医学图像分割是对医学图像进行分析研究的关键步骤之一,高效且精确的医学图像分割是人体解剖结构重建、治疗规划、病灶确定与诊断和图形引导手术等研究的关键环节和重要基础,在生物医学领域具有重要的研究价值和实际意义。本文重点对灰度分布不均匀医学图像的高效精确分割方法进行研究。本文介绍了传统图像分割方法,分析了医学图像的成像原理与图像特点,并对水平集图像分割方法进行了深入探讨。由X线成像、MR成像和血管造影成像技术所获取的医学图像具有各组织内部灰度有明显变化以及不同组织间部分区域灰度值相同的特点,我们将其称为灰度分布不均匀性。Chan-Vese提出的基于Mumford-Shah模型的水平集分割方法虽然能够很好的处理对比度低、图像边缘模糊的图像,并有良好的抗噪性能,但是它无法正确分割具有灰度分布不均匀特点的图像。因此本文提出了基于局部区域信息的水平集分割算法。首先,本文将局部区域信息引入C-V模型中,构造了全新的能量函数;其次,将正畸函数引入该模型,实现了水平集无需重新初始化。新的能量函数克服了传统的C-V模型只能利用图像全局信息的缺点,能够准确分割灰度分布不均匀的医学图像。该模型无需大量计算,水平集函数可快速收敛。MR图像、血管造影图像和X线骨折图像的实验结果证明了该方法的实用性。