图像分割是很多高级图像处理技术(如可视化、图像压缩、医学图像诊断等)的重要基础工作。迄今为止,已经有很多种不同的图像分割方法提出。阈值法因其实现的简单性而成为图像分割领域的一种重要方法。但是对于复杂的实时图像分割问题,阈值法的高耗时性已经成为该方法发展的一个障碍。因此,寻求一种高效的算法来解决基于阈值法的图像分割问题具有重要意义。 微粒群优化算法是一种新近出现的启发式全局优化算法。由于算法的易实现性和高效性,因此受到了人们的广泛关注。它已成为与遗传算法、禁忌搜索算法以及模拟退火算法并行发展的一种全局优化算法。 本文首先针对模式识别中原始特征数量大而有冗余的现象,提出了一种基于PSO算法的特征选择方法。选取欧氏距离函数为特征选择的可分性判据,以用于图像分割的Ostu法为例,用PSO算法优化了阈值的求取。 其次,研究了基于二维模糊熵的图像分割方法,针对二维模糊最大熵图像分割方法求取阈值时存在的计算复杂、时间长、实用性差等问题,提出了基于量子行为的微粒群算法的二维最大熵图像分割方法。该方法运用量子行为的微粒群算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度.区域灰度均值作为阈值进行图像分割。实验结果表明,QPSO较标准PSO及GA优化算法更具优越性,其算法不仅参数个数少、随机性强,并且能覆盖所有解空间,保证算法的全局收敛。本文算法在执行时间与收敛性方面得到了令人满意的分割效果.是一种实用有效的图像分割方法。 最后为了进一步提高算法的有效性,提出了基于DPSO算法的二维最大熵图像分割方法。DPSO算法对图像的二维阈值空间进行全局搜索,并将搜索得到的二维熵最大值所对应的点灰度.区域灰度均值作为阈值进行图像分割。同时,为了避免该算法收敛到局部最优解,在算法中引入了变异策略。通过实验显示了该算法在收敛性和计算效率上较QPSO等其它优化算法具有更好的优越性。