随着医学科技的发展,对磁共振图像定量分析和图像可视化的要求越来越高,而精确的测量对疾病的诊断和治疗也有重要的临床意义。然而传统的一些图像处理算法没有充分分析磁共振图像元素,从而现出脑组织之间的相互混叠,没有清晰的边界,不同个体之间的差异也较大。首先,由于噪声的存在,核磁共振图像中一些重要的磁共振信息被淹没,不利于磁共振图像的分割。目前,人们把小波应用在磁共振图像的去噪上,但是由于小波方向性不足,常用的一些经典方法门限选择不够恰当,造成处理后的图像纹理特征被弱化,图像边缘变得模糊。本文利用Contourlet?变换,构建Context?模型,来实现磁共振图像的去噪。实验结果表明,本方法是有效可用的,与小波算法(WT)和Contourlet算法(CT)相比,本算法?PSNR?值提高了2dB左右。其次,本文将蚁群算法应用到磁共振图像的分割上,蚁群算法(Ant? Colony?Algorithm,?ACA)是一种经典算法,标准蚁群算法容易出现停滞现象,收敛速度慢等缺点。对目前应用的图像分割方法进行比较后,本文提出了一种线性蚁群的磁共振分割方法,就是在外激素的蒸发系数前加一个加权系数,以便于聚类。将修改后的算法应用到磁共振图像的分割,一方面提高全局搜索能力,另一方面提高收敛速度。试验结果表明,新算法具有很强的边界检测能力,不仅提高了分割质量,而且缩减了运算时间。从而说明了该算法的有效性,正确性,该算法的提出对磁共振研究和临床应用都有很大的理论和实践意义。