皮膚鏡圖像分析與識別

皮膚鏡圖像分析與識別讀書筆記模板01思維導圖目錄分析讀書筆記內容摘要作者介紹精彩摘錄目錄0305020406思維導圖皮膚鏡圖像圖像方法皮膚領域發(fā)展圖像皮膚小結參考文獻模型算法評價設計原理分類實例光照本書關鍵字分析思維導圖內容摘要內容摘要本書系統(tǒng)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，總結皮膚鏡圖像分析與識別領域的發(fā)展動態(tài)。全書共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(fā)展現(xiàn)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、皮損目標的特征提取和分類識別，以及基于卷積神經網絡的皮膚鏡圖像分析等內容。本書將圖像處理的基本理論、模式識別方法與皮膚鏡圖像分析應用相結合，內容系統(tǒng)，重點突出。本書是國內少有的關于皮膚鏡圖像分析與識別的著作，適合從事該領域研究的科技工作者及工程技術人員閱讀參考。目錄分析1.1皮膚鏡技術1.2皮膚鏡圖像計算機輔助診斷1.3皮膚鏡數(shù)字圖像處理1.4皮膚鏡圖像處理技術的發(fā)展趨勢第1章概述本章參考文獻本章小結第1章概述2.1散焦模糊評價2.2基于梯度的模糊評價2.3光照不均評價2.4模糊和光照不均混合失真情況下的評價2.5毛發(fā)遮擋評價12345第2章皮膚鏡圖像的質量評價本章參考文獻本章小結第2章皮膚鏡圖像的質量評價2.1散焦模糊評價2.1.1散焦模糊的退化函數(shù)2.1.2散焦模糊的退化原理2.1.3散焦模糊評價指標設計2.2基于梯度的模糊評價2.2.1梯度原理2.2.2模糊評價指標設計2.3光照不均評價2.3.1Retinex變分模型2.3.2光照分量提取2.3.3光照不均評價指標設計2.4模糊和光照不均混合失真情況下的評價2.4.1模糊和光照不均的頻譜特性分析2.4.2模糊和光照不均程度的設計2.4.3評價模型修正2.5毛發(fā)遮擋評價2.5.1毛發(fā)提取2.5.2毛發(fā)遮擋評價指標設計3.1散焦模糊的復原3.3毛發(fā)的去除3.2光照不均的去除第3章皮膚鏡圖像的預處理3.4平滑去噪本章參考文獻本章小結第3章皮膚鏡圖像的預處理3.1散焦模糊的復原3.1.1圖像的退化與復原過程3.1.2連續(xù)函數(shù)的退化模型3.1.3離散函數(shù)的退化模型3.1.4圖像復原的基本步驟3.1.5維納濾波圖像復原方法3.2光照不均的去除3.2.1基于光照估計的光照去除3.2.2基于圖像增強的光照去除3.3毛發(fā)的去除3.3.1基于偏微分方程的毛發(fā)去除3.3.2基于Criminisi修復算法的毛發(fā)去除3.4平滑去噪3.4.1鄰域平均法3.4.2中值濾波法4.1大津閾值分割4.2K-均值聚類分割4.3MeanShift聚類分割4.4基于SGNN的分割4.5基于JSEG的分割12345第4章皮膚鏡圖像的分割4.6基于SRM的分割4.7水平集活動輪廓模型4.8分割實例對比4.9圖像分割的性能評價本章小結本章參考文獻010302040506第4章皮膚鏡圖像的分割4.1大津閾值分割4.1.1閾值分割的原理4.1.2大津閾值選擇4.3MeanShift聚類分割4.3.1核密度估計4.3.2密度梯度估計4.3.3MeanShift圖像聚類4.3.4子區(qū)域合并后處理4.4基于SGNN的分割4.4.1SGNN算法原理4.4.2改進的SGNN分割算法4.5基于JSEG的分割4.5.1顏色量化4.5.2空間分割4.6基于SRM的分割4.6.1融合預測4.6.2融合順序4.6.3統(tǒng)計區(qū)域融合算法4.7水平集活動輪廓模型4.7.1Mumford-Shah模型4.7.2Chan-Vese模型4.7.3Chan-Vese模型的數(shù)值實現(xiàn)4.9圖像分割的性能評價4.9.1無監(jiān)督評價法4.9.2有監(jiān)督評價法5.1形狀描述5.3紋理描述5.2顏色描述第5章常用的皮膚鏡圖像特征描述方法本章參考文獻本章小結第5章常用的皮膚鏡圖像特征描述方法5.1形狀描述5.1.1圖像矩5.1.2常用的形狀描述5.2顏色描述5.2.1彩色空間5.2.2直方圖5.2.3顏色直方圖距離5.2.4其他顏色描述5.3紋理描述5.3.1灰度共生矩陣5.3.2Gabor小波紋理描述5.3.3可控金字塔變換6.1圖像識別系統(tǒng)6.2學習與分類6.3人工神經元網絡6.4支持向量機6.5AdaBoost算法12345第6章皮膚鏡圖像的分類識別方法本章參考文獻本章小結第6章皮膚鏡圖像的分類識別方法6.2學習與分類6.2.1機器學習的基本模型6.2.2監(jiān)督學習6.3人工神經元網絡6.3.1基本原理6.3.2BP神經網絡6.3.3模糊神經網絡6.3.4組合神經網絡6.4支持向量機6.4.1最優(yōu)分類面6.4.2SVM方法6.4.3核函數(shù)的選擇7.1黑色素瘤的診斷標準7.2白色人種皮損目標的分類識別7.3黃色人種皮損目標的分類識別本章小結本章參考文獻12345第7章典型皮損目標的計算機輔助診斷7.1黑色素瘤的診斷標準7.1.1ABCD準則7.1.2Menzies打分法7.1.3七點檢測法7.2白色人種皮損目標的分類識別7.2.1特征提取7.2.2基于相關性的特征優(yōu)選7.2.3基于SVM的分類器設計7.3黃色人種皮損目標的分類識別7.3.1特征提取7.3.2基于遺傳算法的特征優(yōu)選7.3.3基于組合神經網絡的分類器設計8.1卷積神經網絡8.2基于卷積神經網絡的圖像處理框架8.3基于多尺度特征融合的皮膚鏡圖像分割8.4基于區(qū)域池化的皮膚鏡圖像分類第8章基于卷積神經網絡的皮膚鏡圖像分析8.5基于深度哈希編碼的皮膚鏡圖像檢索本章參考文獻本章小結第8章基于卷積神經網絡的皮膚鏡圖像分析8.1卷積神經網絡8.1.1卷積神經網絡原理8.1.2典型的卷積神經網絡模型8.1.3卷積神經網絡的設計方法8.2基于卷積神經網絡的圖像處理框架8.2.1基于卷積神經網絡的圖像分割框架8.2.2基于卷積神經網絡的圖像分類框架8.2.3基于卷積神經網絡的深度哈希圖像檢索框架8.3基于多尺度特征融合的皮膚鏡圖像分割8.3.1稠密塊和過渡塊8.3.2多尺度特征融合8.3.3損失函數(shù)設計8.3.4分割實例分析8.4基于區(qū)域池化的皮膚鏡圖像分類8.4.1區(qū)域池化層設計8.4.2基于AUC的分類器訓練8.4.3分類實例分析8.5基于深度哈希編碼的皮膚鏡圖像檢索8.5.1皮膚鏡圖像檢索流程8.5.2深度哈希殘差網絡8.5.3基于哈希表查找的從粗到精檢索策略