图像分割就是根据图像的底层相关特征,从图像中提取出感兴趣的目标。而图像分割中的医学图像分割领域,由于其具有现实意义和实用价值,临床需求大,受到了研究者广泛的关注。本文研究的是基于肝脏CT图像的肿瘤分割,精确的肿瘤分割,在术前评价以及手术规划中具有重要的参考作用。如何利用算法既能精确的分割肝脏肿瘤,又只需较少的交互。因此本文提出了两种基于模糊聚类和水平集的肝脏肿瘤分割算法。首先,深入分析了经典常用的图像分割方法和具体针对肝脏肿瘤分割的相关研究。以及肝脏肿瘤分割存在的难点,肝脏肿瘤CT图像存在大量的噪声,而且由于肿瘤与周围肝脏组织灰度十分接近,它们之间的边界模糊。传统图割和水平集方法,需要较多的人工初始化操作。其次,提出了基于医学图像三维可视化的三维感兴趣区域的选取。介绍了可视化过程中,是如何从物体局部坐标系转换为计算机的屏幕坐标系,以及其逆变换。通过在三维上画一个封闭的多边形,实现三维ROI操作。三维感兴趣区域的确定,减少了像素点,可以加快后续模糊聚类和水平集算法的效率,还可以去掉其它组织的干扰。再次,提出了基于局部信息C均值模糊聚类(fuzzy local information C-Means,FLICM)和B样条水平集的肿瘤分割。模糊聚类算法通过引入模糊隶属度,能够描述肿瘤的模糊性。但传统的模糊聚类(FCM)容易受噪声的影响,介绍了几种结合空间信息的FCM,最后选择了无需参数的FLICM,能较好地应对噪声的影响。经过三维感兴趣区域的操作后,可以确定肿瘤图像的聚类类别数为三。由于FLICM聚类结果边缘有锯齿,本文使用了B样条水平集对聚类二值结果图进行平滑。最后,本文提出了基于FLICM模糊聚类和自适应的距离保持水平集(Adaptive Distance Regularized Level Set Evolution)的肿瘤分割。与使用B样条水平集直接对聚类结果进行平滑的思想不同。使用FLICM作为水平集的初始水平集,再利用肿瘤的边缘梯度信息,对聚类结果进行细分割。水平集使用的是李纯明最新提出的距离保持水平集(Distance Regularized Level Set Evolution,DRLSE),但由于DRLSE对初始轮廓有限制,初始轮廓必须完全在待分割目标的外部或内部。本文又引进了演化方向自适应的v(I)参数代替DRLSE先前固定的常数v,可以很好的结合模糊聚类作为初始轮廓,避免了DRLSE对初始轮廓的限制。上述两种算法,利用了模糊聚类和水平集算法的优点。模糊聚类只需类别数,实现无监督的聚类,避免了以往传统水平集的初始化轮廓操作。减少了交互,并且实验结果显示,本文的算法得到了较好的肝脏肿瘤分割效果,有一定的实用价值。