乳腺癌已经成为女性最常见的恶性肿瘤,而且患者数量正在逐年增加。乳腺癌的早期发现、早期诊断,是提高疗效的关键。在乳腺癌诊断过程中,唯有进行组织切片病理检查才能确诊有无癌症。在显微镜下观察切片图像可以发现,病变细胞与正常细胞相比有较大的亮度变化,颜色更深且大多数细胞面积偏大。利用计算机技术对显微细胞图像进行定量分析,可以辅助医师对细胞的病变状态进行判别,具有很大的应用前景。由于染色过程以及图片采集过程存在一些不可避免的诸如染色剂和光照等影响,乳腺组织切片存在细胞染色不均匀、细胞和背景对比度不明显、细胞内部存在孔洞、细胞粘连等问题。本文针对这些问题,研究并提出了一种基于小波多尺度区域生长和双策略去粘连模型的乳腺细胞图像自动分割算法,并提出了基于假设检验的特征选择算法,进行了相应的自动分类研究。本文主要研究工作如下:①本文针对乳腺细胞切片图像分割所存在的难点,提出了一种结合小波变换和多尺度区域生长的粗分割算法,该算法将小波分解和区域生长结合起来,利用对小波分解的结果进行不同程度腐蚀后的结果作为种子点,并采用不同的阈值进行多尺度区域生长;接着利用最优投票机制对多尺度的区域生长结果进行选择,提取出最优细胞区域。②针对细胞粘连严重这一问题,提出了结合改进形态学算法和基于CSS(Curvature Scale Space,曲率尺度空间)角点检测算法的双策略去粘连模型。该模型针对细胞不同的粘连程度选择不同的分离算法,在保证提取的细胞轮廓不失真的前提下获得准确的分界线。实现过程是:粘连较轻的细胞区域采用迭代法选择最优的结构元半径对细胞区域进行腐蚀再分区域膨胀;粘连较重的细胞区域采用CSS角点检测分割算法检测到角点,然后连接角点对,选择最佳的分割线作为分割结果。③对分割后的细胞,研究了其形态特征和纹理特征的提取方法,并利用统计假设检验方法对提取的特征进行自动筛选,利用筛选的特征对癌症和正常病人样本进行分类识别,验证了提出的特征提取、特征选择算法的有效性。本文工作为乳腺细胞图像自动分割及细胞特征提取提供了新的思路,为基于乳腺细胞组织切片图像的乳腺癌辅助诊断提供了新的理论基础和方法依据,有助于乳腺细胞组织切片图像分析临床应用,具有一定的理论意义和应用价值。