医学领域中的图像处理技术的应用受到了广泛关注,应用图像处理技术对医学图像进行分割、识别、定量分析成为了临床辅助诊断和医学研究的重要工具。图像分割作为图像处理中的一项关键技术,自上世纪70年代起一直受到人们的高度重视,也是医学图像处理中的一个研究热点。利用图像分割技术对细胞图像进行分割,提取精确的细胞轮廓,是下一步进行细胞形态分析和定量计算的基础。 本文首先阐述了图像分割理论的定义和目标。图像分割是将整个图像区域分割成若干个互不交叠的非空子区域的过程,每个子区域的内部是连通的,同一区域内部具有相同或相似的特征。图像特征可以分为图像的统计特征和图像的视觉特征两类。文章对图像分割的方法进行了分类和探讨,把图像分割的方法分为四大类:基于阈值分割的方法,在图像分割过程中,物体象素的灰度级与背景象素的灰度级有不同,阈值化就是一个非常有效的技术,它可以将物体从背景中较好地分割出来;基于边缘检测的方法,图像最基本的特征是边缘,它是图像局部特征不连续(或突变)的结果,边缘检测方法是利用图像一阶导数的极值或二阶导数的过零点信息来提供判断边缘点基本依据;基于区域的分割方法,区域增长分割的实质就是把具有某种相似性质的象素连通起来,从而构成最终的分割区域;结合特定理论工具的方法,这些特定理论包括数学形态学、模糊技术、神经网络、小波等。通过对以上四类方法的探讨,以及对各种算法进行的MATLAB环境下的实验,总结了传统图像分割算法的优缺点,和各类算法的适应环境。针对细胞图像的特点,本文实现了一种基于边缘检测的细胞图像分割方法。在该方法中,应用了本文提出了的一种局部自适应阈值分割算法首先对细胞图像进行阈值分割。该阈值分割算法是基于小区域的分割,细胞图像细节也能有很好的区分和分割,它适用于背景和目标对比不是很明显和具有一定噪声的细胞图像。最后对该边缘检测方法进行了实验,结果与传统方法相比,轮廓提取更为精确,且最大程度的保留了细胞内部细胞核的轮廓。