白细胞形态差异较大,血液分析系统对白细胞分类准确率与其图像质量密切相关。为使白细胞图像清晰化,本文研究设计了一种基于生成对抗网络的白细胞图像超分辨率重建算法,在保证超分后白细胞图像的细节纹理清晰的前提下,使其分类准确率与原图一致。主要工作如下:1.基于生成对抗网络的白细胞图像超分辨率算法。首先将高分辨率图片降采样模拟图像退化过程,继而将配对的高低分辨率白细胞图像处理为LMDB格式,加快网络对图片的读取速度。然后在原生成对抗网络的超分辨率研究基础上做出改进,使用嵌套型密集残差块对原网络结构中的基本残差块进行了替换,结合感知损失、对抗损失及L2损失优化训练方法,使得网络能够学习到清晰的纹理细节。最后,对本文改进算法进行交叉验证,确保该算法模型的稳定性。2.基于深度学习的白细胞分类网络设计。本文设计了基于深度学习的分类网络,并对其网络层数及宽度进行优化,使分类更准确。继而使用优化后的网络对超分算法处理前后的图像进行分类,结果显示超分后图像的分类准确率与原图相近。3.实验设计。本文从互联网上收集了三种不同的白细胞公共数据集,并从中共挑选了863张高质量的白细胞图像,使用降采样方法得到与其对应的低分辨率图像,作为训练超分辨率算法的数据集。同时,也对该数据集进行了不同程度的平移、旋转等方法进行扩增,最终得到31380张白细胞图像,用以满足分类网络对白细胞数据量的需求。另外,设计实验将改进的超分辨率算法与3种插值方法及4种基于学习的超分辨率方法在同一实验条件下对白细胞图像进行处理,并对结果进行主观及客观效果上的对比,结果显示所改进算法的图像处理效果较好。本课题运用基于生成对抗网络的超分辨率算法,对白细胞图像进行超分辨率处理,处理后图像的PSNR及SSIM分别表现为35.798、0.9483。另外,对超分前后白细胞图像进行分类实验,从分类结果上看,改进的超分辨率算法对白细胞图像的处理后的分类准确率接近原图,为95.45%。