为实现太赫兹同轴全息再现像识别,通常需要图像分割提取图像特征,因此有必要对图像分割算法进行研究和讨论。本文分别采用了基于直方图多项式拟合的复合阈值分割方法和基于U-NET模型的深度学习方法对真实太赫兹图像分割,并将两种方法复合起来应用于太赫兹同轴全息再现像分割。本文首先介绍了要处理的垫片和齿轮真实太赫兹图像特点,实验中真实太赫兹图像均存在噪声,像素分为透光和不透光部分,即目标和背景两类,而垫片图像由于成像时激光器能量不够,四周存在与目标像素灰度级类似的背景像素,仅用传统的阈值分割方法无法解决这些问题。因此使用了一种复合阈值分割算法,即裁剪、镜像扩展、NLM滤波去噪后求直方图进行多项式拟合求极大值灰度拉伸,再对直方图进行多项式拟合求极小值分割,并分步与基本全局阈值法和大津法进行了比较。相比本课题组董儒汲所用算法,滤波方式由导引滤波变为NLM滤波,多项式拟合阶数也有变化,得到的分割结果较好。为了将已有的深度学习分割算法应用到连续2.52THz同轴全息再现像分割中,由于U-NET可以在训练样本数少的前提下较精确地分割电镜神经元图像,符合本文实验中真实太赫兹同轴数字全息再现像样本少的需求,因此研究了UNET分割真实太赫兹图像时训练集、损失函数和学习率对结果的影响,得到了最优的网络模型。实验结果证明,优化后的U-NET模型对图像的目标与背景有了一定的区分能力,同时具有一定的去噪能力,可以去掉图像中不严重的噪声。实验中基本去掉了齿轮图像的噪声并且较好地保留目标,分割结果优于第二章中复合阈值分割方法,但垫片图像仍需与其他算法结合分割。由于复合阈值分割算法中多项式拟合前的预处理步骤可解决四周背景与严重噪声的问题,因此将复合阈值分割算法与U-NET算法复合起来应用于真实太赫兹图像分割。即先对图像进行裁剪、镜像扩展、NLM滤波,然后利用UNET算法分割,重复10次实验叠加分割结果以消除随机性的影响。由于真实太赫兹图像数据较少,因此对仿真图像的复合U-NET算法分割做了研究。