Ανίχνευση μελανόματος σε έγχρωμες εικόνες.
Loading...
Date
2014-07-03T16:58:50Z
Authors
Κατρίνη, Χρυσάνθη
Σταθάκη, Αφροδίτη
Katrini, Chrysanthi
Stathaki, Afroditi
Journal Title
Journal ISSN
Volume Title
Publisher
Τ.Ε.Ι. Κρήτης, Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
T.E.I. of Crete, School of Engineering (STEF), Department of Informatics Engineering
T.E.I. of Crete, School of Engineering (STEF), Department of Informatics Engineering
Advisor
Abstract
Στην παρούσα πτυχιακή εργασία ασχοληθήκαμε με την επεξεργασία έγχρωμων εικόνων που απεικονίζουν εικόνες από ασθενείς με πιθανή ασθένεια από μελάνωμα. Καλούμαστε να κατασκευάσουμε ένα σύστημα το οποίο έχει ως σκοπό την αναγνώριση των περιπτώσεων που μπορεί να είναι εξαιρετικά επικίνδυνες. Το σύστημα εκτελεί εξαγωγή χαρακτηριστικών χρησιμοποιώντας τον αλγόριθμο SIFT. Αυτά τα εξαγόμενα χαρακτηριστικά τροφοδοτούν την K-means ομαδοποίηση και εξάγονται ιστογράμματα για κάθε εικόνα βασιζόμενα στα κέντρα που επιστρέφονται από τον K-means. Τα ιστογράμματα χρησιμοποιούνται σαν είσοδοι σε ταξινομητές όπως Μηχανές Υποστήριξης Διανυσμάτων (SVM) ή backpropagation νευρωνικά δίκτυα. Η μέθοδος επαληθεύεται χρησιμοποιώντας μια βάση δεδομένων των εικόνων 3000.
In this thesis we dealt with the processing of color images that depict images of patients with possible melanoma. We had to build a system to identify cases that could be potentially dangerous. The system performs feature extraction using the SIFT algorithm. The extracted SIFT features are then fed into a K-means clustering and then histograms are extracted for each image based on the centers returned by the K-means. The histograms are used as input to classifiers i.e. Support Vector Machines or backpropagation neural networks. The method is verified using a database of 3000 images.
In this thesis we dealt with the processing of color images that depict images of patients with possible melanoma. We had to build a system to identify cases that could be potentially dangerous. The system performs feature extraction using the SIFT algorithm. The extracted SIFT features are then fed into a K-means clustering and then histograms are extracted for each image based on the centers returned by the K-means. The histograms are used as input to classifiers i.e. Support Vector Machines or backpropagation neural networks. The method is verified using a database of 3000 images.