【疾病检测】基于matlab机器视觉黑色素瘤皮肤癌检测【含Matlab源码 1689期】

一、数字图像处理简介

图像处理基础教程链接
1 【基础教程】基于matlab图像处理（表示方法+数据结构+基本格式+类型转换+读取+点运算+代数运算）【含Matlab源码 834期】
2 【基础教程】基于matlab图像处理（读写+显示+运算+转换+变换+增强+滤波+分析+统计）【含Matlab源码 144期】
3 【基础教程】基于matlab图像增强+复原+分割【含Matlab源码 056期】

二、部分源代码

clear all

% Parameters
out_on=0;
save_on=1;

% File tree walker
% fname='internet/atypical_naevi.jpg';
% fname='Stanford/ssm/SSM.png';
% fname='Stanford/ssm/Image_01.jpg';
% fname='Stanford/ssm/Image_06.jpg';
% fname='Stanford/normal/CS_1-26-05 B.tif';
%fname='R:\Project\New folder (2)\benign1.bmp';
% fname='Stanford/normal-fp/CS_10-24-01.tif';
global im im2 img
[path,user_cance]=imgetfile();
if user_cance
    msgbox(sprintf('Error'),'Error','Error');
    return
end
im=imread(path);
im=im2double(im); %converts to double
img=im; %for backup process :)
%axes(handles.axes3);
imshow(im);


% Load image
%img=imread(fname);
%img=imresize(img,512/size(img,1));

% Convert to grayscale
imgbw=rgb2gray(img);

% Display image
if out_on
    figure(1)
    %subplot(2,2,1);
    imagesc(imgbw)
    colormap 'jet'
    title(fname,'interpreter','none')
end

%% Analyze

% Binarize using Otsu's method
img_bn=~(im2bw(imgbw,graythresh(imgbw))); % Skin lesions are darker

if out_on
    figure(2)
    imshow(img_bn)
    title('Binarized image')
end

%% Binarize using locally adaptive thresholds
% 
% % Parameters
% tl_sz=64;       % Tile Size
% lv_tsh=0;      % Local variance threshold
% gl_tsh=graythresh(imgbw);  % Uniform regions threshold (global threshold)
% 
% % Initialize variables
% nu_rgns=ones(size(imgbw,1)/tl_sz,size(imgbw,2)/tl_sz);   % Non-uniform mask
% tsh=zeros(size(imgbw,1)/tl_sz,size(imgbw,2)/tl_sz);      % Local thresholds
% imgbw=double(imgbw);
% 
% % Apply local thresholding
% for yy=1:size(imgbw,1)/tl_sz
%     for xx=1:size(imgbw,2)/tl_sz
%         % Extract a tile from the image
%         y_bnds=(yy-1)*tl_sz+1:yy*tl_sz;
%         x_bnds=(xx-1)*tl_sz+1:xx*tl_sz;
%         tl=imgbw(y_bnds,x_bnds);
%         
%         % Compute local variance
%         l_var=var(double(tl(:)));
%         
%         % Calculate threshold based on local variance
%         if l_var<lv_tsh
%             % Uniform region
%             nu_rgns(yy,xx)=0;
%             tsh(yy,xx)=gl_tsh;
%         else
%             % Non-uniform region
%             tsh(yy,xx)=graythresh(tl);
%         end
%     end
% end
% 
% % Binarize image based on local thresholding map
% tsh2=imresize(tsh,[size(imgbw,1) size(imgbw,2)],'bilinear');
% nu_rgns2=imresize(nu_rgns,[size(imgbw,1) size(imgbw,2)],'nearest');
% img_b=imgbw>tsh2;
% img_b(~nu_rgns2)=imgbw(~nu_rgns2)>gl_tsh;

%% Small region removal

img_bns=img_bn;

%Parameters
p_sz_thr=500; % Positive region threshold
n_sz_thr=1500; % Negative region threshold


% Small region removal on positive image
img_lbl=bwlabel(img_bns,4);
bins=1:max(img_lbl(:));
a=histc(img_lbl(:),bins);
blist=bins(a<p_sz_thr);
img_bns(ismember(img_lbl,blist))=0;

% img_lbl=bwlabel(img_bns,4);
% for rgn=1:size(unique(img_lbl),1)
%     idx=find(img_lbl==rgn);
%     if size(idx,1) < p_sz_thr
%         img_bns(idx)=0;
%     end
% end

% Small region removal on negative image
img_lbl=bwlabel(~img_bns,4);
bins=1:max(img_lbl(:));
a=histc(img_lbl(:),bins);
blist=bins(a<n_sz_thr);
img_bns(ismember(img_lbl,blist))=1;


% img_lbl=bwlabel(~img_bns,4);
% for rgn=1:size(unique(img_lbl),1)
%     idx=find(img_lbl==rgn);
%     if size(idx,1) < n_sz_thr
%         img_bns(idx)=1;
%     end
% end

if out_on
    figure(3)
    imshow(img_bns)
    title('Small region removal')
end

%% Identify primary region of interest

% Look for the connected component closest to center of image
img_x0=size(imgbw,2)/2;
img_y0=size(imgbw,1)/2;
img_lbl=bwlabel(img_bns,4);
stats=regionprops(img_lbl,'Centroid');
mindist=inf;
for rgn=1:numel(stats)
    dist=sqrt(((stats(rgn).Centroid(1)-img_x0)^2) + ...
        ((stats(rgn).Centroid(2)-img_y0)^2));
    if dist<mindist
        mindist=dist;
        minrgn=rgn;
    end
end

img_pr=img_bns;
img_pr(img_lbl~=minrgn)=0;

if out_on
    figure(4)
    imshow(img_pr)
    title('Primary Region of Interest')
end

%% Boundary detection

img_ed=edge(img_pr);
[edgs_x edgs_y]=ind2sub(size(img_ed),find(img_ed));

if out_on
    figure(5)
    imshow(img_ed)
    title('Edge Detection')
end

  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
  
15
  
16
  
17
  
18
  
19
  
20
  
21
  
22
  
23
  
24
  
25
  
26
  
27
  
28
  
29
  
30
  
31
  
32
  
33
  
34
  
35
  
36
  
37
  
38
  
39
  
40
  
41
  
42
  
43
  
44
  
45
  
46
  
47
  
48
  
49
  
50
  
51
  
52
  
53
  
54
  
55
  
56
  
57
  
58
  
59
  
60
  
61
  
62
  
63
  
64
  
65
  
66
  
67
  
68
  
69
  
70
  
71
  
72
  
73
  
74
  
75
  
76
  
77
  
78
  
79
  
80
  
81
  
82
  
83
  
84
  
85
  
86
  
87
  
88
  
89
  
90
  
91
  
92
  
93
  
94
  
95
  
96
  
97
  
98
  
99
  
100
  
101
  
102
  
103
  
104
  
105
  
106
  
107
  
108
  
109
  
110
  
111
  
112
  
113
  
114
  
115
  
116
  
117
  
118
  
119
  
120
  
121
  
122
  
123
  
124
  
125
  
126
  
127
  
128
  
129
  
130
  
131
  
132
  
133
  
134
  
135
  
136
  
137
  
138
  
139
  
140
  
141
  
142
  
143
  
144
  
145
  
146
  
147
  
148
  
149
  
150
  
151
  
152
  
153
  
154
  
155
  
156
  
157
  
158
  
159
  
160
  
161
  
162
  
163
  
164
  
165
  
166
  
167
  
168
  
169
  
170
  
171
  
172
  
173
  
174
  
175
  
176
  
177
  
178
  
179
 

三、运行结果

四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.

文章来源: qq912100926.blog.csdn.net，作者：海神之光，版权归原作者所有，如需转载，请联系作者。

原文链接：qq912100926.blog.csdn.net/article/details/122801974