脑MR图像的分割就是要把脑组织所在的区域或者其边界识别出来。目前已有很多半自动和自动的脑MR图像分割方法,其中半自动分割方法需要人工干预,费时费力,可重复性差,精确性难以保证。现有的全自动分割方法主要有基于图割的方法、基于模糊聚类的方法、基于多图谱的方法等。其中,基于多图谱的分割方法被认为是目前具有最好分割性能的方法之一,而多图谱标签融合是该类方法中非常重要的一个环节,同时也是影响分割性能的一个重要步骤。针对传统的标签融合方法在标签权重计算时往往忽略了图谱标签信息这一缺陷,提出了一种基于图谱标签块稀疏表示的图谱标签融合方法。该方法的特点是充分利用了图谱的标签信息来进行图谱标签权重的计算。图谱的标签信息通常包含有丰富的边界、区域等信息,在标签权重计算时可通过由图谱标签块构成的字典对待分割图像的近似分割结果进行稀疏表示,从而根据所获得的稀疏系数对相应的图谱标签进行加权融合。在这个处理过程中不仅充分利用了图谱标签所包含的丰富边界和区域信息,同时也达到了对待分割图像近似分割结果进行修正的目的,尤其是在目标区域的边界部分效果更加明显。实验结果表明,在图谱标签权重计算中引入图谱标签信息后能有效地提高脑MR图像的分割效果。针对传统的图谱标签融合算法标签权重计算过程中只用了图谱图像信息而没有使用图谱标签图像信息,而基于图谱标签块稀疏表示的图谱标签融合方法仅用了图谱标签图像信息却没有使用图谱图像信息的问题,提出了一种基于图谱图像与图谱标签图像相结合的组合信息稀疏表示的图谱标签融合方法。该方法将图谱图像信息与图谱标签图像信息通过改进的局部二进制模式有效地结合在一起,用于图谱标签权重的计算。具体处理步骤是,首先将参与待标记体素标签融合的每个标签所对应的体素表示成相应的组合信息,并通过这些体素组合信息构成的字典对待标记体素相应的组合信息进行稀疏表示,最后通过获得的稀疏系数对相应标签进行加权融合。实验结果表明,该方法能在一定程度上解决标签权重计算过程中单方面依赖于图谱图像信息或图谱标签图像信息这一问题,通过将这两种信息有效结合在一起用于标签权重的计算能够提高标签权重的可靠性,从而可以提高脑MR图像的分割精度。在基于图谱的脑MR图像分割问题中,针对标签映射过程中的插值问题提出了一种基于概率图谱的图谱标签权重表示方法,为图谱标签融合方法提出了一个新的图谱.标签二次加权解决方案,使得图谱标签权重更科学可靠。实验结果表明,引入图谱标签二次加权的标签融合方法后,脑MR图像的分割效果有所提升。针对基于加权的图谱标签融合方法在对融合后获得的结果进行二值化处理时没有考虑待分割目标总体分布特性的问题,提出了一种基于待分割目标总体分布的图谱标签融合方法,有效地解决了该问题。实验结果表明,在相同标签权重计算方式下,引入该方法能有效提高脑MR图像的分割效果。以上所提出的几种图谱标签融合方法,有效地解决了多图谱标签融合过程中图谱标签权重的计算只依赖图谱图像信息而忽略了图谱标签图像信息的问题,及对标签融合结果进行二值化处理时没有参考待分割目标总体分布特性的问题,使得基于多图谱标签融合的脑MR图像分割方法的分割性能有所提升。