在医学图像处理与分析领域中,医学图像的分割一直是经典难题之一。在本文中,提出了三种基于不同方法的MRI脑图像分割技术。本文中的第一种脑组织图像分割算法综合运用了分水岭算法,模糊聚类算法,统计学中的最小协方差行列式判决算法和k最近邻算法提出了一种基于二次分割的方法实现对核磁共振(MRI)脑图像的分割。首先,采用形态学中的分水岭算法对图像进行初始分割。但是通常,传统分水岭算法在对灰度尺度纹理图像,尤其是组织图像分割中,常常出现过度分割的现象。为了解决分水岭算法的过度分割问题,本文采用基于区域的模糊C均值(FCM)聚类算法实现对过度分割区域的合并。然而,分水岭算法在存在过度分割现象的同时,仍存在一些分割不完全的现象,即在一些组织的过渡区域,分水岭算法并没有把不同的组织完全的分割开,因此,本文采用最小协方差行列式判决来确定需要再次分割的区域并且利用k最近邻算法对这些区域进行二次分割。本算法将多种方法巧妙地相互结合,实现了对脑组织磁共振图像的分割,并通过对大量模拟数据和真实数据的分割实验证明所提出此方法的有效性和精确性。本文提出的第二种分割算法,主要是将模糊技术和Kohonen竞争学习算法相结合,从而实现对MRI脑图像的分割。Kohonen竞争学习算法及自组织特征映射已经被广泛的应用在医学图像分割中,然而,在脑组织图像中,不同组织的过渡区域经常存在灰度交叠的现象。因此,本算法将模糊技术同传统的Kohonen竞争学习算法结合起来克服这个问题。为了加强算法对噪声的鲁棒性,本算法用一个由高斯核引出的方法来计算输入向量和权值之间的距离,从而提高了算法的抗噪和抗干扰的能力。通过对模拟数据和真实数据的分割实验,可以证明本方法确实要优于传统的模糊聚类算法和Kohonen竞争学习算法。本文提出的第三种脑组织图像分割算法,是一种改进的模糊C均值聚类算法。在医学图像中,往往存在着大量噪声,这些噪声会严重影响分割结果的准确性。本方法综合利用像素邻域和非邻域的信息,来对图像中的噪声进行抑制,通过一种新颖的距离计算方法替换传统模糊C均值算法中的欧式距离度量,来克服噪声对于分割的影响。通过大量的实验以及和其它算法的比较,证明了本算法的有效性和正确性。