在计算机视觉的体系结构中,图像分割是在图像滤波、图像增强、图像变换等底层处理的基础上进行子区域划分的更高层图像处理任务,其基本目标是提取兴趣区域(ROI,Region of Interest)以进行更高层的图像信息分析。本质上,图像分割是为图像中的每一个像素点分配有限个标签的过程,并将具有相同标签的像素点的集合称为子区域。这些标签的产生以及其分配过程主要依赖于根据不同的图像分割任务所选择的不同属性特征指标,譬如纹理、亮度、形状、颜色等,这样在最后产生的分割结果中,每一个子区域内部都是具有某种相似的特征的。图像分割的应用十分广泛,包括目标识别、图像重构、目标跟踪等。随着社会生产水平和技术水平的提高,医学成像手段也不断丰富起来,如正电子发射型计算机断层扫描(PET,Positron Emission Computed Tomography)、单光子发射型计算机断层扫描(SPECT,Single-Photon Emission Computed Tomography)、电子计算机断层扫描(CT,Computed Tomography)、磁共振血管成像(MRA,Magnetic Resonance Angiography)、核磁共振成像(MRI,M agnetic Resonance Imaging)等。由于不同成像设备的工作原理不同,不同的成像手段获得的图像具有不同的特点,在医学图像处理时需要根据相应的优缺点对处理方法进行侧重选择。基于计算机视觉的医学图像分割是在手动分割的基础上发展而来的。最初的分割方法大多严重依赖于图像的灰度分布,但由于前述的原因,医学图像往往存在亮度不均匀的情况,这导致不同组织的结构虽然实际上没有重叠,但在图像的灰度分布上会有重叠区域,从而使得这类方法的分割结果往往出现错误,而多相分割更是对分割方法提出了更高的要求。因此,医学图像分割方法需要考虑到更多的图像信息用于分割区域。针对这些不足之处,论文对医学图像的多相分割方法做了仔细而广泛的研究,并尝试提出一种新的基于区域的水平集算法以处理亮度非均匀图像多相分割问题。首先,针对亮度非均匀图像,根据每个点的邻域中的图像亮度定义局部聚类准则函数,从而描述图像的局部亮度聚类特征。以邻域中心对聚类准则函数进行积分,从而得出图像多相分割的全局标准。在水平集公式中,能量函数的定义包括图像分割的水平集函数和度量图像亮度非均匀性质的偏置场两部分,通过求解该能量函数最小化问题,方法在估计偏置场校正图像亮度非均匀性的基础上对图像做多相分割。论文一共分为六章,结构安排如下:第一章主要概述了医学图像分割领域的研究现状,阐述了论文选题的目的与意义;第二章对迄今为止出现的经典图像分割算法作了阐述,根据算法提出的思路和实质做了粗略的分类,并对每一类算法的基本理论思想和基本算法流程做了简要的论述,归纳了每一类算法在改进的过程中产生的优势和可能遭遇到的缺陷;第三章对曲线演化理论的主要思想、工作原理和建模流程进行了阐述,介绍了参数轮廓模型和主动轮廓模型的主要思想和内容,阐述了曲线演化理论将图像分割问题转化为图像能量泛函极小值问题的过程,并详细介绍了对于极小值问题的两种常见的求解方法——梯度下降流方法和水平集方法;第四章提出了一种新的基于水平集算法的能量泛函框架。利用图像亮度变化缓慢的特质,根据每个点的邻域中的图像亮度定义局部聚类准则函数,从而描述图像的局部亮度聚类特征,并在此基础上积分得到图像多相分割的全局标准;再利用水平集方法解决复杂拓扑边界的优点,将多相分割的问题转化为水平集函数构造隶属函数的问题。最后,在局部亮度聚类和水平集区域分割的基础上定义了图像能量泛函,并通过有限差分法求解能量泛函最小化问题,得到最佳区域分割和偏置场估计,从而同时解决了图像亮度非均匀校正和图像多相分割的问题。第五章用心脏CT图验证了本文方法在两相亮度不均匀图像分割问题上的有效性,同时在多种不同初始条件的情况下进行实验,验证了本文方法对初始条件的鲁棒性,用大脑X光图像验证本文方法在多相亮度不均匀图像分割问题上的有效性,最后将本文方法和经典的分段光滑(PS)模型方法进行对比,图像样本取脑部CT图像和血管CT图像,对比验证了本文方法在实验效果上要远远优于经典的分段光滑(PS)模型;最后一章是总结与展望。对论文整体的论述进行总结,并归纳了本文提出的方法在某些方面还存在不足之处,并指出了可能的改进方向。