医学图像分割作为图像处理领域的核心内容,在临床辅助诊断、图像3D重建与可视化、医学研究等方面得到了广泛的应用和研究。由于成像设备和成像环境特殊,医学图像有着复杂性和模糊性,传统图像分割算法处理医学图像时很难取得满意的效果。模糊C均值(Fuzzy C-Means,FCM)聚类算法能够较好地刻画医学图像的模糊性,却具有易受噪声干扰、细节易丢失、处理效率低等问题。本文主要对FCM算法进行了研究,并结合水平集方法提升了算法的整体性能。本文主要研究工作如下:(1)对FCM算法及其改进算法做了深入研究。对FCM算法的缺陷做了总结,并介绍了En FCM算法、FCM＿s算法和FLICM算法等改进算法。通过对医学图像做分割实验,分析了FCM算法及其改进算法的性能特点。(2)提出一种基于均值空间约束的自适应加权模糊核聚类算法。为了提高FCM算法对医学图像复杂结构的划分能力,克服噪声对分割效果造成的干扰,本文基于FCM算法做了三步改进:首先,增加了核函数,用内核诱导距离取代了欧氏距离,使得算法能够对医学图像的非线性区域进行分类;其次,算法对聚类进行了自适应加权,使得样本量小的类不易被误分,提升了算法对细节的刻画能力;最后,算法对目标函数加入了均值空间约束项,使得算法不易受噪声干扰。本文算法能够对医学图像进行准确分割,具备较高的分割精度和抗噪声能力。(3)提出一种协同FCM和水平集的医学图像分割方法。FCM算法对边缘部分的描述效果较差,考虑到水平集方法能够通过曲线演化获得平滑边界,本文将FCM算法与水平集方法结合。首先,针对CV模型对医学图像灰度不均匀特性的敏感,给出了一种基于局部区域信息的CV模型。然后,将这种CV模型和本文改进的FCM算法相结合,提出一种新的医学图像分割算法。算法思想为:首先,用FCM算法对医学图像做第一次分割;其次,选取目标区域的聚类信息对零水平集函数进行初始化,将获得的轮廓作为CV模型的初始轮廓;最后,用CV模型对医学图像做第二次分割。经过曲线演化,能够达到对医学图像准确划分的目的。本文算法弥补了模糊聚类算法对边缘的敏感性,亦克服了水平集方法对初始轮廓的过度依赖性,具有较高的分割精度和分割效率。