细胞图像分类是图像和医学领域中的一个重要研究课题,它广泛应用于医学的全自动细胞分析仪器中。在机器学习领域,它们广泛使用卷积神经网络(Convolutional Neural Network,CNN)、决策树(Decision Tree,DT)、支持向量机(Support Vector Machines,SVM)、贝叶斯分类等等方法来对细胞图像进行分类。作为现在最热门的算法——CNN相比于其他的经典学习方法不需要人工提取特征,识别准确率高。作为CNN二次兴起之前最经典的分类算法——SVM相比于其他的机器学习方法鲁棒性好且小样本泛化能力强。为了提高识别细胞图片的准确率,本文首先构建了CNN对细胞图片进行分类识别,然后又使用了SVM对图片进行分类,最后通过D-S证据理论对CNN输出的概率值和SVM转换的概率值进行信息融合以给出最终的细胞分类结果。主要工作包括如下:首先,为了能让数据集中大小不一样的图片能够进行CNN的训练,采用了插值算法、快速傅里叶变换和自己改进的一种图片剪切方法来统一图片的大小。参考经典卷积网络的框架设计,结合本文数据集的特点,确定卷积网络的层数、卷积核大小、卷积核个数、全连接层数、激励函数、训练方式等参数,建立针对本数据集的卷积网络。训练数据集,根据分类准确率的高低、处理图片方法的是否有良好的迁移性等等特点来决定图片预处理的算法。然后,通过灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)和Gabor滤波器对细胞图片进行特征提取,将SVM的多分类问题分解成二分类问题,用提取的特征对SVM进行训练,对比分类的结果,根据分类的错误率和分类的稳定性(对不同的测试集,分类错误率不会有很大的变化),确定SVM模型参数。对不同组合的数据集应用支持向量机模型进行分类,将SVM的标记结果通过投票法进行计数,最后得到分类结果。最后,考虑到支持向量机的分类函数的输出值的绝对值表示样本点到超平面的距离,假定该距离符合标准正态分布,然后将输出值的绝对值转换为分类的概率值,根据投票法的原理,将二分类SVM的分类的概率值转变为多分类的概率值。对SVM的多分类概率值和CNN的输出概率值进行D-S信息融合,融合后会得到属于每类细胞最终的可信度分配,依据最大可信度分配原则,判别细胞属于可信度分配值最大的细胞类别。