医学图像在临床医学上应用越来越广泛,使得图像分割这一医学图像处理和分析中的基本问题也越来越关键。医学图像分割是指将医学图像分割为一系列相互不交叠的区域,这些区域具有相似的特征,例如灰度、色彩、纹理、局部统计特征或频谱等。分割后的图像可以被广泛应用到多种场合,如组织容积的定量分析、计算机辅助诊断、计算机引导手术、病变组织的定位、局部容积效应的矫正等等。由于解剖结构复杂多样以及成像设备、成像技术的制约,医学图像不可避免地受到各种退化因素的影响,包括噪声、局部容积效应和有偏场效应等。目前,尽管医学图像分割算法种类繁多,但是仍然没有一种完美的自动分割算法,各种算法都只能针对某些特定的条件或场合取得较佳的分割效果。本文对二维MRI(Magnetic Resonance Imaging)图像分割中核聚类算法的应用进行了一定研究,对传统FCM(Fuzzy C-means Clustering)算法和KFCM-II(Kernel-based FCM II)算法应用于MRI图像分割加入了灰度有偏场的纠正,进行实验获得实验结果并进行性能分析。实验结果表明,KFCM-II算法对低退化条件的MRI图像的分割任务,结果并不能比FCM算法占优;对于高退化条件的分割任务,则应采用结合灰度有偏场的纠正的算法;若追求算法对不同退化条件下分割的稳定性与准确度的综合平衡,则应该选择结合灰度纠正的KFCM-II算法。文章首先介绍了医学图像分割的相关背景、MRI成像机理和分割目标,以及分割结果的评估方法。接着阐述了模糊理论与模糊聚类的相关内容,详细介绍了经典的FCM算法,分析了它的性能及缺点。然后引入核方法思想,阐明核方法的优势,重点阐述KFCM-I和KFCM-II算法。继而提出结合灰度有偏场的纠正以改善分割算法性能,介绍了KFCM-III算法原理以及与之相关的聚类典型集和数据分类等概念。最后使用VC++调用Matlab计算引擎对分割算法进行了软件设计并实验。