乳腺癌是严重威胁女性健康的恶性肿瘤之一,及早地发现与诊断对乳腺癌的防治有着至关重要的作用。随着医学图像处理技术的发展与应用,利用自动分析方法对乳腺肿瘤图像进行定量分析和分割识别已成为现代医疗诊断的一种重要辅助手段。计算机辅助诊断弥补了人工检测中存在的误差大、效率低等缺点,为医学专家提供了更为直观和精确的判断依据,对相关疾病的研究具有重要的应用价值。本文主要从乳腺肿瘤图像的分割与分类两方面展开深入研究。通常由于检测系统或人为操作的影响,采集的肿瘤图像中会出现噪声斑点、细胞与背景对比度低等问题,使得肿瘤图像在分割与分类过程中的准确率降低。因此,为提高对乳腺肿瘤的诊断效率,本文分别从以下两个方面来展开工作,主要研究内容如下:(1)提出了一种基于改进分水岭模型的乳腺肿瘤图像分割算法。算法采用Canny算子获取加权梯度图,然后结合形态学对梯度图像滤波重建,并采用区域化的思想确定局部极小值以构建标记图像,最后使用标记图像修改梯度图并求出分割结果。实验结果显示:文中提出的改进分水岭模型较经典分水岭算法的交并比值和分割精确度分别提高了31.86%和21.88%;与形态学改进的分水岭算法相比,其值分别提高了18.21%和11.36%。(2)建立了基于PCA-SVM混合模型的乳腺肿瘤图像分类算法。该模型采用PCA方法对输入SVM中的原始数据集进行特征降维,以解决高维度数据开销大的问题,之后利用改进的网格搜索算法结合交叉验证对分类器中的参数进行寻优以确定最优参数。最后将乳腺肿瘤数据集输入混合分类器进行测试分析,验证PCA-SVM混合模型的实用性。实验结果表明:本文提出的基于PCA-SVM的混合模型对乳腺肿瘤细胞的平均分类准确率达到了97.86%,较LVQ神经网络、BP神经网络和决策树分别提高了9.80%、18.32%和10.76%。