图像分割是计算机视觉的预处理部分,在人工智能领域占有非常重要的地位。分水岭算法是快速有效的图像分割算法,但它有一个内在的缺陷,用纯粹的分水岭算法来进行图像分割的结果通常是过分割的[2-4],所以在应用分水岭算法的时候必须根据所要分割的图像特点来对算法进行改进。改进的方向一般包括以下三个:首先,在分水岭算法执行之前对图像进行平滑,从而消除细小噪声对算法结果的影响,这在分水岭算法的应用领域称为图像预处理;其次,直接对分水岭算法本身的区域形成过程进行控制和改进;再次,将算法分割结果中过度分割的区域进行合并。本文研究了所有上述三个改进方向,并针对分水岭算法本身的改进以及区域合并的后处理过程给出了独创的算法。在图像预处理中本文使用多尺度的形态学滤波技术来平滑图像。在分水岭算法执行过程中,本文引入湖最小值的概念来改进Lin[3]的顺序无关算法,并结合落差来控制区域的形成。Lin通过引入特殊的不确定标记RIDGE得到一种与像素访问顺序无关的分水岭算法,证实了自下而上的泛洪算法和自上而下的降水算法可以得到一致的分割结果。但其算法仅仅使用像素灰度作为地形特征,因而结果中有过多的RIDGE标记,这些标记不属于任何区域,影响了算法的进一步应用。我们将湖最小值当作像素除灰度之外的附加地形特征,在标记时予以参照,从而减少了约80%的不确定标记数量。此外,本文引入的落差也减少了约10%的分割结果区域,从而减少了后续合并工作的计算复杂度。在执行了改进的分水岭算法之后,本文使用层次聚类技术来合并算法的分割结果区域。在聚类相似测度的计算中,推导出一个启发式的基于Bayesian目标函数以及Markov随机域理论的简单计算模型,这个模型的两个部分分别代表了使相邻区域保持独立的因素和使相邻区域合并到一起的因素,两个因素间的相互制衡使得算法在Bayesian目标下得到了最优的分割结果。从实验结果上看,这种基于区域的简单计算模型有效的减少了层次聚类的计算复杂度,即使是复杂的航空图像也能在几十秒内就完成聚类。最后,本文综合三个改进方向的工作得到一个多阶段的图像分割算法,算法停止条件依赖于层次聚类中的相似测度,因而该多阶段算法是无监督的,这也使得算法更加通用。实验结果表明本文算法具有良好的计算效率,并能得到有效的分割结果。