近十年来,乳腺癌已经成为严重威胁妇女健康的恶性疾病,其发病率一直攀升且呈现年轻化趋势,研究证实定期检查并及时诊治可有效降低其死亡率。乳腺钼靶X线摄影检查是早期发现乳腺病灶的实用方法,随着其成像率增加,医生阅片负担明显加重,且医生诊断具有一定的主观性。因此,借助计算机进行乳腺癌病灶区域自动定位和准确分类意义重大。然而,乳腺钼靶X线图像存在噪声且对比度低,病灶区域不易检测。同时,钙化点及肿块形状的不规则也会降低乳腺癌计算机辅助诊断的准确率。因此,有效地对乳腺图像预处理、病灶区域检测以及分类一直是乳腺癌计算机辅助诊断领域的研究热点。本论文主要针对乳腺钼靶X线图像处理与分析中的重点和难点问题展开研究,以提高计算机辅助诊断的准确性和效率为目标,建立完善的乳腺癌计算机辅助诊断系统。本论文的主要研究工作和贡献如下:1.针对乳腺钼靶X线图像中噪声的存在会影响后续病灶区域检测以及分类的问题,本论文结合多分辨率分析和双变量阈值函数,提出一种新的乳腺X线图像除噪方法。该方法首先利用Contourlet变换和对偶树复小波变换的特殊结构,构造出一种新型多分辨率分析变换——对偶Contourlet变换;其次,对对偶Contourlet系数进行统计,并结合Bayes估值理论推得相应的双变量阈值函数;最后,用自然图像测试该方法后,将其应用于乳腺钼靶X线图像除噪中。实验结果显示:该方法可有效去除乳腺钼靶X线图像中的高斯噪声,同时能较完整的保留乳腺自身结构和纹理信息,并获得较高的结构相似度和峰值信噪比。2.为提高乳腺癌计算机辅助诊断系统的可靠性,本论文提出一种新的基于自动分割的乳腺肿块良恶性分类方法。该方法首先针对乳腺钼靶X线图像对比度不高、肿块边缘不清晰等问题,结合粗集理论、霍夫变换以及改进的VFC Snake模型对肿块进行分割;其次,对分割出的肿块区域、感兴趣区域以及背景区域分别进行纹理和灰度等特征的提取,建立相应特征数据库;最后,用随机森林对已建立的特征库进行良恶性分类,并与支持向量机方法、遗传算法优化的支持向量机、粒子群优化的支持向量机和决策树等几种常用的方法作对比。该方法在经典通用的DDSM数据库和MIAS数据库进行测试,实验结果显示:本方法能快速精确的检测到肿块,并获得较高的良恶性诊断准确率。在临床中,医生可根据该诊断结果并结合实际情况,给予患者及时准确的治疗。3.针对病灶区域分割精度影响后续分类的问题,本论文提出一种基于感兴趣区域的乳腺钼靶X线图像分类方法。该方法无需对病灶区域进行分割,只需根据乳腺钼靶X线图像中的金标准,手动提取感兴趣区域;然后利用本论文提出的多分辨率分析方法──对偶Contourlet变换对感兴趣区域进行分解,再对对偶Contourlet方向子带提取灰度和纹理等9个特征;最后利用改进的KNN算法进行分类。该方法在MIAS数据库中测试,实验结果验证了该方法的有效性,后续可尝试将其用于乳腺癌计算机辅助诊断系统中。另外,针对乳腺钼靶X线图像中存在与病灶区域无关的干扰信息问题,本论文提出一种改进的基于数学形态学方法和最大连通区域的乳腺区域提取方法。该方法首先对乳腺X线图像进行灰度调整,然后进行二值化处理得到二值图像;其次,对二值化图像求取最大连通区域,并将求得结果与原图像进行点乘,从而去除背景区域;最后,利用数学形态学方法进行乳腺边缘提取。实验结果表明:该方法可快速有效的提取到乳腺区域及相应轮廓。