图像分割是一个非常经典的图像处理问题,广泛应用于计算机视觉、模式识别、人工智能和医学图像处理等多个领域。在医学研究与临床应用中,图像分割技术是各种医学图像应用的基础,是医学图像理解和分析的预处理操作,为医学图像的后续处理,如图像配准、图像融合、目标识别等,提供了必要的前提条件,拓展了医学图像在临床应用中的广度和深度。但是,医学图像本身具有复杂性和多样性,且存在模糊、灰度不均匀、对比度低等缺点,很容易导致不同器官或组织之间的边界出现误分,这给图像分割带来了一定的难度。因此,医学图像分割仍然是一项具有挑战意义的工作。本文从信息融合的角度出发,对医学图像分割技术进行了研究,具体内容如下:1.基于内部生成机制的医学图像多阈值分割算法传统的图像阈值分割算法往往仅考虑了图像中像素的灰度信息,而忽略了像素的其他信息。在医学图像分割中,分割结果的最终使用者是“人”,对图像的后续处理需要通过“人”的观察和分析来作出决定。因此,忽略人类视觉系统(Human Visual System,HVS)的图像分割将变得毫无意义的。针对上述问题,本文将最新的贝叶斯脑部理论和神经科学理论——内部生成机制(Internal Generative Mechanism,IGM)引入到图像分割中,借助人类的视觉信息和像素的灰度信息,提出一种基于内部生成机制的医学图像多阈值分割算法。首先采用线性自回归模型(Autoregressive,AR)来模拟内部生成机制,获得源图像的预测层,并通过Otsu阈值分割方法分别对源图像和预测图像进行分割。然后,根据像素的灰度信息,设计了一种像素重新分类规则,实现对误分像素进行重新划分,从而提高医学图像分割的准确度。在分割过程中,该算法同时考虑了复杂的人类视觉系统感知源图像而产生的预测视觉信息和源图像的细节信息。实验结果表明,该算法获得的分割结果能够提供清晰的信息,更加符合人类的视觉系统,而且分割效果会随着阈值个数的增加越来越好。2.基于融合策略的医学图像多阈值分割算法如何提高医学图像多阈值分割的准确度是一个亟待解决的问题。待分割图像中可能存在一些噪声或其它伪影等,现有的许多分割方法都假定这些噪声是信号无关的加性高斯噪声,这将产生次优或无法令人满意的分割结果。如果在进行分割之前,源图像先进行去噪预处理,那么分割结果通常会避免噪声的影响。但是,源图像中其他具有高频信息的正常区域可能会受到去噪操作的影响。因此,简单的去噪预处理并不是一个好的选择。为了解决上述问题,本文借助像素的空间信息和灰度信息,提出一种基于融合策略的医学图像多阈值分割算法。由于像素的分类标签不仅取决于像素本身的灰度信息,还依赖于其邻域像素的标签,本文提出了一种基于有效邻域的融合策略。该融合策略同时考虑了像素的灰度信息和空间位置信息。为了验证融合策略的有效性,本文设计了一种新的图像多阈值分割框架。采用基于离散曲线演化(discrete curve evolution,DCE)的Otsu方法来实现对图像进行多阈值分割,有效地降低了图像分割的时间复杂度。实验结果表明,基于融合策略的图像多阈值分割框架不仅有效地提高了医学图像分割的准确度,而且对噪声图像具有较强的鲁棒性。3.基于加权ROC图的图像分割质量客观评价指标图像分割算法质量评价是图像处理领域中的关键任务之一。传统的图像分割质量客观评价指标往往以相同的方式处理图像中所有的像素,忽略了不同的像素可能具有不同的重要性这一点。为了解决上述问题,本文借助像素的空间信息,提出一种基于加权ROC图的图像分割质量客观评价指标。考虑到图像中处于不同位置的像素可能具有不同的重要性,本文根据像素的空间信息对其进行加权,并设计具有加权策略的ROC(receiver operating characteristic,受试者工作特征)图实现对分割算法的性能进行定量的评价。实验结果表明,该客观指标适用于医学图像和自然图像,而且对区域不均衡图像(偏斜数据)具有鲁棒性,其评价结果符合人类的主观评价结果。