图像分割是依据一定的相似性准则将图像分为几个有意义的、互不重叠的区域,在同一区域内,图像的特征(如灰度、纹理、色彩)是相似的,而在不同的区域内,图像的特征则明显有所不同。阈值法因其简单实用成为最常用的图像分割方法,但是它只利用了图像的灰度信息,并不能得到很理想的分割结果。研究表明,同时考虑图像的灰度信息和像素间的空间相关性有助于改善分割结果,因此,论文在提高图像分割结果的准确性方面做了以下几个方面的工作:首先,针对传统二维直方图忽略边缘信息的不足,提出了一种新的灰度-局部方差直方图。灰度-局部方差直方图由像素的局部方差和灰度构成,它刻画了邻域内像素的灰度变化情况,包含了边缘信息。基于灰度-局部方差直方图,给出了二维最大熵阈值分割方法,获得了较好的分割效果。另外,将图像像素邻域的局部熵信息与图像灰度一起构成一种新的灰度-局部熵直方图,该直方图能够反映图像灰度的离散程度,包含了图像的边缘信息。同时分析了Tsallis熵作为一种非广延性熵相对于Shannon熵在统计特性上的优点。进而提出基于灰度-局部熵直方图的Tsallis熵阈值分割方法,该方法在图像分割结果准确性上取得很好的效果。基于模糊熵能够反映像素之间空间相关性的特点,将图像的像素灰度和其邻域局部模糊熵信息相结合,提出一种新的灰度-模糊熵直方图。同时在灰度-模糊熵直方图上利用二维Tsallis熵准则获得较理想的阈值。由于在计算模糊熵过程中采用模糊隶属度函数对原始图像进行了非线性映射,不仅抑制了噪声,而且放大了图像的弱边缘和模糊边缘,因此,将模糊熵信息融入到图像阈值分割过程中,对多边缘或弱边缘的图像有较好的分割效果。