医学图像分割是现代医学中的重要组成部分,颅骨的分割作为医学图像分割中的一个重要的环节,其分割结果主要用于三维重建,为外科整形、损伤及修复提供依据,满足病理学研究和临床诊断的需要。本文通过分析医学图像分割的背景、现状及算法研究的特点,针对人脑颅骨分割的实际应用,对常用的骨骼分割方法:阈值法、区域生长法和动态轮廓模型法进行了剖析,针对 CT 图像分割的适应性和各个方法的局限性提出了改进方案。论文主要对两种最优的阈值自动选取算法:Otsu 阈值法和自适应迭代阈值法进行了改进,改进后的算法基本解决了阈值分割中常见的目标比例较小时方法失效的问题。对区域生长严重依赖于种子特性,分割效果较差的问题也提出了改进,并将改进的算法运用到了人脑颅骨的分割中,提高了分割的平滑效果。在对人脑颅骨分割技术的研究中,重点分析了动态轮廓模型算法,在详细讨论原始模型理论的基础上,对其不足加以改进,并将区域生长的分割结果与动态轮廓模型相结合,提出了结合区域生长分割的动态轮廓模型人脑 CT 颅骨分割算法,使其对于人脑颅骨的分割性能有了很大程度的改善。本文对算法的理论基础和分割原理作了较详细的论述,对不同算法使用 Visual C++语言和 Matlab 语言设计了相关的程序进行验证。实验表明,本文改进后的算法均有性能上的优化,比较改进后的阈值法、区域生长法和动态轮廓模型法的分割结果可知,结合区域生长的动态轮廓模型法对于人脑颅骨的分割取得了最佳的效果。这些方法对满足了人脑颅骨分割处理的要求具有一定的实际应用价值。