空心涡轮叶片是发动机中的关键零件,对其进行严格的质量检测,对于保障飞行的安全性和可靠性极为重要。基于锥束体积CT的涡轮叶片质量检测技术是当前无损检测领域的研究热点。图象分割是缺陷检测的关键技术,也是后续缺陷自动识别的基础。本文针对此关键技术展开研究,论文主要研究内容如下:1.基于马尔科夫随机场模型的分割算法研究:提出了一种基于统计模型的聚类分割算法。该算法首先引入剔除外层数据的机制,以克服原始切片图象中的噪声和伪影对后续算法的影响,随后,将马尔科夫随机场模型应用于基于高斯函数的聚类分割方法中,利用ICM局部优化方法,获得MAP准则下的图象分割结果。为加快该算法的速度,算法引进一种能有效减少斑点噪声影响的基于博弈理论的决定性退火算法(GSA)。实验结果表明新算法比传统基于马尔科夫随机场模型的算法具有更高的分割精度。2.基于模糊聚类的图象分割算法研究:模糊聚类是解决样本所属类别的不确定性决策的最优办法,针对切片图象直方图中存在较长的宽平区域的特点,本文将模糊技术应用于基于目标函数的聚类方法中,提出了基于距离函数、高斯分布函数的模糊CT图象分割方法。其中高斯混合模型法使用三状态的高斯混合分布对图象分布进行拟合。该算法首先对待分割的各类象素寻找与之匹配的最佳模型参数,之后进行分割,实验表明该方法分割精度高、运算速度快,能更准确地将缺陷信息从背景提取出来。3.基于FART图象分割算法研究:针对切片序列图象数据量较大的特点,采用了适合于并行计算的神经网络方法,并将模糊理论融入ART神经网络中,实现了CT图象分割。在详细分析了FART网络的模型、算法、参数选择特点的基础上,提出将图象灰度统计信息构成的模糊特征作为输入进行训练,对灰度进行分类,通过设置不同的目标函数实现分割。该方法不但具有自动确定分类类别数的能力,还可以有效地消除噪声对分割结果的影响。实验结果表明该算法快速、有效。