机器视觉是一个跨学科的领域。随着计算机科学技术的不断发展,机器视觉成为刑侦学、医学、军事、遥感、气象诸多领域内的学者们研究视觉感知的有效工具。新型传感器的飞速发展使得人们获取图像的能力也迅速提高,因此单一的传感器所获得的图像信息往往无法满足实际需求。人类视觉系统能很容易识别目标对象,对于自动图像分割技术却是高度复杂的综合问题,特别是在提取区域图像时,工业相机无法感知物体的整体信息,只能看到局部信息。为了满足这种需求,首先要采集整体的图像信息,然后对获得某个特定区域的信息进行目标图像分割。图像预处理、图像拼接和分割的综合运用,可以使研究人员获得更为清晰、全面、有用的图像细节,解决了因图像模糊、过度锐化、噪声及提供信息缺失、过度分割而造成的问题。因此本文提出一种全景图像多尺度分割方法,该方法首先利用小波变换进行预处理,然后利用SIFT特征匹配进行全景图像拼接；对于拼接后的图像,再次利用小波变换进行多尺度边缘检测；对于检测到的边缘信息,结合强度信息可以求得多尺度相似矩阵W；最后利用图形分块技术和形态学运算得到目标图像。实验结果表明该方法能产生高质量的分割结果,有效地降低了噪声影响,提高了运算速度。本文主要研究内容如下：1)从空间域、频率域和小波域三方面分析讨论了主要的图像预处理方法。首先回顾了空间域和频率域内进行图像预处理的各种经典方法及基本原理。然后对其进行归纳和总结,指出各种方法的优缺点及适用范围。最后介绍了小波变换在图像预处理当中的应用。研究发现小波的多分辨率分析具有良好的空间域和频率域局部化特性,因此可以利用小波的多尺度边缘检测来提高边缘轮廓的精度,改善分割效果。2)介绍了利用SIFT特征匹配进行全景图像拼接的算法。首先利用对于尺度具有鲁棒性的SIFT算法对预处理后的图像进行特征点的提取与匹配。对于粗匹配产生的误匹配对,应用随机抽样一致性算法(RANSAC)进行筛选,最后通过渐入渐出平滑过渡的方法来消除重叠区域,完成图像拼接。3)从单一尺度和多尺度两方面分别讨论了各种的图像分割方法。其中包括点、线和边缘检测、阈值处理、基于区域的分割和分水岭变换等单个尺度的分割方法和多尺度归一化割(Multiscale Ncut)多个尺度的分割。根据预先设定好的约束矩阵,多尺度归一化割方法能在不同尺度空间下进行并行、无迭代,既可获得粗糙层,又可获得精细层图像细节的分割处理。该方法引入多尺度空间能极大地弥补由于图割算法构造的权值矩阵阶数较大,计算效率较低方面的不足。4)为有效避免边缘信息丢失或冗余,获得较完整目标的分割,本文在全景图像实现的基础上,利用小波的全局阈值处理和多尺度边缘检测来进行分割前轮廓的提取。根据图像的约束矩阵C、边缘轮廓及强度值可求得权重矩阵W,然后利用谱分割技术得出图像的特征向量；最后对其离散化并进行形态学开运算,从而实现图像的目标分割。根据准确率、查全率和平均绝对误差各方面的评价标准显示,该方法产生的结果更接近于人工分割的标准(Ground Truth)。