随着医学影像技术的发展及新技术的出现,新一代成像方式及扫描设备产生了大量的图像数据,对2D/3D图像处理软件的需求也随之快速增长;用于诊断的信息量的增加也对具有快速数据分析及准确诊断能力的处理工具提出了更高的需求。其中将图像中感兴趣区域或解剖结构从其他背景中提取出来的算法是上述处理软件最重要的组成部分之一,这类算法称为图像分割算法。图像分割在各种各样的生物医学图像应用中扮演着重要的角色,如组织体积测量、病灶定位、解剖结构分析、治疗计划的制定、计算机辅助诊断等。由于医学图像的复杂性和多样性,目前还没有一种普适的分割算法可用于所有的医学图像处理,用于不同临床目的分割算法仍是医学图像处理领域的研究热点。作为人体的重要组织,骨的准确分割在多个应用领域如治疗计划制定、辅助外科手术等方面起着关键的作用,但由于其密度变化大、存在弱边缘效应等,使骨分割成为人体内最困难的分割对象之一。为了获得更准确的骨的分割,本文提出了两种通过修改标准模糊聚C均值(FCM)的目标函数而实现的改进模糊聚类算法。第一个方法是向标准模糊聚类算法的目标函数加入了一个惩罚项,通过这种自适应惩罚项的加入,这种方法允许在迭代过程中,根据类中心强度的变化调整特定类的范围;另一个方法是在标准模糊聚C均值的目标函数中对应类和体素,分别添加了两个权重因子,随着两个权重因子的引入,改进的模糊聚类算法降低了标准FCM算法所具有的对类的密度和大小的敏感性。从聚类角度看,在CT图像中可以很明显地看出,每个类都具有不同的大小和密度。应用患者的CT图像对所提出的两种模糊聚类方法进行测试。试验结果表明在CT图像中,标准的FCM方法有可能会丢失相当一部分属于骨的体素,相比而言,本文提出的两种改进算法显著提高了骨提取的性能。