图像分割是计算机视觉领域的热门研究课题,而阈值分割方法因其简捷与高效的特点而受到学术界长期的关注。但如何有效地自适应地选取模糊、带噪声图像的最优阈值仍然是一个具有挑战性的课题。作为阈值分割领域的经典方法,类不确定性理论能够有效度量图像灰度在统计意义上的分类不确定性。本文利用经典的类不确定性理论和空间纹理特征,将图像的统计信息和空间信息相结合,通过构建并优化能量函数来选取最优阈值。本文主要工作如下:(1)利用图像灰度信息和邻域灰度均值,构建灰度二维直方图,将基于灰度的类不确定性理论由一维推广到二维。结合能够度量像素邻域灰度值分布均匀程度的区域均匀性,构建能量函数,阈值向量为该能量函数的唯一参数。通过优化能量函数,找到最优阈值向量。该方法简称二维MHUE。实验证明,二维MHUE比一维MHUE方法具有更好的鲁棒性,在噪声和模糊图像上具有更好的表现。(2)为了解决轻度受不均匀光照影响的图像分割问题,提出了局部二维MHUE方法。将图像分为多个局部邻域,对每一个邻域独立运用二维MHUE方法进行阈值选取,最后各邻域根据局部阈值进行分割。实验证明,局部二维MHUE方法可以有效解决轻度不均匀光照图像的分割问题,且有着比二维Otsu,Sauvola等经典方法更好的分割效果和鲁棒性。(3)为了解决模糊、带噪声和受不均匀光照影响的图像阈值分割问题,首先提出局部灰度映射理论,通过局部灰度映射的方法预处理图片,突出局部区域的灰度对比度,减少不均匀光照带来的影响。然后提出反映图像空间信息的区域稳定性理论。结合灰度类不确定性理论和区域稳定性理论构建能量函数,寻找使得能量函数最小的阈值为最优阈值。实验证明,该方法可以有效解决不均匀光照图像的分割问题,并且具有较强的鲁棒性。