文档主要内容
文档类型：博士学位论文
适用人群：医学图像处理研究人员、计算机视觉领域学者、人工智能算法工程师、脑科学相关专业研究生
本文围绕脑核磁共振（MR）图像与虚拟人脑图像的分割技术展开系统研究，针对传统算法在全局优化、噪声抑制、多模态配准等方面的不足，提出了多种改进模型与算法，为精准脑组织分割提供了理论支撑与实践方案。
在优化算法层面，论文指出遗传算法虽理论上能获得全局最优解，但受种群个体最优值影响，有限计算步内难以收敛；而粒子群算法收敛速度快，却易因全局信息引导陷入局部最优。为此，研究引入初始信息与突变机制对粒子群算法进行改进，实验证明该方法具备通用性与良好性能，能更高效地逼近全局最优点。
针对脑MR图像分割，论文提出三种创新方法：
1. 基于粒子群算法的高斯混合模型与活动轮廓模型融合方法。利用粒子群算法替代传统EM算法进行高斯混合模型参数估计，克服EM算法局部优化与初值依赖的缺陷；同时将高斯混合模型描述的图像统计特性作为活动轮廓模型的约束项，并构造多元信息场，显著提升抗干扰能力与分割精度。
2. 基于Gibbs理论的高斯混合模型。传统高斯混合模型仅依赖灰度信息，对噪声敏感。论文引入各向异性Gibbs随机场，融合图像结构信息，使模型在抑制噪声的同时保持细长拓扑结构与角点区域细节，分类结果更优。
3. 变分耦合模型。将非线性配准知识与曲线演化理论融合，通过求解两个耦合偏微分方程实现总能量最小化，同时完成配准与分割。该模型克服了传统配准方法仅适用于单一模态、且难以处理脑室、海马体等个体差异较大结构的局限，实验表明分类效果良好。
在虚拟人脑图像分割方面，论文提出三种方法：
1. 基于HSV颜色空间的分割方法。在HSV空间分析图像，设计改进的各向异性扩散方程与混合信息场，降低噪声与过渡区域干扰；结合Otsu算法与快速符号表算法对饱和度通道提取有效信息，实现精准分割。
全文从算法改进到模型构建，系统解决了脑图像分割中全局优化、噪声鲁棒性、多模态配准等核心难题，为临床脑结构分析、虚拟人脑建模提供了可靠技术路径。
暂无评论内容