该文提出了一种具有多代理者结构的图像分割新方法,以应付图像的复杂性、多变性和分割任务内在的复杂性.该方法包括九种不同功能的代理者:控制、多值分割、轮廓跟踪、区域分裂、区域合并、标记、区域特征计算、空间关系、置信度计算等.通过不同代理者的协同工作,完善分割结果.然后,该文对目标进行了特性评估,按照灰度特征和形状特征分类,共分析了5种度量值,找出各类度量中相对比较稳定的特征.由于特征稳定性和重要性的差别,为了有效利用特征,该文讨论了对特征进行选择和组合的方法.其次,该文通过模拟成像过程,分析了成像过程中透视变换的特性.由于应用中的复杂性及替换的可行性,考虑用仿射变换对其进行近似,并在此基础上提出了在变换中保持稳定且能够比较准确反映目标形状特征的视觉不变量,作为目标识别的高层次特征,按计算方法分为基于矩的不变量和基于傅里叶变换的不变量,其中其于傅里叶变换的不变量相对稳定一些.最后,该文介绍了径向基神经网络的结构及学习算法.将视觉不变量组成的特征矢量作为神经网络的输入,属于目标的概率作为神经网络的输出,并给出了实际应用的例子.实验说明这是一种比较稳定的方法.