皮膚鏡圖像處理技術

目 錄

第1章 概述 1
1．1 皮膚鏡技術 1
1．2 皮膚鏡圖像計算機輔助診斷 3
1．3 皮膚鏡數(shù)字圖像處理 6
1．4 皮膚鏡圖像處理的發(fā)展趨勢 11
小結 12
第2章 皮膚鏡圖像的質量評價 13
2．1 散焦模糊評價 13
2．1．1 散焦模糊的退化函數(shù) 13
2．1．2 散焦模糊的退化原理 14
2．1．3 散焦模糊評價指標設計 15
2．2 基于梯度的模糊評價 17
2．2．1 梯度原理 17
2．2．2 模糊評價指標設計 19
2．3 光照不均評價 21
2．3．1 Retinex變分模型 21
2．3．2 光照分量提取 22
2．3．3 光照評價指標設計 22
2．4 模糊和光照不均混合失真情況下的評價 24
2．4．1 模糊和光照不均的頻譜特性分析 24
2．4．2 模糊和光照不均測度的設計 26
2．4．3 評價模型修正 27
2．5 毛發(fā)遮擋評價 28
2．5．1 毛發(fā)提取 28
2．5．2 毛發(fā)遮擋評價指標設計 33
小結 35
第3章 皮膚鏡圖像的預處理 36
3．1 散焦模糊的復原 37
3．1．1 圖像的退化與復原過程 37
3．1．2 連續(xù)函數(shù)的退化模型 38
3．1．3 離散函數(shù)的退化模型 39
3．1．4 圖像復原的基本步驟 42
3．1．5 維納濾波圖像復原方法 43
3．2 光照不均的去除 45
3．2．1 基于光照估計的光照去除 45
3．2．2 基于圖像增強的光照去除 46
3．3 毛發(fā)的去除 52
3．3．1 基于偏微分方程的毛發(fā)去除 53
3．3．2 基于Criminisi修復算法的毛發(fā)去除 54
3．4 平滑去噪 56
3．4．1 鄰域平均法 56
3．4．2 中值濾波法 59
小結 61
第4章 皮膚鏡圖像的非監(jiān)督分割 62
4．1 大津閾值分割 62
4．1．1 閾值分割的原理 63
4．1．2 大津閾值選擇 64
4．2 K均值聚類分割 67
4．3 Mean Shift聚類分割 70
4．3．1 核估計 70
4．3．2 密度梯度估計 71
4．3．3 Mean Shift圖像聚類 74
4．3．4 子區(qū)合并后處理 75
4．4 基于SGNN的分割 76
4．4．1 SGNN算法原理 77
4．4．2 改進的SGNN分割算法 78
4．5 基于JSEG的分割 80
4．5．1 顏色量化 80
4．5．2 空間分割 82
4．6 基于SRM的分割 85
4．6．1 融合預測 86
4．6．2 融合順序 87
4．6．3 統(tǒng)計區(qū)域融合算法 88
4．7 水平集活動輪廓模型 89
4．7．1 Mumford-Shah模型 89
4．7．2 Chan-Vese模型 89
4．7．3 Chan-Vese模型的數(shù)值實現(xiàn) 91
4．8 圖像分割的性能評價 92
4．8．1 監(jiān)督評價法 93
4．8．2 有監(jiān)督評價法 95
小結 96
第5章 常用的皮膚鏡圖像特征描述方法 98
5．1 形狀描述 98
5．1．1 圖像矩 99
5．1．2 常用的形狀描述 101
5．2 顏色描述 104
5．2．1 彩色空間 104
5．2．2 直方圖 110
5．2．3 顏色直方圖距離 112
5．2．4 其他顏色描述 112
5．3 紋理描述 114
5．3．1 灰度共生矩陣 115
5．3．2 Gabor小波紋理描述 118
5．3．3 可控金字塔變換 125
小結 127
第6章 皮膚鏡圖像的分類識別方法 128
6．1 圖像識別系統(tǒng) 128
6．2 學習與分類 130
6．2．1 機器學習的基本模型 130
6．2．2 監(jiān)督學習 131
6．3 人工神經(jīng)元網(wǎng)絡 131
6．3．1 基本原理 131
6．3．2 BP神經(jīng)網(wǎng)絡 133
6．3．3 模糊神經(jīng)網(wǎng)絡 135
6．3．4 組合神經(jīng)網(wǎng)絡 139
6．4 支持向量機 142
6．4．1 最優(yōu)分類面 142
6．4．2 SVM方法 144
6．4．3 核函數(shù)的選擇 145
6．5 AdaBoost算法 146
小結 147
第7章 基于機器學習的皮膚鏡圖像分割 148
7．1 基于監(jiān)督學習的分割 148
7．1．1 同質子區(qū) 149
7．1．2 同質子區(qū)的特征提取 153
7．1．3 基于SVM監(jiān)督學習的分割 154
7．2 基于多分類模型的自適應分割 155
7．2．1 圖像模式與分割方法之間的匹配 155
7．2．2 特征提取 157
7．2．3 自適應分割 158
小結 161
第8章 典型皮損目標的計算機輔助診斷 162
8．1 黑色素瘤的診斷標準 162
8．1．1 ABCD準則 162
8．1．2 Menzies打分法 164
8．1．3 七點檢測法 164
8．2 白色人種皮損目標的分類識別 165
8．2．1 特征提取 165
8．2．2 基于相關性的特征優(yōu)選 168
8．2．3 基于SVM的分類器設計 168
8．3 黃色人種皮損目標的分類識別 169
8．3．1 特征提取 169
8．3．2 基于遺傳算法的特征優(yōu)選 173
8．3．3 基于組合神經(jīng)網(wǎng)絡的分類器設計 175
小結 178
參考文獻 179