随着科学技术的进步和计算机的广泛使用,数字图像处理技术已经渗透到人类生活的各个方面,并发挥着越来越重要的作用。近年来数字图像处理技术也日益成为研究的热点问题之一。其中图像滤波恢复技术是数字图像处理的重要环节,因为图像滤波的好坏,直接影响滤波后分割的精度。图像分割则是目标识别、图像理解、计算机视觉研究中最基本和最重要的处理步骤和共同、关键的技术。分割结果的好坏直接影响其后续的识别和理解。然而这些问题仍然没有得到很好的解决。本文在现有文献的基础上,引入模糊技术及神经网络方法对图像的滤波和纹理图像的分割技术进行研究,做了如下的工作。(1)研究了基于小波的图像去噪问题,考虑到小波域内的局部方差能体现小波域内的局部信息,用局部方差代替小波系数来判断图像点受噪声影响程度,更能体现原图像的真实情况。文中引入Z函数来计算模糊隶属度,并用软阈值函数消减系数来达到去噪目的,使去噪后的图像有更高的脉冲信噪比和好的视觉效果。(2)研究了基于可分离性判据的自适应加权纹理图像分割。用统计方法提取纹理特征,再用提取特征的可分离性对特征进行筛选,并对剩余的特征进行自适应加权使可分离性好的特征在聚类中起主导作用。最后用模糊C均值方法对处理后的特征聚类实现纹理分割。实验表明该方法能产生精确的分割效果。(3)由于模糊Kohonen网络用于纹理分割时收敛速度较慢,本文提出了模糊增强Kohonen网络。它通过调节网络的模糊隶属度来解决聚类时收敛速度慢的问题。实验表明增强Kohonen网络在纹理图像分割时具有更少的迭代次数和更快的收敛速度。(4)介绍了基于支持向量机(SVM)的纹理图像分割。由于支持向量机有小样本训练和结构风险最小化的优点,用少量的样本训练支持向量机,然后用训练好的支持向量机对纹理特征进行分类来达到纹理分割的目的。实验表明,用小样本训练的支持向量机能得到较精确的分割效果。