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 皮膚鏡圖像處理技術的發(fā)展趨勢 12
本章小結 14
本章參考文獻 15
第2章 皮膚鏡圖像的質量評價 19
2.1 散焦模糊評價 19
2.1.1 散焦模糊的退化函數(shù) 19
2.1.2 散焦模糊的退化原理 20
2.1.3 散焦模糊評價指標設計 21
2.2 基于梯度的模糊評價 23
2.2.1 梯度原理 23
2.2.2 模糊評價指標設計 26
2.3 光照不均評價 27
2.3.1 Retinex變分模型 27
2.3.2 光照分量提取 28
2.3.3 光照不均評價指標設計 29
2.4 模糊和光照不均混合失真情況下的評價 30
2.4.1 模糊和光照不均的頻譜特性分析 30
2.4.2 模糊和光照不均程度的設計 33
2.4.3 評價模型修正 33
2.5 毛發(fā)遮擋評價 34
2.5.1 毛發(fā)提取 35
2.5.2 毛發(fā)遮擋評價指標設計 40
本章小結 42
本章參考文獻 42
第3章 皮膚鏡圖像的預處理 44
3.1 散焦模糊的復原 45
3.1.1 圖像的退化與復原過程 45
3.1.2 連續(xù)函數(shù)的退化模型 46
3.1.3 離散函數(shù)的退化模型 48
3.1.4 圖像復原的基本步驟 50
3.1.5 維納濾波圖像復原方法 51
3.2 光照不均的去除 53
3.2.1 基于光照估計的光照去除 53
3.2.2 基于圖像增強的光照去除 54
3.3 毛發(fā)的去除 61
3.3.1 基于偏微分方程的毛發(fā)去除 61
3.3.2 基于Criminisi修復算法的毛發(fā)去除 63
3.4 平滑去噪 65
3.4.1 鄰域平均法 65
3.4.2 中值濾波法 69
本章小結 71
本章參考文獻 71
第4章 皮膚鏡圖像的分割 73
4.1 大津閾值分割 73
4.1.1 閾值分割的原理 73
4.1.2 大津閾值選擇 75
4.2 K-均值聚類分割 78
4.3 Mean Shift聚類分割 81
4.3.1 核密度估計 82
4.3.2 密度梯度估計 82
4.3.3 Mean Shift圖像聚類 85
4.3.4 子區(qū)域合并后處理 86
4.4 基于SGNN的分割 88
4.4.1 SGNN算法原理 88
4.4.2 改進的SGNN分割算法 90
4.5 基于JSEG的分割 91
4.5.1 顏色量化 92
4.5.2 空間分割 94
4.6 基于SRM的分割 97
4.6.1 融合預測 97
4.6.2 融合順序 99
4.6.3 統(tǒng)計區(qū)域融合算法 99
4.7 水平集活動輪廓模型 100
4.7.1 Mumford-Shah模型 101
4.7.2 Chan-Vese模型 101
4.7.3 Chan-Vese模型的數(shù)值實現(xiàn) 103
4.8 分割實例對比 104
4.9 圖像分割的性能評價 106
4.9.1 無監(jiān)督評價法 106
4.9.2 有監(jiān)督評價法 108
本章小結 111
本章參考文獻 111
第5章 常用的皮膚鏡圖像特征描述方法 114
5.1 形狀描述 114
5.1.1 圖像矩 115
5.1.2 常用的形狀描述 117
5.2 顏色描述 120
5.2.1 彩色空間 120
5.2.2 直方圖 126
5.2.3 顏色直方圖距離 128
5.2.4 其他顏色描述 129
5.3 紋理描述 131
5.3.1 灰度共生矩陣 131
5.3.2 Gabor小波紋理描述 135
5.3.3 可控金字塔變換 142
本章小結 145
本章參考文獻 145
第6章 皮膚鏡圖像的分類識別方法 147
6.1 圖像識別系統(tǒng) 147
6.2 學習與分類 149
6.2.1 機器學習的基本模型 149
6.2.2 監(jiān)督學習 150
6.3 人工神經(jīng)元網(wǎng)絡 150
6.3.1 基本原理 150
6.3.2 BP神經(jīng)網(wǎng)絡 152
6.3.3 模糊神經(jīng)網(wǎng)絡 154
6.3.4 組合神經(jīng)網(wǎng)絡 159
6.4 支持向量機 161
6.4.1 最優(yōu)分類面 161
6.4.2 SVM方法 163
6.4.3 核函數(shù)的選擇 165
6.5 AdaBoost算法 166
本章小結 167
本章參考文獻 167
第7章 典型皮損目標的計算機輔助診斷 169
7.1 黑色素瘤的診斷標準 169
7.1.1 ABCD準則 169
7.1.2 Menzies打分法 171
7.1.3 七點檢測法 171
7.2 白色人種皮損目標的分類識別 172
7.2.1 特征提取 172
7.2.2 基于相關性的特征優(yōu)選 175
7.2.3 基于SVM的分類器設計 176
7.3 黃色人種皮損目標的分類識別 176
7.3.1 特征提取 177
7.3.2 基于遺傳算法的特征優(yōu)選 180
7.3.3 基于組合神經(jīng)網(wǎng)絡的分類器設計 183
本章小結 185
本章參考文獻 185
第8章 基于卷積神經(jīng)網(wǎng)絡的皮膚鏡圖像分析 188
8.1 卷積神經(jīng)網(wǎng)絡 188
8.1.1 卷積神經(jīng)網(wǎng)絡原理 188
8.1.2 典型的卷積神經(jīng)網(wǎng)絡模型 193
8.1.3 卷積神經(jīng)網(wǎng)絡的設計方法 200
8.2 基于卷積神經(jīng)網(wǎng)絡的圖像處理框架 203
8.2.1 基于卷積神經(jīng)網(wǎng)絡的圖像分割框架 204
8.2.2 基于卷積神經(jīng)網(wǎng)絡的圖像分類框架 204
8.2.3 基于卷積神經(jīng)網(wǎng)絡的深度哈希圖像檢索框架 205
8.3 基于多尺度特征融合的皮膚鏡圖像分割 207
8.3.1 稠密塊和過渡塊 207
8.3.2 多尺度特征融合 209
8.3.3 損失函數(shù)設計 210
8.3.4 分割實例分析 210
8.4 基于區(qū)域池化的皮膚鏡圖像分類 212
8.4.1 區(qū)域池化層設計 212
8.4.2 基于AUC的分類器訓練 212
8.4.3 分類實例分析 214
8.5 基于深度哈希編碼的皮膚鏡圖像檢索 215
8.5.1 皮膚鏡圖像檢索流程 215
8.5.2 深度哈希殘差網(wǎng)絡 216
8.5.3 基于哈希表查找的從粗到精檢索策略 217
8.5.4 檢索實例分析 219
本章小結 221
本章參考文獻 221