很多生物图像在分析之前,都需要进行图像分割这一步骤。例如,对常见的生物秀丽隐杆线虫的各种生理变化进行动态追踪、寿命预测等步骤之前,需要对其显微图像进行图像分割。对结肠癌细胞的图像分割,将便于对该类疾病的诊断,以及对小鼠细胞的分割也将会提升对小鼠胚胎的检测精度,便于对该类物种的胚胎展开研究。本文的具体工作如下所示:第一、本文以秀丽隐杆线虫、结肠癌细胞和小鼠胚胎图像为数据集,通过设置等步长的滑动窗口对图像裁剪,使其大小满足训练要求。针对数据集图像数量少的问题,通过几何变换和像素变换对数据进行扩展,提高了数据集的多样性和完整性以及模型的泛化能力。第二、本文提出了一种提高不均匀光照条件下的图像分割效果的方法,改进了生成对抗网络,尽管Unet网络可以高效的利用不同层的特征,还可以作为生成对抗网络的生成器,但是还是存在着很多不足:首先是每一层存在的卷积提取功能,会导致许多细节的丢失,从而影响分割效果。其次是网络层数比较浅,特征学习次数有限,表达能力较弱。由此,在文中可以使用改进的残差拼接链接结构作为特征提取模块,结合Unet设计思路改进后作为生成器,还可以在训练的前期增加注意力机制,同时结合模型压缩技术,将网络的不相关权重进行剔除,压缩网络尺寸。这样有效的解决了特征遗失问题,减少网络参数,并且在很大程度上防止梯度消失和爆炸,从而提升了网络的特征提取性能,实现高效快速的训练。第三、针对秀丽隐杆线虫数据集存在不均匀照明,数据难以预处理的情况,本文使用了底帽变换处理那些不均匀照明对秀丽隐杆线虫数据集的数据进行图像分割的影响,然后通过改进的生成对抗网络模型对秀丽隐杆线虫图片进行图像分割,并对其做了多组对照实验,比如大津法、Unet、cellprofiler处理的方法,等等。最终发现改进的生成对抗网络在多个图像分割准确率的指标都优于其他方法。然后用改进的生成对抗网络对结肠癌细胞图像数据集以及小鼠胚胎细胞图像数据集进行了实验,图像分割准确率的结果同样比其他比较的算法好。