近年来,随着信息化进程的加快和计算机技术的快速发展,人们在生活与生产中对计算机视觉的需求越来越迫切。计算机视觉是采用计算机模拟生物视觉系统对环境进行感知和理解,其在军事、工业生产以及智能监控等方面具有较大的潜在价值,而图像分割作为计算机视觉系统对图像处理的第一步,是计算机视觉的核心技术之一。目前常用的图像分割算法有阈值法、边缘检测法、聚类分割法以及活动轮廓模型分割法等。本文在研究经典分割算法的基础上,针对复杂背景环境下图像的分割,提出了改进型脉冲耦合神经网络(Improved Pulse Coupled Neural Network,IPCNN)图像分割方法,主要开展了如下研究工作:(1)针对当前图像分割算法缺乏统一的评价准则。本文对已有的图像分割算法性能评价准则进行了详细的分析研究,为改进和提出新的评价准则奠定了理论基础。同时,考虑到大部分原始图像受到噪声污染,在分割前需进行预处理,因此,对几类经典图像预处理方法进行了理论分析与实验研究以检验其处理效果,为后续的图像分割提供了保障。(2)总结了阈值分割法、Snakes模型分割法、C-V模型分割法等经典算法的原理,并通过实验对比分析了以上算法中存在的问题及其适用环境,为随后的复杂背景环境下图像分割的研究奠定了基础。(3)详细论述了PCNN的数学模型与工作原理,针对复杂背景环境下传统图像分割算法存在分割精度低、抗干扰性差等问题,本文利用PCNN模型神经元的耦合特性,提出了基于PCNN模型的图像分割算法,在此基础上综合考虑了像素点间的相关性,引入多阈值思想对PCNN模型进行了改进,同时引入区域均匀性测度函数实现了最优分割结果的自动选取,经实验证明,该算法的分割效果、抗干扰性、运算速度以及稳定性等方面得到了不同程度的提升。(4)针对PCNN模型中参数复杂多变,且参数的选取对分割效果和效率影响较大等问题,本文提出利用二维最大类间方差法对初始阈值进行优化,并且为了提高算法的实时性,推导并给出了相关快速递推公式;同时,不同于传统PCNN依据经验与实验相结合的方式确定模型的关键参数,而是从PCNN的耦合特性出发,结合图像自身空间和灰度特性,通过计算图像局部灰度均方差确定连接强度系数,并综合考虑像素点的空间与灰度值差异确定其连接权值矩阵,最后依据信息熵最大原则判别分割结果,实现了目标对象自适应自动分割。数字实验表明,本算法较传统PCNN算法具有图像分割速度快、目标轮廓分割清晰、抗干扰性强等优点。