皮膚鏡圖像處理技術(shù)

目 錄

第1章 概述 1
1．1 皮膚鏡技術(shù) 1
1．2 皮膚鏡圖像計(jì)算機(jī)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(shì) 11
小結(jié) 12
第2章 皮膚鏡圖像的質(zhì)量評(píng)價(jià) 13
2．1 散焦模糊評(píng)價(jià) 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(píng)價(jià)指標(biāo)設(shè)計(jì) 15
2．2 基于梯度的模糊評(píng)價(jià) 17
2．2．1 梯度原理 17
2．2．2 模糊評(píng)價(jià)指標(biāo)設(shè)計(jì) 19
2．3 光照不均評(píng)價(jià) 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(píng)價(jià)指標(biāo)設(shè)計(jì) 22
2．4 模糊和光照不均混合失真情況下的評(píng)價(jià) 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(cè)度的設(shè)計(jì) 26
2．4．3 評(píng)價(jià)模型修正 27
2．5 毛發(fā)遮擋評(píng)價(jià) 28
2．5．1 毛發(fā)提取 28
2．5．2 毛發(fā)遮擋評(píng)價(jià)指標(biāo)設(shè)計(jì) 33
小結(jié) 35
第3章 皮膚鏡圖像的預(yù)處理 36
3．1 散焦模糊的復(fù)原 37
3．1．1 圖像的退化與復(fù)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(fù)原的基本步驟 42
3．1．5 維納濾波圖像復(fù)原方法 43
3．2 光照不均的去除 45
3．2．1 基于光照估計(jì)的光照去除 45
3．2．2 基于圖像增強(qiáng)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(fù)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(jié) 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(jì) 70
4．3．2 密度梯度估計(jì) 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(jìn)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(yù)測(cè) 86
4．6．2 融合順序 87
4．6．3 統(tǒng)計(jì)區(qū)域融合算法 88
4．7 水平集活動(dòng)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(shí)現(xiàn) 91
4．8 圖像分割的性能評(píng)價(jià) 92
4．8．1 監(jiān)督評(píng)價(jià)法 93
4．8．2 有監(jiān)督評(píng)價(jià)法 95
小結(jié) 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(jié) 127
第6章 皮膚鏡圖像的分類識(shí)別方法 128
6．1 圖像識(shí)別系統(tǒng) 128
6．2 學(xué)習(xí)與分類 130
6．2．1 機(jī)器學(xué)習(xí)的基本模型 130
6．2．2 監(jiān)督學(xué)習(xí) 131
6．3 人工神經(jīng)元網(wǎng)絡(luò) 131
6．3．1 基本原理 131
6．3．2 BP神經(jīng)網(wǎng)絡(luò) 133
6．3．3 模糊神經(jīng)網(wǎng)絡(luò) 135
6．3．4 組合神經(jīng)網(wǎng)絡(luò) 139
6．4 支持向量機(jī) 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(jié) 147
第7章 基于機(jī)器學(xué)習(xí)的皮膚鏡圖像分割 148
7．1 基于監(jiān)督學(xué)習(xí)的分割 148
7．1．1 同質(zhì)子區(qū) 149
7．1．2 同質(zhì)子區(qū)的特征提取 153
7．1．3 基于SVM監(jiān)督學(xué)習(xí)的分割 154
7．2 基于多分類模型的自適應(yīng)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(yīng)分割 158
小結(jié) 161
第8章 典型皮損目標(biāo)的計(jì)算機(jī)輔助診斷 162
8．1 黑色素瘤的診斷標(biāo)準(zhǔn) 162
8．1．1 ABCD準(zhǔn)則 162
8．1．2 Menzies打分法 164
8．1．3 七點(diǎn)檢測(cè)法 164
8．2 白色人種皮損目標(biāo)的分類識(shí)別 165
8．2．1 特征提取 165
8．2．2 基于相關(guān)性的特征優(yōu)選 168
8．2．3 基于SVM的分類器設(shè)計(jì) 168
8．3 黃色人種皮損目標(biāo)的分類識(shí)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(luò)的分類器設(shè)計(jì) 175
小結(jié) 178
參考文獻(xiàn) 179