本書系統地介紹了皮膚鏡圖像處理的基礎理論和關鍵技術，注重涵蓋當前的最新研究方法，並總結皮膚鏡圖像分析領域的發展動態。全書共分8章，第1章為概述，介紹皮膚鏡的工作原理、皮膚鏡圖像處理的發展現狀和未來趨勢；第2章和第3章為皮膚鏡圖像的預處理部分，包括皮膚鏡圖像的採集質量評價、皮膚鏡圖像增強復原中用到的預處理方法；第4～8章涵蓋了皮膚鏡圖像的分割、皮損目標的特徵提取和分類識別等內容。 本書將圖像處理的基本理論與皮膚鏡圖像分析套用相結合，內容系統，重點突出，前後貫穿。
基本介紹
- 書名：皮膚鏡圖像處理技術
- 作者：謝鳳英
- ISBN：9787121258985
- 頁數：204
- 定價：65
- 出版社：中國工信出版集團
- 出版時間：2015-05
圖書信息,內容簡介,目 錄,
圖書信息
作 譯 者：謝鳳英
出版時間：2015-05
千 字 數：270
皮膚鏡圖像處理技術內容簡介
本書系統地介紹了皮膚鏡圖像處理的基礎理論和關鍵技術，注重涵蓋當前的最新研究方法，並總結皮膚鏡圖像分析領域的發展動態。
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 皮膚鏡數字圖像處理 6
1.4 皮膚鏡圖像處理的發展趨勢 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 散焦模糊的退化函式 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 基於梯度的模糊評價 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 毛髮遮擋評價 28
2.5.1 毛髮提取 28
2.5.2 毛髮遮擋評價指標設計 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 連續函式的退化模型 38
3.1.3 離散函式的退化模型 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 基於光照估計的光照去除 45
3.2.2 基於圖像增強的光照去除 46
3.3 毛髮的去除 52
3.3.1 基於偏微分方程的毛髮去除 53
3.3.2 基於Criminisi修復算法的毛髮去除 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 子區合併後處理 75
4.4 基於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 基於JSEG的分割 80
4.5.1 顏色量化 80
4.5.2 空間分割 82
4.6 基於SRM的分割 85
4.6.1 融合預測 86
4.6.2 融合順序 87
4.6.3 統計區域融合算法 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模型的數值實現 91
4.8 圖像分割的性能評價 92
4.8.1 無監督評價法 93
4.8.2 有監督評價法 95
小結 96
第5章 常用的皮膚鏡圖像特徵描述方法 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 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 監督學習 131
6.3 人工神經元網路 131
6.3.1 基本原理 131
6.3.2 BP神經網路 133
6.3.3 模糊神經網路 135
6.3.4 組合神經網路 139
6.4 支持向量機 142
6.4.1 最優分類面 142
6.4.2 SVM方法 144
6.4.3 核函式的選擇 145
6.5 AdaBoost算法 146
小結 147
第7章 基於機器學習的皮膚鏡圖像分割 148
7.1 基於監督學習的分割 148
7.1.1 同質子區 149
7.1.2 同質子區的特徵提取 153
7.1.3 基於SVM監督學習的分割 154
7.2 基於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 特徵提取 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 特徵提取 165
8.2.2 基於相關性的特徵優選 168
8.2.3 基於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 特徵提取 169
8.3.2 基於遺傳算法的特徵優選 173
8.3.3 基於組合神經網路的分類器設計 175
小結 178
參考文獻 179
