目前图像分割技术已经广泛的应用于医学领域，医学领域中的图像处理技术的应用受到了广泛的关注。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。比较同一种细胞在不同实验条件下的形态变化，可为病理分析和诊断病情提供新的科学依据。目前的医学涂片判读过程基本上还是由人工来完成的，由于细胞形态多样，变化不定，数量又多，且交错分布，判读结果的准确性和效率受到很大的局限和影响。目前计算机技术、数学医学等相关学科技术的不断发展，为细胞的定量分析提供了条件。利用计算机图像处理技术，研制高效、正确的医学图片自动判读系统，已经成为众多学者研究的热点问题。 经典的边缘提取方法是通过对图像的每个像素邻域内灰度的变化，即利用边缘邻近区域的一阶或二阶方向导数变化规律来检测边缘。Sobel算子即是基于一阶方向导数在边缘处读取边缘的，而Log算子则是基于二阶导数在边缘处过零的特点来提取边缘的。虽然这些算子计算简单、速度较快，但都存在如下缺陷：对噪声的干扰都很敏感，导致检测结果不稳定；得到的边缘像素是孤立的或分小段连续的，使得细胞面积和圆度的定量计算无法进行；它们检测所得到的边缘宽度比实际的大，引起的相邻细胞边缘的重叠；在噪声较大时，这些算子无法检测细胞可靠的边缘位置。针对上述问题，本文提出利用阈值分割和轮廓提取相结合的方法实现细胞真实边缘的检测，有效抑制噪声干扰的影响，保证了细胞边缘图像的连续性、完整性和定位的精确性。 图像分割作为图像处理中的一项关键技术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，是进行细胞形态分析和定量计算的基础条件。 本文对图像分割理论的定义和目标进行了较细致的阐述。图像分割本质上是将整个图像区域分割成互不交叠的若干个非空、连通的子区域的过程，且同一区域内部具有相同或相似的特征。本文对图像分割的理论方法进行了分类和探讨，对图像分割的方法进行了分类。基于边缘检测的方法，是所有基于边界分割方法的最基本的处理。图像最基本的特征是边缘，它是以图像局部特征不连续(或突变)的形式出现的。边缘检测方法是根据图像一阶导数的极值或二阶导数的过零点信息来判断边缘点的；基于阈值分割的方法，在图像分割过程中，物体像素的灰度级与背景像素的灰度级有不同，可以将物体从背景中较好的分割出来，总能用封闭而且连通的边界定义不交叠的区域；基于区域的分割方法，其实质就是把具有某种相似性质的像素连通起来，从而构成最终的分割区域；此外，还有特定的理论方法，包括数学形态学、神经网络、彩色图像分割、深度图像分割、模糊技术、小波分析等。通过对如上方法的研究介绍，以及对各种算法进行的的实验对比，总结出了传统图像分割算法的优缺点，及各类型的算法的适应性。针对细胞图像的特点，本文提出了一种边缘检测的细胞图像分割方法。首先对细胞图像进行一种阈值分割，此分割方法是基于最大类间方差准则的分割。然后利用数学形态学的方法进行了边缘的精确定位和提取。分割效果令人满意，对噪声不敏感，即使细胞的边缘比较模糊，也能通过阈值分割得到增强，经实验证实运算速度较快，实现起来较为简单。最终使细胞边缘图像得以完整、连续、精确的展现。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。