图像分割是图像处理与分析的基本步骤之一,阈值分割是其中应用较为广泛的一类分割方法,但在阈值个数较多时,传统的阈值搜索算法(如穷举搜索等)往往由于解空间过大导致效率极其低下。闪电连接过程算法(LAPO)是一种新型智能优化算法,它具有寻优能力较强、参数较少等优点,本文拟采用LAPO算法实现多维度直方图下的图像多阈值分割。然而标准LAPO算法依然存在着优化能力不稳定等问题,针对标准LAPO算法存在的不足,本文提出了四种改进方案,并将其应用于以多维熵为准则的图像多阈值分割中。本文主要工作如下:1.针对标准闪电连接过程算法(LAPO)存在的不足,本文通过反向学习策略、混沌扰动策略、高斯变异策略对其进行了改进,提出了基于反向学习的闪电连接过程算法(OLAPO)、基于混沌扰动的闪电连接过程算法(CLAPO)、基于混沌初始化的闪电连接过程算法(CILAPO)、基于高斯变异的闪电连接过程算法(GLAPO),并在标准函数优化问题上对上述改进算法进行了性能测试。2.将标准闪电连接过程算法及其改进算法应用于非噪声图像分割。实验结果表明,四种改进算法的优化能力和稳定性均有所增强,其中,OLAPO的综合表现较为突出,能够以多维熵为准则实现效果较好、稳定性较强的图像多阈值分割。3.以不同维度的熵为分割准则,并利用综合表现较好的OLAPO算法进行了噪声图像分割实验。实验结果表明,在一般情况下,三维熵分割法对噪声的抑制效果最好,同时能够保留较多的细节;一维熵分割法虽然在部分图像上能够保留较多细节,但是几乎无法抑制噪声;二维熵分割法能够在一定程度上抑制噪声,但和三维熵法相比,保留的图像细节较少;综合分析实验结果可知,基于OLAPO和三维Shannon熵的图像分割法在噪声图像中的分割效果较好。总的来看,四种改进算法的优化能力和稳定性均有所增强,能够较好地满足阈值分割需求,特别是对于噪声图像的分割,其中,基于反向学习策略的改进LAPO的图像阈值分割方案综合表现较为优异。