在研究医学图像分割技术的过程中，刘哲和包翔提出了一种新的图像分割方法，这种方法基于非参数混合模型并引入空间信息。这种基于空间信息的B样条密度模型能够有效改善有参混合模型的聚类算法存在的问题，如模型失配和对噪声的敏感性。
在医学图像分割领域，算法需要准确区分出图像中不同的解剖结构，以便为临床诊断和病理学研究提供可靠的图像数据。传统的聚类算法，如K均值、模糊C均值、核密度聚类和有限混合模型等，虽然在图像分割上已得到了广泛应用，但它们通常基于对数据分布的某种先验假设，这可能会导致模型失配，即模型的假设与实际数据分布不一致，从而影响分割效果。
刘哲等人的研究通过构建一个基于规范化的B样条密度函数的非参数混合模型，并引入空间信息函数，使得分割模型能够反映像素的空间邻域信息。这种方法既不依赖于具体的参数模型假设，又能够有效处理噪声问题，同时较好地保留图像的边界特性。这种方法的核心是利用非参数B样条期望最大（NNBEM）算法来估计模型中的未知参数，并基于贝叶斯准则进行图像分割。
在这项研究中，非参数混合模型的构建是关键，它允许在没有关于数据分布的明确假设的情况下，对数据进行建模。空间信息的引入是为了利用图像中的空间邻域关系，从而在分割过程中考虑像素的空间位置，这样做可以提高分割的准确性。在医学图像分析中，这一点尤为重要，因为实际的解剖结构往往具有一定的空间连续性。
B样条函数作为一种在连续区间上的分段多项式函数，具有良好的平滑性质和局部性，这使得它们非常适用于处理空间信息的建模。B样条密度函数能够很好地拟合数据的局部特征，而规范化的B样条密度函数则为每个像素赋予一个概率密度值，这些值反映了像素属于特定区域的可能性。
期望最大化（EM）算法是一种迭代方法，用于含有隐变量的概率模型参数的最大似然估计，或最大后验估计。在研究中使用的NNBEM算法是一种基于B样条的EM变体，它在估计模型参数的同时利用B样条函数的平滑和空间信息，这有助于算法更好地适应图像数据的复杂性和变化性。
贝叶斯准则的应用则是在分割决策过程中引入了先验知识，贝叶斯方法能够将先验信息与数据信息相结合，从而在概率意义上作出最合理的分类决策。在医学图像分割中，这可以帮助区分不同的组织结构，使得分割结果更符合解剖学上的实际。
实验部分证明了基于空间信息的B样条密度模型的图像分割方法的有效性，通过模拟图像的分割验证了该方法在模型失配和噪声抑制方面的优势。
关键词“空间信息”、“图像分割”、“B样条密度函数”、“混合模型”、“贝叶斯准则”强调了该研究的核心内容和方法。中图分类号TP391.4表明这是一篇与计算机视觉和图像处理密切相关的研究论文。
江苏省自然科学基金、高等学校博士学科点专项科研基金、江苏省博士后科研资助计划项目以及中国博士后科学基金的资助，反映了这项研究得到了政府和学术界的重视。
文章的作者简介显示，刘哲是图像处理、模式识别和数据挖掘领域的研究者，而通信联系人宋余庆教授的主要研究方向也是图像处理，这表明论文的研究团队具有扎实的理论基础和技术背景，也反映出该领域的研究正在积极进行中。
