人体粪便镜检图像中红白细胞的分割与识别方法研究涉及到计算机图像处理和图像模式识别等多门学科的知识。粪便镜检图像相比血液和尿沉渣镜检图像,图像中的有形物体具有更复杂的背景和模糊的边界,目前,在国内对粪便镜检图像的分析主要依靠人工目检。这种检测方法不仅增加了医疗检测人员的工作负担,而且降低了诊断效率。本论文结合相关的知识,探索了粪便镜检图像的预处理、粪便镜检图像中有形物的分割、粪便镜检图像中细胞特征的分析提取和粪便镜检图像中红白细胞的分类识别算法。在细胞图像的预处理部分,研究了高斯滤波和各向异性扩散平滑滤波算法并对图像进行了滤波处理和灰度变换增强处理。各向异性扩散平滑滤波处理方法不仅可以平滑图像去除图像中的噪声,还可以有效保留图像中的重要信息。在细胞图像的分割部分,研究了基于阈值的图像分割、基于边缘检测的图像分割和基于改进型Chan-Vese模型的图像分割。考虑到粪便镜检图像背景复杂且具有弱边界的特点,提出用八向Sobel弥补透明细胞的模糊边缘,把兼顾域内纹理和边界的结构张量作为Chan-Vese能量平衡分割方法。改进型Chan-Vese分割模型相比传统的Chan-Vese分割模型,分割精度有明显提高。在细胞图像特征的提取与细胞分类识别部分,首先提取了细胞的形状特征、统计特征和纹理特征并进行组合;然后探索了支持向量机、决策树、随机决策森林和深度森林几种分类算法。采用随机决策森林对图像中红白细胞进行分类识别,通过调整训练的特征数、特征子集组合和决策树的数量,使分类效果明显提高。本文最后综合分析比较了上述各种图像处理技术及方法对粪便镜检图像的处理效果,实验证明,提出的改进型Chan-Vese分割模型和随机决策森林分类方法对粪便镜检图像中有形物的分类识别具有较高的分辨能力和较稳定的光学环境适应性。基于上述有关算法,本研究构建了一个粪便镜检图像红白细胞自动识别系统的软件框架。