细胞图像背景复杂,形态不规则,利用计算机视觉技术对细胞图像进行处理有一定的难度。因此,在医疗诊断应用中,对细胞图像分割算法在分割精度和速度方面都提出了较高的要求。本文针对现有细胞图像分割算法对噪声敏感,对边界分割不精确的问题,提出了改进的细胞图像分割算法。当前,在细胞图像分割领域,基于能量最小化的图割算法和基于超像素的分割方法是比较热门的两类方法。在基于能量最小化的图割算法方面,传统的Grabcut算法大幅度降低了用户的交互量,但仍然需要人工选定矩形框,自动化程度低,很难满足实际应用需求。而在超像素分割算法方面,基于SLIC的超像素方法在边界保持度和超像素形状方面有较好的评价,但在细胞图像边缘较为模糊的区域,在迭代时会出现超像素分类错误的情况,生成错误的超像素,影响分割结果。本文针对Grabcut算法和基于SLIC的超像素分割算法分别进行了改进,使其在保证分割精度的同时又具有较为理想的运算速度。本文主要研究的内容和创新点包括以下方面:一、本文提出了一种结合HFT的Grabcut细胞图像分割算法。首先采用视觉显著性模型HFT计算细胞图像的显著图,然后进行形态学闭运算操作得到细胞图像的初始轮廓图。用初始轮廓构造出矩形框,将矩形框与分形小波自适应去噪算法得到的细胞图像融合,完成Grabcut算法的初始化。最后,把该矩形框传递给Grabcut算法,实时精确地实现细胞图像的分割。实验结果表明本文算法在提高算法自动化程度的同时,又具有较高的分割精度和较快的分割速度,可以满足细胞图像分析的要求。二、本文提出了一种基于改进的SLIC区域合并的宫颈细胞图像分割方法。首先对宫颈细胞图像进行均值漂移去噪处理消除细微噪声点,然后进行二维Otsu自适应阈值处理得到初始轮廓,应用SLIC算法得到超像素区域,并融合到原图中完成初始分割。最后,结合细胞图像的灰度信息和梯度信息在初始分割图中完成自动标记,利用最大相似准则进行合并。不需要预先设定分割阈值,没有被标记的背景区域将成功合并到标记的背景区域,同时,没有被标记的目标区域会被识别出,有效地阻止与背景区域合并。对宫颈细胞图像进行大量的细胞质分割实验,表明本文算法能够在较短时间内在准确识别出宫颈细胞的细胞质边缘。