医学图像分割是图像分割技术基于医学影像处理领域的重要应用,它是将医学图像中感兴趣区域信息提取出来的一种方法,是医学图像处理从图像采集到图像识别过程中至关重要的一步。医学图像分割方法从起初提出到现在一直被研究者给予高度的重视,基于大量图像信息和数学理论的分割方法已经被提出。在各类分割方法中,基于聚类分析的图像分割算法是将聚类理论恰当的应用于图像分割领域。对于图像分割问题,聚类方法的实质是依据像素间特征的相似度对像素点进行划分从而达到图像分割的目的。但是对于目前的聚类算法本身来说,其存在着许多的问题,严重影响了图像分割的计算效率和分割效果。近年来,随着机器学习算法的发展,基于聚类分析理论的医学图像分割研究已成为医学图像领域研究的热点。本文主要研究了医学图像分割技术中两种常用的聚类分析方法,首先研究了GMM(Gaussian mixture model)在医学图像分割技术中的应用,并对高斯混合模型中常用初始化方法和参数寻优算法进行了改进研究。其次基于传统的FCM模型提出了基于空间信息的遗传模糊聚类分割方法。最后基于MATLAB2018a平台将本文新建模型结合医学图像进行分割实验,从实验结果看,本文改进模型分割效果优于文中其他方法。本文主要研究工作如下:(1)通过理论分析、编程实现和实验比较,研究了如阈值法、区域法、边缘法、神经网络分割算法、图论算法、聚类分析的医学图像分割性能,并根据主客观评价综合分析,最终选择综合分析性能最优的聚类分析法作为进一步改进的分割算法。(2)由于高斯混合模型在进行图像分割时参.数求解困难和易于陷入局.部最优解,在分割过程中导致参数寻优的过程较为缓慢。为了高斯混合分割模型快速收敛,本文首先利用K-均聚类完成初始划分,并根据分类后像素值给出EM算法迭代的初始值,加快算法迭代到最优解,进而大大降低算法迭代次数,有效解决EM算法求解参数时随机选取初值点易导致GMM陷入局部最优解的问题,进而使分割区域完整,同时,在分割之前,利用各向异性滤波对图像预处理,实现去噪平滑的同时增强图像的细节。最终提出基于改进的高斯混合模型牙齿图像分割算法。(3)传统的模糊C-均值聚类算法在图像分割过程中忽略了图像的空间信息对图像分割性能的影响,导致图像分割精度不佳,容易受噪声的影响,提出了一种基于空间信息的遗传模糊聚类分割方法。该方法利用改进的遗传算法初始化聚类中心,提高了算法的分割效率,并结合空间信息改进FCM的隶属度函数,改善传统模糊聚类分割模型的抗噪声性能,同时,对比了相关改进算法对加噪数据聚类、加噪的人工合成图像、医学图像的分割实验效果,验证了本文方法在不同实验下可获得更好的分割效果。