医学图像分割是指将医学图像划分成一系列彼此互不交叠的匀质区域。作为医学图像处理一项最基本技术,它是对人体组织进行定性或定量分析所必不可少关键步骤。 基于几何变形模型的水平集方法,将二维(三维)的闭合曲线(曲面)的演化问题转化为高维空间中水平集函数曲面演化的隐含方式来求解,适应于对拓扑结构变化的处理,其计算精度高,算法稳定,因而得到广泛应用。然而,传统的水平集方法仅利用图像局部边缘信息,对边界模糊或者存在离散状边缘的区域,容易产生边界泄漏等问题,很难得到理想的分割结果。本文提出了一种结合贝叶斯分类的水平集方法用于医学图像分割。本方法首先通过贝叶斯分类模型计算出水平集曲线位于边界上的概率;其次,将与此概率相关联的区域决策影响因子添加在水平集函数方程中;最终,实现利用图像的区域信息提高水平集曲线识别边界能力的目的。分割实验结果表明,该方法较好地克服了传统水平集方法在图像分割中存在的边界泄露问题。 另外,传统水平集方法在进行数值求解过程中常用一阶差分来近似代替函数的导数值,易受由噪声等因素引起的图像退化影响,造成分割失败。针对此问题,本文的另外一部分工作探索了基于Hermite微分算子的水平集图像分割新算法,使得分割过程更加精确。实验结果表明,对于相同的分割过程,运用了Hermite微分算子的水平集方法,其分割结果优于传统方法,尤其是对于由噪声等因素引起的退化图像的分割,更具有其特殊的优越性。同时,运算速度与传统一阶差分算子的方法相差无几。