人体白细胞分类在临床医学疾病检测中具有非常重要的地位。临床实践一般通过人工镜检对白细胞识别,人工镜检费时费工,同时也存在一定的人为误差,智能化检测方法深受关注和期盼。目前研究热点聚焦使用计算机代替人工进行白细胞识别。本文使用卷积神经网络和胶囊网络对白细胞图像进行自动分类。相关文献表明,近年来,在科研人员利用计算机对白细胞图像进行分类识别探究过程中,由于白细胞图像中细胞和细胞核的大小、形状以及边缘等特征都是自动分类的主要特征,所以研究人员都需要先对白细胞进行分割,再进行相关特征的提取,并且通过提取到的特征进行分类识别。前期研究工作表明,采用现有白细胞分割算法进行细胞分割时分割的效果并不理想。通过比较发现本文所使用的数据集图像中,白细胞与背景颜色非常相近并且图像中的白细胞亮度不均匀,针对本文所使用数据集中的这些问题,本文提出了基于RGB和C-Y颜色空间的白细胞图像分割算法。本文首先对RGB颜色空间的白细胞图像进行分割,再将原来的RGB图像转化为C-Y图像,并且提取包含完整信息的B-Y颜色分量,通过连通域面积筛选、开运算、像素点操作得到白细胞图像;提取对比度拉伸后G图像,再重复上述过程,得到完整的细胞核图像。实验表明,本文算法对嗜酸性粒细胞、淋巴细胞、单核细胞和嗜中性粒细胞图像具有很高的分割精度,分别取得了94.33%,91.60%,97.72%,98.66%的准确率,为本文后续白细胞图像分类准确度奠定了基础。近几年随着神经网络的广泛运用,白细胞图像的自动分类成为研究的热门方向之一。为了更加贴近实际需求,本文调整研究策略,省去了白细胞图像分割的过程,重新设计了适应本文白细胞图像数据集的自动分类神经网络。本文将卷积神经网络与胶囊网络融合成新网络对白细胞图像进行四分类,提出了两种分类模型。针对池化层在图像处理过程中会失去部分细节信息这一缺点,并且结合它更能适应于大尺寸数据集的优点,与胶囊网络优势互补,可以再次提高白细胞分类的准确度。第一种分类模型是空洞卷积胶囊网络(Dilated Convolution Capsule Network,DCCNet),它是结合空洞卷积组成的一个七层网络模型,用空洞卷积代替网络中的部分池化,既精简了网络架构,又减少了训练网络所需的时间。另一种分类模型是深度多道胶囊网络(Deep Multi-Lane CapsuleNetwork,DMLCN)的白细胞分类方法。DMLCN模型属于卷积神经网络的范畴,它的功能非常强大,它结合了Inception网络(inception-v4)、残差神经网络(Residual Network,ResNet)和胶囊神经网络(Capsule Network,CapsNet)的优点。该模型训练、验证和测试分类精度分别为99.99%、97.19%和82.39%,每个epoch训练时间171秒,为原胶囊网络的一半。与现有方法相比,DMLCN模型在全局精度方面提供了更好的分类性能。