图像处理是现代学者关注的一个研究热点，它与人工智能、神经网络、遗传

算法、模糊逻辑等理论和技术有着密切的关系。数字图像处理包含图像分类、图像去噪、图像融合、图像分割、图像压缩、图像增强等多个研究方向。其中，图像分割是智能感知与图像理解的关键技术之一，它几乎出现在有关图像处理的所有领域，例如在工业自动化，在线产品检验，生产过程控制，文档图像处理，遥感和生物医学图像分析，保安监视，以及军事，体育比赛，农业工程等方面。图像分割是对图像进一步分析、识别、跟踪、理解和压缩编码的基础，是图像工程中相当关键的一个环节，因此研究图像分割具有十分重要的意义。[1]

1.2 课题的应用背景和前景文献综述

众所周知，图像分割技术的发展与数学、物理学、生理学、心理学、电子学、计算机科学等许多学科和领域密切相关。近年来，随着各学科许多新理论和方法的提出，产生了很多结合特定理论、方法和工具的图像分割技术，[2]例如，基于马尔可夫随机场(Markov Random Field，MRF)，[3]隐马尔可夫模型 (Hidden Markov Models，HMM)，[4]Gibbs随机场[5]，模拟退火 (Simulated Annealing)，[6]分形理论 (Fractal Theory)，[7]高斯混合分布(Gaussian Mixture)等模型理论的图像分割技术。另外，待分割图像的种类也发生了变化，经典的图像分割技术基本上是针对常见的二维静止灰度图像的，由于成像设备和技术的发展，现在采集的图像种类有了许多变化和发展，如从二维图像向高维图像发展，采集了各种三维图像，立体(Stereo)图像，彩色图像，多光谱图像以及多视场(Mufti．view)t虱像等。图像分割的含义和对象也有了扩展，如从静止图像向运动图像发展，研究了对序列图像中运动目标的分割，以及对视频图像的时间切割等技术。图像的形式也更加丰富多彩，如从灰度图像向其它特征图像发展，现在深度图像，纹理图像，计算机断层扫描(Computed Tomography,CT)图像，磁共振(Magnetic Resonance Imaging，MIm)图像，共聚焦激光扫描显微镜(Confocal Laser Scanning Microscope，CLSM)图像，合成孔径雷达(Synthetic Aperture Radar,S劁R)图像等特殊图像都得到了广泛的应用。然而，到目前为止，仍未发现通用的适用于所有图像的分割方法和分割理论，也没有公认的评价分割性能的客观标准[8] [9]。

图像分割是图像理解与解译中基本而关键的技术之一，其目的是将给定的图像划分成具有各自特性的互不重叠的同质区域，它作为图像分析层次中一项重要的分支，是图像工程领域研究的重点和热点。源]自=优尔-·论~文"网·www.youerw.com/

近年来计算机识别、理解图像的技术发展很快，图像处理的应用也越来越广泛了。在自动化的工业生产和质量监测中，必须分清生产线采集图像中的各种工具和产品，以便进一步分析产品的质量，决定是否需要校正操作以及工具产品等的校正范围。医学上，我们在对染色体、细胞、器官、血管等进行分析前，必须首先辨别出哪些像素点是要检验的感兴趣目标，哪些像素点是不需考虑的背景区域。另外，在对高空观测摄影所作的地球物理学解释中，感兴趣的则是自动鉴别地面上供不同用途的区域，诸如居民区或农田、工业区等。

1.3 图像分割的研究现状

1.3.1阈值分割方法

1.3.2基于边缘的分割方法

1.3.3基于区域的分割方法

1.3.4结合特定理论工具的分割方法

1.4本论文的结构

章节 内容

1 绪论 主要介绍本论文的研究背景、前景、意义、究的研究的目的目标以及论文的结构