图像分割是指把图像分成各具特性的区域并提取出感兴趣区域的技术和过程,是图像视觉分析和模式识别的基本前提,同时也是一个经典难题,到目前为止没有一种适合于所有图像的通用分割算法。因此,追求算法的通用性、高效性和准确性仍是很多研究者追求的目标,也是图像分割领域最具挑战的任务。基于互信息理论的非参数方法是一种新颖的图像分割方法,其基本思想是用包含分割目标的演化曲线将图像分为内外标签区域,把分割问题转化为图像标签区域和图像像素值之间的最大互信息问题,该问题同时还受到演化曲线总长度的约束。论文通过推导相关的梯度流并结合曲线演化技术来解决分割问题,使用水平集方法来实现曲线演化,并将该方法应用于人工合成图像和真实图像的分割实验。实验验证该方法不仅可以处理一般的图像分割问题,而且对带较大噪声的图像仍可获得较好质量分割结果,是一个可以解决多种不同类型的图像分割问题,具有广泛的使用范围。在方法的实现过程中,针对算法运行效率低的问题,论文重点讨论了窄带水平集方法和快速高斯变换,并应用于对初始算法的改进。通过实验对比看出,改进后的算法在保持非参数算法原有优势的同时计算效率大大提高。论文主要工作为以下内容：第一：概述了各种传统图像分割方法,并总结了国内外图像分割领域的研究现状。各类图像分割方法大都存在参数选择问题,即选择不同的参数值所获得的分割结果质量不同,因此对于不同类型的图像往往要选择不同的参数值以获得质量较好的分割结果,而选择的参数来自具有一定范围的经验值,这些经验值需要通过大量实验得到,这使得各类图像分割方法的适用范围变得很窄,影响算法的通用性。第二：研究了基于信息论的非参数图像分割方法原理及其实现,该方法用信息论的方式描述图像分割的能量函数。通过估计标签区域和图像象素值之间的最大互信息得到图像分割的能量函数,再对能量函数进行多次迭代计算使演化曲线逼近目标边界,最终使得能量函数最小而得到分割结果。该方法优点是不需要提前设置参数,且可以处理的图像种类多,此外,该方法对含有噪声的图像不敏感,具有较好的分割效果。缺点是计算量大,计算效率低。第三：重点研究了窄带水平集方法和快速高斯变换及其实现。非参数方法分割图像的计算是一个多次迭代求最小能量函数的过程,而每次迭代都要对整个标签域和所有的图像像素值的互信息计算一遍,导致计算量大、计算耗时长。引入窄带水平集方法,使得水平集函数仅在窄带内更新,虽然减少了计算时间,但计算速度仍然很慢。这是由于在每次迭代中用高斯核函数估计概率密度非常耗时,通过使用快速高斯变换减少每次估计所耗时间提高效率。改进后的算法不仅保持了原有算法相比传统算法参数选择问题优势和对噪声不敏感特点,而且算法效率得到很大提高,使基于互信息的非参数方法更适合运用于实际问题。