در روش پیشنهادی ابتدا لازم است که تمامی اطلس های موجود بر یکدیگر منطبق شوند که این منطبق سازی بصورت خطی انجام می گیرد. سپس میزان شباهت تمامی اطلس های موجود را پس از انطباق، دو به دو با هم مقایسه کرده و این مقایسه با استفاده از معیار فاصله اقلیدسی محاسبه می گردد و مقادیر بدست آمده در یک ماتریس ذخیره می شود. ماتریس بدست آمده، به الگوریتم خوشه بندی lr{affinity propagation} } وارد شده تا اطلس های مشابه در خوشه های یکسان قرار بگیرند و بهترین اطلس ها جهت نماینده خوشه شدن انتخاب گردند. پس از خوشه بندی و مشخص شدن نماینده هر خوشه، شبیه ترین اطلس نماینده را به تصویر هدف جستجو می کنیم که این کار بوسیله محاسبه معیار شباهت lr{nmi} بین تصویر هدف و نتایج عملیات تطبیق بر روی اطلس ها انجام می گیرد و سپس شبیه ترین خوشه به تصویر هدف برای ورود به روند ناحیه بندی انتخاب می گردد. پس از انتخاب مناسب ترین خوشه، تمامی اطلس های درون آن خوشه بصورت غیرخطی بر تصویر هدف منطبق و برچسب های بدست آمده از هر اطلس، به تصویر هدف منتقل می شود. روی برچسب های بدست آمده، عمل متوسط گیری انجام می گیرد و اطلس برآیند محاسبه می گردد. در مرحله آخر تصویر هدف، بوسیله سه بافت متوسط بدست آمده در قسمت قبل ناحیه بندی می گردد. در پایان نتایج ناحیه بندی به روش پیشنهادی با نتایج حاصل از 5 نرم افزار مختلف و تعدادی از نتایج موجود در پایگاه داده ibsr و 4 روش موجود در مقالات مشابه مقایسه شد، که تمامی نتایج بهبود روش ناحیه بندی را نشان می دادند. جهت ارزیابی روشهای ارائه شده، دو پایگاه داده متفاوت lr{ibsr} و lr{loni} استفاده شد. این دو پایگاه داده، داده های با سطوح مختلف نویز و نایکنواختی شدت روشنایی را فراهم می آورند. نتایج ارائه شده چه به طور کیفی چه به طور کمی نشان دهنده دقت ناحیه بندی در ماده سفید و ماده خاکستری است.