医学图像处理已经成为计算机视觉领域的研究热点。本文主要研究了医学X光胸片中的几个关键图像处理技术,主要包括X光胸片图像增强、分割和肺部病灶识别。提出并改进了基于Retinex方法的X光胸片图像增强方法。在3种标准偏差下,求得高斯环境函数;然后使用3种不同的环境函数对X光胸片进行卷积操作,将3种标准偏差尺度下得到的结果进行加权平均;最后将输出灰度值进行修正,得到可用于显示的结果。改进的MSR算法既可以实现低对比度的X光胸片图像增强,又能实现图像的动态范围压缩,能够显著提高暗区X光图像的信息。该方法克服了目前常规增强方法的不足,能够满足医生临床诊断的要求。对于胸片图像中肺部区域的分割,提出了一种改进的Live-Wire交互式医学图像分割算法。与原算法相比,改进算法在不增加算法复杂度的同时,大大提高了医学图像分割的性能,而且在3个方面弥补了原算法的不足:对噪声相当敏感、不能有效的区分胸片图像中的强弱边缘、不适用于边缘弯曲程度较大的胸片图像。有鉴于Gabor滤波器在模式识别领域的成功应用,我们将其引入到肺部病灶识别应用中。研究并给出了一种改进的基于特征加权的Gabor特征抽取算法。该算法对Gabor特征矢量根据其临近分量的离散程度进行加权处理,具有较强的鲁棒性和类别表征能力。实验表明,这种特征抽取算法能够有效降低胸片图像识别的错误率,增强鲁棒性,适于对质量较差的胸片图像进行识别。利用上述Gabor特征抽取算法对选定的肺部区域和样本病灶进行特征提取,训练BP神经网络分类器,最后识别出病灶信息。