图像分割是一种基础性操作,其主要作用是将图像中有用的部分提取出来,以便对图像进一步分析和处理,这也是一种对图像数据的压缩,是图像处理的关键。近年来,学者们提出的各类算法促进了图像分割技术的进一步发展,尤其是精度和效率有了大幅提高,但仍然需要继续改进。最大类间方差法(Otsu)是阈值法中最经典的方法,而二维Otsu算法改进了一维Otsu抗噪性不佳以及鲁棒性不强等问题,但随着维度的增加算法效率大幅降低,难以用于实时处理。另外脉冲耦合神经网络(PCNN)模型是一种新型神经网络模型,其浓厚的生物学背景使得在图像分割领域有先天的优势,分割效果优于传统算法,但也存在参数较多,迭代终止条件难以确定等问题。本文针对这些问题进行改进,并通过实验仿真验证了算法的有效性。(1)本文采用模拟自然现象的螺旋优化算法来改进二维Otsu算法的运算效率,相比其它优化算法,分割效率更好,同时算法只需设定两个参数,而这两个参数通常不需要改变,是一种可行的自动快速分割算法。(2)本文在简化PCNN模型的基础上,寻找一种更适合该模型的迭代判别式,使得该模型的适应度更广。新的判别式是在Otsu算法的基础上,加入了图像对比度作为判别因子,对于对比度较低的图像分割有很好的判别。(3)针对分割后的图片不够纯净,存在孤立噪点以及边缘不够清晰这些情况,提出一种双向PCNN模型,该模型能够双向同时进行脉冲传播,不仅能捕获邻域点火,也能捕获邻域灭火,只需一次迭代就能去除噪点,并且能使边缘更加清晰,能够很好的提升最终分割效果。