在计算机辅助诊断中,人们常常利用血液中血细胞形态及细胞数量对组织病理进行诊断。过去这个诊断是人工进行的,在诊断过程中,人们容易产生视觉疲劳,同时由于受到诊断者情绪、态度、疲劳等主观因素干扰,会影响诊断结果的正确性。随着计算机技术的发展,采用计算机对血细胞图像进行处理,可以准确合理地提取血细胞图像中的细胞形态和细胞数量等信息,利用这些信息可以准确地对血液性疾病进行诊断。所以,利用计算机辅助诊断既能减轻诊断者的视觉疲劳,又能提高诊断精度。而要完成细胞信息的提取和细胞计数等任务,首先就是要对细胞进行分割,准确的细胞分割是实现以上血液疾病诊断的前提。本文提出一种基于最大熵阈值的方法提取细胞核,定位感兴趣区域,根据感兴趣区域进行相应的区域膨胀；然后,把图像分割看成是两分类问题,采用相应的样本选择策略对感兴趣区域和背景区域进行采样,使用极限学习机(ELM, Extreme Learning Machine)分类算法训练分类模型；最后,运用分类模型对细胞图像进行像素分类实现细胞图像的全自动分割。论文的主要研究内容如下：(1)根据血细胞图像细胞核颜色较深的先验知识,通过实验比较后,提出使用速度快、定位准确的最大熵阈值算法定位感兴趣区域——细胞核。研究使用高梯度像素的训练样本自动采集方法,采集包含信息量大的像素点作为训练样本集,可减少运行时间,提高算法性能。(2)把细胞图像分割问题转换为一个图像像素两分类问题,由于ELM分类算法能够利用小样本进行学习,具有良好泛化性能的机器学习算法,所以本文使用快速分类算法ELM进行像素分类。同时针对ELM分类不够稳定的特点,研究使用Bagging集成策略把多个ELM子分类模型集成为单个总分类模型,从而提高分类的稳定性。(3)研究对一幅图像实时采样训练,同时自动分割细胞图像。论文根据ELM算法分类速度快的特点,对每一幅实时分割的细胞图片进行采样训练分类模型,然后利用该分类模型对采样的细胞图片进行分割。整个过程无需任何人工参与和参数调节,只需输入被分割的细胞图即可自动分割,实现实时变化场景血细胞图像分割的全自动化。通过对100幅血细胞图片进行实验,证明本文提出的血细胞图像自动分割方法具有速度快、准确率高、无需任何人工参与等优点。