随着人工智能、深度学习与计算机视觉技术的不断进步，数字图像处理应用于先进制造、无人飞机、无人驾驶汽车等最有前景的领域，因而对图像处理技术的进步需求最迫切。在这种社会背景下，我们进行了图像去色技术和图像分割研究工作。首先，我们研究了图像去色技术，期望在转化后的灰度图像能够重现彩色图像的视觉感受，保存更多细节和对比度。这些特征，可以为图像分割提供更多信息。随后，我们主要集中精力研究图像分割技术。目前为止，研究者们在图像分割领域取得了大量的研究成果，这些成果源于对图像中不同特征的利用。但是至今没有一种分割算法能用于所有的图像分割，这也促进了研究者对图像分割进行不断地研究。本章的主要研究工作包括以下几个方面：
　　（1）针对目前彩色图像的去色技术存在丢失对比度的问题，本章提出了一种基于Log-Euclidean度量和高斯核函数的对比度保留去色模型。基于李群和黎曼流形的Log-Euclidean测地线度量，提出了一个高效的图像去色框架。由于Log-Euclidean具有可逆不变性和相似不变性，本章提出了一个基于Log-Euclidean目标函数去建模图像去色过程。在这个模型中，Log-Euclidean用来度量输入彩色图像的梯度和转化后灰度图像的梯度。在计算机视觉和图像分类领域，高斯核函数在流形值数据上都有高效的性能，所以采用高斯核函数来惩罚梯度差异。一个离散搜索算法被用来求这个模型的解。基于大量实验结果的定量和定质分析，显示本章提出的模型比其他模型有更好的表现。
　　（2）针对基于混合模型的分割算法对于噪音比较敏感的问题，本章提出了一个基于Dirichlet分布和均值模板的空间约束有限混合模型。高斯混合分布是建模图像概率密度函数的最常用到的工具，也被广泛应用于图像分割。由于没有考虑空间信息，所以高斯混合模型对噪声、光线变化和下雨等特别敏感。为了解决这个问题，本章提出了一种简单而且高效方法去增强其鲁棒性。基于图像局部一致性的假设，均值模板被用来描述邻域像素空间限制。空间信息通过Dirichlet分布把空间限制施加到有限混合模型上。相比传统的基于马尔科夫随机场模型，本章提出的模型优势是简单快速和容易实施。基于仿真图像和自然图像都是验证了本章算法的高效性。
　　（3）针对基于混合模型的分割算法虽然提高抗噪能力，但是会存在丢失图像细节结构问题，本章提出了一种基于测地线活动轮廓和学生t分布的FCM。基于新的空间变化学生t分布模型和新规则项，本章提出了一种新的FCM图像分割算法。首先考虑到传统的分布模型没有考虑空间信息和学生t分布有厚重的拖尾和鲁棒性，以马尔科夫随机场作为工具，利用局部空间信息，本章提出了一种新的空间变化的学生t分布。其次，受到测地线活动轮廓模型(GAC)具有很强捕捉图像边缘能力的启发，提出了一个崭新的规则项，利用了边缘信息和局部空间信息，从而能够保存更多细节信息和进一步增强模型鲁棒性。最后，本章提出的模型可以直接利用EM算法来更新模型参数。通过在仿真图像和自然图像上的实验，证明了本章提出的模型的有效性和鲁棒性。
　　（4）针对核磁共振图像的噪音和细节结构特点，本章提出了一个基于非局部均值模板的空间限制学生t混合模型。标准有限混合模型被广泛应用于图像分割领域，由于这类模型没有考虑局部空间信息，所以对图像噪声很敏感。为了克服这个问题，基于混合模型的方法通过融合局部空间信息去增强算法的鲁棒性。尽管这些算法具有了一定鲁棒性，但是也存在过度光滑和有限的分割准确性。为了在增强算法鲁棒性，同时又能保存更多图像边缘的细节信息，提出了一个崭新的空间变化学生t混合模型。非局部均值模板被用来描述图像局部空间限制。通过马尔科夫随机场理论把这种限制关系融合进混合模型。最后提出的模型通过EM算法求解模型参数。通过在仿真图像和医学图像上的实验，证明了这个模型的有效性和鲁棒性。