图像分割是图像处理领域中一个研究的热点问题。由于图像种类繁多,每类图像又具有各自不同的特点,因此很难得到一种适合于所有图像的分割方法。鉴于此,人们主要针对特定的图像类型研究相应的分割方法。现有的图像分割方法已有上百种,其中阈值分割方法由于算法简单、分割质量较好而被广泛使用。 遗传算法是一种高效并行的全局搜索方法,具有较好的鲁棒性、并行性和自适应性,非常适合于大规模搜索空间的寻优。遗传算法已广泛应用于许多学科及领域,在图像阈值分割中的应用也取得了较好的效果。但是基本遗传算法由于适应度函数设计不当、参数设置不当等原因,使得算法容易出现早熟现象。 图像去噪也是图像处理领域中研究的热点问题之一。噪声有很多种,其中脉冲噪声具有随机性和不连续性特点,它的存在严重影响了图像的质量。检测脉冲噪声的图像去噪方法拥有算法简洁、去噪快速有效的优点。然而现有的脉冲噪声检测算法,需要事先确定阈值并不断调整参数,使得算法应用起来不太方便。 本论文针对图像分割的遗传算法和脉冲噪声检测算法中存在的不足,主要研究了以下两个问题。 1)在对现有图像分割技术、遗传算法的有关理论及其在图像分割中的应用等研究的基础上,本文提出了一种改进遗传算法,将其用于优化图像阈值分割方法。为了保持种群的多样性,以防止出现未成熟收敛现象,采用了自适应的变异率和交叉率,根据个体适应度相应地采取不同的交叉率和变异率,在加速收敛的同时有效地防止了早熟问题的产生。实验表明,文中提出的改进方法优化了图像的分割效率,运算速度明显快于传统分割算法。 2)在总结图像去噪的经典方法和一些新方法的基础上,针对上述脉冲噪声检测算法的缺点,本文通过引入称之为灰度变化率的概念,将其用于噪声检测过程中,提出了可实现阈值自适应确定的去除脉冲噪声的新算法。将新算法与其他一些算法进行实验对比,结果表明,本文提出的自适应阈值去噪方法在去除脉冲噪声时算法简单,去噪快速,效果令人满意。本文还将灰度变化率应用于图像增强,给出了两种简便有效的图像锐化算法。