医学图像分割一直是医学图像处理和分析领域的研究热点和难点,磁共振成像是一种无损伤、高分辨率、解剖结构显示清晰的医学成像技术。在脑组织的诊断中,磁共振成像有着独特的优势,已成为脑部临床的主要诊断技术。本文主要研究了支持向量聚类和仿生模式识别在脑磁共振图像分割中的应用,论文的主要工作包括:1、传统的图像滤波方法在滤除噪声的同时,往往会使图像的边缘和细节受到损害。本文提出一种基于SVC多窗口的脑MRI(Magnetic Resonance Imaging)图像去噪方法。该方法首先利用局部统计特性将像素点标记为信号点、可能的正噪声点及可能的负噪声点;然后,在后两类噪声中根据灰度值不同迭代使用支持向量聚类确定噪声点的位置,并对其进行多窗口滤波。实验结果表明,该方法既能有效地滤除图像中的噪声又能较好地保持图像的细节及边缘。2、利用仿生模式理论建立起分割神经网络。仿生模式识别是从“认识”而不是“区分”的角度来进行模式识别,是对学习样本的全体在特征空间中形成的复杂几何体“形状”的分析和“认识”。本文首先根据训练样本矢量确定ψ3神经元的权值,并在此基础上构建多权值神经元网络;然后,利用神经元网络完成样本在高维特征空间的最佳覆盖;最后,根据覆盖结果进行识别、分割。实验结果表明,与传统医学图像分割方法相比,该算法具有较高的准确性和可靠性,较好的泛化能力。此外,该算法从“认识”的角度出发,可以有效地融合先验知识,能快速准确地从医学图像中分割出感兴趣的区域,具有较高的智能性。