黑色素瘤是死亡率最高的皮肤癌,然而由于医疗诊断水平的不足,往往在早期的时候难以发现而丧失最佳的治疗时间。皮肤镜能有效帮助进行黑色素瘤的诊断,而皮肤镜图像的皮损边缘检测是计算机自动诊断的重要步骤。面对皮损区域颜色纹理复杂、形状边缘不规则的特性,现在的边缘检测算法不能有效地对皮损区域进行分割,极大影响了计算机自动诊断在黑色素瘤临床中的使用。为了有效提高皮肤镜图像的皮损边界检测的准确性和可靠性,本文提出了一套基于超像素和机器学习的皮损边界检测算法框架,包括图像预处理和超像素分割、机器学习对超像素分类、边界检测后期处理等内容。本文的主要内容包括:1.研究和实现了一套皮肤镜图像预处理算法,包括图像噪声的移除和图像增强,其中噪声移除包括图像黑框噪声的移除和图像毛发噪声的移除。通过这些算法,黑框噪声和毛发噪声得到了有效的移除。通过这些预处理,为后续特征的提取和分类奠定了坚实的基础。2.研究和提出了基于超像素的皮肤镜图像皮损边界检测算法。采用SLIC算法将皮肤镜图像分割成超像素,保存了后续图像边界检测识别的有效特征,且不会破坏图像中皮损区域的边界信息,能够有效提高皮损区域边界检测算法的准确性。3.研究和实现了超像素的特征提取和分类。本文利用皮肤镜图像的特点,提取了皮肤镜图像超像素的纹理、颜色、与背景皮肤灰度差、周围超像素标签分布等特征,采用SVM对超像素进行分类,得到了皮肤镜图像的初始皮损边界。4.研究和实现使用卷积神经网络对超像素进行分类。本文研究使用卷积神经网络自动对皮肤镜图像的超像素进行特征提取和分类,对不同的网络结构和参数对最终的边缘检测算法准确性的影响进行了深入研究。5.研究和实现了一套皮肤镜图像皮损边界检测后期处理算法,包括子区域的合并、孤岛移除、孔洞填充和边缘平滑。通过这些算法能将图像分割为皮损和正常背景皮肤两个部分,有效地减少了通过算法得到皮损边界和皮肤科专家手绘皮损边界的差别。