颅内血肿尤其是急性颅内血肿是危害人生命健康的颅脑损伤之一。颅内血肿的大小是衡量病人手术与否的重要指标之一。准确测量该血肿的体积具有重大的临床应用价值，本课题正是在此背景下对CT图像的处理与分割问题进行研究，以得到临床需要的自动颅内血肿体积测量方法。CT是利用X线穿透人体后的衰减特性作为诊断依据的。通俗的讲，它区分的是组织密度的不同。在颅内血肿尤其是急性颅内血肿的显示中，CT图像要优于MR图像，因此CT常被应用于颅内血肿的诊断中。考虑到CT的成像特点及噪声、伪影、部分容积效应等因素，先对颅脑CT图像进行滤波处理，本文采用一种性能优良的非线性各向异性扩散滤波器，即能有效滤除图像中的噪声，又能很好地保持图像的细节及边缘并且速度快。由于CT图像将组织密度不同转变为灰度差异，在研究颅内血肿体积大小时，我们将CT序列图像进行二步分割：1)先将颅脑CT图像中与血肿灰度相同或近似的皮下血肿、肌肉、皮肤等颅骨外组织去除，剩余脑组织与血肿，完成CT图像的一步分割。颅骨及颅骨外非脑组织的去除中，利用了阈值法、区域生长及图像逻辑运算。由于颅骨在CT图像中与其它组织在灰度差异很大，因此采用经验阈值很容易得到颅骨边缘，不需要复杂耗时的检测方法。区域生长采用四邻域生长，遍历整个脑组织与血肿，最后图像异或和相乘，得到只有脑组织与血肿的CT图像，用简单的图像处理方法得到较好的结果。2)脑组织与血肿在灰度上有较大差异，利用阈值法去除脑组织，得到只是血肿的图像，完成CT图像的第二步分割。再测得血肿面积，求和得到血肿体积。脑组织与血肿的分割中，考虑到CT图像可避免的噪声因素，采用二维熵阈值化的方法，用像素灰度及其邻域灰度为参数来分割图像。它不仅反映了灰度信息分布，而且反映了图像象素邻域空间相关信息，因此它可以有效的抑制噪声，排除干扰和不需要的细小结构。熵是信息论的概念，通过最大化体现分割结果的信息量的准则函数来得到最优分割阈值是一种较新的有效分割方法。由于二维熵阈值化的计算量较庞大，本文采用改进的遗传算法来搜寻最优分割阈值使二维熵准则函数最大。遗传算法是具有全局并行搜索最优解的能力，本文采用分层遗传算法，并对选择、交叉、变异算子做了改进，特别为了防止算法陷于“早熟”结果，采用了自适应的大变异算子，通过判断适应度函数平均值与最大值比值，最终决定采用的变异概率和交叉概率。本文采用的算法已应用于水模模拟试验和临床实际图像，结果表明，此方法不但实现了自动分割，且效果较好。