图像分割在图像处理，图像分析，计算机视觉和模式识别等方面都是一项基础的、核心的技术。图像分割结果的好坏直接影响到这些后续高层的处理结果。阈值分割方法是最经典的图像分割方法之一。传统的阈值分割方法往往针对具有特定直方图模式的图像，如具有近似单峰模态、双峰模态直方图的灰度图像，一般可以获得较好的分割结果。它们一般难以处理具有诸如贝塔分布、均匀分布、梳子状分布等模态直方图的图像，这限制了传统阈值分割方法的适用范围。分水岭分割是一种流行的基于区域的图像分割方法。分水岭分割方法的优势是易于获得连续且封闭的边界，但是分水岭分割方法也存在难以在过分割/欠分割合理平衡的问题。针对阈值分割方法和分水岭分割存在的问题，为了研究能独立于直方图模式的阈值分割方法以及抑制过分割的分水岭分割方法，本文在同源相似导向的图像分割基本框架下，主要展开了以下三个方面的研究。　　1)研究了一种基于最大互信息的阈值分割方法。从图像间的相似性出发，提出的方法先将原始图像进行多尺度梯度乘变换，然后计算在原始图像可能的灰度等级范围内，阈值化并移除对象内部像素后的二进制图像与多尺度梯度乘图像的互信息量，互信息量最大时对应的分割阈值为最优阈值。多尺度梯度乘变换能有效抑制噪声信息，同时增强了对象和背景的边缘信息。互信息是一种非线性的相似性测度，在评估图像特定区域内像素强度之间的相关性时，不需要一个特定类型的概率分布，所以它可以处理具有不同直方图模态的图像分割问题。在合成图像和真实世界图像上的大量实验结果表明，本文提出的方法对具有单峰模态直方图、双峰模态直方图、以及贝塔分布、均匀分布、梳子状分布等复杂直方图模态的图像都能进行有效分割。　　2)研究了一种基于Adjusted Rand Index(ARI)的图像阈值分割方法。结合图像的空间位置关系和相似属性性质，提出的方法同样用多尺度梯度乘变换对原图像进行预处理，然后将多尺度梯度乘图像阈值分割得到一系列图像作为参考图像集。阈值分割原始图像并移除阈值图像对象内部像素，得到一系列二值图像。利用 ARI作为图像相似性测度，计算一系列参考图像与二值图像间的 ARI曲线，并将相应曲线叠加，此时 ARI叠加曲线中最大值点对应的阈值为最优阈值。ARI曲线利用了图像全局空间属性，克服了大多数阈值分割方法是利用图像局部空间属性（如邻域信息）来分割图像有一定局限性的特点。ARI曲线的叠加，能更好的定位最优阈值。通过对大量真实世界图像的测试，提出的方法对不同种类的图像展示出了很好的有效性和鲁棒性。　　3)研究了一种基于多尺度小波梯度的分水岭分割方法。分水岭分割方法根据图像局部最小值区域的个数来确定分割目标的个数，且待分割图像的梯度对分水岭分割有很大的影响。为了抑制过分割问题，提出方法对原始图像进行多尺度小波梯度乘变换，多尺度小波梯度乘在定位精确和抗噪性能上有优势。然后对多尺度小波梯度乘图像进行控制标记符的分水岭分割，通过标记分水岭方法中改变标记图像从而获得不同的分水岭分割结果。再以互信息为相似性测度，寻找与多尺度小波梯度乘图像最匹配的分水岭分割结果作为最优分割结果。实验结果展示了提出的方法对抑制传统分水岭分割方法的过分割问题的有效性。