目前,医学影像技术在医疗诊断中起着不可低估的重要作用,然而医学图像由于受成像设备、局部体效应、患者的体位运动和检查床的匀速直线运动的影响,导致医学图像不可避免地出现噪声、边缘模糊和信号强度不均匀等现象。李德毅院士提出的云模型把概率论与模糊集二者结合在一起,是对定性表达与定量表达二者予以的转化,其“软”划分可以很好地解决图割边缘分割较差的缺点。所以,本文在探索医学图像分割时,对两种建立在云模型基础之上的方法进行研究,并通过理论和实验两方面验证其有效性。具体研究内容包括以下两方面:1.提出了结合云模型和图割的医学图像分割方法(CM-GC)。传统的图割方法由于利用灰度信息进行二值化,对于弱边缘图像分割效果较差,分割的边缘往往不连续。CM-GC算法利用图像像素间特征信息的差值表征相似性,在能量函数的建立中采用了交互方式将图像划分为内外区域,数据项设置为像素归属这两个区域的惩罚,这种惩罚通过逆向云发生器及X条件云发生器来计算。在光滑项的建立中考虑了像素隶属度信息并对相似性计算进行了处理。相对于传统的图割方法,CM-GC用云模型来描述和分析图像中存在的边缘不确定问性题,更直观地反映了相似像素间的模糊性,再结合图割的全局最优特性,保证了图像的分割结果更为精确。2.提出基于云模型和水平集相结合的医学图像分割方法(CM-LS)。通常在图像灰度分布比较均匀的时候,会采用基于区域的水平集分割法进行分割。由于该算法在分割灰度不均类型的图像时,产生的结果比较差,所以如果图像本身的灰度不均的话,都会对原来的算法予以修改之后再行分割。CM-LS算法通过将云模型与水平集算法相结合来一起对图像进行使用,首先利用云变换算法将图像划分为若干个云的叠加,然后通过“软或云”对子云模型进行综合得到前景和背景的云模型,根据公式对水平集函数进行初始化,迭代求解水平集函数得到最后的分割结果。与传统的水平集方法比较,CM-LS不仅能够省去人工干预初始化所带来的收敛性不稳定,而且可以加速水平集函数的收敛性。