随着计算机科学技术的发展,图像分割技术在近年来也得到了快速的发展。图像分割就是把图像分成若干个特定的、具有独特性质的区域,进而提取出感兴趣目标的技术和过程。它是从图像处理到图像分析的关键步骤,因此被广泛应用于遥感、气象、军事等领域。目前己成为计算机科学、信息科学、生物学和医学等学科的研究对象。被广泛使用的图像分割方法有很多,如基于边缘检测的图像分割、基于生长区域的图像分割以及基于阀值的图像分割等。然而由于图像的复杂性以及多样性,研究人员开始结合其他领域的方法进行图像分割,如基于水平集的分割、基于小波的分割以及基于神经网络的分割等。分解几何学为描述图像的几何特性提供了一种新的方法,其中将图像分解成结构图像和纹理图像是目前应用最多的一个领域。具有分解特性的图像,往往表现出边界很不规则、很复杂的特点,而其纹理图像也具有复杂性、自相似性等特点,尤其是自然纹理很适用于用分解模型来描述。鉴于图像分解技术可以去除纹理的干扰,对于图像分割具有很大的意义。因此结合图像分解方法使之成为一种有效的图像分割方法具有很高的理论意义与应用价值。Meyer模型是图像分解的基本模型,该模型通过两个功能函数F1、F2来区分图像的纹理部分与结构部分。其中F1用于排除图像中的细小纹理而保留平滑区域以及强边缘(结构部分),F2用于保留图像的纹理部分。基于该模型的主要分解算法有Mumford-Shah模型以及ROF模型,由于此类模型均为非线性模型,因此求解复杂。目前开始逐步考虑通过采用线性模型来解决图像分解的问题,局部总变分滤波算法就是目前效果最好的一种线性图像分解方法。然而,不管是线性模型还是非线性模型,都涉及到一个分解参数的问题,分解参数的选取给图像分解的过程带来了很大不便。此外,目前算法在处理过程中,对于一副图像只采用一个分解参数,由于图像的不同区域具有不同的特点,因此造成了一些区域的分解效果很好,而另一些区域的分解效果则不如人意的情况。本文在局部总变分滤波算法的基础上,针对以上不足,提出了一种新的基于可信数据集的局部总变分自适应图像分解方法。由于图像不同区域的纹理复杂程度不同,在含有少量纹理但包含强边缘的区域,为保持边缘的完整性,需采用较小的分解参数,而对于纹理较复杂的区域,为了使纹理分离的更全面,需采用较大的分解参数。因此,本文采用分块处理的思想,对不同的小块图像采用不同的分解参数进行处理,从而取得整体上的最佳效果。为更好的描述图像的纹理复杂程度,本文根据局部总变分定义了一种新的函数称为振荡率,振荡率越大则纹理越复杂,并采用计算机模拟的方法,构造出以振荡率为参数的自适应分解参数曲线。这样,通过计算不同图像的振荡率,带入分解参数曲线,便可以得到适用于该图像的分解参数,从而解决了分解参数的选取问题。此外,本文采用积分图像和近似高斯滤波的思想,进一步降低了计算复杂度以及分解窗口的大小对于分解参数的依赖性。实验表明,新方法的结果较好,尤其在具体应用领域(医学图像分割,轮胎缺陷检测以及布匹纹理检测等)中有很高的应用价值。