随着医学上成像技术的发展(X-ray、CT、MRI),仅仅依靠人工去分析成像结果已经不能满足日益增长的需求,因此引入计算机辅助分析势在必行。本文的目标是完成脑部MR(Magnetic Resonance)图像分割,将其分割为白质、灰质、脑脊液和背景四个部分。MR图像主要问题是MR成像过程中会产生偏移场(BiasFields),其表现为各个组织间灰度值交叉重叠,会造成基于灰度一致的图像分割方法的错分、漏分。因此在使用基于灰度一致的分割方法,算法就必须先去除偏移场。本文所做主要工作如下:1、去偏移场方法的研究。第三章重点阐述了基于多项式拟合去偏移场的方法,并附带阐述了其所用的解法——Expectation Maximization(EM)算法。原方法必须先将含偏移场的图像与模板图像用仿射多峰配准技术匹配,然后使用数字大脑图谱所给的概率信息初始化。修改后的方法首先用KMEANS进行聚类,然后从聚类结果中得到初始化概率。由于多项式拟合处理对像是单个像素,处理后会造成分割结果边界不光滑,而且该方法对噪声较为敏感,文中将此问题留到后续的分割算法中处理。2、图像分割方法的研究。第四章首先介绍了Snake模型,详细分析了Snake的能量方程和各种力,并对Snake的求解过程作了简单介绍,然后介绍CV模型,分析其与Mumford Shah(MS)模型的关系,以及它与水平集的关系,并分析了它的水平集求解方法,最后本章引入由Chunming Li提出的水平集正则项(Level Set Regularization(LSR) term)改善CV模型的分割效果。第五章利用CV模型能保持分割出边界光滑的优点来弥补由多项式拟合造成的分割结果不光滑的缺点。3、在上述两种方法的基础上,第五章提出了将两种方法整合到一个框架下,用4相位CV模型替代Leemput算法的分割部分的想法。改进方法首先将受偏移场影响的脑MR图像用多项式拟合去除偏移场,然后用4相位CV模型对恢复的图像进行分割,利用CV模型能保持边界光滑性的优点去弥补由多项式拟合造成的分割结果不光滑的缺点。在本文提出的框架中,用CV模型分割方法来弥补多项式去偏移场无法保持边缘光滑的缺点,按分步的方式来完成。