全文总字数：3442字

1. 研究目的与意义及国内外研究现状

图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，也是图像处理，模式识别和人工智能等多个领域中一个十分重要且十分困难的问题。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标，背景进行标记，定位，然后将目标从背景或其他伪目标中分离出来。由于这些被分割的区域在某些特性上相近，因而图像分割常用于模式识别和图像理解以及图像压缩与编码两大类不同的应用目的。由分割产生的区域是图像分割内容的一种表示，它是对图像进行视觉分析和模式识别的基本前提，分割结果的质量直接影响到以后的图像分析，识别和解释的质量，具有重要的意义。图像分割的目的在于根据某些特征（如灰度级，频谱，纹理）将一幅图像分成若干有意义的区域，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同。

图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，如：工业自动化，在线产品检验，生产过程控制，文档图像处理，图像编码，遥感和生物医学图像分析，保安监视，以及军事，体育，农业工程等方面。在各种图像应用中，只需要对图像目标进行提取，测量等都离不开图像分割。虽然人们对图像分割已经进行了大量的研究，但还没有一种适合于所有图像通用的分割算法。所以，图像分割一直以来都是图像技术中研究热点。因此，从原理，应用和应用效果等方面来研究图像分割技术，对于提高图像分析和图像理解系统的性能以及提高图像处理技术的应用水平都具有十分重要的意义。

国内外研究现状

图像分割的研究最早可以追溯到20世纪60年代，经过近四十年的研究，国内外学者已经提出了各种算法上千种，但目前还没有一种适合于所有图像的通用的分割算法，绝大多数算法都是针对具体问题而提出的。另一方面，给定一个实际应用要选择合用的分割算法仍是一个很麻烦的问题，由于缺少通用的理论指导，常常需要反复的进行实验。在已提出的这些算法中，较为经典的算法有灰度阈值分割法、边缘检测法和区域跟踪以及基于分水岭算法的分割方法。

2. 研究的基本内容

本文的主要目标是对脑MR图像进行分割，将其分割为灰质，白质，脑脊液，背景四个部分。首先需要寻找恰当的模型来描述脑MR图像灰度值的分布，而脑MR图像在成像过程中会受到各种因素的干扰，比如偏移场，噪声等，从而就需要建立适当的分割模型来尽量克服这些因素对图像造成的影响，如为了去除噪声，需对模型引入空间信息，最终实现对脑MR图像做较准确的分割。本文将利用偏斜分布来描述脑MR图像像素点的灰度值分布，根据先验概率和后验概率，来建立偏斜混合高斯模型。为了去除图像中的噪声，在模型中加入基于KL散度的空间约束项，KL散度是对相似性的一种度量，通过“先验概率”与“领域有关的先验概率”的相似度来构造KL散度项。而对于“领域相关的先验概率”构造，利用像素点领域的加权来描述，权重的表示中既考虑了灰度值信息，也考虑了空间结构信息。考虑到之前空间约束只是在先验概率上做文章，所以之后在模型中加入一向惩罚项，将空间约束与后验概率结合。对于模型中的参数估计，引入了隐含变量，最终利用EM算法来估计各类参数。

3. 实施方案、进度安排及预期效果

4. 参考文献

[1]王松桂，史建红.线性模型引论[m].北京：科学出版社，2004：43-51，56-60

[2]arellano-valle r b, ozan s, bolfarine h, et al,skew noraml measurement error models,joural of multivariate analysis, 2005, 96(2):265-281.

[3]ji z , huang y , sun q , et al. a spatially constrained generative asymmetric gaussian mixture model for image segmentation[j]. journal of visual communication and image representation, 2016:s1047320316301602.