脑图像的分割对于脑组织病变检测和诊断有重要的医学意义。临床对脑疾病的检测与分析多采用核磁共振成像(MRI)技术,由于其具有对软组织对比度高,能够多方向切层、多参数成像、非侵入式成像等优点,因此被广泛的应用于临床诊断。同时又由于MR设备,脑不同组织之间的差异性和脑组织的容积效应等影响,使得图像的灰度均匀性变差,造成图像附加的偏移场,因此图像的偏移场处理对于图像的准确分割也至关重要。本文首先对临床获得的脑MR图像去偏移场,然后以图割算法框架为基础,提出一些改进的图割分割算法。本文的主要研究内容如下:(1)基于遗传优化的脑MR图像去偏移场算法本文采用遗传算法对偏移场进行校正,由于偏移场比较光滑,采用Legendre多项式基函数来拟合偏移场,通过遗传算法来寻找最优偏移场。同时针对遗传算法易陷入局部最优、收敛速度慢等缺点,通过粒子群算法和自适应公式改进遗传算法。改进后的算法可以达到一个较好的去偏移场效果。(2)基于马尔科夫改进图割脑MR图像分割算法本文对马尔科夫方法进行研究,以最大后验概率(MAP)作为最优准则,引入马尔科夫算法中空间信息的GMM先验模型到图割算法中,同时以图像灰度共生矩阵和非参数估计法改进图割算法的能量构造方式,最后得到较好的分割结果。(3)基于多特征、谱聚类结合图割改进的脑MR图像分割算法为了能够在分割算法中融入更多的图像特征信息,该部分首先通过图像多特征方式改进图割算法。同时为了对图像整体信息进行分析,引入谱聚类方法到图割算法中进行分割。最后以图割算法中能量函数构造的相似性为基础,将两种方法结合起来,通过遗传算法寻找不同能量间的适配关系,得到较好的分割效果。