胶囊内窥镜是一种胃肠道疾病检测工具,具有无痛、安全、可全程检测等优点,目前已成为临床医学的研究热点。由于一次胶囊内镜检测会产生数万张图片,医生阅读图片需要耗费巨大的时间和精力,使用计算机进行胶囊内镜图像的处理成为-个发展方向,应用于该领域的图像处理技术逐渐兴起。多数胶囊内镜通过人体胃肠道时不能控制拍摄位置和角度,导致获得的图像受光照影响极大。明暗不均或光线太弱的图像都会降低医生的诊断效果。为了解决图像光照方面的问题,提出一种基于Retinex理论的图像增强模型,在保持图像颜色特性的前提下,能快速抑制图像中的光照不均现象。基于Retinex理论提出的模型大多建立在L2范数空间,而研究表明L1范数空间能更好的刻画图像的细节信息。新模型把Retinex理论转化成L’空间中的泛函极值问题,使得增强后的图像能较好的保持边缘特征。作为一种全变分模型,使用通常的方法计算时收敛缓慢,于是介绍了一种利用模型凸性的快速算法,可以实时处理胶囊内镜图像,极大加强了模型的可用性。除了能让医生更容易阅读图像,通过全变分模型增强的图像还有助于图像特征的自动检测。把该方法应用到胶囊内镜出血点检测,与增强前的图像进行比较,获得了明显的效果。胃肠道中的一些病变结构,如溃疡、肿瘤等,由于自身的组织特性,在胶囊内镜图片中显示出边缘模糊、光照不均、背景复杂等特征,使用常见的算法进行分割效果不佳。基于这些特征,提出了两个不同的模型用于胶囊内镜肿瘤的分割。通过分析活动轮廓模型及其相关变形模型后,总结了这些模型对边缘信息与区域信息的组织方式,提出了一种区域驱动边界制动的混合图像分割模型。该混合模型用一个可以收集全局信息的函数替代了CV(Chan T,Vese L)模型中由水平集函数产生的紧支撑函数,使得模型具有凸性,可以在全局范围内获得最优解。与已有算法相比,混合模型具有较好的边缘控制能力,能检测出较弱的边缘。由于胶囊内镜图像中的组织病变结构在光照情况下产生的阴影非常明显,边缘位置难以定位,混合模型中使用区域灰度差进行驱动的方法仍然不能获得准确的分割结果。在分析胶囊内镜图像阴影特征的基础上,又提出了一种基于全变分的图像分割模型。该全变分模型一方面利用初始信息锚定分割的大致区域,另一方面利用全变分的等高性,妥善处理了阴影对边界的模糊效应。相比前面的混合模型,全变分模型有意忽略图像的灰度信息,从而抑制了图像复杂背景因素的干扰。与现有的大部分经典图像分割算法相比,全变分模型的准确性获得显著提高。分类是医学诊断中一个非常重要的问题,在机器学习领域已经开发了大量算法用于样本的分类。胶囊内镜图像病例之间差异较大,而同一病例的图像序列又呈缓慢变化趋势,其图像特征空间比较符合流型假设。半监督学习是最近提出的一种机器学习范式,它使用少量的标注样本,可以大大提高分类的准确性,符合拥有大量数据而标注样本比较少的情况。把半监督学习中基于图模型的算法引入胶囊内镜图像的分类问题中,提出一种基于聚类图的新模型,可以有效提高原始模型的计算速度,对胶囊内镜图像分类问题也显示出很好的效果。