磁共振成像(Magnetic Resonance Imaging, MRI)是人体影像学中一种重要的无损检测手段,对软组织具有很好的成像效果,广泛应用在脑部组织结构的成像中。脑部组织结构的正确分割对脑发育与人体衰老、脑部疾病的诊断、病灶的定位、手术方案规划等具有重要的指导意义。由于受设备自身以及成像过程中对象移动等因素的影响,脑MRI图像会受到噪声、偏移场和部分容积效应的干扰,使得成像质量下降,给基于计算机的自动分割算法带来了挑战。本文主要是针对脑MRI图像自动分割算法的研究,目标是在噪声和偏移场存在的情况下,通过自动分割算法将脑MRI图像准确地分为白质、灰质、脑脊液。模糊聚类算法建立了样本类属不确定性的表达,能够描述部分容积效应给脑MRI图像带来的模糊性,因此很适合脑MRI图像的分割。模糊聚类算法中,模糊C-均值聚类(Fuzzy C-Means Clustering, FCM)算法得到了最为广泛研究和应用。经典的FCM算法没有利用邻域信息,对噪声和偏移场都极为敏感,直接应用到脑MRI图像的分割中,并不能得到理想的分割结果。为了提高FCM算法对噪声的鲁棒性,通常是在目标函数中加入邻域信息的约束。本文首先对各类FCM的改进算法进行了理论分析和实验结果的比较,总结了不同方法的改进思想。然后在此基础上提出了一种新算法,即边缘感知模糊C-均值聚类图像分割算法。新算法合理利用了邻域内灰度和空间信息以及邻域的平滑程度对代价函数的约束,对不同类型的噪声具有较强的鲁棒性。合成图像和脑MRI图像的分割结果表明,本文提出的新算法较其他几种方法分割结果更为准确。脑MRI图像中的噪声和偏移场是同时存在的,因此能够同时去除噪声和偏移场的算法有利于脑组织的准确分割。本文最后提出了一种边缘感知模糊C-均值聚类与一致局部信息相结合的方法。该方法利用一致局部信息保证了估计的偏移场平滑且缓慢变化的特性。算法在去除噪声的同时修正了偏移场,大量仿真脑图像及真实脑MRI图像的分割结果表明该算法具有较好的分割性能,能够准确地分割脑组织。