图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一,它是模式识别和目标检测的前提,具有重要的实际价值。但在图像中目标边界模糊的情况下,目标与背景之间的灰度差异并不大,增加了目标提取的难度,影响了后续任务的处理,在实际应用中具有一定的难度。本文主要研究图像中目标边界模糊的分割算法,通过分析以往算法的不足之处,提出新的算法提高图像分割质量。本文的主要内容如下:1.本文首先阐述了课题的研究背景以及意义,分析了国内外图像分割算法的研究现状。介绍阈值分割方法的优点及其基本原理,指出了阈值分割算法在处理弱边界图像时的局限性。2.现有的二维最小误差阈值法在处理含有噪声的弱边界图片,特别是含有椒盐噪声时,使用的二维直方图斜分方法并不合理,即二维直方图斜分法虽然考虑其平面投影图中的所有四个矩形区域,但在处理含有噪声图片时,噪声点也被考虑到阈值选取策略中,影响了图像分割的质量。本文引入一种新的二维直方图的构造方法,减少了噪声点对阈值选取策略的影响,有效地减少了分割后图像中的噪声点,提高了分割质量。3.图谱划分理论的基本思想是把一幅图像看作一个无向带权图,图中的每个节点代表图像中的像素点或者某个区域,节点间的权值表示了节点之间联系的紧密程度,然后根据一定划分准则确定能量函数,由该能量函数确定图像的最佳划分。由于某些图像具有弱边界的特点,现有的基于归一化的图谱阈值划分方法在计算权值时仅考虑了节点间的灰度差异及空间位置,很难得到一个合适的解,因而在分割弱边界图像时,没有很好地保留图像细节信息。本算法引用高斯混合模型构造新的约束条件引入权值公式中,使得权值计算更加充分地考虑了像素之间的关联,提高了图像分割质量。4.现有图谱划分测度的计算需要在整个灰度图像的灰度级范围进行遍历,增加了图谱划分测度的计算量。而本文可以根据图像的灰度级范围自适应确定门限值的灰度级范围,主要策略是引入了高斯混合模型,把高斯混合模型中的均值参数作为门限值的分布区间,达到减少灰度值遍历次数目的,进而降低了Ncut值计算的复杂度。