【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】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）
②付费专栏Matlab图像处理（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄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:yytl_sz;
% x_bnds=(xx-1)tl_sz+1:xxtl_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

⛄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.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合