图象分割是数字图象处理与机器视觉的基本问题之一,是目标检测和识别过程中的重要步骤。由于待分割图象的可变性比较大,且混有噪声,构成了图象分割所面临的主要困难。到目前为止还不存在一种通用的、能使各种类型的图象达到最优分割质量的图象分割方法。近年来一些学者将模糊理论和遗传算法引入到图象分割中,较传统方法取得了更好的分割效果。本文在研究传统的模糊阈值分割的基础上,提出了一种基于改进的自适应遗传算法的图象分割方法,提高了图象的分割质量和分割效率。本文具体研究工作如下:首先,针对标准遗传算法容易“早熟”的缺点,提出一种改进的自适应遗传算法。该算法引进新的变量来衡量群体适应度的集中程度,从而对交叉概率和变异概率进行自适应调整,提高了算法的收敛率。然后,将模糊理论和遗传算法结合起来应用于图象分割处理。针对目标和背景两类图象分割,考虑二维灰度直方图,采用了一种更符合图象空间分布特点的隶属函数,建立了对应的二维图象模糊熵,分别采用标准遗传算法和改进的自适应遗传算法对二维图象模糊熵的各个参数进行优化,根据最大模糊熵准则,确定目标和背景的最佳分割阈值。实验结果表明,基于改进的自适应遗传算法的二维最大模糊熵阈值分割法具有较好的分割性能和较快的分割速度,对噪声有一定的抑制能力。另外,针对多目标的复杂图象分割问题,本文采用了一种三类阈值分割法,该方法将图象分为暗区、灰度区和亮区,通过建立相应的模糊隶属函数,对图象各个灰度级属于暗区、灰度区和亮区的模糊特性进行描述,并采用改进的自适应遗传算法对模糊熵参数进行优化,根据最大模糊熵准则,确定最佳的分割阈值;实验结果表明,基于改进的自适应遗传算法的三类阈值分割法能快速有效地分割复杂图象。