图像边缘检测(Image Edge Detection)和图像分割(Image Segmentation)是从图像处理到图像分析的关键步骤,其研究一直经久不衰,除了反映出由图像处理进入到图像分析的关键步骤在图像工程中占据重要的位置外,也在一定程度上表明该方面的工作具有相当大的难度和挑战性。目前,尽管对图像边缘检测和图像分割的研究已经取得了许多成果,但是仍然有许多难题尚待解决。传统的图像边缘检测方法主要采取增强图像高频分量的方式,常用的边缘检测算子对噪声都比较敏感,在检测边缘的同时很难做到较好地去除噪声,而且有时候并不能检测出图像边缘。由于传统算法在边缘检测上的缺陷,新方法也不断涌现,但还存在许多问题,特别是边缘检测精度与抗噪声性能的协调问题。数学形态学是一种非线性滤波方法,其应用于边缘检测的基本思想是对图像用一定的结构元素进行基本操作以后与原图像相减。与传统算法相比,形态学在图像边缘检测中有独特的优势,它基于集合运算且具有非线性特征,在边缘检测上既能够体现图像集合特征,很好的检测图像边缘,又能满足实时性要求,也解决了边缘检测精度与抗噪声性能的协调问题。形态学运算是物体形状集合与结构元素之间的相互作用,对边缘方向不敏感,并能在很大程度上抑制噪声和探测真正的边缘。因此,将数学形态学用于边缘检测,既能有效地滤除噪声,又可保留图像中的原有细节信息,具有较好的边缘检测效果。图像分割是是图像分析的第一步,计算机视觉研究中的一个极为重要的基本问题,分割结果的优劣直接影响到随后的图像分析、理解和景物恢复问题求解的正确与否。图像分割常用于模式识别与图像理解以及图像压缩与编码两大类不同的应用目的。近年来,很多研究人员致力于图像分割方法的研究,但是直到目前为止还不存在一个通用的方法,也不存在一个判断分割是否成功的客观标准。图像分割的广泛应用,促使人们去寻找新的理论和方法来提高图像分割的效果,满足各方面的需求。近年来,基于分水岭算法的图像分割逐渐受到了人们的重视,已成为许多学者研究的热点。分水岭算法具有负担轻,计算精度高等优点,但分水岭变换后,区域数目很多,合并过程运算量极大,需要解决耗时问题,将其与一些节约时间的方法结合起来,是图像分割的一种趋势。针对图像边缘检测和图像分割常用方法存在的一些问题,和形态学用于数字图像处理和识别的优势,论文主要研究如何利用形态学的方法更好地进行图像的边缘检测和图像分割的问题。围绕这一主题,论文开展了三个方面的研究,即形态学方法进行图像预处理主要是噪声的去除问题,形态学方法边缘检测和形态学方法图像分割,研究如何利用形态变换思想更好地提高图像预处理、图像边缘检测以及图像分割的质量,论文的研究致力于达到如下目标：(1)图像去噪达到噪声去除效果好,图像细节保持完整,图像的信噪比输出明显提高,同时滤波器的自适应性和智能性得到增强的目的。(2)图像边缘检测正确地解决边缘的有无、真假和定向定位问题。(3)图像分割正确提取感兴趣目标的过程,分割效果好,速度快。为进行后期的图像分析奠定良好基础。论文在图像预处理、图像边缘检测以及图像分割三个方面分别研究了常规方法和形态变换方法,基于形态变换在图像处理中的优势分别提出相应的改进形态变换模型,并通过相应实验证实模型的可行性。首先在图像预处理方面,研究分析了常用的空域和频域滤波方法,以及现有的一些形态滤波,针对存在的不足进行了改进,提出一种基于自适应遗传算法的多结构多尺度形态学滤波方法,主要考虑了滤波窗口的大小,结构元素的种类和方向,以及结构元素的优化选择问题,采用遗传算法对结构元素进行优化,并考虑到遗传算法自身的收敛性,采用保留精英的策略,另外考虑遗传算法参数的选择问题采用了自适应策略,在保持群体多样性的同时,确保其算法的收敛性。同时,结合自适应加权形态滤波的思想构建一种基于遗传优化的多结构多尺度自适应加权形态滤波器。利用图像峰值信噪比作为图像去噪效果评价标准,通过实验验证方法的可行性。这为后续图像处理工作奠定了良好的基础。其次在图像边缘检测方面,根据评价边缘检测性能优劣的三个指标,即信噪比、定位精度、和单边缘响应,结合顺序形态学的特点,本文提出以下改进算法：结合复合顺序形态变换和抗噪型形态学边缘检测思想,构造一种新的图像边缘检测方法,建立对应边缘检测算子模型,提高信噪比,通过顺序形态变换的百分位值来控制边缘检测的效果,同时引入不同方位的结构元素来匹配边缘方向的多样性,改进传统的数学形态学边缘检测器,从而提高定位精度,准确定位边缘同时达到较好地抑制噪声的目的。其所构造的3种边缘检测算子不仅可以较好的抑制图像噪声,而且可以较准确地检测出图像的边缘。分别对椒盐噪声、高斯噪声及其含有二者混合噪声的图像进行边缘提取,实验效果与常用边缘算子检测和一般顺序形态变换边缘检测效果进行了比较,通过实验验证本文建立的边缘检测模型在一定程度上是可行的。最后在图像分割方面,总结了常用的图像分割算法,包括阈值法、区域生长和分裂合并法、边缘检测法以及基于形态学分水岭分割等。这些方法都有其不足之处。其中重点介绍了分水岭算法,它是图像分割中的一种经典有效的方法,可以快速、有效、准确的获的结果从而赢得人们的重视。但分水岭算法产生过度分割问题,针对这个问题,本文提出一种有效的图像分割方法,融合改进的Vicent分水岭算法和动态粒子群聚类的图像分割,首先利用本文提出的基于自适应遗传算法的多结构多尺度形态变换滤波对图像进行预处理,一定程度上滤波噪声,然后利用改进的Vicent算法进行初次分割,在利用改进的Vicent算法进行图像初次分割后,针对产生的过度分割问题,提出一种带连通约束的动态粒子群聚类的方法进行分割区域合并,并作相应的后续处理。该方法下的分割效果分别与采用不同滤波器进行分水岭分割结果进行了比较,与采用阈值分割及区域生长分割进行了比较,与带标记的分水岭分割进行了比较,其合并后结果与直接分水岭、传统分水岭、Vicent算法分割基于边界强度的区域合并进行了比较,比较结果说明分割前进行预处理是必要的,且采取本文提出的滤波方法进行预处理是有效的,同时带连通约束的动态粒子群聚类进行区域合并从效果上和算法执行时间上都是相对较好的,也验证了采用改进的Vicent算法初次分割再加上带连通约束的动态粒子群聚类进行区域合并对于图像分割而言是有效的。利用形态变换进行图像预处理、边缘检测及图像分割的研究有着重要的理论意义与应用价值,在本文研究的基础上,应该对形态变换中结构元素的自适应性、算法的通用性、算法的运行效率等方面作进一步的研究和探索。