1、圖像分割理論的發(fā)展中，水平集模型的出現(xiàn)極大地推動(dòng)了圖像分割領(lǐng)域的研究。水平集模型結(jié)合曲線演化理論，應(yīng)用圖像梯度矢量流，有效克服參數(shù)模型的不足，大大的擴(kuò)展了主動(dòng)輪廓模型的研究。本文在研究水平集分割模型的基礎(chǔ)上，對(duì)水平集圖像分割中的問題進(jìn)行了探索，從算法模型的結(jié)構(gòu)上、能量函數(shù)的優(yōu)化方面、參數(shù)計(jì)算的復(fù)雜性及函數(shù)的最小化優(yōu)化等方面對(duì)醫(yī)學(xué)圖像數(shù)據(jù)的分割方法進(jìn)行了研究。除此之外，還針對(duì)處理不同圖像體數(shù)據(jù)的適應(yīng)性算法進(jìn)行了研究，分別提出基于變分計(jì)算，

2、曲率理論，先驗(yàn)知識(shí)，聚類分析，形態(tài)特征和圖論優(yōu)化的算法模型。
　　本文的主要研究?jī)?nèi)容如下：
　?。?）提出了變分能量擬合水平集算法（GVLS），算法采用全局和局部圖像結(jié)構(gòu)信息的思想，引導(dǎo)水平集模型捕捉噪聲以外的微小細(xì)節(jié)，能夠較完整的檢測(cè)圖像目標(biāo)的結(jié)構(gòu)信息。引入PM各向異性濾波算法，進(jìn)一步應(yīng)用差分計(jì)算使圖像特征突顯，并結(jié)合局部、全局最小化算法模型的特點(diǎn)，改善了水平集模型分割強(qiáng)度有變化、背景復(fù)雜及有強(qiáng)烈噪聲干擾圖像目標(biāo)的能力。<

3、br>　?。?）提出了梯度向量流水平集算法（GVFLS），算法中用一種新的能量項(xiàng)來(lái)計(jì)算水平集模型的計(jì)算復(fù)雜度與相關(guān)約束性的最小化過程。描述過程是基于正則化和曲線曲率的優(yōu)化思想，權(quán)衡了計(jì)算的復(fù)雜度，用曲率估算達(dá)到目標(biāo)輪廓的精度要求，使水平集算法分割曲線收斂于期望的目標(biāo)邊緣。
　?。?）提出了形態(tài)特征先驗(yàn)知識(shí)幾何主動(dòng)輪廓算法（MCS），為了在初始分割時(shí)能更好的定位分割目標(biāo)，引入中點(diǎn)圓Hough算法確定左心室圖像的圓形結(jié)構(gòu)，算法將基于C

4、V模型的幾何主動(dòng)輪廓模型的圖像目標(biāo)區(qū)域信息和先驗(yàn)形狀信息表示成速度場(chǎng)，嵌入到主動(dòng)輪廓的迭代方程中，在先驗(yàn)信息模型的引導(dǎo)下，將圖像背景與目標(biāo)進(jìn)行初始定位與標(biāo)記，驅(qū)使曲線演化于最終目標(biāo)邊界。
　　（4）提出了基于聚類分割的幾何主動(dòng)輪廓算法（KmGAC），算法模擬了分割曲線的內(nèi)部和外部區(qū)域，將能量函數(shù)通過聚類算法進(jìn)行迭代最小化，將圖像的前景和背景進(jìn)行學(xué)習(xí)，使演化曲線能量函數(shù)降到最小值。聚類算法計(jì)算圖像目標(biāo)的前景和背景的分段值，同時(shí)修訂和

5、發(fā)現(xiàn)前景、背景值，經(jīng)過對(duì)算法的優(yōu)化，算法具有很好的目標(biāo)邊界捕捉能力，演化速度迅速。
　?。?）提出了基于圖優(yōu)化的多相水平集分割算法（MLS），經(jīng)過改進(jìn)的水平集方法既不需要求解歐拉方程，也不需要計(jì)算任何的偏微分方程，模型的最小化用圖分割的思想進(jìn)行優(yōu)化。算法對(duì)目標(biāo)的初始化要求低，參數(shù)選擇自由，曲線演化穩(wěn)定，收斂迅速。
　　最后，為了對(duì)本文中五種算法的性進(jìn)行比較說明，將五種算法在同一醫(yī)學(xué)腦部數(shù)據(jù)上進(jìn)行了比較，并分析了各算法所面對(duì)的