图像分割是指根据图像自身特征(如强度、纹理、对比度等),将图像分割成不重叠感兴趣区域的技术。目前图像分割技术已经应用于各种图像如地形图像、卫星图像、医学图像等。在医学领域,图像分割可以通过MRI扫描或PET扫描等医学影像技术来帮助诊断身体各个部位的肿瘤与病变情况。主要应用于脑分割、心脏心室分割、腹部器官分割和生物图像的细胞分割等。在这些应用中,分割的结果通常导出用于随后的病理诊断和治疗计划的定量测量与生物标记,来诊断疾病和跟踪疾病进展。医学图像分割是计算机辅助诊断与治疗中十分重要而又富有挑战性的方向。目前为止,没有一类普遍适用的医学图像分割算法。图像分割的结果通常受多种因素的影响,例如图像的强度不均匀、强关联性的空间特征、图像内容和不同软组织的灰度贴近度高等,都是图像分割领域亟待解决的一些问题。因此,首先针对医学图像具有的强度不均匀性、有限的空间分辨率等问题,提出一种基于谱聚类算法的水平集图像分割方法。初步利用基于Nystrom策略的快速谱聚类方法随机抽样数据点进行估计,再采用k-means算法聚类子向量空间,然后将聚类结果应用于改进的可变区域拟合能量模型,迭代演化输出分割图像结果。另外,除了基于图论的谱聚类分割算法外,将模糊聚类理论应用于图像分割也是该领域的热门研究话题之一。其中,模糊C均值聚类算法通过将特征空间中的相似数据点分组成簇来对图像进行分类,具有良好的分割聚类效果。然而在图像有噪声或失真情况下,模糊C均值聚类由于其异常的特征数据对有噪像素进行了错误分类。因此,又针对易受噪声点污染,边缘较弱的医学图像,提出一种基于蚁群算法优化的空间直觉模糊聚类水平集算法用来分割医学图像。首先利用自适应调整的蚁群优化算法获取模糊聚类的初始质心与聚类个数,再采用结合空间信息的直觉模糊聚类对图像像素进行区分,应用于水平集模型进而完成分割流程。为了验证改进算法的分割实验效果,本文最后设计与开发了一种基于MATLAB的水平集图像分割平台,为研究人员提供一个便捷的可操作仿真模拟平台。该平台通过读取一般图像及Dicom医学格式图像,演示水平集算法应用于图像分割的迭代演化过程。针对同一张图像,对比不同水平集图像分割算法,通过视觉效果、最终目标边界与参考掩模之间的相似性系数、分割时间等指标来评估算法性能。