近几年,随着信息时代特别是数字时代的来临,图像分割技术在医学、军事工程等领域中都有着广泛的应用。图像分割技术可以便于对获得的各种定量定性的图像数据进行分析,使这些数据更好的应用到工程实践中。图像分割是对图像进行分析和理解的关键步骤,是数字图像处理中最重要和最基本的技术手段,是一种基本的计算机视觉技术,准确地对图像进行分割,对工程实践及量化分析都有重要的价值。例如在医学上,计算机断层成像(CT:Computed Tomography),核磁共振成像(MRI:Magnetic Resonance Imaging),超声(US:Ultrasonography)等新医学成像技术已经广泛应用在医疗诊断、术前计划、治疗、术后监测等各个环节中。目前已经有很多方法被提出,例如基于边缘检测、基于区域生长分割、基于阈值分割等,其中基于统计模型的分割算法是图像分割领域中比较灵活有效的一种分割方法,而高斯混合模型(GMM)最为常见。但是有限高斯混合模型受非典型样本或野值的影响很大,不能适应高噪声图像的分割,如医学图像的分割。Dirichlet混合模型(DMM)却可以同时存在对称与非对称模态的数据,因此对于数据样本进行分类更具准确性,抗噪声能力也比一般的GMM以及有限Student’s t混合模型(SMM)要好。但是,单单采用此模型,抗噪声能力还只是停留在数据本身统计特性,并没有真正考虑外来干扰因素的对于原本数据的二次影响,还不能得到很好的分割效果。因此为解决这个问题,本研究我们将考虑基于空间限制的Dirichlet混合模型(SC-DMM)。另外,对于某些单通道数据的图片,若是直接采用原数据进行聚类,不能符合Dirichlet分布的数据格式,因此需要归一化原数据,这样的话,就会造成维度的增加,甚至会出现很多失败数据造成干扰,因此对于这个问题,本论文又将考虑另一种模型Inverted Dirichlet混合模型(IDMM-SC),此模型可以允许单通道数据直接用作聚类的样本,无需归一化,保留全面的统计学特征。最后,考虑到数据的复杂性与多统计特性,我们又提出了一种更具一般化的Beta-Liuville混合模型(BLMM-SC)。此外,先前的一些模型只考虑添加空间限制到后验当中,从而造成模型对于噪声鲁棒性不够,因此在此模型中,我们利用generalized mean(GM),将空间限制同时加到先验与后验当中,使得该模型对于噪声表现出较强的鲁棒性以及取得出较好的分割效果。