题目：皮肤镜图像自适应分割算法研究

图像分割是皮肤癌图像计算机辅助诊断的关键环节，然而由于皮损病变复杂多样，分割算法的适用性通常会受到限制，分割问题是目前皮肤镜图像自动分析诊断系统的瓶颈问题。本文针对黄色人种的皮肤镜图像，对皮肤镜图像的自适应分割算法进行研究。
  本文首先对应用于皮肤镜图像分割中的7种典型分割方法进行介绍，包括大津阈值分割，Kmeans 分割方法，Meanshift聚类分割, JSEG分割方法，区域统计融合（SRM）, Chan-Vese模型和自生成神经网络（SGNN），并对这7种分割方法的结果进行对比分析。在此基础上，本文针对过渡区边界不清的复杂皮肤镜图像，提出了一种基于监督性学习的分割方法。该方法采用由粗到精的分割策略，结合简单线性迭代聚类方法（SLIC）和AP聚类对过渡带的同质子区进行获取，并提取这些同质子区的颜色和纹理特征，最后采用SVM对这些子区进行分类，从而实现了皮损边界的准确提取。
  由于皮肤镜图像复杂多样，很难找到一种分割算法能够对所有的皮肤镜图像都有效，因此本文提出通过为待分割皮肤镜图像选择最佳的分割方法来实现皮肤镜图像的自适应分割。论文首先根据影响皮肤镜图像分割的因素，将皮肤镜图像划分为5个类型，根据统计的结果，从8种分割方法中为每类皮肤镜图像匹配一个最佳分割方法，最后采用基于BP神经网络的多分类模型实现了最佳分割算法的选择，从而有效提高了皮损边界提取的精度。
  本文最后对多种分割方法进行实验对比，实验结果表明本文所提出的监督性学习的分割方法能够处理过渡区边界不清的复杂皮损图像，所提出的自适应分割算法通过模式分类和算法选择机制可以获得最佳的分割结果。