良问题的能力，所以有研究者将模糊理论引入到图像处理与分析领域，其中包括用模糊理论来解决分割问题。基于糊理论的图像分割方法包括模糊阈值分割方法、模糊聚类分割方法和模糊连接度分割方法等2。模糊阈值技术利用不同的S型隶属函数来定义模糊目标，通过优化过程最后选择一个具有最小不确定性的S函数，用该函数增强目标以及属于该目标像素之间的关系。这样得到的S型函数的交叉点为阈值分割需要的阈值，这种方法的困难在于隶属函数的选择。模糊均值聚类FCM方法通过优化表示图像像素点与C类中心之间的相似性的目标函数来获得局部极大值，从而得到最优聚类。
f这种方法计算量大，不具备实时性。FCM方法常被用于医学图像的分割。Leea
dVa
ie扩充了模糊C均值算法以纠正医学图像中的强度3
偏差。Dzu
gLPham提出一种自适应模糊C均值方法分割强度不均匀的医学图像。25基于神经网络的方法在八十年代后期，在图像处理、模式识别和计算机视觉的主流领域，受到人工智能发展的影响，出现了将更高层次的推理机制用于识别系统的做法。这种思路也开始影响图像分割方法，在解决具体的医学问题时，出现了基于神经网络模型（ANN）的方法。神经网络模拟生物特别是人类大脑的学习过程，它由大量并行的节点构成。每个节点都能执行一些基本的计算。学习过程通过调整节点间的连接关系以及连接的权值来实现。Ghosh等构造了大规模连接网络，并在此基础上从噪声环境中提取目标物体。它们将图像理解为被高斯噪声污染的吉布斯分布随机场，利用网络获取目标物体。由于吉布斯分布考虑了相邻像素之间的关系，所以他们这种方法包含了一定的空间信息。这些神经网络方法的出发点是将图像分割问题转化为诸如能量最小化、分类等问题，从而借助神经网络技术来解决问题。其基本思想是用训练样本集对ANN进行训练以确定节点间的连接和权值，在用训练好的ANN去分割新的图像数据。这种方法的一个问题是网络的构造问题。这些方法需要大量的训练样本集，然而收集这些样本在实际中是非常困难的。ANN同样也能用于聚类或形变模型，
f这时ANN的学习过程是无监督的。由于神经网络存在巨量的连接，所以很容易引入空间信息。但是使用目前的串行计算机去
模拟ANN的平行操作，计算时间往往达不到要求2。26医学
图像分割的其他方法医学图像分割由于被用于临床医疗，因此图像分割的准确性更为重要。图像分割一直是一个很困难的问题，目前的自动分割方法虽然在一些方面取得了一定的成r