脑磁共振(MRI)图像的分割在计算机辅助诊断和临床研究中起着重要作用。然而,由于存在噪声和脑图像中不同组织之间边界的不确定性等因素,脑图像的有效合理分割是一项具有挑战性的任务。因此,研究脑部MRI图像分割具有一定的实际意义。在图像的分割算法中,FCM(模糊C均值聚类)是一种适合应用在脑部图像分割中的经典算法。FCM算法的实质就是使得属于同一聚类的对象之间相似度最大,而不同聚类之间的相似度最小,并计算目标函数的最小值,从而实现每个像素的模糊划分。本文在研究了 FCM算法及其改进算法后,发现了以下的不足:一是分割的过程中只考虑了图像中像素点的自身情况,导致分割结果对噪声十分敏感;二是没有充分考虑邻域像素与中心像素的关系,也就是没有利用像素间的差异性的影响,导致了分割结果的不精确。为了克服FCM算法以上的缺点,本文在改进FCM算法的过程中,引入了邻域像素对中心像素的权重。首先对待聚类像素进行加权,计算出结合了邻域像素灰度分布和相似程度的待聚类像素灰度值。然后,在此基础上,利用本文提出的相异性系数公式,求出邻域像素对中心像素的影响程度,分别计算邻域像素和中心像素相对于聚类中心的距离,得到待聚类像素的隶属度,从而控制目标函数。本文还引入了马尔可夫随机场抑制噪声,利用马尔可夫随机场的局部先验概率结合隶属度求得新的隶属度函数,进而改善分割效果。最后,通过MATLAB工具实现本文算法,并与已有的FCM算法及其改进算法进行对比。利用相关的评价标准对比各种方法的实验结果,证明了本文算法可以实现脑部图像分割且分割结果精确。