显微细胞检测是医学上的一项常规检测手段,如何快速有效的识别显微细胞图像有形成分是显微细胞检测的关键所在,因此研究快速自动识别显微细胞图像有形成分在医学上具有非常重大的意义。近年来,随着机器视觉研究的发展和生物医学图像处理技术水平的提高,医学显微细胞图像处理技术已经渐渐地在从传统人工识别向计算机自动识别的方向发展,采用以机器视觉为核心的图像处理技术对显微细胞图像有形成分自动识别已成为目前研究的重点。本文主要研究了基于机器视觉的显微细胞图像有形成分采集到识别的过程。具体研究内容如下:1.着重介绍了基于机器视觉的显微细胞自动识别系统的软、硬件结构设计,硬件结构包括照明系统的设计、CCD相机以及图像采集卡的选用。软件结构主要是编写了显微细胞图像的采集程序以及图像处理的流程图。2.针对显微细胞图像的灰度特点,研究了图像预处理方法,经过实验对比得到了较好的去噪方法。在研究和比较传统的图像分割方法的基础上,提出了一种基于改进的二维最大熵阈值粗分割结合形态学操作精细分割的优化分割方法,该方法有效的实现了显微细胞图像有形成分区域的分割,分割结果更加准确、快速。3.详细介绍了显微细胞图像有形成分的几种常见特征类型,并研究了提取各类特征的方法。随后通过研究对比选取了一组特征组合向量作为显微细胞图像有形成分的输入量,它能够很好的识别细胞特征,能够表征各类典型细胞图像有形成分的特点。4.介绍了SVM(Support Vector Machine)以及BP(Back Propagation)神经网络原理,着重研究了SVM的分类算法,针对提取的显微细胞图像有形成分特征,设计了一款基于SVM的显微细胞图像有形成分识别分类器,并利用显微细胞图像有形成分样本对该分类器模型进行训练和测试,得到了良好的效果。同时对比基于BP神经网络分类器细胞分类结果,实验结果显示了SVM的优势所在。因此本文研究的基于机器视觉的显微细胞图像有形成分自动识别技术是可行的、有效的,在医学上具有一定的实用价值。