细胞图像分类是图像处理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。它们所使用的常见方法包括神经网络、决策树、支持向量机(Support Vector Machine,SVM)等,作为机器学习中的经典方法——支持向量机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。为提高使用支持向量机(SVM)识别细胞图像的准确率,本文首先分别对细胞图像的形状和纹理特征做了特定的分析,然后使用带后验概率信息输出的多分类支持向量机对细胞图像进行分类识别,最后通过D-S证据理论对不同支持向量机输出的后验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,为了更好的提取细胞图像的形状特征,采用最大类间方差法与Canny算子边缘检测相结合的方法进行边缘提取,再结合形态学操作对细胞图像进行背景与目标的分离。对提取的细胞图像的面积、周长、圆形度、形状因子、最长直径、最短直径和长短轴之比七个特征进行描述并分析,并应用SVM多分类方法进行细胞图像的分类识别。然后,为了更好的提取细胞图像的纹理特征,通过试验对比灰度共生矩阵和三阶微分不变量方法对细胞图像做纹理分析的效果,选用后者作为本文纹理特征提取的方法。对细胞图像在不同高斯平滑系数下做三阶微分后产生不同强度的纹理信息派生图统计出细胞目标区域内的和、均值及方差,以此作为细胞纹理的特征,并应用SVM多分类方法进行细胞图像的分类识别。最后,考虑到以上细胞图像的形状特征维数数量和纹理特征维数数量不平衡,对提取到的形状和纹理特征分别使用ν-SVM做多分类识别后,采用D-S证据理论进行融合。具体包括使用两次D-S证据理论融合方法,第一步,将形状特征和纹理特征分别做ν-SVM分类所得出的后验概率转化成基本概率分配函数,并进行D-S信息融合,得到每类细胞的可信度分配、对应其余四类细胞的可信度分配以及各自不能判别类别的可信度分配;第二步,将第一步中信息融合的结果再次进行类与类之间的D-S证据理论信息融合。两次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。