中文摘要超声心动图的心室容积测量是超声医学图像分割技术的典型应用；图像边缘模糊给心室容积测量的实践带来了很大的困难。本研究从这一典型应用出发，首先以小波变换理论为基础进行了超声医学图像噪声抑制及边缘检测方法的研究，接着在此基础上开展了基于纹理的图像分割方法的研究。本文在吸收前人成果和分析研究的基础上将小波变换、模糊集、粗糙集、马尔可夫随机场、特征空间聚类等理论和方法应用于超声医学图像处理，以此为基础提出了几种组合方法并对一些方法进行了改进。这些组合方法和改进的方法在超声医学图像处理实验中取得了满意的效果。本论文的主要创新表现在以下方面：改进了小波收缩噪声抑制技术，将在小波系数域进行的收缩改进到小波矢量模值域上进行；根据统计知识和李氏指数的理论推导出了各个阶次噪声抑制阈值统一公式。将粗糙集理论和旋转邻域技术应用于超声医学图像噪声抑制，通过定义噪声集合的条件属性集定义了噪声粗糙集，并分别利用上逼近集合和下逼近集合对图像进行了噪声抑制处理；在基于粗糙集的噪声抑制基础上提出了基于粗糙集的孤立点抑制方法，基于粗糙集的边缘提取方法和基于粗糙集的区域边缘提取方法，并利用这些方法对纹理分割后的图像进行了处理。将小波变换多尺度边缘检测和模糊边缘检测方法有机的结合起来，提出了小波模糊算子边缘检测方法；将小波变换边缘检测的多尺度检测结果作为模糊集处理的对象，以离散形式给出了多尺度边缘对图像边缘集合的多变量模糊隶属度函数，构成边缘集合的模糊隶属度矩阵（模糊特征平面）；采用分界点可调的模糊增强算子对模糊隶属度矩阵进行增强以获得最终的边缘检测结果。小波模糊算子边缘检测方法通过把小波变换的多尺度特性和模糊集善于处理不确定性问题的优点结合起来，有效了解决了精确定位和有效检出的矛盾。以马尔可夫随机过程和梯度小波变换为基础提出了梯度小波纹理模型；多尺度的梯度小波纹理模型参数形成一个多尺度纹理特征空间，采用特征空间聚类方法可以实现超声医学图像的纹理分割；我们在聚类过程中将较大尺度的聚类结果作为较小尺度的聚类初始值提高了聚类过程的效率。梯度小波纹理模型利用了马尔可夫随机场图像模型的优点和基于该模型的成熟方法，并且引入多尺度、多分辨率特性。本文通过客观评价方法对本文使用的图像处理方法进行了评价。评价结果 I<WP=4>中文摘要显示小波收缩噪声抑制技术和基于粗糙集的噪声抑制技术能有效地抑制图像中的散斑噪声，小波模糊算子边缘检测方法有良好的边缘提取能力和抗噪声性能，基于梯度小波纹理模型的纹理分割方法能准确地分割图像中不同的纹理区域。在研究中我们还发现边缘检测方法适用于图像比较复杂但是受噪声影响较小的图像，而纹理图像分割方法更适用于图像结构简单但是受噪声影响严重的图像。