黑色素瘤,又名恶性黑色素瘤,是世界上增长最快的癌症之一。黑色素瘤作为皮肤癌症的一种,具有转移迅速的特点。统计数据显示由恶性黑色素瘤导致的死亡,占据了皮肤癌症死亡的很大比例。黑色素瘤患者的生存率严重依赖于早期的及时诊断和临床干预。由于皮肤科医生在经验上的差异性和个体上的主观性,黑色素瘤的早期诊断一直以来都是一个巨大的挑战。本文通过对基于皮肤镜图像的恶性黑色素瘤检测方法的研究,来解决黑色素瘤自动检测所涉及的关键技术问题。针对皮肤镜图像中皮损所具有的噪声明显、颜色各异、形态多样的特点,本文对皮肤镜图像的噪声处理,皮损分割,特征提取和分类算法进行了深入研究和探索,主要研究内容包括以下部分:1.针对皮肤镜图像采集过程中产生的黑框,毛发及气泡等噪声,研究了皮肤镜图像噪声处理算法。利用该框架能有效去除黑框,消除毛发并且移除气泡,为后续的皮损边缘检测和特征提取以及分类的研究工作打下了坚实的基础。2.针对现有皮肤镜图像分割算法的不足,提出了基于超级像素块分类的皮损分割算法,对皮肤镜图像进行超级像素分割,提取超级像素块的特征,并训练分类器进行分类,从而得到皮肤镜图像的初始分割结果。在此基础上,研究了超级像素算法中,颜色相似性度量对超级像素生成的影响。最后,通过一系列的后处理操作,消除皮损边缘的误分类皮肤背景,填充皮损区域中的孔洞,得到准确的皮损边缘。实验结果表明,本文提出的基于超级像素块分类的皮损分割算法较现有流行皮损分割算法具有更好的准确性,特异性,灵敏度和鲁棒性。3.在皮损特征提取阶段,研究了特征设计与特征学习两种特征生成方式。针对特征设计方式,本文根据传统的临床恶性黑色素瘤诊断方法设计了一套颜色、纹理和形状特征。在特征学习方式中,主要是探讨了词组包模型与稀疏性编码模型在黑色素瘤特征提取中的作用。在词组包模型中,本文研究了词包模型,并且基于词包模型的空间信息丢失,一词多义和多词一义的情况,研究了基于频繁项挖掘的词组包模型,最后基于空间金字塔模型来解决空间信息丢失的问题。对于稀疏性编码,本文研究了稀疏编码和组稀疏编码两种模型来表示皮损特征。分类实验结果表明,本文提出的基于频繁项集挖掘的词组模型与组稀疏模型具有更好的分类性能。4.在获取图像的特征之后,使用支持向量机分别对上述的低级特征视图,视觉词组包特征视图和组稀疏编码特征视图进行二分类。为了进一步的利用低级特征视图,视觉词组包特征视图和组稀疏编码特征视图之间的互补性,本文还提出了基于多视图机制的分类器融合方法,实验表明,多视图机制的分类器融合对黑色素瘤的检测效果具有显著的提高。