大脑对于人类来说是一个非常重要的部位,婴幼儿时期是大脑发育非常重要的时期,这期间的大脑可塑性很强并且发展很快,并且在这个时期患各种脑病的概率也高于其他时期。探索婴幼儿脑部疾病的早期诊断方法有非常重要的意义。核磁共振成像具有较高的空间分辨率、不会对人体造成电离辐射的伤害等特点,是发现婴幼儿脑部是否发生脑部结构病变的首选成像技术。婴幼儿脑MR图像有一些不利于分割的特点:灰度不均匀性,主要是射频场不均匀的特点导致的;部分容积效应,脑组织的边界有不连续、不明确和相对模糊的现象;噪声的影响,主要成因是物理原因的影响,如成像设备的影响;大脑在婴幼儿时期会出现灰质比白质的亮度高的时期。上述特点决定了针对婴幼儿脑MR图像的分割算法研究是很有意义和挑战性的。本文主要是针对上述的婴幼儿脑MR图像所具有的一些特点,对水平集分割方法进行了一定研究。本文的主要研究内容如下:(1)针对婴幼儿脑MR图像噪声大的特点,在学习研究CV和LBF模型的基础上,提出使用LBF模型中的像素点周围局部区域像素的灰度均值来代替CV模型中单个像素点的灰度值,以此来计算水平集方法中的能量函数。在CV模型中引入局部灰度均值之后可以分割噪声图像。实验表明,使用提出的模型能够对噪声图像进行很好的分割。(2)针对婴幼儿脑MR图像灰质和白质对比度低和灰度不均匀现象严重等特点,提出一种结合全局区域与局部区域并融合模糊逻辑的改进模型。融合模糊逻辑思想,能够提高模型参数选择的鲁棒性和初始曲线选择的鲁棒性;结合局部区域信息与全局区域信息,使算法能够很好地分割灰质白质对比度低和灰度不均匀现象的脑图像。实验表明,改进算法对婴幼儿脑MR图像有很好的分割效果,初始曲线对分割结果的影响小,并且参数选择鲁棒性好。(3)针对婴幼儿脑MR图像边界模糊的情况,提出基于先验信息对局部高斯概率模型进行改进。在局部高斯概率模型的基础上加入图像的先验信息,通过分析图像中每个像素相邻的灰度分布,并引入图像的先验信息,局部拟合能量通过核函数来定义,最后对能量进行积分就会得到整个图像的拟合能量函数。定性和定量的实验均表明,改进后的水平集分割模型对婴幼儿脑MR图像有很好的分割效果。