图像分割是指将图像划分为与其中含有的真实世界的物体或区域有强相关性的组成部分的过程。图像分割是图像处理和分析中的重要问题,也是计算机视觉研究中的一个经典难题。在智能自动化研究领域图像分割一直受到科研人员的重视,也探索出了许多经典的图像分割方法,但是它的发展在分割的效果和时间上还存在很多不足,被认为是计算机视觉的一个瓶颈。迄今为止,还没有一种图像分割方法适用于所有的图像,也没有一类图像对所有的分割方法都适用于它。阈值法分割算法是一种最为经典、简单而又流行的图像分割方法。根据图像的整体信息或局部信息来选择一个或多个阈值,从而把该图像分割成目标与背景两类区域或者多个目标与背景的区域。已提出的阈值化算法很多。根据选取的阈值数目,阀值分割方法可以分为单阈值、双阈值和多阀值的图像分割方法。也可以根据阈值的不同作用范围,把阈值化方法分为全局阀值法和局部阈值法。经过查看大量的文献发现,很多阀值分割算法都存在分割边缘不够清晰,或不能很好的分割多目标的缺点。本文结合阀值算法的优点,提出了一种基于背景检测的图像分割方法,并针对此算法中的不足做了一定的改进。本文的主要内容如下:1首先介绍了本文的研究背景和意义,对图像分割的概念和理论做了基础的介绍。总结近几年图像分割的研究进展,归纳每一种算法的优点和存在的不足。2详细介绍了阀值法图像分割的原理及常见的几种分割方法,提出了一种基于背景检测的图像分割方法。本方法的优点是提出分层统计像素信息的思想,充分利用像素空间信息,使图像分层却不失整体性,在阀值上采用自适应背景区域选择的方法。本算法通过大量实验证明在图像分割清晰度和准确程度上都具有很高的有效性。3介绍模糊理论的原理及在图像分割中的应用。4介绍模糊度量的阀值分割和模糊聚类的图像分割方法,了解模糊思想在图像分割中的应用,研究模糊算法在图像分割中的难点,并提出自己的改进方法。针对图像不同层次中,前一层为背景的像素信息会对下一层的分割有制约性的缺点,提出运用模糊的思想得到图像的调和阀值,使每一层分割在与图像保持完整性的同时不会太受制于前基层背景区域信息的影响。通过测试图像验证了算法的有效性。