图像分割是数字图像处理的基本组成部分,也是接下来对图像进行分析、处理的基础,图像分割的效率和准确性对后续工作来说至关重要。阈值法中Otsu法因为其简单可行而且性能稳定成为一种主流分割方法,但要在一个多峰图像的全灰度区域内找到一个较为准确的最优阈值组合会花费很长时间,这严重阻碍了多维Otsu法的应用。为了在得到较好分割效果的同时减少分割时间,本文先对粒子群算法进行改进,然后将其与三维Otsu法相结合应用于图像分割,相关工作和创新点主要有以下几个方面。针对基本粒子群算法在前期快速性的不足,利用混沌映射方程对粒子种群进行初始化,增强初始粒子群分布的均匀性,保证初始种群的多样性。将云模型这一概念引入到粒子群算法中,在迭代过程中将粒子群体分类,分别采用不同的方式对惯性权重进行操作,对相对中庸的粒子利用云正态发生器对它们的惯性权重?进行优化,在保证收敛速度的前提下提高算法的收敛精度。在算法的迭代后期,对种群进行变异操作。当种群聚集度过高时对种群分类,对较优的一类粒子利用正向云发生器在最优粒子的邻域进行搜索,提高解的精度;对较差的那类粒子利用混沌映射进行扰动,增强种群的多样性,避免算法停滞或陷入局部最优。从而形成一种新的算法——云自适应混合变异粒子群算法(Cloud Adaptive Multi-Mutation Particle Swarm Optimization,CAMMPSO)。通过标准函数对CAMMPSO算法进行仿真实验,结果表明该算法在收敛速度和精度上都比基本粒子群算法以及混沌粒子群算法更好。针对一维Otsu法只利用到了图像的灰度信息的缺陷,将其扩展到二维乃至三维,并对邻域中值进行加权,改良对图像中物体边缘和细节信息的处理。同时引入三维Otsu法的递推公式,减少算法的计算复杂度。将CAMMPSO算法与改进的三维Otsu法相结合应用在图像分割上,对原始图像以及加噪后的图像进行分割仿真。结果表明,本文采用的方法在对噪声较多的图像进行分割时,快速性和降噪性都比较出色,能保留更多的边缘以及细节信息。