随着数字影像技术和医疗成像设备的发展,图像识别逐渐成为医学领域一个重要的辅助诊疗手段。医学图像具有噪声多、整体图像模糊、结构与形态学特征复杂等特点,传统的图像分割算法通常难以得到精准的分割结果。此外,有效数据的获取难度大也是制约图像分割在医学领域发展的重要因素。针对以上问题,本文将多光谱成像技术引入医学图像分割,利用多波段信息来提高分割精度。主要研究工作如下:(1)在缺乏样本与标注数据的情况下,针对传统的图像分割算法在医学图像上分割精度不高的问题,建立了基于超像素频域聚类的多光谱图像分割模型。本模型由超像素预分割和无监督频域聚类两个模块构成。超像素预分割模块引入了均匀随机初始化模型和多维特征计算模型;无监督频域聚类模块引入了LBP归一化计算模型、频域通道拼接模型以及样本向量降维模型;并针对多光谱图像进行了优化,充分利用了多维信息。实验表明,与其他同类算法相比,本模型在医学图像上拥有更高的分割精度。(2)在具备有限样本与标注数据的情况下,针对目前基于深度学习的图像分割算法在样本有限且类别失衡的场景下分割精度不高的问题,建立了基于密集型深度卷积网络的多光谱图像分割模型。本模型引入了邻层特征重建模块、跨层特征重建模块以及损失均衡计算模块来完成网络的构建,加强了有效特征信息的传递与利用,并针对多光谱图像对输入端进行了调整。实验表明,与其他同类算法以及本文所建立的超像素频域聚类分割模型相比,本模型在医学图像上拥有更高的分割精度。(3)针对现有血管检测技术成像波段单一、检测能力弱的问题,提出了一种以本文所建立的两种多光谱图像分割模型为核心的非侵入式高精度多光谱血管检测技术,并搭建了原型系统。系统由波段优化模块、图像预处理模块、图像融合模块以及图像分割模块组成。实验表明,与其他同类方法相比,以本文所建立的多光谱图像分割模型为核心的多光谱血管检测技术拥有更好的检测性能。