1、Markov隨機(jī)場（簡稱MRF）是一種描述元素問相互作用的數(shù)學(xué)模型，它能簡潔合理地刻畫圖像像素的空間相關(guān)性，是圖像分割應(yīng)用中備受關(guān)注的建模方法之一。 本文在傳統(tǒng)監(jiān)督式MRF模型的基礎(chǔ)上，提出了一種基于均值-標(biāo)準(zhǔn)差的非監(jiān)督式MRF模型。該方法先由K-均值算法得到圖像的初始分割，再根據(jù)均值-標(biāo)準(zhǔn)差最小的原則，重新選擇并計(jì)算新的聚類中心，能夠有效為MRF模型提供初始參數(shù)，實(shí)現(xiàn)了全過程的自動(dòng)分割。 腦部磁共振（MR）圖像分割一直

2、是醫(yī)學(xué)圖像處理和分析中的熱點(diǎn)研究問題，它對醫(yī)學(xué)圖像配準(zhǔn)、三維重建和可視化等后期工作起著很重要的作用。因此，選擇合適的分割算法，準(zhǔn)確地將正常腦組織分割成灰質(zhì)、白質(zhì)和腦髓液等組織部分是當(dāng)前研究的重點(diǎn)。 另外，醫(yī)學(xué)圖像的部分容積效應(yīng)和某些組織的區(qū)域不確定性，決定了醫(yī)學(xué)圖像的模糊性。因此，基于模糊理論的圖像分割算法被廣泛應(yīng)用于腦部MR圖像分割中，其中最具代表性的是模糊核聚類算法（KFCM）。但傳統(tǒng)的KFCM算法僅利用了圖像的灰度信息，而

3、未考慮其空間相關(guān)性，在分割低信噪比圖像時(shí)會(huì)產(chǎn)生較大偏差。考慮利用MRF模型的像素鄰域信息，引入Gibbs模型提供的先驗(yàn)概率和鄰域控制因子，以改進(jìn)KFCM的隸屬度矩陣，從而提出了一種基于隨機(jī)場先驗(yàn)概率的改進(jìn)KFCH算法。它比傳統(tǒng)KFCM算法具有更好的魯棒性，能提供更精確的圖像分割能力，并且保留了傳統(tǒng)KFCM算法的優(yōu)點(diǎn)。 MRF模型對噪聲圖像具有很好的魯棒性，因此很適合應(yīng)用于腦部MR圖像的分割。但是在基于傳統(tǒng)MRF模型的圖像分割算

4、法中總是假設(shè)對應(yīng)的MRF是齊次的，這樣會(huì)導(dǎo)致過分割現(xiàn)象。本文提出了一種基于模糊隸屬度的非齊次MRF模型的圖像分割算法，通過引入模糊隸屬度的概念，建立基于模糊隸屬度的參數(shù)估計(jì)模型，并進(jìn)行精確地參數(shù)估計(jì)，可以很好的改善過分割現(xiàn)象。 在以上研究的基礎(chǔ)上，本文主要取得以下成果：（1）針對傳統(tǒng)的監(jiān)督式MRF模型，提出了一種基于均值-標(biāo)準(zhǔn)差的非監(jiān)督式MRF模型，可以減少人工干預(yù)的影響；（2）針對KFCM算法存在的問題，提出了一種能夠合理利用