遗传算法是一种迭代式的智能优化算法,其具有鲁棒性、并行性、自适应性和收敛速度快等特点,在图像分割应用中常用来帮助确定分割阈值。本文首先较全面地介绍了遗传算法,主要包括遗传算法的生物学基础、发展历史、基本原理、特点及其基本操作流程。其次,本文着重介绍了图像分割方法的各种典型方法,包括基于阈值的分割方法,基于边缘的图像分割方法,基于区域的图像分割方法以及基于坐标位置的阈值分割方法等;另外还详细分析了基于特定理论的图像分割方法,包括基于人工神经网络的分割方法,基于小波分析和变换的分割方法,基于数学形态的分割方法,基于模糊集理论的分割方法,基于偏微分方程的分割方法,基于粗糙集理论的图像分割技术等;考虑到众多方法的存在,本文还研究了图像分割效果的评价方法,评价的结论不仅可以提高现有算法的性能,对研究新的分割评价技术也具有指导意义。本文从减少遗传算法陷入局部最优点及提高遗传算法全局搜索能力的角度出发,提出了实时判断群体聚集程度来自适应的调整遗传算法的变异概率及变异策略的改进方法。算法对群体的聚集程度的判断贯穿于整个执行过程中,若群体当前的聚集程度高于一定的阀值,则设定算法的变异概率为一个较高的水平,并设置当前个体的变异位为多个;若群体当前的聚集程度低于一定的阀值,则设定算法的变异概率为一个较低的水平,并设置变异位为单个;通过这样的自适应变异操作,改进算法的能够减少陷入局部早熟的情况,并提高了全局收敛能力。本文以基于最佳熵双阈值的分割方法为基础,利用基本遗传算法以及改进的遗传算法对两幅不同的图像进行分割,仿真实验结果表明,本文提出的改进遗传的分割效果优于基于基本遗传算法分割方法。最后对全文作了总结,提出了一些设想。