医学图像分割作为临床辅助医疗的手段,在实际应用中起到了重要的作用。常用的医学图像有核磁共振图像(MRI),CT图像,超声图像等。核磁共振成像技术以其无创、低成本的优势而获得广泛应用,尤其对软组织具有较高的分辨率。人体大脑组织复杂多变,脑肿瘤、脑损伤、脑血管病等脑部疾病一直严重威胁人类健康。其中脑肿瘤是除脑血管疾病之外,神经系统最为常见的疾病。脑肿瘤治疗的关键在于对肿瘤的切除,肿瘤的分割对切除手术的规划起着至关重要的作用。精确定位大脑中相关组织的位置,准确划分出相关病灶区域,已经成为临床医生迫切的需求。因此,针对脑部医学图像分割具有十分重要的研究价值和意义。模糊理论在解决图像问题时,存在一定的必然性与合理性。实际上,图像在本质上是具有模糊相关性,比如在图像的边缘、边界的定义具有模糊性。模糊聚类在医学图像处理中已经获得较为广泛的应用,本文主要研究内容如下:对于含有强噪声的脑部医学图像,我们提出了一种改进的基于空间信息的模糊聚类算法。我们通过对模糊C均值算法引入核距离函数来代替传统的欧式距离,加入空间限制项和隶属度惩罚项,并且为每个像素点分配相应的局部空间参数约束。上述两项,最后将得到的隶属度函数与图像本身空间信息进行整合,得到最终较为鲁棒的分割结果。本文通过实验表明,这种改进的基于空间信息的模糊聚类算法,针对含有强噪声的脑图像具有较好的分割结果。对于边界模糊且结构复杂多变的脑肿瘤图像,我们提出了一种基于超像素的模糊谱聚类算法。本文通过SLIC分割算法将图像分割成大小均匀,形状规则的超像素块,提取这些超像素块基于灰度直方图的统计特征,得到相应的特征矩阵;然后计算出它的模糊相似性矩阵,至此无向图已经构建出来;然后对图的拉普拉斯特征向量进行聚类,进而得到分割结果。这里的模糊相似性矩阵是通过基于超像素特征的模糊相似性度量方式获得,通过所提出自适应模糊参数,调节高斯相似性度量,重新度量特征点之间的相似性所得到。本文通过实验表明,这种基于超像素的模糊谱聚类分割算法,在脑肿瘤图像的分割上表现出较好的效果。