图像分割是一种重要的和关键的图像分析技术,其目的是把图像分成各具特性的区域并提取出感兴趣的部分,图像分割的结果是图像特征提取和识别等图像理解的基础。对它的研究一直是图像技术研究中的热点和焦点,提出了数以千计的不同算法,虽然这些算法大都在不同程度上取得了一定的成功,但是图像分割问题还远远没有解决,这方面的研究仍然面临很多挑战。论文对图像分割的方法进行了分类和研究,把图像分割的方法分为三大类:(1)基于边缘检测的分割方法,图像最基本的特征是边缘,边缘检测方法利用图像一阶导数的极值或二阶导数的过零点信息为判断边缘点提供了基本依据,论文对细胞图像进行分割,从实际效果上比较各种算子进行边缘检测的优缺点;(2)基于区域的分割方法,阈值化方法根据物体像素的灰度级与背景像素的灰度级的不同,将物体从背景中较好地分割出来,区域增长分割就是把具有某种相似性质的像素连通起来,从而构成最终的分割区域;(3)基于特定理论的分割方法,这些特定理论包括小波变换、数学形态学、神经网络和模糊技术等。把直方图与小波变换方法结合起来,利用小波变换的多尺度特性,在不同的尺度上选择分割阈值,这样使得阈值的选取更加合理,实验结果表明该算法能得到较好的分割效果。通过对以上三类方法的探讨,以及对各类算法进行的实验,总结了传统图像分割算法的优缺点和各类算法的适应环境。为了实现对细胞图像的有效分割,论文对局部自适应图像分割算法进行了改进。该算法首先把整幅图像分为若干子块,然后计算每个子图像的梯度直方图,对每幅子图像进行最大类间方差分割,最后还考虑图像中噪声的影响,采用形态学噪声滤波器去噪。实验结果表明,该算法对细胞图像细节有很好的区分和分割,与传统方法相比,轮廓提取更为精确,且最大程度的保留了细胞内部细胞核的轮廓,适用于背景和目标对比不是很明显和具有一定噪声的图像。