图像分割是按照特定的规则把图像划分成若干个互不相交、满足一定性质的区域,每个区域都满足某些特征在该区域内的一致性或相似性。图像分割在目前的研究现状是,其被公认为图像理解和计算机视觉领域国际学术界的将会长期存在的最困难问题之一,到目前为止,虽诞生了很多种分割方法,但目前仍不存在一种通用的对任意图像都适合的算法。对图像进行分割常见的方法有基于边缘的检测算法、阈值分割法、区域生长分割法、坐标映射分割法、基于神经网络实现分割法等。其中神经网络是在现代生物学基础上提出的反应生物神经某些特性、模拟生物过程的一种计算结构,在图像处理上其具备某些天然的优势。特别是将单位连接脉冲耦合神经网络用于图像分割时,它完全依赖于图像的自然属性,不用对处理空间范围提前选择,也无须任何训练,且不用考虑对脉冲耦和神经网络参数的选择。相对于经典活动轮廓模型、水平集、聚类算法等其它先进的图像分割算法,单位连接脉冲耦合神经网络在保证分割精度的同时,在执行效率上体现了一定的优势。本文研究基于单位连接脉冲耦合神经网络的图像分割,将直方图应用到了神经元脉冲捕捉时的阈值选取中,提出了一个新的图像分割效果评价标准,还将提出的基于直方图和边缘乘积互信息准则的单位连接脉冲耦合神经网络模型用于图像的三维空间整体分割。论文的主要工作和贡献包含以下几个方面：1.将直方图和单位连接脉冲耦合神经网络结合,提出了一种基于直方图阈值选择的单位连接脉冲耦合神经网络图像分割方法。该方法充分利用到了原图像的灰度先验分布,解决了单位连接脉冲耦合神经网络在图像分割时的最优阈值选取问题,同时,和传统的多阈值分割方法相比,这种方法充分利用到了目标的空间位置信息,在目标和背景存在像素灰度级差距小的情况下,可分割出目标,从而大大提高了图像分割的精度。2.提出了一个全新的图像分割效果标准-----边缘乘积互信息准则。该标准不需要人工参与,依靠计算机对边缘乘积互信息值的计算实现图像分割效果评价。单位连接脉冲耦合神经网络在图像分割的整个迭代过程中,如何判别背景和目标的最佳分离时刻,是保证图像分割效果的关键因素。现有的评价方法中,互信息作为PCNN最优分割的标准取得了很好的效果,被广泛应用于图像分割中。但是,在图像背景和目标交叉模糊的情况下,该准则对图像细节分割的效果欠佳,而且互信息会涉及到大量的浮点运算,过程复杂费时。边缘乘积互信息准则引入了图像的边缘信息,同时简化了互信息中的对数运算,在分割结果上,我们的方法能更好地保留图像的边缘细节信息,同时运行时间也得到了大大的减少,提高了图像分割的效率。3.将提出的基于直方图和边缘乘积互信息准则的单位连接脉冲耦合神经网络模型用于图像的三维空间整体分割。三维整体分割方法,充分利用了三维空间的位置信息。在三维空间直接进行分割,对每个像素点的处理都考虑到了其周围三维空间的其他像素点的特征,其结果也会关系到空间中相邻其他像素的分割,从而影响到整个三维图像的分割结果。这种方法与三维Otsu方法相比,在分割精度上有所提升,同时和三维脉冲耦合神经网络相比,三维单位连接脉冲耦合神经网络模型更为简单,模型参数选择更为容易,硬件实现更方便。