图像分割就是将图像中感兴趣的部分提取出来,它是计算机低级视觉中最基本最重要的研究内容,是成功进行图像分析、理解与描述的关键技术。图像分割的质量直接影响下一步进行的分析、识别和解释的质量。在过去的二十几年里,研究人员广泛深入地研究了Shannon熵阈值分割方法,取得了较好的效果。但Shannon熵所具有的广延性(或者可加性)使得它在阈值选择过程中忽略了目标和背景概率分布之间的相互关系,造成分割结果的不准确。Tsallis熵是Shannon熵的一种推广形式,它具有非广延性(或者伪可加性),能够描述具有长相关、长时间记忆和分形结构的物理过程。论文将Tsallis熵的这种特性应用到阈值图像分割中。在阈值的选择过程中,利用Tsallis熵的非广延性,进一步考虑目标和背景概率分布之间的相互关系,提高了分割的准确性。具体地讲,论文做了以下几个方面的工作:首先,给出了最小Tsallis交叉熵阈值分割方法。该方法利用Tsallis交叉熵来度量目标和背景之间的信息差异量。由于Tsallis交叉熵所表示的信息差异量进一步考虑了目标和背景之间的相互关系,其分割结果的准确性比基于Shannon熵的最小交叉熵方法有了很大地提高。其次,将最小Tsallis交叉熵阈值法推广到二维情形,给出了最小二维Tsallis交叉熵阈值法,并采用粒子群优化算法来搜索最佳二维阈值向量。二维最小Tsallis交叉熵阈值法不仅考虑了图像的灰度信息而且考虑了象素之间的空间邻域信息,提高了算法的抗噪声能力。最后,考虑到图像处理中存在很多模糊信息,给出了模糊Tsallis熵阈值分割方法。首先利用参数化的隶属度函数将图像模糊化,得到关于目标和背景的模糊2-划分,然后给出模糊2-划分Tsallis熵的定义。最后通过寻找恰当的隶属度函数的参数组合,最大化模糊2-划分的Tsallis熵来选择阈值。实验结果表明,该方法具有良好的分割性能。