数学形态学以其简单高效的思想和严谨的理论基础,而被用于图像处理的各个方面,包括边缘提取、特征检测、图像滤波、图像增强、区域分割、和图像复原等。而结构元素的选取是数学形态学的关键,经典形态学中由于结构元素的大小和形状均固定,往往导致处理效果达不到要求,所以自适应数学形态学就成了研究的热点。此外随着通讯工具的发展,包含更多信息的彩色图像已逐渐取代二值图像与灰度图像成为日常生活常用的图像,然而彩色图像像素点为矢量,在将数学形态学扩展到彩色图像处理时有一定难度。本文提出了基于自动阈值的彩色自适应形态学,通过对归一化权值的定义和距离参数的引入创立了自动阈值选取准则,提出了一种称为差值排序的新矢量排序方法,通过定义细节损失率提出了一种来衡量形态学基本算子处理后图像细节保留程度的评价方法,弥补了彩色形态学算子缺乏评价指标的空白。本文通过定义彩色像素点相对于待处理像素点的归一化权值来衡量图像区域的局部特征,并引入距离参数将像素点间的距离对结构元素的影响纳入考虑,使阈值不仅能自适应的根据图像局部特征还能随着像素点间的距离自行调整,在自动阈值限定条件下选取结构元素,使结构元素能自适应的调整其形状及大小。提出了差值排序,该排序方法可自行调节主分量且不会产生新的色彩分量,不会造成因主分量选取不同导致对图像各个颜色处理不均衡。然后定义了基于自动阈值的彩色自适应形态学膨胀、腐蚀、开启、闭合,并将本文定义的形态学基本算子与经典形态学基本算子以及现有彩色自适应形态学基本算子进行了对比,从实验结果来看,本文算子在保留图像细节和减少图像颜色波动方面要优于其他算子。为了从客观角度对本文定义的基于自动阈值的形态学基本算子和经典形态学算子以及现有的彩色自适应形态学算子处理结果进行评价,本文首先引入了盲图质量评价体系对处理后图像的整体质量进行评价,然后提出了细节损失率的概念来对处理后图像的局部质量进行评价,从图像整体质量和局部质量两方面验证了基于自动阈值形态学算子的优越性。本文还把定义的基于阈值的彩色自适应形态学应用到了彩色图像的边缘提取中,结果表明利用本文提出的基于自动阈值的彩色自适应形态学无论是在图像内边缘、外边缘还是梯度边缘提取中都要优于经典数学形态学,不仅能提取出更多边缘,尤其是在提取图像细节边缘的时候,对图像的处理更加细致。