国家卫计委最新统计结果表明,脑部疾病如脑出血、脑肿瘤、脑梗阻及脑外伤等已成为威胁人民生命健康第一杀手,因此,对于脑部疾病的预防和诊治是当前医学研究领域的重要方向之一。医学影像技术作为非侵入式医学诊断方法获取人体内部组织信息,不仅减轻了患者的痛苦,而且给医生和研究人员带来了很大的方便。其中磁共振成像(Magnetic Resonance Imaging,MRI)具有无电离辐射并且可以用于几乎所有人体器官的检测等优点,得到了广泛的应用,特别是对大脑和脊髓的成像的脑MR图像更具实用价值。在医生的临床诊断过程中,为了检测生理或病理状态的大脑组织容量变化,往往需要对脑MR图像进行精确的组织分割,一般将其分成脑白质、脑灰质和脑脊液等几部分,这样可以定量测量脑组织或病灶的截面面积或体积,来提高医生对患者病情诊断的准确性,并为进一步诊疗方案的制定提供参考依据等。随着近些年医学影像技术的迅速发展,海量的影像数据摆在了医生面前,早前的人工手动分割方法早已无法适应当前的需求,迫切需要利用计算机辅助方式来自动地进行医学图像分割。但脑MR图像在成像过程中由于受到成像设备自身性能、射频场强的不均匀性以及患者体位变化等因素的影响,往往在影像中存在着噪声、灰度的不均匀性以及对比度低等问题,这给精确的脑组织分割带来了干扰。因此,本文着眼于这些问题,以模糊C均值聚类(FCM,Fuzzy C-means Clustering)算法为基础,提出了几种有效的脑MR图像自动分割方案,主要工作从以下几个方面展开:(1)提出了一种在脑MR图像分割过程中的快速鲁棒FCM算法。根据局部邻域内像素的灰度信息,以其灰度中值为基在核空间内计算各个邻近像素偏差值,从而得到每个像素的归一化自适应加权测度,对图像中的脉冲类噪声和高斯噪声均能有效抑制,更好地保护了脑MR图像的细节和边缘信息。同时利用图像的灰度直方图代替图像中的单个像素来进行图像的聚类,在提高含噪图像分割精度的同时相应地也提升了FCM聚类效率。(2)提出了一种无监督的基于脑MR图像局部信息非线性加权的FCM聚类算法。考虑影响空域像素间的测度因素,在模糊聚类的相似性度量中将局部邻域像素间的空间距离信息和灰度信息以非线性加权形式相结合,可以自适应地更准确地描述中心像素及其邻近像素在局部区域中的相互约束关系,从而构造出聚类的目标函数。此外,在聚类的模糊隶属度中也引入局部邻域信息对其加以调整,有助于提高对图像的聚类性能,该算法有效地提高了对MR图像的分割准确率,克服因严重噪声和野值点引起的脑MR图像的退化问题。(3)提出了一种结合脑MR图像局部和非局部信息的FCM聚类算法。利用图像中的每个像素可以找到具有类似邻域配置的一组样本,即具有冗余特征的非局部信息,在高斯核空间中将其作为一个约束项自适应地与含有局部邻域信息的约束项构建新的模糊聚类目标函数,与此同时,脑MR图像的偏移场信息也被耦合至该模型当中。该模型不仅具有较强的抗噪声能力,而且能有效消除偏移场的影响,可实现对存在灰度不均匀性的MR图像中脑组织的准确提取。(4)提出了一种融合Markov随机场模型的FCM聚类算法,解决了脑MR图像中的噪声、灰度不均匀性和低对比度等问题。利用Markov随机场能够有效描述图像的空间相关性这一特性,将局部空域信息结合至距离测度中,构造一个具有邻域约束的约束项,同时设计了一个具有全局特征的非局部正则项,而后将两者有机结合,建立FCM聚类的目标函数。该算法结合图像分割问题的随机性和模糊性特点,合理获取图像的先验知识,一定程度上消除了MR图像中低对比度的影响,同时算法也能够对图像中存在的偏移场进行估计,有效地提高了图像的分割精度。