4 提出医疗表示
4.1 结构表示
不同疾病的病灶有不同的表皮结构，如鳞片、肿块、痂、出血等，这些表皮结构可通过临床图像中的纹理来测量同时，皮肤病的结构也有不同的分布，如病变单一、均匀或无结构，可通过结构的对称性来衡量。
4.1 病灶多空间纹理 Multi-Space Texture of Lesion (MST-L)
虽然皮肤科医生可以很容易地观察到患者的皮肤状况，但皮肤病的临床图像是在不同光照条件下捕获的，这可能会影响表征的计算。为了有效地再现病变的结构，我们计算了基于不同颜色通道的纹理表示，以减少环境的影响。我们提出病灶多空间纹理 multi-space texture of lesions MST(x),对于每个诊断图像x：
其中Gi(x) 表示第i个色彩通道抽取的特征集合，K表示空间数量。我们采用3个空间，即色调、饱和度和亮度，每个通道我们抽取SIFT特征作为表示。
4.1.2 病变纹理对称性Texture Symmetry of Lesion (TS-L)
皮肤病变结构的不对称性已被证明是一种有效的判定标准。因此，我们提出了一种基于病变纹理对称性的表征方法。首先我们用【41】的MBD+ 根据主轴将图像划分成两个部分
然后我们抽取每个部分的特征。最终我们表示在第i个色彩通道对称性Si(x)如下：
我们测量了色调空间的纹理对称性，因为它是相对于光的亮度的缩放和位移不变的。
4.2 颜色表示
4.2.1 病变颜色名称 Color Name of Lesion (CN-L)
现实世界中的物体是五颜六色的，但是皮肤病被限制为几种颜色。在计算机视觉中,颜色类别由映射函数建模,标志一个像素的三个通道值稀疏空间由?张成的颜色。受[6]的启发,我们在l * a * b 空间中（该空间从RGB立方体中稀疏采样获得），为每个颜色值计算概率向量
（这块自己没看懂 翻译不明白）
4.2.2 连续色彩值Continuous Color Values of Lesion (CCV-L)
不同于color name特征，一个固定向量代表固定color，例如 Cl=red，value=（1，0，0）。这里，我们采用连续颜色值，对每个病变定义不同的颜色程度。对于图像中的每个像素的每个color bin，我们定义一个连续颜色表示，CCV? ：
P(C, c) 表示一个概率映射，将color bin c 映射为最近的name C，theta? 是像素的权重，定义为：
n?是图像中对应颜色的频率，u?是rgb空间中c的颜色值。
4.3 形状表示 Shape Representation
皮肤病变的形状是判断皮肤病种类和程度的重要线索。例如，痣的病灶可以是一个圆圈，而牛皮癣的病灶则是散在的。在本文中，我们根据病灶的形状提出了两种表示:(1)病灶形状的对称性和(2)病灶的紧致程度，两者都是由检测到的病灶区域计算出来的。
4.3.1 外周对称性 Peripheral Symmetry of Lesion (PS-L)
我们首先在图像x中利用MDB+算法检测病变处区域，分成两个部分，即
两个部分的面积近似相等，并且有基于一致特征的外周。特别地，先找出病灶内最长的直线段，再按其垂直平分线对病灶进行分割。最终，最后，我们根据两部分的互补性来表示病变的周围对称性：
其中A(.) 表示抽取的特征，F(.，.) 表示两个特征的拼接。
4.3.2 自适应稠密性Adaptive Compactness of Lesion (AC-L)
对于皮肤病区域，其圆近似度可用于诊断，并可通过紧致度准则来表示，紧致度准则定义为
在?表示损伤的面积和周长?表示。然而，皮肤疾病的病灶可以被肿胀或皮下出血包围，这也可以在临床图像中检测到。值得注意的是，这些细胞总是比病灶中心的细胞颜色更浅。因此，在测量病灶的密面积时，我们根据像素重要程度自适应地计算具有动态权值的病灶面积。我们定义面积
??病变的如下:
z表示患处L(x)的像素，是一个概率，映射从颜色种类到空间到颜色名称特征，这反映了像素z是病变中心的可能性。