大脑是人体的一个重要器官,又是一个结构比较复杂的组织,脑部图像的分割也成为医学图像处理中的一个重要的研究方面。目前提出的分割算法虽然很多,但都有一定的局限性。本文针对MRI脑部医学图像的分割进行了研究。由于磁共振成像在实际采集图像时会产生噪声,需要先对图像进行预处理。噪声的种类很多,其性质也有许多区别。常用的滤波方法在去噪的同时也会将原有图像的边缘模糊。本文针对这一缺陷,对基于各向异性平滑扩展的方法进行改进,能在去噪的同时保持良好的边缘。根据MRI图像本身的成像特点和大脑组成部分的特有结构,论文分别研究了基于边界和基于区域的MRI大脑图像分割方法。现有的分割方法中,分割效果较好的分割算法往往较复杂,不容易实现或运行时间较长,很难实际用于对大量图像的分割。而算法简单,易于实现的往往分割效果又不尽人意。针对这一现象本文中给出一种自动多阈值分割方法,通过直接对图像的灰度直方图曲线进行分析,判断极小值所在的灰度级,再对所有极小值点进行相应的分类合并来最终确定阈值的位置,它可以避免出现过分割的现象,同时又减少了运行时间,分割效果也较好。这种自动多阈值分割方法对于一些直方图像谷峰差距较明显的图像分割效果较好。但对一些直方图像谷峰差距较小的图像效果一般。为了解决这一不足,本文又根据现实要求,实现了两种基于聚类的分割方法,模糊C均值算法和期望值最大化算法。都是基于对图像灰度值进行分类的分割方法,经实验比较期望值最大化算法更佳。