识别对象：

常见色素性皮肤病图像（如黑色素瘤、色素痣、脂溢性角化病、基底细胞癌等）

核心算法：

基于深层卷积神经网络的深度语义Hash编码+基于Hash-AP 分层次深度排序算法

算法过程：

预处理

1. 去噪
   小波阈值去噪：利用图像小波分解后，根据不同子图像不同特性选取不同阈值，从而去除噪声
   
2. 增强（提高高频信息）
   需要先去噪达到高信噪比
   直方图均衡化：微分，拉普拉斯图像和原图叠加
3. 毛发消除
   
   Xiaorong Pu 和Xiaojun Wu 等提出了一种针对这种普通相机和手机拍摄的图像进行毛发消除算法
4. 图像分割
   GrabCut 分割算法：速度快、抗噪性强等优点，缺点是仅适用于灰度图像，对低对比度图像的模糊和边缘部分效果
   

基于图像特征及Hash 编码的图像检索

1. 底层特征
   颜色：颜色直方图
   纹理：Gabor小波提取特征
2. Hash编码

基于深层卷积神经网络的深度语义Hash 图像检索

1. AlexNet
   有最大池化5层卷积层(F1-5)，2 个全连接层(F6-7)，最后一个输出层。
   在F7 层之后添加了一个有K 个节点的隐含层H， K 在本文中取48，也就是会生成48 位的二进制编码，作为图像的有效映射。H与F7 之间为全连接，使用sigmoid 作为激励函数，把数值控制在0 和1，作为映射后的Hash 编码，在H层之后添加分类层Fc8，用来计算四种皮肤病图像错误分类误差，迭代训练，使哈希编码能够携带高层语义信息。
   通过监督训练深层神经网络可以获得携带皮肤病图像语义的Hash 编码。
   目的：缩小语义鸿沟

基于Hash-AP 分层次深度排序算法

首先根据Hamming 距离，得到候选集，然后把候选集中的高维特征当做是邻传播聚类（Affinity propagation clustering, AP）中的数据点，再进行AP聚类排序取值。

可借鉴思维：

AP聚类