图像分割(Image Segmentation)是将图像分成若干具有特定意义的区域并将它们提取出来的图像处理技术。图像分割是图像理解和图像识别的前提,是图像理解与识别的初级阶段。图像分割的大致发展过程为早期的基于灰度和梯度的经典分割技术,如阈值法、边缘和区域技术;八十年代的活动轮廓模型技术,如参数活动轮廓模型和几何活动轮廓模型;以及近年来的结合形状等先验知识的分割方法,如活动形状模型和活动表面模型。图像分割技术的发展过程呈现了这样的趋势,也即所使用的先验信息越来越多,所具有的智能化程度越来越高,分割能力也将越来越强。本文从状态估计的角度考察图像分割问题,将它视为非高斯、非线性条件下的状态估计问题。粒子滤波是处理非高斯、非线性条件下状态估计问题的有力理论工具,它已经广泛用于解决目标跟踪、信号处理等领域中时间序列范畴的问题。已有一些学者尝试着将这一理论工具用于非时间序列范畴的领域,例如Patrick等借助目标跟踪算法的思路解决边缘跟踪问题。红外目标提取和彩色图像目标轮廓提取是图像分割中的两个常见问题。本文着重研究了在粒子滤波理论框架下解决这两个问题。基于粒子滤波的红外目标提取算法针对实际应用出现的低信噪比红外图像目标提取问题。基于经典的阈值分割思想,本文将目标提取问题看作阈值的估计问题,并在粒子滤波理论框架中对阈值进行估计。本文建立了基于像素值以及灰度-方差加权信息熵的阈值状态空间;借鉴了粒子群优化的思想,构建了PSO状态转移方程;综合考虑红外目标的视觉特征,提出了基于平均灰度、梯度信息、像素点聚合程度、像素点数量、目标区域灰度方差加权信息熵的评价函数,并以此构建观测模型。与2D-Otsu和二维最大熵法等经典的二维阈值方法相比,本文综合考虑了目标的视觉信息,算法的稳健性得到提高;与基于粒子群优化和2D-Otsu方法的红外目标提取算法相比,算法的迭代次数明显减少。基于粒子滤波的目标轮廓提取算法主要应用于彩色图像的目标轮廓提取。本文将彩色图像目标轮廓提取问题视为非线性、非高斯条件下的状态估计问题,并尝试以粒子滤波这一理论工具解决之。本文研究目标轮廓提取问题的出发点可以简单的概括成“化曲为直”,即目标的连续轮廓可以看做由N段长度为dl的单元线段构成的序列。基于“化曲为止”的思想和状态估计的数学方法,轮廓提取问题就可以简化为逐次计算这N个线段的问题,进而又可以转化为对斜率和截距这两个直线特征参数的估计。本文首先通过梯度算子和基于彩色空间聚类的方法给出目标轮廓的预测C p,用以引导轮廓提取;之后建立基于直线斜率k和截距b的二维状态空间(粒子采样空间),并在此基础上对每个单位线段dl进行估计;建立基于PSO状态转移模型的粒子状态转移方程;建立基于Snake能量函数的观测模型;最后以粒子集的加权平均值作为状态输出。实验证明了算法的有效性。本文主要研究和解决了如下问题:(1)状态空间的建立。建立状态空间是应用粒子滤波理论框架解决实际问题的基础,这直接关系到Monte Carlo方法的采样效率。在红外目标提取问题中,建立了基于像素值和灰度-方差信息熵的阈值空间;在目标轮廓提取问题中,在“化曲为直”思想的基础上,建立了基于单元线段参数的二维状态空间。(2)建议性分布的建立。在目标轮廓提取问题中,采用梯度算子和基于颜色空间聚类的方法给出预测轮廓以引导目标轮廓的生成。(3)状态转移模型的建立。在红外目标提取问题和目标轮廓提取问题中,均采用了基于粒子群优化思想的PSO状态转移模型。该模型可以使粒子不断地向已知的最优解靠近,以达到改善粒子的分布,加快算法收敛的目的。(4)观测模型的建立。观测模型的设计是应用粒子滤波理论框架解决实际问题的关键。在红外目标提取问题中,本文提出了基于平均灰度、梯度信息、像素点聚合程度、像素点数量、目标区域灰度方差加权信息熵的评价函数,并以此构建观测模型,较传统的二维最大类间差(2D-Otsu)准则、二维最大熵准则(2D-KSW)而言,该观测模型更好的利用了红外目标的视觉特征。在目标轮廓提取问题中,采用了Snake模型中的能量函数来建立观测模型。