图像分割是图像处理的重点和难点之一,至今仍然没有一个通用且有效的图像分割算法能满足各种不同的需要,这也正是图像分割算法的研究价值所在。在医学图像处理中,虽然模糊C-均值(FCM)分割算法是目前应用十分广泛的分割算法,但其算法本身也存在多种缺陷,尤其是对有噪声的医学图像,其分割效果更不尽人意。而对于应用十分广泛的脑部核磁共振图像来说,噪声几乎是无法避免的。所以,脑部核磁共振图像的分割问题是一个研究热点。在原始的FCM算法中,每次迭代运算的数据集是图像所有的像素点,数据量很大。由于像素点隶属关系计算的依据是像素点的灰度值,所以可以把灰度级作为迭代运算的数据集,即算法迭代结束得到的隶属关系是各个灰度级和聚类的隶属关系,然后对应过来就可以得到图像像素点和聚类的隶属关系。另外,把HCM算法得到的聚类中心作为FCM算法的初始聚类中心,可以减少算法的迭代次数,同时在迭代过程中修正隶属度,也可以加快算法的收敛过程。对于噪声比较多的医学图像,原始FCM算法分割效果很不好。在用迭代算法求每个像素点隶属关系时,把其邻域像素点的隶属关系也考虑进来,这样可以很好地去除噪声对像素点隶属关系的影响。利用西格码过滤器的理论来定义像素点邻域,可以更好地保持各聚类分割后的边部特性。另外,对分割后的图像进行去毛刺和聚类边部光滑处理,可以修正一部分像素点的隶属关系。“金标准”的引入可以大大提高图像分割算法评价的客观性。加拿大麦吉尔大学的brainWeb模拟脑部数据库提供一种图像分析的评价标准,依此可以对各种图像分割算法进行客观地评价比较。由于提前知道图像分割的标准答案,因此用此方法可以定量地对FCM算法及其各种改进方法进行评价分析。当然也可以用于其它分割算法的评价分析。