分类器训练 212
8．4．3 分类实例分析 214
8．5 基于深度哈希编码的皮肤镜图像检索 215
8．5．1 皮肤镜图像检索流程 215
8．5．2 深度哈希残差网络 216
8．5．3 基于哈希表查找的从粗到精检索策略 217
8．5．4 检索实例分析 219
本章小结 221
本章参考文献 221