本书系统地介绍了皮肤镜图像处理的基础理论和关键技术，注重涵盖当前的最新研究方法，并总结皮肤镜图像分析领域的发展动态。全书共分8章，第1章为概述，介绍皮肤镜的工作原理、皮肤镜图像处理的发展现状和未来趋势；第2章和第3章为皮肤镜图像的预处理部分，包括皮肤镜图像的采集质量评价、皮肤镜图像增强复原中用到的预处理方法；第4～8章涵盖了皮肤镜图像的分割、皮损目标的特征提取和分类识别等内容。 本书将图像处理的基本理论与皮肤镜图像分析应用相结合，内容系统，重点突出，前后贯穿。

前 言 皮肤镜是一种观察活体皮肤表面以下微细结构和色素的无创性显微图像分析技术，它是皮肤癌早期诊断的有效工具，同时也是其他多种皮肤疾病的一种常规检查手段，有关皮肤镜图像处理的研究与开发正日益受到生物医学工程和计算机视觉工作者的重视。目前，国内外关于皮肤镜图像分析的学术论文逐年增多，但针对皮肤镜图像处理技术的书籍却不多见。2013年，本书作者与美国路易斯安娜州州立大学的Celebi教授合作编写了Computer Vision Techniques for the Diagnosis of Skin Cancer一书，负责其中“Dermoscopy image processing for Chinese（中国人的皮肤镜图像处理）”一章的编写。在与Celebi教授合作的过程中，作者萌生了撰写一部中文的皮肤镜图像处理专著。于是，作者将多年来在皮肤镜图像处理领域积累的丰富经验进行了系统总结，形成此书。 本书以图像处理的理论为基础，全面而系统地介绍了皮肤镜图像处理的关键技术，包括皮肤镜图像的采集质量评价、预处理、图像分割、皮损目标的特征提取和分类识别等。书中的内容安排注重图像处理的基础理论与皮肤镜图像分析的实际应用紧密结合，力求做到基础理论系统、研究算法先进、内容前后贯穿统一。本书作者多年来一直从事数字图像处理教学和皮肤镜图像处理相关的科研工作，书中的各种实例分析来源于作者所在实验室的科研实践和课题研究。全书经过精心组织，有利于该领域的科学工作者及工程开发人员进行学习和参考。 本书由北京航空航天大学图像处理中心的谢凤英编写，由北京航空航天大学图像处理中心的姜志国教授主审，并由中国人民解放军空军总医院皮肤病影像诊断中心的孟如松主任医师担任本书的医学顾问。特别感谢姜志国教授在百忙之中为本书主审并提出了许多宝贵意见，同时也特别感谢孟如松大夫为本书提供的大力支持。感谢北京航空航天大学图像处理中心的卢亚楠博士、李阳、吴叶芬和范海地同学为本书编写做出的工作。同时，在编写本书的过程中参考了大量国内外书籍和论文，对本书中所引用书籍和论文的作者深表感谢。 由于作者水平有限，书中难免不当之处，敬请读者批评指正。

目 录 第1章 概述 1 1.1 皮肤镜技术 1 1.2 皮肤镜图像计算机辅助诊断 3 1.3 皮肤镜数字图像处理 6 1.4 皮肤镜图像处理的发展趋势 11 小结 12 第2章 皮肤镜图像的质量评价 13 2.1 散焦模糊评价 13 2.1.1 散焦模糊的退化函数 13 2.1.2 散焦模糊的退化原理 14 2.1.3 散焦模糊评价指标设计 15 2.2 基于梯度的模糊评价 17 2.2.1 梯度原理 17 2.2.2 模糊评价指标设计 19 2.3 光照不均评价 21 2.3.1 Retinex变分模型 21 2.3.2 光照分量提取 22 2.3.3 光照评价指标设计 22 2.4 模糊和光照不均混合失真情况下的评价 24 2.4.1 模糊和光照不均的频谱特性分析 24 2.4.2 模糊和光照不均测度的设计 26 2.4.3 评价模型修正 27 2.5 毛发遮挡评价 28 2.5.1 毛发提取 28 2.5.2 毛发遮挡评价指标设计 33 小结 35 第3章 皮肤镜图像的预处理 36 3.1 散焦模糊的复原 37 3.1.1 图像的退化与复原过程 37 3.1.2 连续函数的退化模型 38 3.1.3 离散函数的退化模型 39 3.1.4 图像复原的基本步骤 42 3.1.5 维纳滤波图像复原方法 43 3.2 光照不均的去除 45 3.2.1 基于光照估计的光照去除 45 3.2.2 基于图像增强的光照去除 46 3.3 毛发的去除 52 3.3.1 基于偏微分方程的毛发去除 53 3.3.2 基于Criminisi修复算法的毛发去除 54 3.4 平滑去噪 56 3.4.1 邻域平均法 56 3.4.2 中值滤波法 59 小结 61 第4章 皮肤镜图像的非监督分割 62 4.1 大津阈值分割 62 4.1.1 阈值分割的原理 63 4.1.2 大津阈值选择 64 4.2 K均值聚类分割 67 4.3 Mean Shift聚类分割 70 4.3.1 核估计 70 4.3.2 密度梯度估计 71 4.3.3 Mean Shift图像聚类 74 4.3.4 子区合并后处理 75 4.4 基于SGNN的分割 76 4.4.1 SGNN算法原理 77 4.4.2 改进的SGNN分割算法 78 4.5 基于JSEG的分割 80 4.5.1 颜色量化 80 4.5.2 空间分割 82 4.6 基于SRM的分割 85 4.6.1 融合预测 86 4.6.2 融合顺序 87 4.6.3 统计区域融合算法 88 4.7 水平集活动轮廓模型 89 4.7.1 Mumford-Shah模型 89 4.7.2 Chan-Vese模型 89 4.7.3 Chan-Vese模型的数值实现 91 4.8 图像分割的性能评价 92 4.8.1 无监督评价法 93 4.8.2 有监督评价法 95 小结 96 第5章 常用的皮肤镜图像特征描述方法 98 5.1 形状描述 98 5.1.1 图像矩 99 5.1.2 常用的形状描述 101 5.2 颜色描述 104 5.2.1 彩色空间 104 5.2.2 直方图 110 5.2.3 颜色直方图距离 112 5.2.4 其他颜色描述 112 5.3 纹理描述 114 5.3.1 灰度共生矩阵 115 5.3.2 Gabor小波纹理描述 118 5.3.3 可控金字塔变换 125 小结 127 第6章 皮肤镜图像的分类识别方法 128 6.1 图像识别系统 128 6.2 学习与分类 130 6.2.1 机器学习的基本模型 130 6.2.2 监督学习 131 6.3 人工神经元网络 131 6.3.1 基本原理 131 6.3.2 BP神经网络 133 6.3.3 模糊神经网络 135 6.3.4 组合神经网络 139 6.4 支持向量机 142 6.4.1 最优分类面 142 6.4.2 SVM方法 144 6.4.3 核函数的选择 145 6.5 AdaBoost算法 146 小结 147 第7章 基于机器学习的皮肤镜图像分割 148 7.1 基于监督学习的分割 148 7.1.1 同质子区 149 7.1.2 同质子区的特征提取 153 7.1.3 基于SVM监督学习的分割 154 7.2 基于多分类模型的自适应分割 155 7.2.1 图像模式与分割方法之间的匹配 155 7.2.2 特征提取 157 7.2.3 自适应分割 158 小结 161 第8章 典型皮损目标的计算机辅助诊断 162 8.1 黑色素瘤的诊断标准 162 8.1.1 ABCD准则 162 8.1.2 Menzies打分法 164 8.1.3 七点检测法 164 8.2 白色人种皮损目标的分类识别 165 8.2.1 特征提取 165 8.2.2 基于相关性的特征优选 168 8.2.3 基于SVM的分类器设计 168 8.3 黄色人种皮损目标的分类识别 169 8.3.1 特征提取 169 8.3.2 基于遗传算法的特征优选 173 8.3.3 基于组合神经网络的分类器设计 175 小结 178 参考文献 179