细胞学诊断是临床上常用的诊断方法,尤其对于肿瘤的早期诊断和定性诊断具有重要的意义。目前,国内外的细胞学诊断主要采用人工阅片的方式,诊断结果易受病理医生的主观经验及疲劳程度的影响。若能利用计算机代替人工阅片,便可解脱病理医生繁重的显微镜检测工作,从而提高工作效率。计算机阅片的基础性环节是实现显微细胞图像分割,分割结果的优劣直接影响到后期的分析与诊断。病变细胞与正常细胞的区别在于:病变细胞的细胞核增大、细胞核畸形、核浆比例增加、多核、裸核、胞浆量异常等。因此,计算细胞核和细胞浆的大小、形貌、核浆比例,可以作为判断细胞是否发生病变的参考数据。然而,只有将细胞核、细胞浆及背景准确区分,才有可能计算核浆比例,确定核浆大小及形貌特征。因此,显微细胞图像的多阈值分割具有一定的实用价值。在临床工作中,显微细胞图片的取样、制片和传输容易受到噪声的污染,使得到的细胞图片质量下降,加上肿瘤细胞本身种类繁多,形态各异,所有这些增加了计算机自动分割的难度。本文研究的目的是实现显微细胞图像的多阈值分割,同时去除大量的噪声干扰。主要采用抗噪性能较好的最大信息熵算法。首先,将一维最大信息熵单阈值分割算法推广至多阈值,利用MATLAB编程语言对显微细胞图像进行分割。得出结论,一维最大信息熵多阈值分割算法能够实现显微细胞图像的多阈值分割,但分割算法的抗噪性能却有所减弱。为此本文提出新的算法:基于均值-梯度共生矩阵模型的最大信息熵多阈值处理算法,选用图像象素邻域灰度均值和图像梯度值构造二维直方图,计算信息熵,选取信息熵最大值的相应灰度值作为分割阈值,实现图像多阈值分割。因为均值能够平滑噪声,梯度能够锐化边缘,该算法可以改善图像的分割质量。为满足多阈值分割的要求,算法对二维直方图采用新的区域划分方式。通过对传统的求熵算法的优化,以减少运算时间,使之更适合于MATLAB编程语言,提高运算速度。实验结果表明,该算法成功的去除了噪声,实现了显微细胞图像的多阈值分割,运算速度较快。