图像作为现今社会信息表达、传递和交流的最主要方式之一,在人类生产生活中有着至关重要的作用。例如,监控录像为交通安全和打击犯罪提供了有效支撑,医学图像则是诊断和治疗疾病的有效依据。图像信息的处理和分析是上述支撑和依据的基础,而图像分割作为图像信息处理的第一步,就尤为重要。分割效果将直接影响着图像信息的准确获取,因此研究图像分割具有极其重要的理论意义和广泛的应用前景。本文将图像分割的过程建模成一个参数优化问题,采用改进的灰狼算法对图像分割中的目标函数进行了优化,具体工作如下:第一,提出将基于权重的改进离散灰狼算法(IDGWO)应用到图像分割。在GWO中引入权重的概念来进行搜索位置更新。并将改进算法与Kapur熵分割方法相结合应用于图像分割,仿真实验表明该算法在图像分割优化方面具有一定的优势。第二,提出基于人工蜂群的改进离散灰狼算法(FGWO)。对灰狼算法进一步融合改进,将人工蜂群算法(ABC)中的邻域搜索和贪婪选择的思想运用到灰狼算法中,使其具有更出色的搜索性能、稳定性和避免陷入局部最优的能力。并采用基准函数对融合后的算法进行测试,结果显示融合算法对多峰高维复杂函数具有明显的优化效果。第三,将融合改进后的算法(FGWO)应用到图像分割研究,重点是医学图像的分割。将FGWO算法与Kapur熵分割方法结合应用于医学图像的分割,选用了部分人类大脑的核磁共振(MR)图像进行了大量的仿真实验。实验结果表明FGWO运用到医学图像分割方向具有良好的分割效果,这种融合型的方法可操作性很强,是一个具有重要价值的研究方向。