在该论文,我们提出了一个新的自动脑组织提取和分割方法.基于watershed算法的图像分割方法是一种有效的方法,但是我们要抑止它的主要缺点―过分割.由于watershed算法对变化的高度敏感,一方面,总是可以检测出我们感兴趣区域的轮廓,另一方面,对于均匀区域中的低对比度变化也可检测出来,从而导致过分割,使我们希望得到的正确轮廓被大量不相关轮廓所淹没.首先,我们利用一种性能优良的滤波器-非线性各向异性扩散滤波器来减少图像中存在的噪声.即使对图像进行了滤波预处理,过分割问题依然存在.采用区域合并技术来合并相邻的相似区域,来进一步减少区域的数目.聚类分析是一种无监督的统计方法,它不需要训练样本集,通过迭代地执行图像分类来提取各类的特征值,实际上是以自组织的方式将特征归成不同的类.由于MR脑图像要分成灰质、白质、脑脊液和背景,我们可以利用聚类技术来将合并得到的结果进行聚类得到希望的分割.这样,结合watershed算法、区域合并技术和来自模式识别的聚类技术,我们得到了一种全自动的脑MR图像的分割方法.在实际的图像分割中,效果良好.