图像分割是指把图像划分成一系列彼此互不重叠的均质区域。医学图像分割是图像分割处理中的一个重要研究领域,是用计算机对人体组织进行定性、定量分析以及可视化过程中一个必不可少的步骤。灰度非均匀现象普遍存在于各种格式的医学图像中,特别是由于技术的局限性以及患者人为因素造成的x线摄影/断层图像及核磁共振图像灰度非均匀。非均匀特性的存在使医学图像中局部统计特性发生变化,不同生理组织的灰度交叠分布,这已成为自动化分割的一个主要障碍。为了克服灰度非均匀对医学图像分割带来的困难,Chunming Li等于2007年提出了一种基于局部二元拟合(LBF:Local Binary Fitting)的能量模型。LBF模型依赖于图像的局部信息,通过最小化局部二元拟合能量泛函,实现对灰度非均匀图像的分割。然而,LBF模型的局部特性使得该模型对初始轮廓曲线的位置较为敏感。当初始水平集曲线远离目标边界或者与目标边界发生交叉时,LBF模型往往不能正确的把非均匀目标分割到活动轮廓曲线一侧。针对上述活动轮廓模型中存在的问题,本文提出一种自适应强度拟合活动轮廓模型。其基本思想是：根据局部活动轮廓曲线与目标边界的吻合状况,用一个包含全局和局部图像信息的自适应强度值来拟合局部图像强度。当局部活动轮廓曲线与目标边界吻合较差时,全局强度信息起主导作用,用来克服活动轮廓曲线对初始位置的敏感性；当局部活动轮廓曲线靠近目标边界时,局部强度信息起主导作用,很好地适用于灰度非均匀目标区域的分割。近十年来,基于分割的MRI灰度非均匀校正得到了广泛的研究。灰度非均匀校正是图像分割中必不可少的预处理过程。因此,灰度非均匀校正和图像分割可以被看做一对互补的处理过程。由于基于分割的非均匀校正方法充分利用了两种方法的互补性,从而得到更好的分割和校正结果。Chunming Li于2008年提出了一种基于变分水平集方法的非均匀图像的分割和校正方法。然而,该模型对多目标图像进行分割时采用多个水平集曲线同时演化方式,因此该模型对初始水平集曲线位置的选择较为敏感。同时,该模型的局部特性加剧了活轮廓曲线对初始位置的敏感性,曲线演化速度较慢。针对上述方法的缺点,我们提出一种适用于灰度非均匀脑部MR图像的分割和校正方法。其基本思想是：首先,采用特殊的水平集初始化方法,把一个水平集函数初始化为常数,使白质灰质分割滞后于脑组织背景分割,实现两次分割过程的分离,从而避免了两条曲线同时演化造成的相互干扰；其次,在脑组织与背景的分割过程中,全局拟合信息引入到能量方程中,从而避免由轮廓曲线陷入局部极小值所造成的错误分割结果；最后,在灰质和白质的分割过程中,根据灰质区域边界较为丰富且面积较小的特点,在迭代过程中引入一个扰动项,引导水平集函数值在灰质区域发生符号变化。