图像分割是计算机视觉和图像处理与分析中的重要研究内容,计算机视觉中的图像理解包括目标检测、特征提取和目标识别等,都依赖于图像分割的质量。而阈值分割是图像分割中的一项简单有效的技术,它从背景中识别和提取出目标,被广泛应用在文本图像处理、物品质量检测、医学图像处理、交通、军事等多个方面。最大类间方差法是常用的图像阈值分割方法,本文在发现K-means算法一维空间保序性的基础上,证明了K-means算法和最大类间方差法在多阈值分割上的目标函数等价性,它们都是通过最小化类内方差得到最终结果的,因此本文提出了一种基于K-means思想的闽值分割算法,但是,K-means阈值分割算法是局部最优算法,最大类间方差法是全局最优算法,只有K-means阈值分割算法寻找到的局部最优值是全局最优值时,两者得到的阈值才是相等的。和几种常用的阈值分割算法对比发现,K-means阈值分割算法在分类误差率和一致性上都可得到较好的评价,且在多闽值分割上,节省了处理时间,效率较高。一维K-means阈值分割方法只是考虑了图像的灰度值信息,本文又综合考虑了像素的邻域均值信息,把K-means阈值分割算法拓展到二维,对添加了高斯噪音和椒盐噪音的图片都能取得不错的分割结果,具有一定的抗干扰性。当噪音大量存在时,二维K-means阈值还不足以排除噪音干扰,本文在考虑图像的灰度值、邻域均值信息的同时,考虑了像素的邻域中值信息,把K-means阈值分割算法扩展到三维,抗噪音干扰的能力更强。基于L1距离(曼哈顿距离)的K-means算法比L2距离(欧式距离)的K-means算法对高值噪音具有较好的鲁棒性,本文提出了基于L1距离的K-means阈值分割算法,对高值噪音的抗干扰性较强,图像的分割效果大大的超过了基于L2距离的K-means阈值分割算法。