图像分割是一种重要的图像分析技术,近年来得到了广泛的重视和研究,同时也在实践中得到大量的应用。图像分割是由图像处理迈进到图像分析的关键步骤,在图像工程中占据重要的位置,它是目标表达的基础,对特征测量有重要的影响,并使得更高层的图像分析和理解成为可能。小波变换是一种时频两域分析工具,在时频两域都有良好的局部特性,因而能有效地从信号中提取信息。它能够对函数或信号进行多分辨率细化分析,特别是在分析非平稳信号时,小波变换可以根据待分析信号频率的变化而改变分辨率,作为多分辨率分析,因此小波变换符合实际工作的需要。本文先对现有的一些基本图像分割方法作了简要概述,介绍了传统的分割方法：阈值分割、区域增长技术、边缘检测、基于分形的图像分割技术和基于神经网络的图像分割技术等。针对复杂的医学CT,MRI图像,结合小波变换对于处理图像的优点,我们重点介绍小波变换理论和小波变换性质,然后对要分析的256×256图像进行滤波消除噪声,也就是图像预处理。本文研究了基于直方图小波变换的图像分割方法,对图像的统计直方图进行小波分解,由粗及精地求分割阈值,获得比较好的分割效果。同时结合最小误差法对直方图进行分割,获取传统直方图分割与小波系数直方图分割的对比效果图像。另外,本文提出了基于小波变换的图像边缘检测方法。保留图像高频分量的方法是对图像进行小波分解,得到图像的低频逼近部分和水平、垂直、斜线高频部分,然后利用小波重建算法对图像的高频部分进行重建,提取边缘信息。最后介绍了图像分割的评价标准,引入数学形态学来判断我们分割的图像的分割评价参数,确定图像分割的好坏。