图像分割是图像处理中的重要问题,也是计算机视觉领域低层次视觉中的基础。图像分割是将图像表示为物理上有意义的连通区域的集合,这些区域即是人们感兴趣的部分。它是实现图像理解与分析的基础,分割结果很大程度上影响着后续处理。图像分割结果的准确性和分割算法的快速性是保证图像识别系统的重要条件。论文在提高图像分割结果准确性和算法的快速性方面做了以下几个工作:分水岭分割算法是根据数学形态学提出的一种基于区域分割的图像分割方法。该方法简单、直观、可快速并行处理,能得到连通封闭的区域轮廓。但分水岭算法也存在一个严重的“过分割”问题。本文首先详细给出了分水岭变换的数学描述及实现方法,并分析算法产生“过分割”现象的原因。在此基础上提出了两种改进方法。第一种方法结合小波变换和多尺度形态学梯度,对基本分水岭分割算法进行了改进。该方法首先选择适当的结构元素对原始图像进行预处理和多尺度梯度变换,把分水岭分割建立在小波变换的低频图像上,并通过形态重构有效地解决了伪极小值给分水岭算法带来的“过分割”现象;第二种方法提出了一种新的基于标记阈值的分水岭分割算法。算法通过对原始梯度图像的极小值标记进行强制修定,并在强制标记的梯度图像上进行分水岭变换。实验结果表明,两种方法都能有效地改善分水岭算法的“过分割”问题,得到理想的分割结果。其中,第二种方法带标记的分水岭使分割结果更为准确。同时,不需要人为对图像具有先验知识,实用性较强。模式识别中的Fisher线性判别函数是判定类别分离程度的有效准则。基于二维的Fisher线性判别图像分割方法不仅考虑图像的灰度信息和像素间的空间邻域信息,而且进一步考虑类间方差和类内方差在类别分离性中的相关性。对于边缘模糊,信噪比较低的图像分割有很大改善。针对二维Fisher分割算法计算量大的问题,采用粒子群优化(Particle Swarm Optimization, PSO)算法来搜索最优二维阈值向量。结果表明,采用PSO来搜索二维阈值向量,PSO算法能在很短的时间内搜索到全局最优阈值向量,有效地减小了计算代价;同时本文在上述工作的基础上提出了一种基于二维属性直方图的Fisher线性判别(BH-FLDA)分割算法。首先,通过构造属性集合,建立新的二维属性直方图,有效地去除图像中的干扰成份,减少二维阈值搜索空间。最后给出了基于二维属性直方图的Fisher图像分割快速递推算法及粒子群优化算法,降低计算复杂性,有利于算法实时应用。