图像分割是数字图像处理过程中最重要的步骤,在计算机视觉中起着关键性的作用。目前关于图像分割的方法有几千种,但是却没有统一的理论作指导,导致这些方法并不适合分割所有的图像。传统的经典算法有边缘检测方法、区域分割方法和阈值分割法,由于它们存在自身的局限性,同时缺乏先验知识的参考,所以难以提高图像分割的精度。因此,对图像区域分割进行深入地研究具有非常重要的意义。本文主要研究图像的区域分割算法,对阈值分割、水平集方法、分水岭变换三种算法分别进行改进,将改进的方法应用于灰度图像、医学图像、以及遥感森林图像的分割。研究内容主要分为如下三个部分:(1)迭代二值化分割方法的基本思想是对整幅图像进行阈值选取,因此会造成图像的细节信息丢失。对于灰度值均匀的图像,该方法能够达到较好的分割效果,但对于图像的目标区域与背景区域差别较大的图像,会导致伪轮廓的产生。为了避免图像细节信息的丢失和解决伪轮廓现象,本文对迭代二值化分割方法做了改进,将整幅图像进行模块化,在每一个模块中选取初始阈值和估计阈值,根据设定的迭代条件,对图像进行分割。该改进方法,在处理图像的过程中同时考虑了图像的全局信息和细节信息,有效的避免了信息的丢失和伪轮廓现象。(2)基于M-S模型的水平集方法依赖于图像同质区域的全局信息进行图像分割,因而分割过程时间效率较低。为了提高计算效率,该方法在图像处理领域得到很多改进。论文以C-V模型为基础,讨论了 3种改进分割演化算法:去掉C-V模型中的正则项;用|▽φ|取代狄拉克函数δ(φ),使得方法具有更好的全局优化性;加入梯度局部项,使之适合处理弱边缘和边缘断裂的图像。最后,通过3个实例进一步验证了各算法的优劣性以及适用性范围。(3)针对密林区和疏林区的林木遥感图像的单木树冠轮廓的提取问题,本文引入改进的同态滤波进行预处理。在分水岭算法的基础上,给出了改进的标记控制分水岭分割方法对树冠轮廓进行提取。引入的同态滤波,能够去除混合噪声且不会破坏边缘信息,预处理后的图像边缘信息较为完整,从而保证了良好的轮廓提取效果。结合人工识别结果,将改进的标记控制分水岭分割方法与传统的分割方法的提取结果进行比较,发现改进方法对疏林区的树冠轮廓提取效果明显好转,提取精度较高且易编程实现。