图像分割是计算机视觉中的关键技术之一。基于马尔可夫随机场(Markov Random Field, MRF)模型的图像分割方法,是一种基于统计的分割方法,具有能充分利用先验知识,能形成闭合的边界,模型参数少且易于和其他方法相结合等优点,所以此方法在图像分割领域中得到了广泛的应用。本文研究了基于TS-MRF(Tree Structured-Markov Random Field)的图像分割算法,重点研究了在基于TS-MRF的图像分割模型上提出了利用小波变换提取纹理特征来改善初始分割的方法,小波域TS-MRF——WTS-MRF模型以及利用多尺度积思想的改进WTS-MRF模型。首先,研究了利用小波变换提取纹理特征来改善初始分割的方法。由于初始分割在TS-MRF模型中有很大的影响,直接决定分割结果的好坏。小波变换提取图像中每个像素点的10维纹理特征,再用聚类的方法对这些特征向量进行分类则得到了比较好的初始分割。其次,在TS-MRF模型中,所有随机场均定义在单一分辨率的格网位置集合上,很难描述图像的非稳态特性。另外,基于TS-MRF模型进行图像分割时,当前节点的分割结果对于它的祖先节点的分割结果依赖性非常严重,如果祖先节点的分割结果不好,它的分割结果也会较差。基于此,本文采用小波域多尺度图像分割的思想,将TS-MRF引入到小波空间中,利用小波变换的多尺度、多方向表达能力来弥补TS-MRF建模能力上的不足,提出了小波域TS-MRF模型。最后,WTS-MRF漠型只利用了小波域的低频分量,虽然能够得到很好的区域一致性,但边缘效果不是很好,在此基础上利用多尺度积的思想,将三个非低频分量也融入进了WTS-MRF模型。