✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
一、引言 —— 皮肤癌检测的刚需与 SVM 的破局之力
1.1 皮肤癌筛查的现实痛点与技术缺口
在全球范围内，皮肤癌发病率持续攀升，其中黑色素瘤等恶性类型若能早期发现，5 年生存率可超 90%。但传统检测高度依赖专业皮肤科医生的经验判断，存在三大痛点：一是基层医疗资源匮乏，偏远地区患者难以及时获得专业诊断；二是良性与恶性病变外观相似，易出现误诊漏诊（尤其早期症状不典型）；三是人工筛查效率低，无法应对大规模人群普查需求。
传统医学检测手段（如病理活检）虽准确，但耗时久、有创且成本高，亟需一种快速、无创、低成本的 AI 辅助检测方案。而机器学习技术凭借数据驱动的分类能力，成为解决这一问题的关键，其中支持向量机（SVM）因在小样本、高维数据场景下的优异泛化能力，成为皮肤癌检测的理想模型选择。
1.2 SVM 模型：为何成为皮肤癌检测的优选？
支持向量机（SVM）是一种基于统计学习理论的监督学习模型，核心优势精准匹配皮肤癌检测的需求：
小样本适配性：皮肤癌标注数据集（如 HAM10000）样本量有限，SVM 通过 “最大间隔分类器” 设计，能在有限样本中学习稳定特征，避免过拟合；
高维特征处理：皮肤镜图像的特征维度高（颜色、纹理、形状等多维度融合），SVM 无需降维即可高效处理，且不会丢失关键区分信息；
二分类性能强：皮肤癌检测本质是 “良性 / 恶性” 二分类任务，SVM 在二分类场景中准确率、鲁棒性均优于逻辑回归、传统神经网络等模型；
计算成本低：相比深度学习模型，SVM 训练速度快、硬件要求低，可轻松部署到移动端或基层医疗设备，符合实际应用场景。
二、夯实基础：SVM 支持向量机的核心原理
2.1 SVM 的核心思想：找到 “最宽的分类边界”
2.1.1 线性可分场景：最大间隔分类器
SVM 的核心目标是在特征空间中找到一条直线（二维）、平面（三维）或超平面（高维），将两类样本完全分离，且该超平面与两侧最近样本（支持向量）的距离（间隔）最大。
数学逻辑：假设样本特征为x，标签为y∈{+1,-1}（分别对应恶性 / 良性），超平面方程为w·x + b = 0，则间隔计算公式为2/||w||。SVM 通过最小化||w||²/2（等价于最大化间隔），同时满足约束条件y_i(w·x_i + b) ≥ 1（所有样本都在超平面两侧的 “间隔带” 外）。
2.1.2 线性不可分场景：核函数与软间隔
皮肤癌图像特征往往无法线性分离，SVM 通过两大技巧解决：
核函数：将低维特征映射到高维特征空间，使原本线性不可分的样本变得可分。无需直接计算高维映射（避免 “维度灾难”），而是通过核函数间接计算高维空间的内积。常用核函数包括：
线性核：K(x1,x2)=x1·x2（适用于线性可分数据，计算最快）；
多项式核：K(x1,x2)=(γx1·x2 + r)^d（捕捉非线性关系，参数较多）；
RBF 核（径向基函数）：K(x1,x2)=exp(-γ||x1-x2||²)（皮肤癌检测首选，自适应拟合复杂特征，仅需调优γ参数）。
软间隔：允许少量样本跨越分类边界，通过引入惩罚系数C平衡 “间隔大小” 与 “分类错误率”——C越大，对错误样本的惩罚越重（更倾向于正确分类，可能过拟合）；C越小，越注重间隔最大化（可能欠拟合）。
2.2 SVM 适配皮肤癌检测的关键特性
2.2.1 支持向量的 “关键少数” 作用
SVM 的决策边界仅由少数 “支持向量”（最靠近分类边界的样本）决定，这些样本恰好对应皮肤癌检测中 “难区分的疑似病例”，模型能自动聚焦关键样本，提升诊断的针对性。
2.2.2 抗噪声与泛化能力
通过 RBF 核函数的参数调优，SVM 能有效过滤皮肤镜图像中的噪声（如光照不均、皮肤纹理干扰），同时避免对训练集的过度依赖，在新的临床图像中保持稳定的检测性能。
三、核心设计：基于 SVM 的皮肤癌检测系统完整流程
3.1 系统整体架构：从图像输入到诊断输出
系统采用 “数据预处理→特征提取→模型训练→检测推理” 的闭环架构，全程无人工干预，可直接输出 “良性 / 恶性” 诊断结果及置信度，流程如下：
plaintext
输入皮肤镜图像 → 预处理（去噪+分割）→ 特征提取（颜色+纹理+形状）→ SVM分类器 → 输出诊断结果（良性/恶性）+ 置信度分数
3.2 核心步骤拆解：每一步都藏着关键技巧
3.2.1 数据预处理：净化图像，聚焦病变区域
皮肤镜图像存在光照差异、毛发遮挡、背景冗余等问题，预处理直接影响检测精度：
图像去噪：采用高斯滤波（cv2.GaussianBlur）平滑噪声，保留病变细节；
病变分割：使用 Otsu 阈值分割算法（自动确定最佳阈值），从皮肤背景中分离出病变区域，避免背景干扰；
尺寸归一化：将分割后的病变区域统一缩放至 64×64 像素，降低计算复杂度，保证特征一致性。
3.2.2 特征提取：挖掘区分良恶性的 “关键线索”
特征提取是 SVM 检测的核心，需从病变区域中提取能区分良性（如色素痣）和恶性（如黑色素瘤）的量化特征：
颜色特征：提取 RGB、HSV 颜色空间的均值、方差、熵值（恶性病变颜色更不均匀，方差和熵值更高）；
纹理特征：采用局部二值模式（LBP）提取纹理信息 —— 恶性病变纹理更粗糙，LBP 直方图分布更分散；
形状特征：计算病变区域的圆形度、边界复杂度、面积 / 周长比（恶性病变边界更不规则，圆形度更低）。
最终将三类特征拼接为 128 维特征向量，作为 SVM 模型的输入。
⛳️ 运行结果
Image
📣 部分代码
tion
% Convert Image from RGB Color Space to Lab* Color Space
% The Lab space consists of a luminosity layer 'L', chromaticity-layer 'a' and 'b'.
% All of the color information is in the 'a' and 'b' layers.
cform = makecform('srgb2lab');
% Apply the colorform
lab_he = applycform(I,cform);
% Classify the colors in ab colorspace using K means clustering.
% Since the image has 3 colors create 3 clusters.
% Measure the distance using Euclidean Distance Metric.
ab = double(lab_he(:,:,2:3));
nrows = size(ab,1);
ncols = size(ab,2);
ab = reshape(ab,nrows*ncols,2);
nColors = 3;
[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
'Replicates',3);
%[cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3);
% Label every pixel in tha image using results from K means
pixel_labels = reshape(cluster_idx,nrows,ncols);
%figure,imshow(pixel_labels,[]), title('Image Labeled by Cluster Index');
% Create a blank cell array to store the results of clustering
segmented_images = cell(1,3);
% Create RGB label using pixel_labels
rgb_label = repmat(pixel_labels,[1,1,3]);
for k = 1:nColors
colors = I;
colors(rgb_label ~= k) = 0;
segmented_images{k} = colors;
end
figure, subplot(3,1,1);imshow(segmented_images{1});title('Cluster 1'); subplot(3,1,2);imshow(segmented_images{2});title('Cluster 2');
subplot(3,1,3);imshow(segmented_images{3});title('Cluster 3');
% Feature Extraction
x = inputdlg('Enter the cluster no. containing the disease affected leaf part only:');
i = str2double(x);
% Extract the features from the segmented image
seg_img = segmented_images{i};
% Convert to grayscale if image is RGB
if ndims(seg_img) == 3
img = rgb2gray(seg_img);
end
%figure, imshow(img); title('Gray Scale Image');
% Evaluate the disease affected area
black = im2bw(seg_img,graythresh(seg_img));
%figure, imshow(black);title('Black & White Image');
m = size(seg_img,1);
n = size(seg_img,2);
zero_image = zeros(m,n);
%G = imoverlay(zero_image,seg_img,[1 0 0]);
cc = bwconncomp(seg_img,6);
diseasedata = regionprops(cc,'basic');
A1 = diseasedata.Area;
sprintf('Area of the disease affected region is : %g%',A1);
I_black = im2bw(I,graythresh(I));
kk = bwconncomp(I,6);
leafdata = regionprops(kk,'basic');
A2 = leafdata.Area;
sprintf(' Total leaf area is : %g%',A2);
%Affected_Area = 1-(A1/A2);
Affected_Area = (A1/A2);
if Affected_Area < 1
Affected_Area = Affected_Area+0.15;
end
sprintf('Affected Area is: %g%%',(Affected_Area*100))
% Create the Gray Level Cooccurance Matrices (GLCMs)
glcms = graycomatrix(img);
% Derive Statistics from GLCM
stats = graycoprops(glcms,'Contrast Correlation Energy Homogeneity');
Contrast = stats.Contrast;
Correlation = stats.Correlation;
Energy = stats.Energy;
Homogeneity = stats.Homogeneity;
Mean = mean2(seg_img);
Standard_Deviation = std2(seg_img);
Entropy = entropy(seg_img);
RMS = mean2(rms(seg_img));
%Skewness = skewness(img)
Variance = mean2(var(double(seg_img)));
a = sum(double(seg_img(:)));
Smoothness = 1-(1/(1+a));
Kurtosis = kurtosis(double(seg_img(:)));
Skewness = skewness(double(seg_img(:)));
% Inverse Difference Movement
m = size(seg_img,1);
n = size(seg_img,2);
in_diff = 0;
for i = 1:m
for j = 1:n
temp = seg_img(i,j)./(1+(i-j).^2);
in_diff = in_diff+temp;
end
end
IDM = double(in_diff);
feat_disease = [Contrast,Correlation,Energy,Homogeneity, Mean, Standard_Deviation, Entropy, RMS, Variance, Smoothness, Kurtosis, Skewness, IDM];
🔗 参考文献
[1]张琨,曹宏鑫,刘凤玉,等.一种基于SVM的网络入侵检测模型[J].南京理工大学学报, 2007, 31(4):6.DOI:10.3969/j.issn.1005-9830.2007.04.001.
图片
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
