随着计算机技术的发展,数字图像处理技术以其操作便捷、实时性高等优点而获得了广泛应用,其中,细胞图像处理技术主要应用在生物医学领域的细胞病理图像处理,辅助临床诊断。图像处理技术的优劣直接影响到最终的诊断结果,运用细胞图像处理技术准确地对细胞病理图像进行判定分析是国内外众多研究机构学者关注的热点。本研究选取宫颈细胞图像作为研究对象,研究图像处理技术。细胞图像由病理组织的涂片在显微镜下成像获得,在涂片制作处理时存在不可避免的外部因素诸如噪声、染色过多等干扰,会导致细胞图像出现染色不均、边界模糊等问题,对后续图像处理产生影响。针对细胞图像分割过程中易出现欠分割、过分割的问题,本文提出了基于改进的SLIC(simple linear iterative clutering)图像分割方法对细胞图像进行分割。针对细胞图像分类出现分类精度低的问题,提出基于深度残差网络(Deep residual network,Res Net)的深度学习分类算法对细胞图像进行分类识别。论文的研究内容如下:首先,在分析经典的细胞图像分割方法基础上,提出了改进的LBP-SLIC图像分割方法。本研究采用高斯滤波对细胞图像进行预处理,去除噪声等干扰因素;使用经典的分水岭算法对预处理后的图像进行粗分割,获取细胞核轮廓;提出改进的LBP-SLIC图像分割方法进行细胞图像的精细分割,获得精确的细胞核边界,该方法取得了很好的分割效果。其次,提取能有效反映细胞病变的特征参数,并对特征参数进行归一化处理。本研究选取了颜色特征,包括细胞核、细胞质区域在RGB三个颜色分量的均值方差参数;选取了形态特征,包括面积、周长、矩形度、圆形度、长宽比以及核质六个参数;选取了纹理特征,包括能量、熵、对比度和逆差矩四个参数,对选取的特征参数进行提取计算。为减少分析与计算,采用特征标准化方法对提取的特征参数进行归一化处理。再次,采用迁移学习对深度残差网络Res Net101模型进行优化,基于优化模型实现宫颈细胞图像的分类。将ICPR2012数据集输入网络模型进行预训练,获得预训练模型,模型包含训练参数以及权重的文件;将模型权重文件迁移到新的Res Net101模型中。固定Res Net101网络模型的特征层参数保持不变,调整学习率以及全连接层参数,学习获得最优模型。最后,对细胞图像处理过程进行实验仿真,验证算法的可行性。基于VS2017仿真软件,进行细胞图像的分割仿真,并对分割结果进行对比分析,验证了改进的LBP-SLIC分割方法的有效性;基于VS2017仿真软件,进行特征提取实验;基于Tensor Flow仿真软件,进行细胞图像分类仿真实验,对分类结果进行对比分析,验证了基于深度残差网络Res Net101的细胞图像分类的有效性。图[34]表[9]参[50]