医学图像的分割技术是医学图像处理中的不可缺少的一环,分割质量的好坏会直接影响到接下来配准、融合等进一步操作的效果,从而影响到治疗的准确性。一幅质量好的分割图像可以很大程度上帮助医生进行诊断,提升整个治疗过程的效率。在图像分割算法中,阈值分割算法以其简单有效、易于理解等特点得到了广泛的研究与应用。当单阈值无法满足进一步分割的要求时,可以拓展成为多阈值。但是当单阈值扩展到多阈值时,会出现诸如时间复杂度高、准确性降低等缺点,影响了实际应用。本文通过对直方图信息的利用,提出针对以上缺点进行改进的多阈值分割算法。传统的多阈值分割多采用穷举法求取阈值,虽然可以得到较准确的结果但是却极为费时。每增加一个阈值,时间复杂度都会成指数增长。本文针对多阈值分割算法时间复杂度高的缺点,创造性地提出了直方图区域合并的思想。将图像的256个灰度级都视为原始阈值,两个阈值之间视为一个区域。计算出每个区域中的合并标准。经过计算之后,在每一次迭代中减少一个阈值,就是挑选出相邻区域进行合并。直到阈值数目符合要求为止。直方图区域合并思想把算法的时间复杂度降到了O(L)级,完全实现了实时性的要求。并且为了提高合并时的准确性,本算法采用了直方图中体现数量信息的概率和体现变化程度的方差作为信息量进行计算。最后通过实验验证本算法在降低了时间复杂度的同时又保证了分割的准确性。Otsu算法是在图像阈值分割领域应用最广的算法之一。但是Otsu算法易受到噪声、边缘等信息的影响从而造成分割不准确的情况,在扩展到多阈值时更为明显。本文针对这种情况提出了基于差值-灰度直方图降维的多阈值Otsu算法。首先将直方图扩展到二维,用灰度和差值作为二维直方图的信息。利用差值可以清晰地体现出要处理的像素点与窗口中其它点的关系。通过差值的大小可以知道该点是不是噪声点、边缘点或者混乱区域的点。这样将所有不适合的点都进行处理,大大提高了分割的准确性。为了降低二维直方图的高时间复杂度,本文算法进行了降维操作,将直方图重建为一维直方图。最后通过实验验证本文算法充分利用了空间上的信息,提高了多阈值Otsu的准确性。本文算法都充分利用了直方图上的信息,根据对直方图进行操作得到更好的分割效果。本文提出的算法可以分别解决传统多阈值分割算法中高时间复杂度和多阈值Otsu算法中易受干扰信息影响等缺点。可以在医疗诊断中利用本文算法的优势之处提升效率、提高准确性。