图像分割是很多高级图像处理技术(如可视化、图像压缩、医学图像诊断等)的重要基础工作。迄今为止,已经有很多种不同的图像分割方法提出。阈值法因其实现的简单性而成为图像分割领域的一种重要方法。但是对于复杂的实时图像分割问题,阈值法的高耗时性己经成为该方法发展的一个障碍。因此,寻求一种高效的算法来解决基于阈值法的图像分割问题具有重要意义。遗传算法(Standard Genetic Algorithm,简称SGA)作为一种求解问题的高效并行的全局搜索方法,以其固有的鲁棒性、并行性和自适应性,使之非常适用于大规模搜索空间的寻优问题,已广泛应用于许多学科及工程领域。在计算机视觉领域中的应用也日益受到重视,为图像分割提供了一种新而有效的方法。为了自动确定图像分割的最佳阈值,本论文提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维OTSU图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维OTSU图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。本论文创新点和主要内容归纳如下:1、提出了一种基于改进遗传算法的图像分割方法,优化了解决方案。尤其是自适应的变异算子选择,是考虑了遗传算法的特点,及算法实际运行效率而引入的。实验证明,新的算法对于有噪声干扰的灰度图像有较好的分割质量,同时利用改进方案,与传统的分割方法相比明显提高了运行时间。2、提出了一种改进的OTSU法,在该改进OTSU法中引进了一种新的距离度量,即背景与目标之间的距离,两类间距越大,目标和背景就分得越开,分割效果就越好。在该改进OTSU法中引进了一种新度量内聚性的好坏变量,即背景与目标的平均方差,因此引入两类平均方差概念,用来度量内聚性的好坏,两类平均方差越小,每个类内的像素越均匀,内聚性越好,分割效果就更好。3、提出了一种将改进遗传算法与改进OTSU法相结合的图像分割方法。4、通过仿真实验,该算法能够在保持群体多样性的同时加快收敛速度,阈值计算时间比二维OTSU图像分割法缩短了18 ms(约63%右),比基本遗传算法缩短了大约30%右;提高了算法全局收敛的稳定性,阈值范围稳定在3个像素以内。本论文算法能够快速准确地分割图像,可以应用于各种图像的实时处理与分析,具有较高的实用性。