1、在醫(yī)學(xué)圖像處理與分析領(lǐng)域中，醫(yī)學(xué)圖像的分割一直是經(jīng)典難題之一。在本文中，提出了三種基于不同方法的MRI腦圖像分割技術(shù)。 本文中的第一種腦組織圖像分割算法綜合運用了分水嶺算法，模糊聚類算法，統(tǒng)計學(xué)中的最小協(xié)方差行列式判決算法和k最近鄰算法提出了一種基于二次分割的方法實現(xiàn)對核磁共振(MRI)腦圖像的分割。首先，采用形態(tài)學(xué)中的分水嶺算法對圖像進行初始分割。但是通常，傳統(tǒng)分水嶺算法在對灰度尺度紋理圖像，尤其是組織圖像分割中，常常出現(xiàn)過度

2、分割的現(xiàn)象。為了解決分水嶺算法的過度分割問題，本文采用基于區(qū)域的模糊C均值(FCM)聚類算法實現(xiàn)對過度分割區(qū)域的合并。然而，分水嶺算法在存在過度分割現(xiàn)象的同時，仍存在一些分割不完全的現(xiàn)象，即在一些組織的過渡區(qū)域，分水嶺算法并沒有把不同的組織完全的分割開，因此，本文采用最小協(xié)方差行列式判決來確定需要再次分割的區(qū)域并且利用k最近鄰算法對這些區(qū)域進行二次分割。本算法將多種方法巧妙地相互結(jié)合，實現(xiàn)了對腦組織磁共振圖像的分割，并通過對大量模擬數(shù)據(jù)

3、和真實數(shù)據(jù)的分割實驗證明所提出此方法的有效性和精確性。 本文提出的第二種分割算法，主要是將模糊技術(shù)和Kohonen競爭學(xué)習(xí)算法相結(jié)合，從而實現(xiàn)對MRI腦圖像的分割。Kohonen競爭學(xué)習(xí)算法及自組織特征映射已經(jīng)被廣泛的應(yīng)用在醫(yī)學(xué)圖像分割中，然而，在腦組織圖像中，不同組織的過渡區(qū)域經(jīng)常存在灰度交疊的現(xiàn)象。因此，本算法將模糊技術(shù)同傳統(tǒng)的Kohonen競爭學(xué)習(xí)算法結(jié)合起來克服這個問題。為了加強算法對噪聲的魯棒性，本算法用一個由高斯核引

4、出的方法來計算輸入向量和權(quán)值之間的距離，從而提高了算法的抗噪和抗干擾的能力。通過對模擬數(shù)據(jù)和真實數(shù)據(jù)的分割實驗，可以證明本方法確實要優(yōu)于傳統(tǒng)的模糊聚類算法和Kohonen競爭學(xué)習(xí)算法。 本文提出的第三種腦組織圖像分割算法，是一種改進的模糊C均值聚類算法。在醫(yī)學(xué)圖像中，往往存在著大量噪聲，這些噪聲會嚴(yán)重影響分割結(jié)果的準(zhǔn)確性。本方法綜合利用像素鄰域和非鄰域的信息，來對圖像中的噪聲進行抑制，通過一種新穎的距離計算方法替換傳統(tǒng)模糊C均值