● 摘要
皮肤镜图像的精确分割一直是计算机辅助诊断步骤中的难点，这是因为：1）气泡和毛发的存在，2）边界不规则或模糊，3）对比度低，4）视野中存在多个皮损区域等复杂情况。 针对复杂的皮肤镜图像,本文首先对健康皮肤以及皮损目标的纹理进行分析, 采用灰度共生矩阵（GLCM）和Gabor滤波器提取皮肤镜图像的纹理特征，这两类特征分别对应了皮肤镜图像的高频和低频纹理特性,形成了互补的纹理特征集。 在纹理分析基础上，本文提出一种新的基于纹理分析和机器学习的自动皮损分割方法，整个分割过程分为训练阶段和分割阶段：训练阶段中，皮损与健康皮肤区域分别被聚类为同质区域；然后，融合纹理特征依次从同质子区中提取出来；最后，将这些纹理特征作为分类器的输入，通过监督学习训练生成分类器模型。在分割阶段，待分割图像经过聚类，提取出各同质子区的纹理特征并输入已训练好的分类器，图像各个子区将被自动识别为皮损和皮肤区域。 实验分析阶段，将本文方法与其他四种皮肤镜分割方法（阈值法，模糊C均值，统计区域融合以及生成模型估计法）进行对比分析。实验结果表明，本文方法不仅提高了分割精度，在复杂情况下的鲁棒性也是非常令人满意。