医学图像分割问题一直是图像处理领域中的经典难题。大脑组织具有特别复杂的结构,为了得到脑部病变组织的尺寸、外观的量化信息和实现脑部结构的三维重构,脑组织图像分割显得格外关键。本文综合运用小波算法、分水岭算法及基于区域的模糊C均值算法,提出了一种基于规则的二次分割方法实现对脑组织磁共振图像的分割。首先,采用基于小波的滤波器去除图像中的噪声,然后以分水岭算法实现对图像的初始分割。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,本文提出一种基于区域的模糊C均值(RFCM)聚类算法实现对过度分割区域的合并。尽管,分水岭算法存在过度分割现象,仍有一些区域的分割并不完全,尤其是在脑脊液与灰质,或灰质与白质的过渡区域。而且,在RFCM聚类中每一个区域被假定与它的领域区域无关,并未考虑邻域区域间的空间关系。然而,对于图像区域而言,领域区域间有着很强的相互关系。综合上述问题,本文提出一种将局部区域连续性与全局信息相结合的基于规则的多阈值分割方法,对分水岭算法初始分割不完全的区域再次分割。文中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。同时,本文还提出了以多尺度的、具有空间自适应性的模糊自组织特征映射网络(MSFSOM)对脑组织磁共振图像分割的新方法。Kohonen自组织特征映射(SOM)是一种二层的前馈竞争型学习网络,并且作为一种竞争型学习聚类算法广泛应用于脑组织磁共振图像分割中。然而,大多数的脑组织磁共振图像在不同组织的过渡区域常常存在灰度值交叠现象,尤其在脑脊液和灰质,灰质和白质的过渡区域。因此,本文将模糊的方法和自组织特征映射相结合来克服这个问题。对于图像数据而言,领域像素间存在着较强的相关性。为了获得更加有意义的图像分割,本文提出了多尺度的、具有空间自适应性的模糊自组织特征映射网络(MSFSOM)对脑组织磁共振图像进行分割,此方法考虑了像素间的空间关系,并且多尺度的处理方法减少了噪声对分割的影响和分类模糊的问题。而且,在分割过程中既考虑了图像的局部信息,又兼顾了全局信息。通过对大量模拟数据和真实数据的分割实验证明了所提出此方法的有效性和精确性。