皮膚鏡圖像分析與識別

目 錄
第1章 概述\t1
1．1 皮膚鏡技術(shù)\t1
1．2 皮膚鏡圖像計算機輔助診斷\t3
1．3 皮膚鏡數(shù)字圖像處理\t6
1．4 皮膚鏡圖像處理技術(shù)的發(fā)展趨勢\t12
本章小結(jié)\t14
本章參考文獻\t15
第2章 皮膚鏡圖像的質(zhì)量評價\t19
2．1 散焦模糊評價\t19
2．1．1 散焦模糊的退化函數(shù)\t19
2．1．2 散焦模糊的退化原理\t20
2．1．3 散焦模糊評價指標設(shè)計\t21
2．2 基于梯度的模糊評價\t23
2．2．1 梯度原理\t23
2．2．2 模糊評價指標設(shè)計\t26
2．3 光照不均評價\t27
2．3．1 Retinex變分模型\t27
2．3．2 光照分量提取\t28
2．3．3 光照不均評價指標設(shè)計\t29
2．4 模糊和光照不均混合失真情況下的評價\t30
2．4．1 模糊和光照不均的頻譜特性分析\t30
2．4．2 模糊和光照不均程度的設(shè)計\t33
2．4．3 評價模型修正\t33
2．5 毛發(fā)遮擋評價\t34
2．5．1 毛發(fā)提取\t35
2．5．2 毛發(fā)遮擋評價指標設(shè)計\t40
本章小結(jié)\t42
本章參考文獻\t42
第3章 皮膚鏡圖像的預(yù)處理\t44
3．1 散焦模糊的復(fù)原\t45
3．1．1 圖像的退化與復(fù)原過程\t45
3．1．2 連續(xù)函數(shù)的退化模型\t46
3．1．3 離散函數(shù)的退化模型\t48
3．1．4 圖像復(fù)原的基本步驟\t50
3．1．5 維納濾波圖像復(fù)原方法\t51
3．2 光照不均的去除\t53
3．2．1 基于光照估計的光照去除\t53
3．2．2 基于圖像增強的光照去除\t54
3．3 毛發(fā)的去除\t61
3．3．1 基于偏微分方程的毛發(fā)去除\t61
3．3．2 基于Criminisi修復(fù)算法的毛發(fā)去除\t63
3．4 平滑去噪\t65
3．4．1 鄰域平均法\t65
3．4．2 中值濾波法\t69
本章小結(jié)\t71
本章參考文獻\t71
第4章 皮膚鏡圖像的分割\t73
4．1 大津閾值分割\t73
4．1．1 閾值分割的原理\t73
4．1．2 大津閾值選擇\t75
4．2 K-均值聚類分割\t78
4．3 Mean Shift聚類分割\t81
4．3．1 核密度估計\t82
4．3．2 密度梯度估計\t82
4．3．3 Mean Shift圖像聚類\t85
4．3．4 子區(qū)域合并后處理\t86
4．4 基于SGNN的分割\t88
4．4．1 SGNN算法原理\t88
4．4．2 改進的SGNN分割算法\t90
4．5 基于JSEG的分割\t91
4．5．1 顏色量化\t92
4．5．2 空間分割\t94
4．6 基于SRM的分割\t97
4．6．1 融合預(yù)測\t97
4．6．2 融合順序\t99
4．6．3 統(tǒng)計區(qū)域融合算法\t99
4．7 水平集活動輪廓模型\t100
4．7．1 Mumford-Shah模型\t101
4．7．2 Chan-Vese模型\t101
4．7．3 Chan-Vese模型的數(shù)值實現(xiàn)\t103
4．8 分割實例對比\t104
4．9 圖像分割的性能評價\t106
4．9．1 無監(jiān)督評價法\t106
4．9．2 有監(jiān)督評價法\t108
本章小結(jié)\t111
本章參考文獻\t111
第5章 常用的皮膚鏡圖像特征描述方法\t114
5．1 形狀描述\t114
5．1．1 圖像矩\t115
5．1．2 常用的形狀描述\t117
5．2 顏色描述\t120
5．2．1 彩色空間\t120
5．2．2 直方圖\t126
5．2．3 顏色直方圖距離\t128
5．2．4 其他顏色描述\t129
5．3 紋理描述\t131
5．3．1 灰度共生矩陣\t131
5．3．2 Gabor小波紋理描述\t135
5．3．3 可控金字塔變換\t142
本章小結(jié)\t145
本章參考文獻\t145
第6章 皮膚鏡圖像的分類識別方法\t147
6．1 圖像識別系統(tǒng)\t147
6．2 學習與分類\t149
6．2．1 機器學習的基本模型\t149
6．2．2 監(jiān)督學習\t150
6．3 人工神經(jīng)元網(wǎng)絡(luò)\t150
6．3．1 基本原理\t150
6．3．2 BP神經(jīng)網(wǎng)絡(luò)\t152
6．3．3 模糊神經(jīng)網(wǎng)絡(luò)\t154
6．3．4 組合神經(jīng)網(wǎng)絡(luò)\t159
6．4 支持向量機\t161
6．4．1 最優(yōu)分類面\t161
6．4．2 SVM方法\t163
6．4．3 核函數(shù)的選擇\t165
6．5 AdaBoost算法\t166
本章小結(jié)\t167
本章參考文獻\t167
第7章 典型皮損目標的計算機輔助診斷\t169
7．1 黑色素瘤的診斷標準\t169
7．1．1 ABCD準則\t169
7．1．2 Menzies打分法\t171
7．1．3 七點檢測法\t171
7．2 白色人種皮損目標的分類識別\t172
7．2．1 特征提取\t172
7．2．2 基于相關(guān)性的特征優(yōu)選\t175
7．2．3 基于SVM的分類器設(shè)計\t176
7．3 黃色人種皮損目標的分類識別\t176
7．3．1 特征提取\t177
7．3．2 基于遺傳算法的特征優(yōu)選\t180
7．3．3 基于組合神經(jīng)網(wǎng)絡(luò)的分類器設(shè)計\t183
本章小結(jié)\t185
本章參考文獻\t185
第8章 基于卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分析\t188
8．1 卷積神經(jīng)網(wǎng)絡(luò)\t188
8．1．1 卷積神經(jīng)網(wǎng)絡(luò)原理\t188
8．1．2 典型的卷積神經(jīng)網(wǎng)絡(luò)模型\t193
8．1．3 卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計方法\t200
8．2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理框架\t203
8．2．1 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割框架\t204
8．2．2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類框架\t204
8．2．3 基于卷積神經(jīng)網(wǎng)絡(luò)的深度哈希圖像檢索框架\t205
8．3 基于多尺度特征融合的皮膚鏡圖像分割\t207
8．3．1 稠密塊和過渡塊\t207
8．3．2 多尺度特征融合\t209
8．3．3 損失函數(shù)設(shè)計\t210
8．3．4 分割實例分析\t210
8．4 基于區(qū)域池化的皮膚鏡圖像分類\t212
8．4．1 區(qū)域池化層設(shè)計\t212
8．4．2 基于AUC的分類器訓練\t212
8．4．3 分類實例分析\t214
8．5 基于深度哈希編碼的皮膚鏡圖像檢索\t215
8．5．1 皮膚鏡圖像檢索流程\t215
8．5．2 深度哈希殘差網(wǎng)絡(luò)\t216
8．5．3 基于哈希表查找的從粗到精檢索策略\t217
8．5．4 檢索實例分析\t219
本章小結(jié)\t221
本章參考文獻\t221