图像滤波与分割方法是图像处理、计算机视觉、模式识别等领域内的关键问题。图像处理技术在生产生活各个领域的广泛应用,为我们带来了重大的经济和社会效益。近年来,这一技术应用的深度和广度不断扩大,发展势头有增无减。本文对图像处理技术中的滤波方法和图像分割方法进行研究,提出了一些新的算法,并主要将它们应用在光测力学图像和生物医学图像的处理与分析中。研究所获成果如下:提出了改进旋滤波方法。该方法由于使用了新的判断当前点切线方向的方法和带噪声检测的一维滤波方法,不仅实现了滤波同时不产生模糊和畸变效应的目的,还能够明显抑制密度较大的孤立噪声点,非常适合平滑高噪声的电子散斑条纹图。提出了基于旋滤波思想的边缘检测新方法。该方法通过以切线两侧的灰度(颜色)变化值代替当前点的灰度(颜色)值得到目标图像的轮廓图。对有噪声的图像,新算子无需事先平滑,而是借助噪声检测技术,直接就能得到边界图。提出了适于彩色图像分割的神经网络模型——ERBF网络模型。ERBF网络采用动态算法建立网络结构;用Hebb规则迅速识别隐层神经元的身份,即通过训练将隐层神经元中心分类设为目标色彩聚类中心和背景色彩聚类中心;最后采用竞争规则将目标与背景分开。ERBF网络无需事先给定隐层神经元数目,避免了传统网络神经元数目事先难以确定的问题;只需两次训练,无须反复,提高了训练效率。