为了克服核磁共振图像灰度不均匀性的影响，国内外许多学者对其展开了大量研究[2]。例如Wells等[3]提出基于Expectation Maximization (EM) 算法的偏移场校正自适应方法,能够自动分割各个组织；但是该方法要求准确地了解每个组织的具体信息，所以对参数初始化较为敏感，不仅容易陷入局部最优解，而且计算复杂度较高。在Wells等人的基础上，Leemput等[4]提出了基于显示参数的偏移场估计模型，尽管该方法鲁棒性强，但对初始化的敏感性作用不大。对于偏移场比较光滑，有如下一些模型：基于离散正交变换的模型[5]，基于薄板样条的模型[6]。它们精度均取决于阶数，但这会导致计算复杂度的增加。Ji[7]在已有方法基础上，结合局部与全局灰度信息，提出了一种新的基于局部全局灰度一致性的聚类方法用以估计核磁共振图像中的偏移场以及精确分割图像。该方法具有较强的鲁棒性和分割精度，但其迭代速度较慢，算法比较耗时。27041
聚类算法主要是将向量空间的样本点按照某种距离度量划分成一定数量的子空间。以其优越性已经成功地应用在数据分类和图像分割等领域。Bezdek[8]与Lingras等[9]分别将模糊集与粗糙集引入到C均值聚类算法中，据此提出了模糊C均值聚类（fuzzy c-means, FCM）与粗糙C均值聚类（rough c-means, RCM）。模糊C均值聚类中的隶属度函数能够有效地处理数据集中的重叠部分，同时粗糙集的引入能够很好地处理数据集中的不确定性、模糊性和不完备性[10]。模糊集与粗糙集为处理数据集的不确定性提供了行之有效的数学模型[11]。基于模糊C均值聚类的核磁共振图像的分割方法已经得到了广泛的研究与应用[12][13][14]；近年来，基于粗糙集的图像分割方法也得到了一定程度的发展[15][16][17]。论文网
综述各种办法，对于图像分割是否成功，并无一个固定的标准，要使得图像分割在医疗行业发挥最大优越性，现在主要集中在以下几个方面：
1) 尽可能排除人为干扰，使得算法更加自动化。
2) 减少算法的复杂性，提高相关算法执行的工作效率。
3) 改善分割算法的准确性。医学人体组织自身结构的不规则性和个体差别，从而影响分割结果的准确性。
4) 提高算法的鲁棒性。算法鲁棒性（即算法的稳定性)，即在控制变量的情况下，分割结果不会对波动由太大影响。 聚类算法图像分割国内外研究现状分析与发展趋势:http://www.youerw.com/yanjiu/lunwen_21413.html