李峰，苗夺谦，刘财辉，杨伟

(1.同济大学 计算机科学与技术系，上海 201804； 2.同济大学 嵌入式系统与服务计算教育部重点实验室，上海 201804)

图像分割是将图像细分为构成它的子区域或对象，把其中感兴趣的对象提取出来的技术和过程。它既是图像处理中的重要内容，又是由图像处理到图像分析的关键步骤。图像分割在实际中已得到广泛的应用，如工业自动化、文档图像处理、生物医学图像分析等方面。

Sezgin等[1]总结了2003年以前的40种经典的阈值分割方法，这些方法按照分割时考虑的图像信息分为6类：直方图形状、测试空间聚集度、熵、目标属性、空间相关性和局部灰度图。Sankar等[2]将粒计算和粗糙集思想运用于阈值分割，提出了一种基于粒计算和粗糙熵的目标提取方法。该方法主要解决灰度图像中物体之间的边界灰度值常常模糊的问题，图像信息具有较强的空间复杂性、相关性，处理过程中会遇到不完整和不确定性问题。Sankar等[3]还做了进一步的工作，将这种处理方式运用于运动目标检测。Sankar的方法是单阈值的分割，只是把图像分割成背景和感兴趣的目标区域，但有时感兴趣的目标是多个，所以为了能分割出多目标区域，Dariusz等[4]提出了自适应多阈值粗糙熵优化算法，这样可以比较灵活地处理一些特殊需求。这2种方法都是在灰度图像上进行处理，只是一维的，Dariusz等[5]又把处理的维度提升到两维。Dariusz等[6-7]针对粗糙集与图像分割的结合，还做了其他一系列工作。

上述的方法虽然解决了图像分割中模糊性的问题，但忽略了噪声对处理结果的影响。……