随着计算机技术的飞速发展,核磁共振成像(MRI)技术已经广泛的应用于医学研究和临床应用的各个阶段。其中,医学图像分割技术是其他医学图像分析技术的基础。在MR图像分析过程,图像分割技术具有十分重要的地位,图像分割的质量会直接影响其他辅助诊断结果的优劣。本课题研究脑部MR图像的脑组织分割技术,目的在于通过聚类算法将脑组织分割为脑白质、脑灰质和脑脊液三大类。在脑部MR图像中,由于噪声、偏移场效应、部分容积效应以及人脑物理结构差异的影响,图像组织边缘会变得模糊不清,对脑组织的准确分割带来困难。本文主要针对模糊C均值聚类算法(FCM)对脑部MR图像进行分割时会受到噪声和偏移场效应影响的问题进行研究,取得的主要研究成果如下:(1)针对FCM算法对噪声图像分割准确率较低的问题,提出了一种自适应非线性加权的FCM改进算法。该算法充分考虑了图像局部灰度信息和局部空间信息,构造出一种新的相似测度,利用该相似测度构造出了一个局部模糊因子,将该模糊因子应用于基于局部信息的FCM算法(FLICM)中。而且由于采用了新的距离测度来描述像素和聚类中心的距离,算法的分割准确率进一步提高。实验结果表明,该算法可以取得良好的脑组织分割结果,具有较强的噪声抑制能力。(2)针对脑部MR图像偏移场效应,本文在偏移场校正的FCM算法(BCFCM)的基础上引入了含有局部偏移场信息的约束项,提出了一种偏移场校正FCM算法。该算法在BCFCM的目标函数中添加了一项包含局部偏移场信息的约束项,保持了BCFCM算法在偏移场图像上的优势,而且由于局部偏移场信息约束项的加入使得偏移场的估计更加平滑,图像边缘区域的分割更加准确。实验结果表明,该改进算法的分割效果优于BCFCM算法。本文对脑部MR图像脑组织分割模糊聚类方法进行研究,针对噪声和偏移场效应两个问题,提出两种改进算法,提高了算法对噪声图像和偏移场效应图像的分割准确性。