随着我国经济水平的高速增长,国家和个人更多地关心民生健康的发展,宫颈癌作为威胁女性健康甚至生命的恶性肿瘤之一,自然受到广泛关注。临床上比较常见的一种宫颈癌方法就是宫颈涂片检查,即宫颈细胞学检查,其弊端在于诊断结果过分依赖医学工作者的个人判断、医患比例不均和诊断效率低下等。基于此,研究通过自动化手段辅助完成宫颈病理细胞的判读工作,能够更及时地发现宫颈癌前期病变,从而提高医学工作者的诊断效率和诊断正确性。本次研究的对象为宫颈病理细胞,由于宫颈涂片的采样、制片等过程带来的干扰,使病理细胞图像存在干扰项和细胞差异,故针对不同的细胞形态进行研究,包括宫颈涂片样本的采集和细胞图像预处理、细胞图像的分割、特征提取和病理细胞的识别等方面。其主要研究工作包括:第一,采集宫颈涂片在显微镜下的病理细胞,完成图像预处理,包括灰度化、图像去噪、图像增强和图像锐化等操作。第二,对比四种细胞分割技术的原理和分割效果,根据图像灰度特性,采用基于Otsu的阈值方法提取图像细胞核区域,利用超像素分割方法SLIC和改进的带标记的分水岭方法提取细胞体区域,最后针对粘连和重叠的复杂图像情况采用改进的凹点检测算法完成细胞质的分离。第三,基于图像的特征提取技术,研究并提取了宫颈细胞图像的形态学、色度等特征,并且根据特征的内部联系,得到细胞区域的核质比和偏心率特征,提取复杂的纹理特征如基于GLCM的特征和LBP相关特征,利用信息增益方法对特征进行筛选,选择更有效的多维特征作为特征集合用于分类研究。第四,针对宫颈细胞图像的分类识别技术,本文研究了 BP神经网络,包括参数设计、激活函数选择和改进方法,对比调参过程中的损失函数曲线,选择初始学习率为0.065进行训练,对网络连接权值进行调整,最终得到分类识别的平均识别率为91.4%,并通过CUDA加速将每种类别的平均检测时间降至1s左右。