医学图像分割是对正常组织和病变组织进行三维重建、定量分析的基本步骤。核磁共振图像由于其空间高分辨率和良好的软组织对比度,被广泛运用于脑部检测当中。由于核磁共振成像采用并行多线圈的采集方法,MRI成像过程受电子噪声和偏移失真的影响,导致MRI图像存在噪声和偏场效应。在实际医学应用中,由于图像采集设备的分辨率限制,单个体素中很容易包含两种组织,即出现了组织重叠的状态,也就是常说的容积效应。上述问题,都使得MRI图像分割变得极具挑战性。随着统计学习、图谱理论和数字图像处理技术的发展,基于图论的信号处理为解决图像分割问题提供了新理论和新方法,其中基于图滤波器的聚类算法就是其中之一。由于脑部MRI图像的特殊性,仅考虑像素强度特征或空间特征,对分割方法而言都不是很好的选择。而图信号通过将数据映射底层图,巧妙的将数据信息和空间特征相结合,可以获得较好的分割效果,是一种具有潜力的聚类算法。作为经典的基于图信号的聚类方法,图滤波器方法也存在一定的缺陷,为了修正这些缺陷,很多学者也做出了巨大贡献,从而推动了图信号聚类理论的发展。超像素方法作为新颖的图像分割方法,在图像预处理阶段可以降低计算的复杂度,在一定程度上可以抑制噪声偏场。超像素方法聚焦局部区域特征,在强化图像区域一致性的同时,也可以尽力保留图像原始边界信息和区域形状信息,有助于提高图像分割的准确度。因而被广泛的运用于各领域图像分割的预处理阶段。基于上述背景,本文提出了一种基于自适应图滤波器和超体素方法的脑部MRI图像分割算法,该算法充分利用图信号的优越性,结合图空间信息和像素强度信息,在实验中获得较好的效果。该算法首先通过超体素方法对图像进行细化分割,获得尺寸均匀的超像素。然后将超像素看成顶点,映射为图信号进行平滑滤波,进一步抑制超像素中的噪声偏场,最后通过二次映射,获得分割结果。本文提出的方法可以有效克服噪声和偏场影响,相较于图滤波器聚类方法有更高的分割准确度和更强的算法鲁棒性。