图像分割是图像处理及信息技术领域关键而重要的环节,是人工智能领域具有挑战性又非常经典的问题。图像分割的基本目的在于将目标与背景分离,提取出人们感兴趣的部分,将图像的理解和分析简单化。经过几十年的发展,现已产生了大量的图像分割算法。其中,基于阈值的图像分割算法因其算法原理简单、实现容易、分割效果较好而被学者们广泛关注。本文紧紧围绕―基于Renyi熵理论的图像分割算法‖这一主题,针对现有的一维Renyi熵算法和二维Renyi熵算法中存在的计算复杂度、分割效果两方面的问题进行了深入的探讨,得到了两个改进算法,并进行了相应的实验论证。本文的主要研究内容可以归纳如下:①针对基于分解的二维Renyi熵阈值化算法中参数?的取值问题,根据均匀性测度这一图像分割质量评价指标,结合PSO算法,得到了一种自适应地选取?的方法。实验显示,本文给出的算法能够针对不同的图像自适应地选取出较合适的参数值?,得到较理想的实验结果,而且,计算复杂度由二维Renyi熵参数自适应选取算法的6O(L)降为2O(L),计算时间约为二维Renyi熵参数自适应选取分割算法的一万分之一。②针对一维Renyi熵算法的局限性,利用一维Renyi熵算法的分割阈值,研究了一类新的迭代算法,通过不断地提取并分割原始图像的子区域来达到较优的图像分割结果。该迭代算法首先运用一维Renyi熵算法分割原图像,得到一个阈值,然后分别计算出被该阈值划分得到的两个区域中频数最大的灰度值。根据阈值及上一步所得的两个频数最大的灰度值,把图像分成三类:背景、目标以及待定区域。目标和背景在后面的迭代过程中不再被处理,待定区域在下一次迭代过程中继续被处理。在下一次迭代过程中,运用一维Reny熵法处理待定区域,与第一次迭代过程一样,该待定区域被分为三个类:背景、目标和一个新的待定区域。随后,运用与上一步相同的方法处理新的待定区域。当相邻两次迭代过程中计算出的阈值之差的绝对值小于一个预设常数时,停止迭代,并且把最后一次迭代得到的阈值作为最终分割阈值。文中不但给出了直观的分割结果,而且运用图像分割评价指标(均匀性测度)给出了分割效果的量化结果。实验结果显示,本文所给出的分割算法不仅直观的给出了较优的分割效果,而且将实验结果量化,在整个迭代过程中计算出的均匀性测度呈单调递增的趋势。同时,实验显示,该算法对参数?的取值是不敏感的。