随着医疗技术的发展,多种手段被用于宫颈癌筛查。阴道镜检查是每个医院必不可少的宫颈检查设备,利用阴道镜设备中自带的计算机对采集到的宫颈图像进行病变区域的自动识别以实现宫颈癌筛查的自动化,从而减轻医生的作业负担以及降低漏检和误检概率,已经成为目前阴道镜检查的发展方向。单一模态的医学图像因其提供的数据简单,通常不能反应病灶特征,所以宫颈癌筛查的自动化技术需要从荧光宫颈图像和白光宫颈图像的对比中检测出荧光图像中的多生暗区。本文结合配准和分割技术实现宫颈癌前病变区域的自动化分割。本文采用的图像配准方法是基于灰度信息的方法,结合空间变换方法和遗传算法寻优手段实现荧光图像和白光图像的配准,相似性测度方法作为遗传算法寻优依据。在配准图像的基础上本文提出了一种基于灰度比值和水平集算法的分割方法。该方法首先通过k-means聚类算法从白光图像中分割出宫颈区域,宫颈区域的提取使接下来的每一步计算都是在宫颈区域内进行,排除了复杂的背景所造成的干扰;然后利用不同像素点在同一张灰度图中具有不同灰度等级获得对应位置的荧/白光的比值图像,比值图像的获取是为了分割对象与背景像素平均值差异明显;最后在比值图像的基础上利用水平集分割算法实现多生暗区的分割,本文采用C-V模型的水平集算法,其要求分割对象与背景像素平均值差异明显,比值图像恰好实现这一原理。一些形态学处理的方法也被运用到了后续的分割图像优化中,填充了一些空洞,剔除了一些面积很小的区域和点。将本文方法得到的分割结果分别与没有进行配准的分割结果和模糊聚类分割结果进行比较。结果显示采用该方法得到的平均敏感性比不做配准的水平集算法平均敏感性提高了13.32%,平均特异性提高了14.36%;比常用的FCM聚类算法平均敏感性高了15.31%,并且平均特异性提高了14.40%。当采用Jaccard Index(JI)精度指标时,本文方法比上述两种方法在平均精度上分别要高出10.80%和18.19%。上述实验结果证明了本文提出的算法在荧光宫颈图像多生暗区的检测中是一种更为理想的分割方法。