图像分割是医学图像分析处理的关键问题之一,传统的分割方法由于其方法本身的局限性,难以满足复杂图像分割的要求,基于主动轮廓模型的图像分割方法正是在这种需求下出现的。几何主动轮廓线模型对拓扑结构变化的处理非常自然,解决了参数主动轮廓模型难以解决的问题,而水平集分割方法的出现,更是极大地推动了几何主动轮廓模型的发展。传统C-V模型的水平集分割法缺少局部控制能力,本文提出了基于物体边界梯度的指数级加速因子模型,通过使用图像局部信息,该模型可以在较少的迭代次数内很好的分割灰度不均匀图像。并且将能量惩罚项引入能量函数的规则化项中,消除了传统C-V模型的重新初始化操作。此外,给出了一个基于演化曲线长度变化的水平集演化终止准则。实验结果证明,该模型不仅可以有选择性地对特定目标进行加速分割,而且还能提高对弱边界目标的分割精度。对人体同一器官组织使用不同的医学影像设备成像得到的图像信息和功能是互补的,如CR得到组织二维图像,核医学能得到组织功能显像,CT图像可以经过三维重建得到三维图像等等。但是医生在对病人进行诊断时,往往需要将这些不同功能的图像结合起来以便得到更为全面的诊断依据。医学图像配准的目的就是将这些不同时间不同设备成像的图像经过一定的变换,融合到同一坐标下进行表述,因此图像配准在临床应用中具有重要意义。本文在小波变换多分辨率策略的基础上,将粒子群算法(PSO)作为遗传算法的添加算子,并与Powell算法有机结合起来,提出了以图像互信息(MI)为相似性测度的混合遗传算法,该方法解决了灰度图像配准中由于目标函数容易陷入局部极值而造成的误配问题。对CT、MRI等图像进行了多次配准实验,实验结果表明,这种方法能够解决遗传算法早熟的问题,并且有效地克服了目标函数的局部极值,实现图像的自动配准,具有匹配精确、鲁棒性好和效率高等优点。