脑疾病是威胁人类健康的重大疾病之一,如何借助医学影像检查,定性和定量地分析脑组织已经成为研究的热点。核磁共振成像(MR)技术对脑组织检查特别有效,因而在临床上得到了大量的应用。准确分割脑组织是进行脑结构分析、三维可视化等后续处理的前提,可以提高脑疾病诊断的可靠性和治疗方案的有效性。本文对目前国内外多种图像分割方法进行了综述,针对脑MR图像分割中存在的问题,发现基于模糊聚类理论的方法具有诸多优点且具有巨大的应用前景,因此,本文将目标集中在对模糊聚类算法的研究上,主要的工作和研究成果如下:(1)针对脑MR图像分割受噪声影响的问题,现有FCM改进算法大多仅仅对隶属度进行平滑或引入固定权值控制的空间信息项,改进单一,对噪声级别不同的图像不具最优性,不适合所有切面脑图像的分割,且算法运行时间过长。本文提出了一种基于核函数结合空间信息的FCM脑MR图像分割算法——GKSFCM算法。该算法针对FCM仅考虑灰度信息导致的抗噪性差的缺陷,引入空间信息项,并且选取合适的噪声自适应权值控制该项。同时,为了使算法能够应用于复杂的图像数据模型,本文使用内核诱导距离代替经典FCM算法中采用的欧氏距离,从而改善算法的分类能力。另外,又引入了隶属度正则项,得到更加分明的隶属度分布,在很大程度上加快算法的收敛速度,从而提高分割效率。仿真结果表明,与现有改进算法相比,本文算法有更强的抗噪能力,更高的分割精度和更快的收敛能力。(2)针对偏移场存在的脑MR图像分割问题,现有基于FCM的改进算法要么不适合偏移场严重的图像的分割,要么不适合存在偏移场同时又存在噪声的图像的分割,要么只适合分割某一切面的脑图像,不具有稳定性。本文提出了一种基于全局信息改进的 CLIC(Coherent Local Intensity Clustering)算法—W__GCLIC 算法。该算法在CLIC算法的基础上引入全局信息项,使得图像分割的目标函数同时受连贯局部信息和全局信息控制,全局信息项控制参数由像素与邻域像素的相似程度控制,并在每次迭代过程中自动更新。因此图像结构信息得到充分利用,细节信息保持较好,偏移场估计更为精准。仿真结果表明,与现有算法相比,本文算法适于分割各种复杂的灰度不均的脑MR图像,在偏移场估计方面也更有优势。